CN113222283B - 一种基于数字孪生的山洪预报预警方法及系统 - Google Patents
一种基于数字孪生的山洪预报预警方法及系统 Download PDFInfo
- Publication number
- CN113222283B CN113222283B CN202110601339.7A CN202110601339A CN113222283B CN 113222283 B CN113222283 B CN 113222283B CN 202110601339 A CN202110601339 A CN 202110601339A CN 113222283 B CN113222283 B CN 113222283B
- Authority
- CN
- China
- Prior art keywords
- forecasting
- data
- digital
- digital twin
- early warning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000001556 precipitation Methods 0.000 claims abstract description 97
- 238000005096 rolling process Methods 0.000 claims abstract description 21
- 230000008878 coupling Effects 0.000 claims abstract description 17
- 238000010168 coupling process Methods 0.000 claims abstract description 17
- 238000005859 coupling reaction Methods 0.000 claims abstract description 17
- 238000012935 Averaging Methods 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 58
- 238000004088 simulation Methods 0.000 claims description 44
- 239000002689 soil Substances 0.000 claims description 30
- 238000005516 engineering process Methods 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 29
- 239000004576 sand Substances 0.000 claims description 20
- 230000008447 perception Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000012800 visualization Methods 0.000 claims description 9
- 238000013277 forecasting method Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001970 hydrokinetic effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 230000007123 defense Effects 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000001704 evaporation Methods 0.000 description 5
- 230000008020 evaporation Effects 0.000 description 5
- 230000010354 integration Effects 0.000 description 4
- 238000006424 Flood reaction Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000003673 groundwater Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数字孪生的山洪预报预警方法及系统,预报预警方法包括如下步骤,构建数字孪生数据库;构建数字孪生流域;在收集多源降水预报产品的基础上,采用几何平均方法生成未来集合平均降水预报结果,并将其与单个降水预报产品共同形成降水集合预报,对数字孪生数据库中的未来降水数据进行实时更新;将降水集合预报与数字孪生流域耦合,实现山洪滚动预报;基于山洪预报结果,根据预警分级标准,智能识别山洪风险等级、生成预警决策并发出预警信息。优点是:克服现有山洪预报预警方法无法同时准确刻画和反映流域现在和未来情况的问题,能够准确提供山洪灾害预警信息、动态评估风险等级、自动发布预警决策,以顺利开展山洪灾害防御工作。
Description
技术领域
本发明涉及山洪灾害预警技术领域,尤其涉及一种基于数字孪生的山洪预报预警方法及系统。
背景技术
山洪一般指山丘区中小流域由降水引起的突发性、暴涨暴落的洪水。我国山地众多,降水分布不均,暴雨频发,因此山洪灾害具有发生频次高、破坏力大的特点,对当地环境和居民生命财产安全造成了严重的威胁。因此,山洪预警一直是科学研究和业务工作关注的重点。目前常用的预警方法主要包括:静态临界雨量、动态临界雨量、水文模型法等。
临界雨量法是山洪预报预警中应用最广泛的方法,其可以分为静态临界雨量法和动态临界雨量法。其中,静态临界雨量方法通常是通过统计、回归等方法确定临界雨量值,这种方法确定的临界雨量是一个定值,虽然可为山洪预警提供有利的信息,但是相对容易发生错判事件。动态临界雨量法虽然考虑了降水和下垫面等部分因素,但仍然忽略了前期影响雨量、累计雨量、降水强度、降水分布、土壤湿度、河道水位等多种因素对山洪过程影响,削弱了该预报方法的精度。此外,临界雨量法只能预报山洪是否发生,却无法提供山洪发生的时间、洪峰和洪量等具体信息。水文模型法,是在获取流域DEM数据、土地利用数据、土壤数据等的基础上,在产流、汇流、基流等环节采用有严格物理意义的模型,可较好地描述山洪定量化过程。然而,传统水文模型在构建和率定完成后一般不再发生变化,无法融合流域的物联感知数据和未来气象预报数据,同时也无法实现任意时空尺度下流域状态的可视化展示,难以实时反映流域的动态变化。
发明内容
本发明的目的在于提供一种基于数字孪生的山洪预报预警方法及系统,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明采用的技术方案如下:
一种基于数字孪生的山洪预报预警方法,包括如下步骤,
S1、构建数字孪生数据库;实时感知并获取目标流域的气象数据、水文数据、土壤数据和地形数据,并实时传输至数字孪生数据库中,实现数字孪生数据库的动态更新;并将收集到的目标流域的历史阶段气象数据、水文数据、土壤数据和地形数据,一同存储至数字孪生数据库中;
S2、构建数字孪生流域;基于数字孪生数据库,构建以网格化的水文水动力模型为核心的、耦合实时同化模块和数字沙盘的数字流域模拟器,生成与真实世界对应的数字孪生流域;
S3、未来降水预报;在收集多源降水预报产品的基础上,采用几何平均方法生成未来集合平均降水预报结果,并将其与单个降水预报产品共同形成降水集合预报,对数字孪生数据库中的未来降水数据进行实时更新;
S4、山洪预报;采用陆气耦合技术,将降水集合预报与数字孪生流域耦合,实现山洪滚动预报;
S5、山洪预警;基于山洪预报结果,根据预警分级标准,智能识别山洪风险等级、生成预警决策并发出预警信息。
优选的,数字流域模拟器的构建包括如下内容,
S21、构建水文水动力模型;基于数字孪生数据库中流域的历史气象、水文、土壤和地形数据,开展流域的水文水动力模拟,计算径流及水位模拟值与实测值的相对偏差、确定性系数和纳什效率系数,优选模型物理参数组合,构建适用于流域的水文水动力模型;
S22、构建数据同化模块;基于统一的数据标准和数据接口,将数字孪生流域的边界场、初始场、内部参数以及模拟得到的水文要素与数字孪生数据库相应的实测同化数据进行对比,计算两者偏差,并利用多种融合算法动态修正数字孪生流域的边界场、初始场、内部参数和水文要素模拟值,实现感知数据与数字孪生流域在多时空尺度下的无缝融合,构建流域感知-模拟互联的数据同化模块,从而获得实时更新的数字孪生流域;
S23、构建数字沙盘;利用三维可视化技术,以数字孪生流域为基础,构建流域数字沙盘,实现流域感知与模拟数据的多方面全景式展布。
优选的,步骤S21中,采用基于Euclid贴近度的评价方法对模型参数组进行优选,优选的具体过程为,
S211、计算评价指标值;基于模拟值与实测值的比较结果,计算评价指标的值,所述评价指标包括径流及水位模拟值与实测值的相对偏差、确定性系数和纳什效率系数;
S212、计算隶属度函数值;设u1和u2为论域U上的两个模糊子集,则u1与u2之间的Euclid贴近度可表达为:
其中,μ(·)为模糊子集u1和u2的隶属度函数;则相对偏差、确定性系数、纳什效率系数构成论域U,构建各个指标值的隶属度函数为,
其中,X为每个评价指标的值,i为模型参数组的数字代号,i=1,2,3,…,n,n为模型参数组的总数;相对偏差、确定性系数、纳什效率系数的标准化按其数值比上各参数组模拟结果的指标最大值;
S213、计算各模型参数组的欧几里德贴近度;设S和O是论域U中的两个模糊子集,设第i个模型参数组对应的评价结果为模糊子集Si,则Si可以表示为,
Si={μ(Bi),μ(Ri),μ(Ni)}
模糊子集O由上述各评价指标的理论最优值组成,即O={0,1,1,};
则第i个模型参数组的欧几里德贴近度e(Si,O)为,
其中,n为指标数目;对于每组模型参数,当e取最小值时,可以认为该模型参数组的模拟结果与理论最优结果最贴近;
S214、优选模型参数组;选择模拟欧几里德贴近度最小的模型参数组作为最优模型参数组,并利用该最优模型参数组构建适用于流域的水文水动力模型。
优选的,步骤S3具体包括如下内容,
S31、实时滚动下载预报断面以上流域范围的多源降水集合预报产品;
S32、利用插值算法将多源降水集合预报产品进行时空插值,使其时空尺度与数字流域模拟器的尺度相匹配;
S33、计算多源降水集合预报产品的集合平均值;
S34、利用多源降水集合预报产品内各成员的预报结果及集合平均值,实时更新数字孪生数据库。
优选的,步骤S33具体为,记录每个栅格的逐6h平均降水速率,采用集合平均的方法计算多源降水集合预报产品的集合平均值,计算公式为,
式中,P为多源降水集合预报产品的集合平均值,Pj是第j个预报产品的平均降水量,j=1,2,3,…,k,k为多源降水集合预报产品中预报成员的总数。
优选的,步骤S4具体包括如下内容,
S41、在对数字孪生流域的状态进行同化的基础上,利用实时降水数据驱动数字流域模拟器,生成T0=0h后数字孪生流域的状态;
S42、基于未来T=6h、1d、2d或3d的各集合成员和集合平均的降水预报数据,结合陆气耦合技术,利用未来降水数据驱动数字流域模拟器,生成T历时后数字孪生流域的状态;
S43、基于数字沙盘,三维可视化动态展示山洪未来T历时的演进趋势、淹没范围和任意断面水文情势,实现山洪滚动预报,为山洪预警决策提供立体直观影像。
优选的,步骤S5具体包括如下内容,
S51、预警分级;依据预报水位与警戒水位、保证水位、成灾水位的关系,结合山洪可能的淹没范围,将山洪灾害预警划分为三种等级,分别为告知性预警、警戒性预警和紧急性预警;
S52、预警决策;根据步骤S4中当前和未来T历时山洪预报结果,若超过50%的集合结果表明未来T历时内预报水位将达或超过预警水位,则发布相应预警信息;所述预警信息包括时间、概率、对象、山洪等级和建议内容;
S53、山洪预警记录;对实测水位超过预警水位的山洪事件,将其与山洪预报水位进行对比,生成山洪预报记录,以实时更新数字孪生数据库。
本发明的目的还在于提供一种基于数字孪生的山洪预报预警系统,预报预警系统用于实现上述任一所述的基于数字孪生的山洪预报预警方法;所述预报预警系统包括,
物联网感知模块;快速感知并获取检测区域的全部气象数据、水文数据、土壤数据和地貌数据,并将获取的数据实时传输至数字孪生数据库中,实现数字孪生数据库的滚动更新;
数字孪生体模块;用于构建与真实流域1:1对应的虚拟数字化流域;
山洪预报模块;用于使用多源降水产品集合预报方法预报降水,获取降水集合预报,并采用陆气耦合技术,将降水集合预报与数字孪生体模块耦合,实现山洪滚动预报;
风险预警模块;基于山洪预报模块的预报结果,根据预警分级标准,智能识别山洪风险等级、生成预警决策并发出预警信息。
优选的,所述数字孪生体模块包括数字孪生数据库和数字孪生流域;
数字孪生数据库是基于物联网感知模块构建的与真实世界相对应的云端空间数据集合,包括流域的历史-实时-未来的全阶段数据,所述数字孪生数据库用于将真实世界融入到数字世界中,实现时空信息的重构和重组,为数字孪生流域的构建提供标准一致的数据基础;
数字孪生流域是基于所述数字孪生数据库,由数字流域模拟器生成的流域气象、水文、地理要素的数字化解构以及流域实时的数字化影像;所述数字流域模拟器是以网格化的水文动力模型为核心、耦合实时同化模块和数字沙盘的模拟平台。
优选的,所述山洪预报模块用于使用多源降水集合预报产品集合预报方法预报降水,获取降水集合预报,并采用陆气耦合技术,将降水集合预报与数字孪生流域耦合,实现山洪滚动预报;所述降水集合预报是将数值天气预报模型的结果、卫星数据、雷达数据及地面测量数据进行融合,从而得到的高精度降水集合预报。
本发明的有益效果是:1、依托数字孪生技术,在融合物联感知数据、流域历史数据、降水集合预报等历史-实时-未来全阶段数据的基础上构建流域数字孪生体,可以实时跟踪更新、动态展示不断发展的流域状态,实现山洪的准确快速预报、风险的动态评估和灾害的实时预警,为山洪灾害防御工作顺利开展提供支撑。2、克服现有山洪预报预警方法无法同时准确刻画和反映流域现在和未来情况的问题,能够准确提供山洪灾害预警信息、动态评估风险等级、自动发布预警决策,以顺利开展山洪灾害防御工作。
附图说明
图1是本发明实施例中预报预警方法的我原理流程图;
图2是本发明实施例中预警预报系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
实施例一
如图1所示,本实施例中,提供了1、一种基于数字孪生的山洪预报预警方法,其特征在于:包括如下步骤,
S1、构建数字孪生数据库;实时感知并获取目标流域的气象数据、水文数据、土壤数据和地形数据,并实时传输至数字孪生数据库中,实现数字孪生数据库的动态更新;并将收集到的目标流域的历史阶段气象数据、水文数据、土壤数据和地形数据,一同存储至数字孪生数据库中;
S2、构建数字孪生流域;基于数字孪生数据库,构建以网格化的水文水动力模型为核心的、耦合实时同化模块和数字沙盘的数字流域模拟器,生成与真实世界对应的数字孪生流域;
S3、未来降水预报;在收集多源降水预报产品的基础上,采用几何平均方法生成未来集合平均降水预报结果,并将其与单个降水预报产品共同形成降水集合预报,对数字孪生数据库中的未来降水数据进行实时更新;
S4、山洪预报;采用陆气耦合技术,将降水集合预报与数字孪生流域耦合,实现山洪滚动预报;
S5、山洪预警;基于山洪预报结果,根据预警分级标准,智能识别山洪风险等级、生成预警决策并发出预警信息。
本实施例中,参见上述执行步骤,可见本发明主要包括五部分内容,分别为,构建数字孪生数据库、构建数字孪生流域、未来降水预报、山洪预报和山洪预警。下面分别针对这五部分内容进行详细解释。
一、构建数字孪生数据库
该部分对应步骤S1,步骤S1的内容为,利用物联网感知终端进行实时监测,每间隔一定时间将整个流域的气象数据、水文数据、土壤数据和地形数据等传输到数字孪生数据库,具体包括监测气象的传感器(雨量传感器、温度传感器、风速传感器、湿度传感器、蒸发传感器等)、监测水文要素的传感器(水位传感器、流量传感器、土壤墒情传感器等)、监测地理要素的传感器等,对数字孪生数据库进行动态更新。同时,广泛收集流域历史阶段气象、水文、土壤和地形数据,一并存储至数字孪生数据库中。
二、构件数字孪生流域
该部分对应步骤S12,步骤S2的内容为,基于所述数字孪生数据库,融合分布式数值模拟技术、数据同化技术、可视化技术、数字孪生技术,依托高性能计算平台,构建以网格化的水文水动力模型为核心,耦合实时同化模块和数字沙盘的数字流域模拟器,生成与真实世界对应的数字孪生流域。
其中,数字流域模拟器的构建包括如下内容,
S21、构建水文水动力模型;基于数字孪生数据库中流域的历史气象、水文、土壤和地形数据,开展流域的水文水动力模拟,计算径流及水位模拟值与实测值的相对偏差、确定性系数和纳什效率系数等评价指标,优选模型物理参数组合,构建适用于流域的水文水动力模型;
S22、构建数据同化模块;基于统一的数据标准和数据接口,将数字孪生流域的边界场、初始场、内部参数以及模拟得到的水文要素与数字孪生数据库相应的实测同化数据进行对比,计算两者偏差,并利用逐次优化算法、扩展卡尔曼滤波算法等多种融合算法动态修正数字孪生流域的边界场、初始场、内部参数和水文要素模拟值,实现感知数据与数字孪生流域在多时空尺度下的无缝融合,构建流域感知-模拟互联的数据同化模块,从而获得实时更新的数字孪生流域;
S23、构建数字沙盘;利用三维可视化技术,以数字孪生流域为基础,构建流域数字沙盘,实现流域感知与模拟数据的多方面全景式展布。
步骤S21中,采用基于Euclid贴近度的评价方法对模型参数组进行优选,优选的具体过程为,
S211、计算评价指标值;基于模拟值与实测值的比较结果,计算评价指标的值,所述评价指标包括径流及水位模拟值与实测值的相对偏差、确定性系数和纳什效率系数;
S212、计算隶属度函数值;设u1和u2为论域U上的两个模糊子集,则u1与u2之间的Euclid贴近度可表达为:
其中,μ(·)为模糊子集u1和u2的隶属度函数;则相对偏差、确定性系数、纳什效率系数构成论域U,构建各个指标值的隶属度函数为,
其中,X为每个评价指标的值,i为模型参数组的数字代号,i=1,2,3,…,n,n为模型参数组的总数;相对偏差、确定性系数、纳什效率系数的标准化按其数值比上各参数组模拟结果的指标最大值;
S213、计算各模型参数组的欧几里德贴近度;设S和O是论域U中的两个模糊子集,设第i个模型参数组对应的评价结果为模糊子集Si,则Si可以表示为,
Si={μ(Bi),μ(Ri),μ(Ni)}
模糊子集O由上述各评价指标的理论最优值组成,即O={0,1,1,};
则第i个模型参数组的欧几里德贴近度e(Si,O)为,
其中,n为指标数目;对于每组模型参数,当e取最小值时,可以认为该模型参数组的模拟结果与理论最优结果最贴近;
S214、优选模型参数组;选择模拟欧几里德贴近度最小的模型参数组作为最优模型参数组,并利用该最优模型参数组构建适用于流域的水文水动力模型。
三、未来降水预报
该部分对应步骤S3,步骤S3的内容为,在收集TIGGE(THORPEX Interactive GrandGlobal Ensemble)多源降水集合预报产品的基础上,采用集合平均方法生成未来集合平均降水预报结果,并将其与单个降水预报产品共同形成降水集合预报,对数字孪生数据库中的未来降水数据进行实时更新。具体的,步骤S3包括如下步骤,
S31、实时滚动下载预报断面以上流域范围的多源降水集合预报产品;
S32、利用插值算法将多源降水集合预报产品进行时空插值,使其时空尺度与数字流域模拟器的尺度相匹配;
S33、计算多源降水集合预报产品的集合平均值;
S34、利用多源降水集合预报产品内各成员的预报结果及集合平均值,实时更新数字孪生数据库。
步骤S33的具体执行过程为,记录每个栅格的逐6h平均降水速率,采用集合平均的方法计算多源降水集合预报产品的集合平均值,计算公式为,
式中,P为多源降水集合预报产品的集合平均值,Pj是第j个预报产品的平均降水量,j=1,2,3,…,k,k为多源降水集合预报产品中预报成员的总数。
四、山洪预报
该部分对应步骤S4,步骤S4具体包括如下内容,
S41、在步骤S2对数字孪生流域的状态进行同化的基础上,利用实时降水数据驱动数字流域模拟器,生成T0=0h后数字孪生流域的状态;
S42、基于未来T历时(T=6h、1d、2d或3d)各集合成员和集合平均的降水预报数据,结合陆气耦合技术,利用未来降水数据驱动数字流域模拟器,生成T历时后数字孪生流域的状态;
S43、基于数字沙盘,三维可视化动态展示山洪未来T历时的演进趋势、淹没范围和任意断面水文情势,实现山洪滚动预报,为山洪预警决策提供立体直观影像。
五、山洪预警
该部分对应步骤S5,步骤S5具体包括如下内容,
S51、预警分级;依据预报水位与警戒水位、保证水位、成灾水位的关系,结合山洪可能的淹没范围,将山洪灾害预警划分为三种等级,分别为告知性预警、警戒性预警和紧急性预警;
S52、预警决策;根据步骤S4中当前和未来T历时山洪预报结果,若超过50%的集合结果表明未来T历时内预报水位将达或超过预警水位,则发布相应预警信息;所述预警信息包括时间、概率、对象、山洪等级和建议内容;
S53、山洪预警记录;对实测水位超过预警水位的山洪事件,将其与山洪预报水位进行对比,生成山洪预报记录,以实时更新数字孪生数据库。
如图2所示,本实施例中,还提供了一种基于数字孪生的山洪预报预警系统,预报预警系统用于实现所述的基于数字孪生的山洪预报预警方法;所述预报预警系统包括,物联网感知模块、数字孪生体模块、山洪预报模块和风险预警模块;下面分别针对这四个模块进行详细的解释说明。
物联网感知模块:物联网感知模块是气象数据、水文数据、土壤数据和地貌数据等流域信息的感知与集成模块。该模块的主要作用是基于空天地一体化感知体系,充分借助物联网感知终端等新型监测设备和物联网、主动微波等新一代通信技术,快速感知并获取检测区域的全部气象数据、水文数据、土壤数据和地貌数据,并将获取的数据实时传输至数字孪生数据库中,实现数字孪生数据库的滚动更新。
数字孪生体模块:数字孪生体模块主要包含数字孪生数据库和数字孪生流域;其中:
数字孪生数据库是基于物联网感知模块构建的与真实世界相对应的云端空间数据集合,包括流域的历史-实时-未来的全阶段数据,所述数字孪生数据库用于将真实世界融入到数字世界中,实现时空信息的重构和重组,为数字孪生流域的构建提供标准一致的数据基础;
数字孪生流域是基于所述数字孪生数据库,由数字流域模拟器生成的流域气象、水文、地理要素的数字化解构以及流域实时的数字化影像;所述数字流域模拟器是以网格化的水文动力模型为核心、耦合实时同化模块和数字沙盘的模拟平台。
基于数字孪生数据库和数字孪生流域,数字孪生体模块的主要作用是构建与真实流域1:1对应的虚拟数字化流域。
山洪预报模块:山洪预报模块使用多源降水产品集合预报方法预报降水,获取降水集合预报,并采用陆气耦合技术,将降水集合预报与数字孪生流域耦合,实现山洪滚动预报。其中,所述降水集合预报是将数值天气预报模型的结果、卫星数据、雷达数据及地面测量数据进行融合,从而得到的高精度降水集合预报。山洪预报模块的主要作用是实现山洪滚动预报。
风险预警模块:风险预警模块基于山洪预报模块的预报结果,根据预警分级标准,智能识别山洪风险等级、生成预警决策并发出预警信息。风险预警模块的主要作用是实现智能山洪预警决策。
实施例二
本实施例中,具体解释利用本发明提供的基于数字孪生的山洪预报预警方法及系统如何实现预报预警。
一、构建数字孪生数据库
首先应该构建数字孪生数据库,具体包括在物联网感知模块中实现流域实时数据的感知集成及历史数据的集成,并一同传输至数字孪生数据库中,实现数据库的滚动更新。具体包括,
1、流域实时数据感知及集成。在物联感知模块中,利用物联网感知终端对流域进行实时监测,具体包括每隔1h应用雷达及遥感反演技术获取流域实时降水场,每隔15d应用卫星及遥感反演技术获取流域实时土地覆盖及地形数据,每隔1h利用探空站监测流域高空气象资料,每隔10min利用地面气象站雨量传感器、温度传感器、风速传感器、湿度传感器、蒸发传感器等监测流域实时降水、气温、风速、湿度、蒸发数据,每隔10min利用水文站及水位计监测流域关键断面流量及水位情况,每隔1h利用土壤传感器监测土壤墒情,每隔1h利用地下水位传感器监测地下水位分布情况。在物联感知模块中,利用物联网、主动微波等新一代通信技术,将上述数据实时传输到数字孪生数据库,对数字孪生数据库进行动态更新。
2、流域历史数据集成。利用SRTM、HydroSHEDs等历史DEM数据集提取得到流域历史地形数据,利用Harmonized World Soil Database等土壤数据库获取流域土壤质地分布情况,利用LUCC等历史土地利用数据集获取流域历史土地利用数据,利用中国地质数据库获取流域地质数据,由地面气象站和大气再分析资料获取流域历史气象数据,由流域水文站、水位计、地下水位传感器、土壤传感器等获取流域历史水文数据。将上述历史数据一并存储至数字孪生数据库中,完成流域数字孪生数据库的构建。
二、构建数字孪生流域
在构建数字孪生数据库的基础上构建数字孪生流域。基于所述数字孪生数据库,融合分布式数值模拟技术、数据同化技术、可视化技术、数字孪生技术,依托高性能计算平台,构建以流域网格化的水文水动力模型为核心,耦合实时同化模块和数字沙盘的数字流域模拟器,生成与真实世界对应的数字孪生流域。其中,数字流域模拟器的构建主要分为以下步骤:
1、构建水文水动力模型。基于数字孪生数据库中流域历史降水、气温、蒸发、风速、辐射、土壤类型、土地利用、地表高程、大断面地形数据,选定数字孪生数据库中过去1年的历史山洪事件,开展流域水文水动力模拟,计算洪峰流量、洪量及水位模拟值与实测值的相对偏差(B)、确定性系数(R)、纳什效率系数(N)等指标,采用基于Euclid贴近度的评价方法对模型参数组进行优选。
采用基于Euclid贴近度的评价方法对模型参数组进行优选的具体过程为,
1.1、计算评价指标值:基于模拟值与实测值的比较结果,计算上述各评价指标的值。
1.2、计算隶属度函数值。设u1和u2为论域U上的两个模糊子集,则u1与u2之间的Euclid贴近度可表达为:
其中,μ(·)为模糊子集u1和u2的隶属度函数;则相对偏差、确定性系数、纳什效率系数构成论域U,构建各个指标值的隶属度函数为,
其中,X为每个评价指标的值,i为模型参数组的数字代号,i=1,2,3,…,n,n为模型参数组的总数;相对偏差、确定性系数、纳什效率系数的标准化按其数值比上各参数组模拟结果的指标最大值。
1.3、计算各参数组的欧几里德贴近度。设S和O是论域U中的两个模糊子集,设第i个模型参数组对应的评价结果为模糊子集Si,则Si可以表示为,
Si={μ(Bi),μ(Ri),μ(Ni)}
模糊子集O由上述各评价指标的理论最优值组成,即O={0,1,1,};
则第i个模型参数组的欧几里德贴近度e(Si,O)为,
其中,n为指标数目;对于每组模型参数,当e取最小值时,可以认为该模型参数组的模拟结果与理论最优结果最贴近。
1.4、优选模型参数组。选择模拟欧几里德贴近度最小的模型参数组作为最优模型参数组,并利用该最优模型参数组构建适用于流域的水文水动力模型。
2、构建数据同化模块;基于统一的数据标准和数据接口,将降水、气温、蒸发、风速、辐射、土壤类型、土地利用、地表高程、大断面地形数据等边界场、初始流量、水位、土壤墒情等初始场、内部参数以及模拟得到的流量和水位与数字孪生数据库相应的实测或同化数据进行对比,计算两者量级、时空分布以及频率分布,利用逐次优化算法、扩展卡尔曼滤波算法等多种融合算法动态修正数字孪生流域的边界场、初始场、内部参数和水文要素模拟值,实现感知数据与数字孪生流域在多时空尺度下的无缝融合,构建流域感知-模拟互联的数据同化模块,对数字孪生流域进行循环更新同化。
3、构建数字沙盘。利用三维可视化技术,以流域的数字化影像为基础,构建流域数字沙盘,实现流域边界场、初始场、内部参数和水文要素模拟值等感知与模拟数据的多方面全景式展布。
三、未来降水预报
在收集TIGGE(THORPEX Interactive Grand Global Ensemble)多源降水集合预报产品的基础上,利用克里金插值算法处理数据,使其时空尺度与数字流域模拟器相匹配。采用集合平均方法生成未来集合平均降水预报结果,并将其与单个降水预报产品共同形成降水集合预报,对数字孪生数据库中的未来降水数据进行实时更新。具体包括以下内容,
1、收集预报断面以上流域范围的多源降水集合预报产品:选择TIGGE(THORPEXInteractive Grand Global Ensemble)数据集ECMEF、NCEP、CMA、CMC、JMA等5个中心的预报数据,预报时间为每日06:00、12:00、18:00和00:00,时间步长6h、1d、2d和3d,分辨率0.25°×0.25°。下载网址为https://www.ecmwf.int/en/research/projects/tigge。利用wgrib.exe工具对下载的GRIB2格式的文件进行解析,获取全球格网式的降水速率数据。
2、利用克里金插值算法处理数据,使其时空尺度与数字流域模拟器相匹配。
3、记录每个栅格的逐6h平均降水速率,采用集合平均的方法计算多源降水集合预报产品的集合平均值,计算公式为,
式中,P为多源降水集合预报产品的集合平均值,Pj是第j个预报产品的平均降水量,j=1,2,3,…,k,k为多源降水集合预报产品中预报成员的总数。k的值可以根据实际情况进行选择;此处选择k=5。
四、山洪预报
在获取未来降水的基础上,利用数字流域模拟器生成实时及未来的数字孪生流域,开展流域山洪预报。具体过程为,
1、在第二步对数字孪生流域体的状态进行同化的基础上,利用实时降水数据驱动数字流域模拟器,生成T0=0h后数字孪生流域的状态。
2、基于未来T历时(6h,1d,2d,3d)各集合成员和集合平均的降水预报数据,利用未来降水数据驱动数字流域模拟器,生成T历时后数字孪生流域的状态。
3、基于数字沙盘,三维可视化动态展示山洪未来T历时的演进趋势、淹没范围,以及任意断面水位、流量等水文情势,为山洪预警决策提供立体直观影像。
五、山洪预警
基于山洪预报结果,对可能的山洪风险进行预警,具体包括如下内容。
1、预警分级。依据预报水位与警戒水位、保证水位和成灾水位的关系,结合山洪可能淹没范围,将山洪灾害预警划分为三种等级,即告知性预警、警戒性预警和紧急性预警,即当预报水位超过警戒水位时,应考虑发布告知性预警;当预报水位超过保证水位时,应考虑发布警戒性预警;当预报水位超过成灾水位时,应考虑发布紧急性预警。
2、预警决策。根据步骤第四步所述当前和未来T历时山洪预报结果,若超过50%的集合结果表明未来T历时内预报水位将达到或超过预警水位,即发布1)中所述的相应预警等级的预警信息,包括山洪到达时间、山洪发生概率、可能淹没范围、山洪等级和应对措施等。
3、山洪预警记录。对实测水位超过预警水位的山洪事件,将山洪实测水位流量过程与山洪预报水位流量过程对比,生成山洪预报记录,滚动更新数字孪生数据库。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
本发明提供了一种基于数字孪生的山洪预报预警方法及系统,依托数字孪生技术,在融合物联感知数据、流域历史数据、降水集合预报等历史-实时-未来全阶段数据的基础上构建流域数字孪生体,可以实时跟踪更新、动态展示不断发展的流域状态,实现山洪的准确快速预报、风险的动态评估和灾害的实时预警,为山洪灾害防御工作顺利开展提供支撑。克服现有山洪预报预警方法无法同时准确刻画和反映流域现在和未来情况的问题,能够准确提供山洪灾害预警信息、动态评估风险等级、自动发布预警决策,以顺利开展山洪灾害防御工作。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (8)
1.一种基于数字孪生的山洪预报预警方法,其特征在于:包括如下步骤,
S1、构建数字孪生数据库;实时感知并获取目标流域的气象数据、水文数据、土壤数据和地形数据,并实时传输至数字孪生数据库中,实现数字孪生数据库的动态更新;并将收集到的目标流域的历史阶段气象数据、水文数据、土壤数据和地形数据,一同存储至数字孪生数据库中;
S2、构建数字孪生流域;基于数字孪生数据库,构建以网格化的水文水动力模型为核心的、耦合实时同化模块和数字沙盘的数字流域模拟器,生成与真实世界对应的数字孪生流域;数字流域模拟器的构建包括如下内容,
S21、构建水文水动力模型;基于数字孪生数据库中流域的历史气象、水文、土壤和地形数据,开展流域的水文水动力模拟,计算径流及水位模拟值与实测值的相对偏差、确定性系数和纳什效率系数,优选模型物理参数组合,构建适用于流域的水文水动力模型;
步骤S21中,采用基于Euclid贴近度的评价方法对模型参数组进行优选,优选的具体过程为,
S211、计算评价指标值;基于模拟值与实测值的比较结果,计算评价指标的值,所述评价指标包括径流及水位模拟值与实测值的相对偏差、确定性系数和纳什效率系数;
S212、计算隶属度函数值;设u1和u2为论域U上的两个模糊子集,则u1与u2之间的Euclid贴近度表达为:
其中,μ(·)为模糊子集u1和u2的隶属度函数;则相对偏差、确定性系数、纳什效率系数构成论域U,构建各个指标值的隶属度函数为,
其中,X为每个评价指标的值,i为模型参数组的数字代号,i=1,2,3,…,n,n为模型参数组的总数;相对偏差、确定性系数、纳什效率系数的标准化按其数值比上各参数组模拟结果的指标最大值;
S213、计算各模型参数组的欧几里德贴近度;设S和O是论域U中的两个模糊子集,设第i个模型参数组对应的评价结果为模糊子集Si,则Si表示为,
Si={μ(Bi),μ(Ri),μ(Ni)}
模糊子集O由上述各评价指标的理论最优值组成,即O={0,1,1,};
则第i个模型参数组的欧几里德贴近度e(Si,O)为,
其中,n为指标数目;对于每组模型参数,当e取最小值时,认为该模型参数组的模拟结果与理论最优结果最贴近;
S214、优选模型参数组;选择模拟欧几里德贴近度最小的模型参数组作为最优模型参数组,并利用该最优模型参数组构建适用于流域的水文水动力模型;
S22、构建数据同化模块;基于统一的数据标准和数据接口,将数字孪生流域的边界场、初始场、内部参数以及模拟得到的水文要素与数字孪生数据库相应的实测同化数据进行对比,计算两者偏差,并利用多种融合算法动态修正数字孪生流域的边界场、初始场、内部参数和水文要素模拟值,实现感知数据与数字孪生流域在多时空尺度下的无缝融合,构建流域感知-模拟互联的数据同化模块,从而获得实时更新的数字孪生流域;
S23、构建数字沙盘;利用三维可视化技术,以数字孪生流域为基础,构建流域数字沙盘,实现流域感知与模拟数据的多方面全景式展布;
S3、未来降水预报;在收集多源降水预报产品的基础上,采用几何平均方法生成未来集合平均降水预报结果,并将其与单个降水预报产品共同形成降水集合预报,对数字孪生数据库中的未来降水数据进行实时更新;
S4、山洪预报;采用陆气耦合技术,将降水集合预报与数字孪生流域耦合,实现山洪滚动预报;
S5、山洪预警;基于山洪预报结果,根据预警分级标准,智能识别山洪风险等级、生成预警决策并发出预警信息。
2.根据权利要求1所述的基于数字孪生的山洪预报预警方法,其特征在于:步骤S3具体包括如下内容,
S31、实时滚动下载预报断面以上流域范围的多源降水集合预报产品;
S32、利用插值算法将多源降水集合预报产品进行时空插值,使其时空尺度与数字流域模拟器的尺度相匹配;
S33、计算多源降水集合预报产品的集合平均值;
S34、利用多源降水集合预报产品内各成员的预报结果及集合平均值,实时更新数字孪生数据库。
3.根据权利要求2所述的基于数字孪生的山洪预报预警方法,其特征在于:步骤S33具体为,记录每个栅格的逐6h平均降水速率,采用集合平均的方法计算多源降水集合预报产品的集合平均值,计算公式为,
式中,P为多源降水集合预报产品的集合平均值,Pj是第j个预报产品的平均降水量,j=1,2,3,…,k,k为多源降水集合预报产品中预报成员的总数。
4.根据权利要求2所述的基于数字孪生的山洪预报预警方法,其特征在于:步骤S4具体包括如下内容,
S41、在对数字孪生流域的状态进行同化的基础上,利用实时降水数据驱动数字流域模拟器,生成T0=0h后数字孪生流域的状态;
S42、基于未来T=6h、1d、2d或3d的各集合成员和集合平均的降水预报数据,结合陆气耦合技术,利用未来降水数据驱动数字流域模拟器,生成T历时后数字孪生流域的状态;
S43、基于数字沙盘,三维可视化动态展示山洪未来T历时的演进趋势、淹没范围和任意断面水文情势,实现山洪滚动预报,为山洪预警决策提供立体直观影像。
5.根据权利要求4所述的基于数字孪生的山洪预报预警方法,其特征在于:步骤S5具体包括如下内容,
S51、预警分级;依据预报水位与警戒水位、保证水位、成灾水位的关系,结合山洪可能的淹没范围,将山洪灾害预警划分为三种等级,分别为告知性预警、警戒性预警和紧急性预警;
S52、预警决策;根据步骤S4中当前和未来T历时山洪预报结果,若超过50%的集合结果表明未来T历时内预报水位将达或超过预警水位,则发布相应预警信息;所述预警信息包括时间、概率、对象、山洪等级和建议内容;
S53、山洪预警记录;对实测水位超过预警水位的山洪事件,将其与山洪预报水位进行对比,生成山洪预报记录,以实时更新数字孪生数据库。
6.一种基于数字孪生的山洪预报预警系统,其特征在于:预报预警系统用于实现上述权利要求1至5任一所述的基于数字孪生的山洪预报预警方法;所述预报预警系统包括,
物联网感知模块;快速感知并获取检测区域的全部气象数据、水文数据、土壤数据和地貌数据,并将获取的数据实时传输至数字孪生数据库中,实现数字孪生数据库的滚动更新;
数字孪生体模块;用于构建与真实流域1:1对应的虚拟数字化流域;
山洪预报模块;用于使用多源降水产品集合预报方法预报降水,获取降水集合预报,并采用陆气耦合技术,将降水集合预报与数字孪生体模块耦合,实现山洪滚动预报;
风险预警模块;基于山洪预报模块的预报结果,根据预警分级标准,智能识别山洪风险等级、生成预警决策并发出预警信息。
7.根据权利要求6所述的基于数字孪生的山洪预报预警系统,其特征在于:所述数字孪生体模块包括数字孪生数据库和数字孪生流域;
数字孪生数据库是基于物联网感知模块构建的与真实世界相对应的云端空间数据集合,包括流域的历史-实时-未来的全阶段数据,所述数字孪生数据库用于将真实世界融入到数字世界中,实现时空信息的重构和重组,为数字孪生流域的构建提供标准一致的数据基础;
数字孪生流域是基于所述数字孪生数据库,由数字流域模拟器生成的流域气象、水文、地理要素的数字化解构以及流域实时的数字化影像;所述数字流域模拟器是以网格化的水文动力模型为核心、耦合实时同化模块和数字沙盘的模拟平台。
8.根据权利要求7所述的基于数字孪生的山洪预报预警系统,其特征在于:所述山洪预报模块用于使用多源降水集合预报产品集合预报方法预报降水,获取降水集合预报,并采用陆气耦合技术,将降水集合预报与数字孪生流域耦合,实现山洪滚动预报;所述降水集合预报是将数值天气预报模型的结果、卫星数据、雷达数据及地面测量数据进行融合,从而得到的高精度降水集合预报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110601339.7A CN113222283B (zh) | 2021-05-31 | 2021-05-31 | 一种基于数字孪生的山洪预报预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110601339.7A CN113222283B (zh) | 2021-05-31 | 2021-05-31 | 一种基于数字孪生的山洪预报预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222283A CN113222283A (zh) | 2021-08-06 |
CN113222283B true CN113222283B (zh) | 2023-12-26 |
Family
ID=77081673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110601339.7A Active CN113222283B (zh) | 2021-05-31 | 2021-05-31 | 一种基于数字孪生的山洪预报预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222283B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114020725B (zh) * | 2021-11-11 | 2022-04-22 | 中国水利水电科学研究院 | 一种考虑空间分布的窗口滑动gpm数据订正方法 |
CN114724336A (zh) * | 2022-03-21 | 2022-07-08 | 江西省水利科学院 | 一种沉浸体验视角下的山洪监测预警系统及其实现方法 |
CN115081341B (zh) * | 2022-07-25 | 2022-11-11 | 江西武大扬帆科技有限公司 | 一种流域洪水仿真预警方法及系统 |
CN115797491B (zh) * | 2022-12-06 | 2023-07-11 | 中国水利水电科学研究院 | 一种数字孪生流域二元水循环流场的生成与渲染方法 |
CN116522604B (zh) * | 2023-04-07 | 2023-12-26 | 中国水利水电科学研究院 | 一种历史场次暴雨洪水灾害场景移植方法 |
CN117112357A (zh) * | 2023-08-31 | 2023-11-24 | 黑龙江大学 | 一种基于数字孪生的生态保护监测预警调控系统 |
CN116882211B (zh) * | 2023-09-06 | 2023-12-19 | 珠江水利委员会珠江水利科学研究院 | 一种基于数字孪生的水库水情预报仿真方法和系统 |
CN117131708B (zh) * | 2023-10-26 | 2024-01-16 | 中核控制系统工程有限公司 | 核工业dcs设备数字孪生抗震机理模型建模方法及应用 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345777A (zh) * | 2018-10-10 | 2019-02-15 | 李潇 | 基于陡坡汇流和断面流量计算的山洪泥石流预警方法和系统 |
CN109816154A (zh) * | 2018-12-31 | 2019-05-28 | 浙江同川工程咨询有限公司 | 一种小流域山洪预报方法 |
CN109887241A (zh) * | 2019-04-08 | 2019-06-14 | 河北省水利水电勘测设计研究院 | 一种山洪灾害气象预警计算方法及系统 |
CN111582755A (zh) * | 2020-05-20 | 2020-08-25 | 中国水利水电科学研究院 | 一种基于多维度集合信息山洪灾害综合风险动态评估方法 |
CN111784976A (zh) * | 2020-06-30 | 2020-10-16 | 杭州鲁尔物联科技有限公司 | 一种山洪灾害预警方法、装置、系统及存储介质 |
CN111795681A (zh) * | 2020-06-30 | 2020-10-20 | 杭州鲁尔物联科技有限公司 | 一种山洪灾害预警方法、装置、服务器及存储介质 |
WO2020256418A2 (ko) * | 2019-06-20 | 2020-12-24 | 주식회사 한국디지털트윈연구소 | 디지털 트윈을 이용하여 가상센서를 구현하는 컴퓨팅 시스템 및 이를 이용한 실시간 데이터 수집 방법 |
CN112329257A (zh) * | 2020-11-19 | 2021-02-05 | 四川大学 | 适用于山区小流域暴雨山洪洪水预报预警的水文模型分段筛选方法 |
CN112785035A (zh) * | 2020-12-29 | 2021-05-11 | 国电电力发展股份有限公司和禹水电开发公司 | 融合多元信息的中短期水文预报方法及系统 |
CN114240119A (zh) * | 2021-12-10 | 2022-03-25 | 浙江水利水电学院 | 基于数字孪生的国土空间全域全要素防洪防涝系统及预警方法 |
CN115952681A (zh) * | 2023-01-13 | 2023-04-11 | 航天科工智慧产业发展有限公司 | 一种极端暴雨天气下洪涝灾害防御的数字孪生分析方法 |
-
2021
- 2021-05-31 CN CN202110601339.7A patent/CN113222283B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345777A (zh) * | 2018-10-10 | 2019-02-15 | 李潇 | 基于陡坡汇流和断面流量计算的山洪泥石流预警方法和系统 |
CN109816154A (zh) * | 2018-12-31 | 2019-05-28 | 浙江同川工程咨询有限公司 | 一种小流域山洪预报方法 |
CN109887241A (zh) * | 2019-04-08 | 2019-06-14 | 河北省水利水电勘测设计研究院 | 一种山洪灾害气象预警计算方法及系统 |
WO2020256418A2 (ko) * | 2019-06-20 | 2020-12-24 | 주식회사 한국디지털트윈연구소 | 디지털 트윈을 이용하여 가상센서를 구현하는 컴퓨팅 시스템 및 이를 이용한 실시간 데이터 수집 방법 |
CN111582755A (zh) * | 2020-05-20 | 2020-08-25 | 中国水利水电科学研究院 | 一种基于多维度集合信息山洪灾害综合风险动态评估方法 |
CN111784976A (zh) * | 2020-06-30 | 2020-10-16 | 杭州鲁尔物联科技有限公司 | 一种山洪灾害预警方法、装置、系统及存储介质 |
CN111795681A (zh) * | 2020-06-30 | 2020-10-20 | 杭州鲁尔物联科技有限公司 | 一种山洪灾害预警方法、装置、服务器及存储介质 |
CN112329257A (zh) * | 2020-11-19 | 2021-02-05 | 四川大学 | 适用于山区小流域暴雨山洪洪水预报预警的水文模型分段筛选方法 |
CN112785035A (zh) * | 2020-12-29 | 2021-05-11 | 国电电力发展股份有限公司和禹水电开发公司 | 融合多元信息的中短期水文预报方法及系统 |
CN114240119A (zh) * | 2021-12-10 | 2022-03-25 | 浙江水利水电学院 | 基于数字孪生的国土空间全域全要素防洪防涝系统及预警方法 |
CN115952681A (zh) * | 2023-01-13 | 2023-04-11 | 航天科工智慧产业发展有限公司 | 一种极端暴雨天气下洪涝灾害防御的数字孪生分析方法 |
Non-Patent Citations (5)
Title |
---|
"山洪灾害风险雨量评估方法研究";文明章等;《气象》;第39卷(第10期);第1325-1330页 * |
"数字孪生技术在山洪预演中的应用研究";李晓磊;《北京水务》(第5期);第70-75页 * |
"数字孪生流域的基础模型、演化路径与评判准则";冶运涛等;《华北水利水电大学学报(自然科学版)》;第44卷(第4期);第27-38页 * |
基于地理信息的山洪地质灾害预警预报研究;王晓玲;张照杰;王宇帆;王静;;测绘与空间地理信息(10);第15-18页 * |
基于数字孪生技术的河道工程智能管理方法;杜壮壮;高勇;万建忠;韩康;;中国水利(12);第38-42页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113222283A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113222283B (zh) | 一种基于数字孪生的山洪预报预警方法及系统 | |
CN111651885B (zh) | 一种智慧型海绵城市洪涝预报方法 | |
Yuan et al. | Estimating surface soil moisture from satellite observations using a generalized regression neural network trained on sparse ground-based measurements in the continental US | |
Sharma et al. | Review of flood disaster studies in Nepal: A remote sensing perspective | |
Cyriac et al. | Variability in Coastal Flooding predictions due to forecast errors during Hurricane Arthur | |
CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
Revilla-Romero et al. | Integrating remotely sensed surface water extent into continental scale hydrology | |
Samarasinghea et al. | Application of remote sensing and GIS for flood risk analysis: a case study at Kalu-Ganga River, Sri Lanka | |
Ahmad et al. | Flood prediction and disaster risk analysis using GIS based wireless sensor networks, a review | |
CN106651211A (zh) | 一种不同尺度区域洪水灾害风险评估的方法 | |
CN107316095A (zh) | 一种耦合多源数据的区域气象干旱等级预测方法 | |
CN111340668B (zh) | 一种台风灾害评估系统 | |
Nyaupane et al. | Flood frequency analysis using generalized extreme value distribution and floodplain mapping for Hurricane Harvey in Buffalo Bayou | |
CN115169938A (zh) | 一种区域性暴雨灾害风险评估方法 | |
CN117390555A (zh) | 一种实现泥石流灾害风险多维分类预测方法 | |
Tran et al. | Improving hydrologic modeling using cloud-free modis flood maps | |
CN114898138A (zh) | 一种基于地形地貌及遥感数据进行森林火灾预测的方法 | |
Bajamgnigni Gbambie et al. | Added value of alternative information in interpolated precipitation datasets for hydrology | |
Young et al. | Submitted on | |
Kar et al. | Integrated model of models for global flood alerting | |
CN116110210B (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
CN117152919A (zh) | 一种基于多源异构综合数据库的气象灾害预警系统 | |
Wang et al. | Early warning of debris flow using optimized self-organizing feature mapping network | |
Khan et al. | Flood monitoring system using distributed hydrologic modeling for Indus River Basin | |
Cloke et al. | Operational European flood forecasting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |