CN113222368B - 一种基于雨水花园监测数据的雨洪预警方法 - Google Patents

一种基于雨水花园监测数据的雨洪预警方法 Download PDF

Info

Publication number
CN113222368B
CN113222368B CN202110463785.6A CN202110463785A CN113222368B CN 113222368 B CN113222368 B CN 113222368B CN 202110463785 A CN202110463785 A CN 202110463785A CN 113222368 B CN113222368 B CN 113222368B
Authority
CN
China
Prior art keywords
model
waterlogging
urban
probability
rainfall
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
Application number
CN202110463785.6A
Other languages
English (en)
Other versions
CN113222368A (zh
Inventor
石龙宇
尚晓琪
陈丁楷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Urban Environment of CAS
Original Assignee
Institute of Urban Environment of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Urban Environment of CAS filed Critical Institute of Urban Environment of CAS
Priority to CN202110463785.6A priority Critical patent/CN113222368B/zh
Publication of CN113222368A publication Critical patent/CN113222368A/zh
Application granted granted Critical
Publication of CN113222368B publication Critical patent/CN113222368B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

Abstract

本发明涉及一种基于雨水花园监测数据的雨洪预警方法，可包括以下步骤：S1.获取雨水花园监测数据，构建雨水花园所在区域的动态雨洪模型并输出城市内涝概率预测结果；S2.城市内涝风险分析，通过对城市内涝预测概率结果进行分析，识别并预报未来城市内涝风险发生等级，最终实现城市雨洪的预警与管理。本发明充分运用雨水花园的在线监测数据进行雨洪模型构建与分析和城市内涝风险预警，从而实现在未来城市雨洪管理提供有效的方法途径，并为未来的雨水花园性能提升和城市内涝等水安全问题预警提供数据和技术支撑。

Description

一种基于雨水花园监测数据的雨洪预警方法
技术领域
本发明属于城市雨洪管理领域，具体地涉及一种基于雨水花园监测数据的雨洪预警方法。
背景技术
雨水花园，又称为生物滞留池，是低影响开发(Low Impact Development，LID)技术之一，是通过自然要素产生的生态系统服务恢复水文过程，从源头上控制与利用雨水径流，调节区域水循环，兼具社会、经济、文化等多功能效益的雨洪管理设施。其最早出现在20世纪90年代的美国，被用于生态滞留、吸收并利用雨水。近年来，全球气候变化和快速的城市化加剧了城市水环境问题，大气沉降和人类活动造成的径流污染引发了城市水环境污染，而雨水花园等雨洪管理设施是缓解城市内涝和水污染等问题的有效手段之一。随着可持续发展理念的深入，雨水花园已在德国、美国、新西兰等发达国家的住宅区、道路边等区域开展应用，国内北京、深圳、厦门等城市也已开展雨水花园等相关实践。量化并分析雨水花园的绩效状况将是提升设施效能进而控制与利用雨水的基础条件，然而，随着未来雨水花园建设的增加，如何结合雨水花园真正实现城市雨洪管理，或将成为未来城市环境管理的另一问题。
贝叶斯网络分析(Bayesian Network Analysis)是运用有向无环图表示参数合集之间逻辑关系的网络结构，以大规模数据训练进而表达因果事件不同状态发生的概率性，该分析方法已在统计决策、工业控制、故障诊断等领域得到了广泛应用。城市内涝问题受降雨和地表径流影响，贝叶斯网络可以利用径流、降雨及雨水花园的下渗等数据分析构建小区域雨洪模型，有助于雨水花园绩效评估，并实现小区域雨洪风险预警。
发明内容
本发明旨在提供一种基于雨水花园监测数据的雨洪预警方法，以解决目前雨水花园所在小区域内涝预警的问题。本发明采用的具体技术方案如下：
一种基于雨水花园监测数据的雨洪预警方法，其可包括以下步骤：
S1.获取雨水花园监测数据，构建雨水花园所在区域的动态雨洪模型并输出城市内涝概率预测结果；
S2.城市内涝风险分析，通过对城市内涝预测概率结果进行分析，识别并预报未来城市内涝风险发生等级，最终实现城市雨洪的预警与管理。
进一步地，S1具体包括以下过程：
S11、获取雨水花园历史监测数据，通过公式A＝Fin-B+C×S×10-2计算下渗量的数值,式中A为雨水花园的下渗量，单位为m3/min，Fin为雨水花园进水口的径流量,单位为m3/min，B为雨水花园出水口的溢流量，单位为m3/min,C为降雨量,单位为mm/min，S为雨水花园面积，单位为m2，数据处理结束后将数据随机分成两个数据集，分别为训练数据集和验证数据集；
S12、根据原始数据对下渗量A、溢流量B、降雨量C和城市内涝D之间的关系构建贝叶斯网络模型，即雨洪模型，并根据已处理的历史数据分布对各节点状态区间划分，并设置初步的预警时间的提前量△t；
S13、向模型中输入训练数据集中的下渗量At-△t、溢流量Bt-△t、降雨量Ct-△t和城市内涝状态Dt，即输入t时刻的城市内涝状态和t-△t时刻的下渗量、溢流量和降雨量数据，从而进行条件概率表的计算；
S14、得到模型的条件概率表后，进行模型验证，向模型中输入验证数据集中的下渗量At-△t、溢流量Bt-△t和降雨量Ct-△t，即输入t-△t时刻的下渗量、溢流量和降雨量数据，模型运用S13中所述的条件概率表计算得到t时刻预测的城市内涝事件发生概率最大的状态数值(Dt’)，将验证数据集中t时刻监测的城市内涝状态Dt与模型预测的城市内涝事件发生概率最大的状态Dt’进行对比，从而判断模型是否满足最优条件，若满足最优条件则得到满足最优条件下各节点状态划分和△t设置的雨洪模型；若不满足最优条件，则通过调整△t和节点状态进行模型优化，从而重新输入训练数据集，再次进行模型条件概率表和模型验证环节，直到输出满足最优条件的模型；
S15、得到最优模型后，则系统可以调用实时监测{At，Bt，Ct}监测值，即雨水花园实时监测的下渗量At、溢流量Bt、降雨量Ct的最新数据，模型根据条件概率表预测t+△t时刻的城市内涝概率分布情况，从而输出相应的城市内涝概率分布图；
S16、将实时监测的{At-△t,Bt-△t,Ct-△t，Dt}数据集输入模型，计算最新的条件概率表，更新动态雨洪模型。
进一步地，在S14中，满足最优条件具体为在所有验证数据中，t时刻预测的城市内涝事件发生概率最大的状态数值Dt’与t时刻监测的城市内涝状态Dt的一致性达95％以上，若在对模型所做的所有调整中，在某一状态设置下结果预测一致性无法达到95％，但其一致性最高，则也认为该模型为最优模型，若不能满足以上条件则认为是不满足最优条件。
进一步地，在S15中，城市内涝概率分布图是指城市内涝事件各状态发生的概率值用簇状条形图依次表示的图形。
进一步地，S2包括以下过程：
S21、人为设定风险等级划分条件，即对城市内涝发生概率分布图的特征设定具体条件；
S22、当动态雨洪模型模块输出(t+△t)时刻城市内涝概率分布图时，风险分析模块根据等级划分条件对城市内涝概率分布图进行分析，从而识别内涝发生的风险等级；
S23、对不同等级的风险输出相应的预警报告，以实现对雨水花园所在区域的城市内涝事件的预警预报。
进一步地，在S22中，风险等级划分指对不同程度内涝发生概率分布图的特点设定系统可识别的条件，根据簇状图特征分为四种风险等级图：L型图无内涝风险，即概率分布图中无内涝发生概率最大，远远大于其他程度内涝发生的概率；b型图低风险，即小内涝程度事件发生概率最大，大内涝事件发生概率最小；D型图，即中内涝事件发生概率最大，其余内涝程度事件相对较小；P型图高风险，大内涝事件发生概率最大，且无内涝事件发生概率最低。
本发明采用上述技术方案，具有的有益效果是：本发明充分运用雨水花园的在线监测数据进行雨洪模型构建与分析和城市内涝风险预警，从而实现在未来城市雨洪管理提供有效的方法途径，并为未来的雨水花园性能提升和城市内涝等水安全问题预警提供数据和技术支撑。
附图说明
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
图1是本发明的基于雨水花园监测数据的雨洪预警方法的流程图；
图2是本发明的不同城市内涝风险等级的特征图；
图3是采用本发明方法得到的两组雨水花园监测数据的概率分布图。
具体实施方式
现结合附图和具体实施方式对本发明进一步说明。
如图1所示，一种基于雨水花园监测数据的雨洪预警方法，用于对雨水花园所在区域的降雨和径流的关系进行分析和城市内涝发生的风险进行预警，其可包括以下步骤：
S1.获取雨水花园监测数据，构建雨水花园所在区域的动态雨洪模型并输出城市内涝概率预测结果，可包括原始数据获取与处理、验证数据集、训练数据集、雨洪模型构建、△t设置、节点状态设置、模型训练、条件概率表计算、模型验证、△t设置、节点状态调整、动态雨洪模型、{At，Bt，Ct}监测值、内涝概率预测、预测结果输出、{At-△t,Bt-△t,Ct-△t，Dt}监测值和模型更新等17个主要环节。各环节之间的关系流程，即S1具体地可包括以下过程：
S11.获取雨水花园历史监测数据，通过公式A＝Fin-B+C×S×10-2计算下渗量的数值,式中A为雨水花园的下渗量，单位为m3/min，Fin为雨水花园进水口的径流量,单位为m3/min，B为雨水花园出水口的溢流量，单位为m3/min,C为降雨量,单位为mm/min，S为雨水花园面积，单位为m2，数据处理结束后将数据随机分成两个数据集，分别为训练数据集和验证数据集；
S12.根据原始数据对下渗量A、溢流量B、降雨量C和城市内涝D之间的关系构建贝叶斯网络模型，即雨洪模型，并根据已处理的历史数据分布对各节点状态区间划分，并设置初步的预警时间的提前量△t；
S13.向模型中输入训练数据集中的下渗量At-△t、溢流量Bt-△t、降雨量Ct-△t和城市内涝状态Dt，即t时刻的城市内涝状态和t-△t时刻的下渗量、溢流量和降雨量数据，从而进行条件概率表的计算；
S14.得到模型的条件概率表后，进行模型验证，向模型中输入验证数据集中的下渗量At-△t、溢流量Bt-△t和降雨量Ct-△t，即输入t-△t时刻的下渗量、溢流量和降雨量数据，模型运行计算后得到t时刻预测的城市内涝事件发生概率最大的状态数值Dt’，将验证数据集中t时刻监测的城市内涝状态Dt与模型预测的城市内涝时间发生概率最大的状态Dt’进行对比，从而判断模型是否满足最优条件，若满足最优条件则得到满足最优条件下各节点状态划分和△t设置的雨洪模型；若不满足最优条件，则通过调整△t和节点状态进行模型优化，从而重新输入训练数据集，再次进行模型条件概率表和模型验证环节，直到输出满足最优条件的模型；其中，满足最优条件是指在所有验证数据中，t时刻预测的城市内涝事件发生概率最大的状态数值Dt’与t时刻监测的城市内涝状态Dt的一致性达95％以上，若在对模型所做的所有调整中，在某一状态设置下结果预测一致性无法达到95％，但其一致性最高，则也认为该模型为最优模型，若不能满足以上条件则认为是不满足最优条件；
S15.得到最优模型后，则系统可以调用实时监测{At，Bt，Ct}监测值，即雨水花园实时监测的下渗量At、溢流量Bt、降雨量Ct的最新数据，模型根据条件概率表预测t+△t时刻的城市内涝概率分布情况，从而输出相应的城市内涝概率分布图；其中，城市内涝概率分布图是指城市内涝事件各状态发生的概率值用簇状条形图依次表示的图形；
S16.将实时监测的{At-△t,Bt-△t,Ct-△t，Dt}数据集输入模型，计算最新的条件概率表，更新动态雨洪模型。
S2.通过对城市内涝预测概率结果进行分析，识别并预报未来城市内涝风险发生等级，最终实现城市雨洪的预警与管理。主要包括风险等级划分、风险等级和风险等级预报3个环节，即S2具体地可包括以下过程：
S21、人为设定风险等级划分条件，即对城市内涝发生概率分布图的特征设定具体条件；
S22、当动态雨洪模型模块输出t+△t时刻城市内涝概率分布图时，风险分析模块根据等级划分条件对城市内涝概率分布图进行分析，从而识别内涝发生的风险等级；如图2所示，本发明的城市内涝风险等级的特征图分类，根据城市内涝程度的概率分布图的特征，将其分为四种类型，对应的是四个风险等级：L型图，无内涝发生概率最大；概率图分布形似“L”，当概率图分布为L型图时，对应的内涝风险等级为无内涝风险；b型图，小内涝程度事件发生概率最大，大内涝事件发生概率最小，概率图分布形似“b”，当概率图分布为b型图时，对应的内涝风险等级为低风险；D型图，中内涝事件发生概率最大，其余内涝程度事件相对较小，概率图分布形似“D”，当概率图分布为D型图时，对应的内涝风险等级为中风险；P型图，大内涝事件发生概率最大，且无内涝事件发生概率最低，概率图分布形似“P”，当概率图分布为P型图时，对应的内涝风险等级为高风险；
S23、对不同等级的风险输出相应的预警报告，以实现对雨水花园所在区域的城市内涝事件的预警预报。
示例
假设某雨水花园监测系统可监测路面径流量、进水口径流量、溢流口径流量和降雨量等几个参数，且经过历史数据训练得到了最优模型，通过处理和计算实时监测数据得到了两组下渗量、溢流量和降雨量数据，第一组下渗量为0.04m3/min、溢流量为0.04m3/min和降雨量为0.5mm/min，根据各节点状态划分，相应的下渗量状态为高、溢流量状态为中、降雨量状态为中；第二组数据中下渗量为0.01m3/min、溢流量为0.04m3/min，降雨量为0.02mm/min，相应的各节点状态划分下渗量为高、溢流量为中、降雨量为中；通过同一雨洪模型的条件概率表分析，得到两组数据的概率分布图如3所示。得到概率分布图后，根据风险等级划分条件，发现第一组预测结果对应的是D型图，即城市内涝为中风险，第二组预测结果对应的是b型图，即城市内涝低风险。根据风险等级识别结果启动相应预警措施。
本发明充分运用雨水花园的在线监测数据进行雨洪模型构建与分析和城市内涝风险预警，从而实现在未来城市雨洪管理提供有效的方法途径，并为未来的雨水花园性能提升和城市内涝等水安全问题预警中提供数据和技术支撑。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (5)

1.一种基于雨水花园监测数据的雨洪预警方法，其特征在于，包括以下步骤：
S1.获取雨水花园监测数据，构建雨水花园所在区域的动态雨洪模型并输出城市内涝概率预测结果；
S2.城市内涝风险分析，通过对城市内涝预测概率结果进行分析，识别并预报未来城市内涝风险发生等级，最终实现城市雨洪的预警与管理；
其中，S1具体包括以下过程：
S11.获取雨水花园历史监测数据，通过公式A＝Fin-B+C×S×10-2计算下渗量的数值,式中A为雨水花园的下渗量，单位为m3/min，Fin为雨水花园进水口的径流量,单位为m3/min，B为雨水花园出水口的溢流量，单位为m3/min,C为降雨量,单位为mm/min，S为雨水花园面积，单位为m2，数据处理结束后将数据随机分成两个数据集，分别为训练数据集和验证数据集；
S12.根据原始数据对下渗量A、溢流量B、降雨量C和城市内涝D之间的关系构建贝叶斯网络模型，即雨洪模型，并根据已处理的历史数据分布对各节点状态区间划分，并设置初步的预警时间的提前量△t；
S13.向模型中输入训练数据集中的下渗量At-△t、溢流量Bt-△t、降雨量Ct-△t和城市内涝状态Dt，即运用t时刻的城市内涝状态和t-△t时刻的下渗量、溢流量和降雨量数据，进行条件概率表的计算；
S14.得到模型的条件概率表后，进行模型验证，向模型中输入验证数据集中的下渗量At-△t、溢流量Bt-△t和降雨量Ct-△t，即输入t-△t时刻的下渗量、溢流量和降雨量数据，模型运用S13中所述的条件概率表计算得到t时刻预测的城市内涝事件发生概率最大的状态数值Dt’，将验证数据集中t时刻监测的城市内涝状态Dt与模型预测的城市内涝事件发生概率最大的状态Dt’进行对比，从而判断模型是否满足最优条件，若满足最优条件则得到满足最优条件下各节点状态划分和△t设置的雨洪模型；若不满足最优条件，则通过调整△t和节点状态进行模型优化，从而重新输入训练数据集，再次进行模型条件概率表和模型验证环节，直到输出满足最优条件的模型；
S15.得到最优模型后，则系统可以调用实时监测{At，Bt，Ct}监测值，即雨水花园实时监测的下渗量At、溢流量Bt、降雨量Ct的最新数据，模型根据条件概率表预测t+△t时刻的城市内涝概率分布情况，从而输出相应的城市内涝概率分布图；
S16.将实时监测的{At-△t,Bt-△t,Ct-△t，Dt}数据集输入模型，计算最新的条件概率表，更新动态雨洪模型。
2.如权利要求1所述的基于雨水花园监测数据的雨洪预警方法，其特征在于，
在S14中，满足最优条件具体为在所有验证数据中，t时刻预测的城市内涝事件发生概率最大的状态数值Dt’与t时刻监测的城市内涝状态Dt的一致性达95％以上，若在对模型所做的所有调整中，在某一状态设置下结果预测一致性无法达到95％，但其一致性最高，则也认为该模型为最优模型，若不能满足以上条件则认为是不满足最优条件。
3.如权利要求1所述的基于雨水花园监测数据的雨洪预警方法，其特征在于，在S15中，城市内涝概率分布图是指城市内涝事件各状态发生的概率值用簇状条形图依次表示的图形。
4.如权利要求2所述的基于雨水花园监测数据的雨洪预警方法，其特征在于，S2包括以下过程：
S21、人为设定风险等级划分条件，即对城市内涝发生概率分布图的特征设定具体条件；
S22、当动态雨洪模型模块输出t+△t时刻城市内涝概率分布图时，风险分析模块根据等级划分条件对城市内涝概率分布图进行分析，从而识别内涝发生的风险等级；
S23、对不同等级的风险输出相应的预警报告，以实现对雨水花园所在区域的城市内涝事件的预警预报。
5.如权利要求4所述的基于雨水花园监测数据的雨洪预警方法，其特征在于，在S22中，风险等级划分指对不同程度内涝发生概率分布图的特点设定系统可识别的条件，根据簇状图特征分为四种风险等级图：L型图无内涝风险，即概率分布图中无内涝发生概率最大；b型图低风险，即小内涝程度事件发生概率最大，大内涝事件发生概率最小；D型图，即中内涝事件发生概率最大，其余内涝程度事件相对较小；P型图高风险，大内涝事件发生概率最大，且无内涝事件发生概率最低。
CN202110463785.6A 2021-04-28 2021-04-28 一种基于雨水花园监测数据的雨洪预警方法 Active CN113222368B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110463785.6A CN113222368B (zh) 2021-04-28 2021-04-28 一种基于雨水花园监测数据的雨洪预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110463785.6A CN113222368B (zh) 2021-04-28 2021-04-28 一种基于雨水花园监测数据的雨洪预警方法

Publications (2)

Publication Number Publication Date
CN113222368A CN113222368A (zh) 2021-08-06
CN113222368B true CN113222368B (zh) 2022-06-03

Family

ID=77089417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110463785.6A Active CN113222368B (zh) 2021-04-28 2021-04-28 一种基于雨水花园监测数据的雨洪预警方法

Country Status (1)

Country Link
CN (1) CN113222368B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113779280A (zh) * 2021-09-14 2021-12-10 浙江知水信息技术有限公司 一种结合甘特图和时间轴展示多台风的方法与终端
CN116611333B (zh) * 2023-05-23 2023-11-14 中国水利水电科学研究院 一种城市洪涝风险点预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101499754B1 (ko) * 2014-05-16 2015-03-09 채희정 홍수 모델링 시스템
CN108304668A (zh) * 2018-02-11 2018-07-20 河海大学 一种结合水文过程数据和历史先验数据的洪水预测方法
CN110205897A (zh) * 2019-05-28 2019-09-06 长安大学 面向海绵城市透水路面的雨洪管理系统及管理方法
CN110232477A (zh) * 2019-06-05 2019-09-13 中国水利水电科学研究院 一种反应下垫面变化影响的洪水预警方法和装置
CN210183356U (zh) * 2019-08-15 2020-03-24 深圳大学 一种海绵城市暴雨检测预警系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10664937B2 (en) * 2018-04-17 2020-05-26 One Concern, Inc. Flood risk analysis and mapping

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101499754B1 (ko) * 2014-05-16 2015-03-09 채희정 홍수 모델링 시스템
CN108304668A (zh) * 2018-02-11 2018-07-20 河海大学 一种结合水文过程数据和历史先验数据的洪水预测方法
CN110205897A (zh) * 2019-05-28 2019-09-06 长安大学 面向海绵城市透水路面的雨洪管理系统及管理方法
CN110232477A (zh) * 2019-06-05 2019-09-13 中国水利水电科学研究院 一种反应下垫面变化影响的洪水预警方法和装置
CN210183356U (zh) * 2019-08-15 2020-03-24 深圳大学 一种海绵城市暴雨检测预警系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GIS-based comparative assessment of flood susceptibility mapping using hybrid multi-criteria decision-making approach, naïve Bayes tree, bivariate statistics and logistic regression: A case of Topľa basin, Slovakia;Sk Ajim Ali 等;《Ecological Indicators》;20201031;第117卷;第1-23页 *
Rainwater harvesting for urban flood management – An integrated modelling framework;Behzad Jamali 等;《Water Research》;20200315;第171卷;第1-5页 *
低影响开发理念在寿县县城雨水管理中的应用;徐旸;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20210215(第2期);第1-68页 *
绿色基础设施的洪水调节服务供需测度研究进展;颜文涛 等;《生态学报》;20190228;第39卷(第4期);第1165-1177页 *

Also Published As

Publication number Publication date
CN113222368A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN110852577B (zh) 基于城市韧性与城市流域水文模型的城市洪涝评估方法
CN113222368B (zh) 一种基于雨水花园监测数据的雨洪预警方法
CN107609787A (zh) 基于自动生成预案的闸泵群联合自动调度方法
CN105678481A (zh) 一种基于随机森林模型的管线健康状态评估方法
CN103810532B (zh) 优化城市排水系统运行状况的方法
Zhang et al. Evaluation and early warning of water environment carrying capacity in Liaoning province based on control unit: A case study in Zhaosutai river Tieling city control unit
KR20210109160A (ko) 빅데이터 및 인공지능 기반 하수 유입수 예측방법, 그리고 이를 포함하는 저장매체
CN114611756A (zh) 基于遥感技术的城市合流制排水系统水量负荷预测方法
CN112528516B (zh) 一种耦合土地利用类型和气候变化的流域水环境管理方法
CN110644587A (zh) 一种城市排水全流程管控系统
CN112241607A (zh) 一种基于仿真并考虑气候变化的水资源规划方法
CN108830419A (zh) 一种基于ecc后处理的梯级水库群入库流量联合预报方法
CN110836683A (zh) 河道管理方法、河道管理装置及终端
CN114019831A (zh) 水资源监测物联网平台
CN107563096B (zh) 一种基于fcm的内涝建模分析方法
Wang et al. Research on water resources environmental carrying capacity (WRECC) based on support-pressure coupling theory: A case study of the Guangdong-Hong Kong-Macao Greater Bay Area
CN112950436B (zh) 一种合流制管道溢流控制参数的计算方法及装置
Yu et al. The nonlinear effect of new urbanization on water pollutant emissions: Empirical analysis based on the panel threshold model
CN116862132A (zh) 基于大数据的资源调度方法
CN106651040A (zh) 城市内涝监测点的优化布置方法
CN112288127B (zh) 一种排水系统匹配性评估方法和平台
CN116167547A (zh) 一种智能水务管控系统及方法
CN115660160A (zh) 一种污水管网排水智能优化系统及方法
KR101859109B1 (ko) 강우예측을 이용한 저영향개발시설의 제어방법
KR100430219B1 (ko) 상수도 시스템의 용수 수요 예측 방법

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