CN113569438B - 基于多源降雨融合和实时校正的城市洪涝模型构建方法 - Google Patents
基于多源降雨融合和实时校正的城市洪涝模型构建方法 Download PDFInfo
- Publication number
- CN113569438B CN113569438B CN202110623894.XA CN202110623894A CN113569438B CN 113569438 B CN113569438 B CN 113569438B CN 202110623894 A CN202110623894 A CN 202110623894A CN 113569438 B CN113569438 B CN 113569438B
- Authority
- CN
- China
- Prior art keywords
- rainfall
- dimensional
- model
- flood
- urban
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 55
- 230000004927 fusion Effects 0.000 title claims abstract description 32
- 238000010276 construction Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 105
- 238000004088 simulation Methods 0.000 claims abstract description 48
- 230000008878 coupling Effects 0.000 claims abstract description 27
- 238000010168 coupling process Methods 0.000 claims abstract description 27
- 238000005859 coupling reaction Methods 0.000 claims abstract description 27
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000013459 approach Methods 0.000 claims abstract description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 51
- 230000008569 process Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 4
- 230000002265 prevention Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Fluid Mechanics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了一种基于多源降雨融合和实时校正的城市洪涝模型构建方法，步骤为：建立降雨数据集，利用降尺度方法进行降尺度处理，基于贝叶斯平均法对降尺度后的降雨数据集进行融合得到降雨数据库；构建一维管网模块、一维河网模块、二维地表漫流模型；构建一维‑二维城市雨洪耦合模型；将融合降雨数据库输入一维‑二维城市雨洪耦合模型得到降雨量的模拟值，利用实测值和实时校正技术对模拟值进行校正，生成校正数据序列。本发明在传统的城市洪涝模拟模型基础上结合多源降雨输入和实时校正技术，拓展了城市水文学的理论基础，发展了城市水文学的研究途径，可为城市洪涝灾害防控决策提供理论和技术支撑。
Description
技术领域
本发明涉及城市洪水模拟预报的技术领域，尤其涉及一种基于多源降雨融合和实时校正的城市洪涝模型构建方法。
背景技术
洪水预报作为一种重要的防洪非工程措施，在防洪减灾中起着重要的决策支持作用。正确及时的洪水预报可以为水库、水利枢纽等工程管理运行单位提供决策支持，使得通过合理的洪水调度，将灾害损失降到最低，防洪非工程措施研究在防洪减灾中具有重要意义。
水文模型是洪水预报的核心，主要是根据前期和实时的水文气象等信息构建水文模型，揭示和预测洪水的发生及其变化过程。传统水文模型(SWAT、AVSWAT、SIMHYD、VIC、TOPMODEL、SHE、HEC、SWMM、MIKE等)目前应用广泛，其中很多分布式水文模型(SHE、TOPMODEL、HEC、VIC、IHDM、WATFLOOD、SWAT、SWMM、MIKE等)在流域径流模拟中起着重要的作用。这些模型均需要通过已有资料率定流域模型中的参数，然后用率定后的模型来推求流域水文过程，并与实测资料进行对比来调整改进模型。以此建立的水文模型预报误差不可避免，模型的输入误差、结构误差、参数误差、实测值的测量误差以及状态变量初值误差成为模型不确定性的主要来源。
城市内涝灾害在洪水灾害中的比重不断增加，给人民生命财产带来了极大的威胁，精确的洪水模拟预报是重要的非工程防洪减灾措施。目前，国内外现有的洪水预测方法主要针对流域地表流量，主要模型方法有流域水文模型和城市雨洪模型两种，相对独立。众所周知，流域、城市在时空尺度上密不可分，因此针对洪水过程模拟预报建模，应该综合考虑流域、城市共同作用下的水文机理。但是，对于目前常用的流域水文模型而言，城市地区复杂的下垫面与城市排水管网规划影响没有被充分考虑，城市化对流域水文过程的影响没有完全体现；对于城市水文模型而言，也未考虑流域径流量对城市地区水量的影响，并且缺乏对城市所处水环境依存的自然空间水文过程的理解和预测；同时，这两种模型的参数优化方法单一低效，无法实时校准。这些因素都在很大程度上影响洪水模型的模拟预报精度。
城市分布集中，但是空间面积在流域尺度上占比较小，拿黄河来说，干流经过30多个城市，其中10座大城市建成区面积占比仅有0.32％，但黄河水沙因为气候变化、人类活动分别减少了70％和40％，这说明人类活动在极小的空间范围内，可以对流域水文过程产生极大的影响，甚至影响流域产汇流机制使其发生根本变化。
一方面，随着信息社会不断发展，雷达、遥感、微波、网络爬取等洪水观测技术也在不断发展，而传统水文模型数据输入已经不能满足实际需求，多源数据驱动模型成为未来水文模型的发展趋势；另一方面，洪水灾害的非线性特征愈发明显，传统的基于物理成因机制的水文模型计算效率低，已不能满足实际生产需要。
发明内容
针对现有洪涝灾害预报方法误差大，精度低，预见期短的技术问题，本发明提出一种基于多源降雨融合和实时校正技术的城市洪涝模拟模型的构建方法，将多源降雨融合技术和实时校正技术与城市洪涝灾害模拟原理融合，研究大数据背景下城市洪涝灾害预报预警理论和方法，解决了现有预警方法中输入数据少、参数选取不准确、模型预测性能差的技术问题。
为了达到上述目的，本发明的技术方案是这样实现的：一种基于多源降雨融合和实时校正的城市洪涝模型构建方法，其步骤如下：
步骤一：根据卫星、雷达、微波、天气数值预报产品以及地面观测的降雨数据建立城市降雨数据集，利用空间降尺度方法和时间降尺度方法对降雨数据集进行统一降尺度处理，基于贝叶斯平均法对降尺度处理后降雨数据集进行融合，构建融合降雨数据库；
步骤二：构建一维管网模块，构建一维河网模块，构建二维地表漫流模型；
步骤三：构建一维-二维城市雨洪耦合模型：将构建的一维河网模型、一维管网模型和二维地表漫流模型进行耦合，得到一维-二维城市雨洪耦合模型；
步骤四：将步骤一构建的融合降雨数据库输入一维-二维城市雨洪耦合模型得到降雨量的模拟值，利用实测值和实时校正技术对模拟值进行校正，对一维-二维城市雨洪耦合模型进行实时验证并进行校准，生成校正数据序列。
所述步骤一中空间降尺度方法和时间降尺度方法均采用线性插值方法。
所述基于贝叶斯平均对降尺度处理后降雨数据集中的多源降雨数据进行融合的方法为：
以y表示多源降雨数据的融合值，D是指地面观测得到的实际降雨量；f＝{f1，f2，…fi…，fn}为n种测雨方法的雨量值集合，n是降雨来源的种类，是指卫星、雷达、微波、天气数值预报产品这四种；
根据贝叶斯平均理论，以降尺度处理后的降雨融合值为基础，多源降雨数据融合结果用贝叶斯后验概率分布表示为：
式中，C(y|f1,f1,···,fn,D)为多源降雨数据融合值；C(y|fi)为第i种测雨方法的雨量值；P(fi|D)为第i种测雨方法的后验概率，即第i种测雨方法在融合过程中所占的权重，且：
式中，P(D|fi)为第i种测雨方法的预报值fi的似然函数；P(fi)为第i种测雨方法的先验分布；且P(D)为实际降雨量D所有测雨的概率和，融合完的数据就是多源降雨数据库。
所述一维管网模块用于模拟城市排水管网系统，分为降雨径流模拟和管网模拟两部分，其中降雨径流模拟的结果是管网模拟的边界条件，一维管网模块的计算原理如下：
水流连续方程：
式中，H为测压管水头；U为流速；g为重力加速度；c为波的传播速度，且K为液体的提既模量，d为管道直径，δ为管壁厚度，E为管材的弹性模量；t表示时间、x表示x方向、φ表示水流河与x方向的夹角。
所述一维河网模块的水动力学模型的基本方程如下：
水流连续方程：
水流运动方程：
式中，q为旁侧流量，Q为总流量，s为距离坐标，A为过水断面面积，I为渠底坡降，C为谢才系数，Z为水位、B为系数、R为水力半径；
所述一维河网模块采用有限差分法进行离散，有限差分法的差分格式为6点中心Abbott-Ionescu格式。
所述二维地表漫流模型是基于二维浅水方程构建的，所述基于二维浅水方程构建二维地表模型的方法为：
得到城市洪涝地表二维模型是：
式中，N是守恒变量向量，S是源项，包括底部摩擦力和河床倾斜率；E和G是分别沿x、y方向的流量分量，N、E、G公式如下：
式中，h是水的深度，u和v均是深度平均速度分量，g是重力加速度。
所述步骤三构建一维-二维城市雨洪耦合模型的方法为：一维管网模型跟一维河网模型通过管网排水口链接耦合，一维管网模型和二维地表漫流模型通过雨水井链接耦合，一维河网模型和二维地表漫流模型通过左右岸侧向链接耦合。
所述实时校正技术是反馈模拟实时校正技术，将模拟预报信息和实测信息序列在相邻时段间的特性反馈给前面构建的一维-二维城市雨洪耦合模型，重新生成校正数据序列，使模拟值更好地趋近实测值；
实测值和模拟值的相关性系数Rc以及确定性系数Dy分别为：
式中，Qab(i)为河道管道实测流量序列，i＝1，2，...，N；Qf(i)为模拟流量系列，i＝1，2，...，M；N和M分别为实测和模拟流量序列的长度，且M>N；为与实测流量序列对应的模拟流量序列的平均值，/>表示平均流量；
求相邻时刻实测流量间的差值ΔQob(i)和模拟流量间的差值ΔQf(i)分别为：
计算因子：
或/>
计算：
F(i,j)＝A(i)0.75i，j＝1,2,...,6
F(i,j)为统计量，计算因子A(i)的取值范围一般为(0.45，2.21)；且当j＝6时，F(i,j)趋近于1；
基于ΔQf(i)≥0和ΔQf(i)＜0，将洪水整个过程划分为涨水段过程和退水段过程两部分，再分别对这两段过程进行流量校正：
涨水段过程ΔQf(i)≥0，误差校正方程式为：
式中，ΔQf(i)c表示矫正后的相邻时刻实测流量间的差值ΔQob(i)和模拟流量间的差值，c为实时校正系数，计算公式为：
若N＝1，则涨水段过程反馈模拟实时校正的流量值为：
Qab(i)＝Qab(i-1)+(Qf(i)-Qf(i-1))；
式中，i＝2,3,...,K，K为洪峰对应的序数；
退水段过程ΔQf(i)＜0，误差校正方程式为：
与现有技术相比，本发明的有益效果：基于贝叶斯融合平均理论建立城市洪涝模型需要的融合降雨数据库，提高城市洪涝模型的降雨输入时空精度；采用一维、二维水动力学方法构建城市洪涝模型，可实现城市淹没的动态响应；采用实时校正技术可以实现城市洪涝滚动模拟预报。本发明在传统的城市洪涝模拟模型构建基础上集合多源降雨输入和实时校正技术，突破传统研究思路，拓展了城市水文学的理论基础，拓展了城市水文学的研究途径，可为城市洪涝灾害防控决策提供理论和技术支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程图。
图2为本发明基于多源数据融合的城市暴雨数据集构建示意图。
图3为本发明一维-二维耦合城市洪涝模型构建耦合示意图。
图4为本发明反馈模拟实时校正技术的原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，一种基于多源降雨融合和实时校正的城市洪涝模型构建方法，其步骤如下：
步骤一：根据卫星、雷达、微波、天气数值预报产品以及地面观测的降雨数据建立城市降雨数据集，利用空间降尺度方法和时间降尺度方法对降雨数据集进行统一降尺度处理，基于贝叶斯平均法对降尺度处理后降雨数据集进行融合，构建融合降雨数据库。
空间降尺度方法和时间降尺度方法均采用线性插值方法，本发明可在诸如Arcgis等常用软件中实现。如图2所示，其中，DEM是数字高程模型，包含高程和坐标信息。测雨数据是指通过不同测量方法获得的降雨数据。经度和纬度就是降雨数据的坐标。高程就是海拔高度。坐标系和投影转换、提取、多元线性回归、计算残差、空间插值直接借助ArcGIS软件可完成。上述名词DEM、测雨数据、降雨量、经度、纬度、高程等等，都是降雨数据的属性。降尺度是主要包含时间降尺度和空间降尺度，时间降尺度就是简单的线性插值，空间降尺度也是插值，这两个步骤均可以在Arcgis软件中利用工具做到。
所述基于贝叶斯平均对降尺度处理后降雨数据集中的多源降雨数据进行融合的方法为：
以y表示多源降雨数据的融合值；D为实际降雨量(是指地面测站观测到的降雨数据)；f＝{f1，f2，…fi…，fn}为n种测雨方法的雨量值集合，n指的是降雨来源的种类，是指卫星、雷达、微波、天气数值预报产品这四种；根据贝叶斯平均理论，以降尺度处理后的通过Arcgis软件操作实现的细分辨率的降雨融合值为基础，多源降雨数据融合结果可用贝叶斯后验概率分布表示为：
式中，C(y|f1,f1,···,fn,D)为多源降雨数据融合值；C(y|fi)为第i种测雨方法的雨量值；P(fi|D)为第i种测雨方法的后验概率，即该测雨方法在融合过程中所占的权重，且：
式中，P(D|fi)为第i种测雨方法的预报值fi的似然函数；P(fi)为第i种测雨方法的先验分布；对于所选的测雨方法，P(D)为实际降雨量D所有测雨的概率和，融合完的数据就是一个数据库，由此建立多源降雨数据库。
不同测雨方法所测得的降雨数据形式不同，雨量站是点的时间序列，卫星、雷达、微波是面状的图像格式，并且时间空间尺度不同，需要进行解译统一尺度，这些可以借助Arcgis软件中的插值工具完成。融合后得到的降雨数据就是融合降雨数据库数据库。
步骤二：构建一维管网模块。
一维管网模块主要用于模拟城市排水管网系统，分为降雨径流模拟和管网模拟两部分，其中降雨径流模拟的结果是管网模拟的边界条件。构建官网模块不需要任何数据，就是水力学中的水流连续方程和水流运动方程。降雨降下来首先产生地面的径流，然后才往管网里流，所以说降雨径流模拟的结果是管网模拟的边界条件。
模型计算原理如下：
水流连续方程：
式中，H为测压管水头；U为流速；g为重力加速度；c为波的传播速度，且K为液体的提既模量，d为管道直径，δ为管壁厚度，E为管材的弹性模量。t表示时间、x表示x方向、φ表示水流河与x方向的夹角。液体就是水流，管材就是排水管网。λ的取值根据具体的工程里的管材种类进行具体的取值。
步骤三：构建一维河网模块。构建河网模块也不需要任何数据，实质上是一个数学原理方法，就是水力学中的水流连续方程和水流运动方程。
一维河网模块的水动力学模型的基本方程如下：
水流连续方程：
水流运动方程：
式中，q为旁侧流量，Q为总流量，s为距离坐标，A为过水断面面积，I为渠底坡降，C为谢才系数。Z为水位、B为系数、R为水力半径。各个变量的取值都是根据实际资料确定的。
一维河网模块采用有限差分法进行离散，有限差分法的差分格式为6点中心Abbott-Ionescu格式。离散方程求解采用追赶法。求解处理处理的是流量结果。
步骤四：构建二维地表漫流模型。构建二维地表模块也不需要任何数据，实质上是一个数学原理方法，就是水力学中的水流连续方程和水流运动方程。
基于二维浅水方程构建城市洪涝二维地表漫流模型，构建水文水动力耦合的城市洪涝模型。所述基于二维浅水方程构建城市洪涝地表二维模型的方法为：
得到城市洪涝地表二维模型是：
式中，N是守恒变量向量，S是源项，包括底部摩擦力和河床倾斜率；E和G是分别沿x、y方向的流量分量，N、E、G公式如下：
式中，h是水的深度，u和v均是深度平均速度分量，g是重力加速度。
城市洪涝二维地表漫流模型是水文水动力耦合的城市洪涝模型中的一部分。
步骤五：构建一维-二维城市雨洪耦合模型：将构建的一维河网模型、一维管网模型和二维地表漫流模型进行耦合，得到一维-二维城市雨洪耦合模型。
将构建的一维河网模型、一维管网模型和二维地表漫流模型进行耦合。其中，一维管网模型跟一维河网模型通过管网排水口链接耦合，一维管网模型和二维地表漫流模型通过雨水井链接耦合，一维河网模型和二维地表漫流模型通过左右岸侧向链接耦合。通过河道流量、管道流量、管道积水点信息对一维-二维城市雨洪耦合模型进行验证，模拟的河道流量、管道流量、管道积水点信息和实测的这些信息对比，即为验证，如图3所示。城市内河洪水的数据都是水文局水文站政府单位实测的数据。
步骤六：将步骤一构建的融合降雨数据库输入一维-二维城市雨洪耦合模型得到降雨量的模拟值，利用实测值和实时校正技术对模拟值进行校正，用来对一维-二维城市雨洪耦合模型进行实时验证并进行校准，生成校正数据序列。
引入反馈模拟实时校正技术，其基本思路是将模型模拟预报信息和实测信息序列在相邻时段间的特性反馈给前面构建的一维-二维城市雨洪耦合的数学模型，重新生成校正数据序列，使模拟值更好地趋近实测值，如图4所示。图4中bs(t+1)代表t+1时刻的观测流量，Out(t+1|t+1-D)代表在t+1-D时刻输入的情况下t+1时刻的输出流量，In(t+1-D)代表t+1-D时刻的输入流量，Out(t+1)代表t+1时刻的输出流量。
实测值和模拟值的相关性系数Rc以及确定性系数Dy分别为：
式中：Qab(i)为河道管道实测流量序列，i＝1，2，...，N；Qf(i)为模拟流量系列，i＝1，2，...，M；N和M分别为实测和模拟流量序列的长度，且M>N；为与实测流量序列对应的模拟流量序列的平均值。/>表示平均流量。
求相邻时刻实测流量间的差值ΔQob(i)和模拟流量间的差值ΔQf(i)：
计算因子：
或/>
计算：
F(i,j)＝A(i)0.75i，j＝1,2,...,6
F(i,j)为统计量，值越大，效果越好。依据经验，因子A的取值范围一般为A∈(0.45，2.21)；且当j＝6时，F(i,j)趋近于1。
基于ΔQf(i)≥0和ΔQf(i)＜0，将洪水整个过程划分为涨水段过程和退水段过程两部分，再分别对这两段过程进行流量校正。
涨水段过程(ΔQf(i)≥0)，误差校正方程式为：
式中，ΔQf(i)c表示矫正后的相邻时刻实测流量间的差值ΔQob(i)和模拟流量间的差值，c为实时校正系数，计算公式为：
若N＝1，则涨水段过程反馈模拟实时校正的流量值为：
Qab(i)＝Qab(i-1)+(Qf(i)-Qf(i-1))；
式中，i＝2,3,...,K，K为洪峰对应的序数。
退水段过程(ΔQf(i)＜0)，误差校正方程式为：
生成校正数据序列就是流量过程。
反馈模拟实时校正技术可以充分利用各种实测信息和模拟信息，建立经验公式，通过反馈模拟，重新生成模拟流量，以提升洪水作业预报的能力。生成的校正序列值就是模拟预报的东西，用于对城市洪涝进行模拟预报。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于多源降雨融合和实时校正的城市洪涝模型构建方法，其特征在于，其步骤如下：
步骤一：根据卫星、雷达、微波、天气数值预报产品以及地面观测的降雨数据建立城市降雨数据集，利用空间降尺度方法和时间降尺度方法对降雨数据集进行统一降尺度处理，基于贝叶斯平均法对降尺度处理后降雨数据集进行融合，构建融合降雨数据库；
步骤二：构建一维管网模块，构建一维河网模块，构建二维地表漫流模型；
步骤三：构建一维-二维城市雨洪耦合模型：将构建的一维河网模型、一维管网模型和二维地表漫流模型进行耦合，得到一维-二维城市雨洪耦合模型；
所述一维河网模块的水动力学模型的基本方程如下：
水流连续方程：
水流运动方程：
式中，q为旁侧流量，Q为总流量，s为距离坐标，A为过水断面面积，I为渠底坡降，C为谢才系数，Z为水位、B为系数、R为水力半径；
所述二维地表漫流模型是基于二维浅水方程构建的，所述基于二维浅水方程构建二维地表模型的方法为：
得到城市洪涝地表二维模型是：
式中，N是守恒变量向量，S是源项，包括底部摩擦力和河床倾斜率；E和G是分别沿x、y方向的流量分量，N、E、G公式如下：
式中，h是水的深度，u和v均是深度平均速度分量，g是重力加速度；
所述步骤三构建一维-二维城市雨洪耦合模型的方法为：一维管网模型跟一维河网模型通过管网排水口链接耦合，一维管网模型和二维地表漫流模型通过雨水井链接耦合，一维河网模型和二维地表漫流模型通过左右岸侧向链接耦合；
步骤四：将步骤一构建的融合降雨数据库输入一维-二维城市雨洪耦合模型得到降雨量的模拟值，利用实测值和实时校正技术对模拟值进行校正，对一维-二维城市雨洪耦合模型进行实时验证并进行校准，生成校正数据序列。
2.根据权利要求1所述的基于多源降雨融合和实时校正的城市洪涝模型构建方法，其特征在于，所述步骤一中空间降尺度方法和时间降尺度方法均采用线性插值方法。
3.根据权利要求1或2所述的基于多源降雨融合和实时校正的城市洪涝模型构建方法，其特征在于，所述基于贝叶斯平均对降尺度处理后降雨数据集中的多源降雨数据进行融合的方法为：
以y表示多源降雨数据的融合值，D是指地面观测得到的实际降雨量；f＝{f1，f2，…fi…，fn}为n种测雨方法的雨量值集合，n是降雨来源的种类，是指卫星、雷达、微波、天气数值预报产品这四种；
根据贝叶斯平均理论，以降尺度处理后的降雨融合值为基础，多源降雨数据融合结果用贝叶斯后验概率分布表示为：
式中，C(y|f1,f1,···,fn,D)为多源降雨数据融合值；C(y|fi)为第i种测雨方法的雨量值；P(fi|D)为第i种测雨方法的后验概率，即第i种测雨方法在融合过程中所占的权重，且：
式中，P(D|fi)为第i种测雨方法的预报值fi的似然函数；P(fi)为第i种测雨方法的先验分布；且P(D)为实际降雨量D所有测雨的概率和，融合完的数据就是多源降雨数据库。
4.根据权利要求1所述的基于多源降雨融合和实时校正的城市洪涝模型构建方法，其特征在于，所述一维管网模块用于模拟城市排水管网系统，分为降雨径流模拟和管网模拟两部分，其中降雨径流模拟的结果是管网模拟的边界条件，一维管网模块的计算原理如下：
水流连续方程：
式中，H为测压管水头；U为流速；g为重力加速度；c为波的传播速度，且K为液体的提既模量，d为管道直径，δ为管壁厚度，E为管材的弹性模量；t表示时间、x表示x方向、φ表示水流河与x方向的夹角。
5.根据权利要求1所述的基于多源降雨融合和实时校正的城市洪涝模型构建方法，其特征在于，所述一维河网模块采用有限差分法进行离散，有限差分法的差分格式为6点中心Abbott-Ionescu格式。
6.根据权利要求5所述的基于多源降雨融合和实时校正的城市洪涝模型构建方法，其特征在于，所述实时校正技术是反馈模拟实时校正技术，将模拟预报信息和实测信息序列在相邻时段间的特性反馈给前面构建的一维-二维城市雨洪耦合模型，重新生成校正数据序列，使模拟值更好地趋近实测值；
实测值和模拟值的相关性系数Rc以及确定性系数Dy分别为：
式中，Qab(i)为河道管道实测流量序列，i＝1，2，...，N；Qf(i)为模拟流量系列，i＝1，2，...，M；N和M分别为实测和模拟流量序列的长度，且M>N；为与实测流量序列对应的模拟流量序列的平均值，/>表示平均流量；
求相邻时刻实测流量间的差值ΔQob(i)和模拟流量间的差值ΔQf(i)分别为：
计算因子：
或/>
计算：
F(i,j)＝A(i)0.75i，j＝1,2,...,6
F(i,j)为统计量，计算因子A(i)的取值范围一般为(0.45，2.21)；且当j＝6时，F(i,j)趋近于1；
基于ΔQf(i)≥0和ΔQf(i)＜0，将洪水整个过程划分为涨水段过程和退水段过程两部分，再分别对这两段过程进行流量校正：
涨水段过程ΔQf(i)≥0，误差校正方程式为：
式中，ΔQf(i)c表示矫正后的相邻时刻实测流量间的差值ΔQob(i)和模拟流量间的差值，c为实时校正系数，计算公式为：
若N＝1，则涨水段过程反馈模拟实时校正的流量值为：
Qab(i)＝Qab(i-1)+(Qf(i)-Qf(i-1))；
式中，i＝2,3,...,K，K为洪峰对应的序数；
退水段过程ΔQf(i)＜0，误差校正方程式为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110623894.XA CN113569438B (zh) | 2021-06-04 | 2021-06-04 | 基于多源降雨融合和实时校正的城市洪涝模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110623894.XA CN113569438B (zh) | 2021-06-04 | 2021-06-04 | 基于多源降雨融合和实时校正的城市洪涝模型构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113569438A CN113569438A (zh) | 2021-10-29 |
| CN113569438B true CN113569438B (zh) | 2024-02-02 |
Family
ID=78161799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110623894.XA Active CN113569438B (zh) | 2021-06-04 | 2021-06-04 | 基于多源降雨融合和实时校正的城市洪涝模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113569438B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114239925A (zh) * | 2021-11-29 | 2022-03-25 | 中国长江电力股份有限公司 | 一种水电站入库洪水预报偏差分割和评估方法 |
| CN114676882B (zh) * | 2022-03-01 | 2022-12-13 | 河海大学 | 一种水文多模型时变权重组合预报方法 |
| CN115758712B (zh) * | 2022-11-11 | 2024-05-14 | 长江勘测规划设计研究有限责任公司 | 城市雨洪全过程分布式水文水动力学耦合模型构建方法 |
| CN116070918B (zh) * | 2023-04-06 | 2023-06-09 | 珠江水利委员会珠江水利科学研究院 | 一种城市洪涝安全评估及洪涝灾害防治方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111651885A (zh) * | 2020-06-03 | 2020-09-11 | 南昌工程学院 | 一种智慧型海绵城市洪涝预报方法 |
| WO2021003768A1 (zh) * | 2019-07-08 | 2021-01-14 | 大连理工大学 | 基于前期降雨和上下游拓扑关系的农村基层洪涝预警方法 |
-
2021
- 2021-06-04 CN CN202110623894.XA patent/CN113569438B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021003768A1 (zh) * | 2019-07-08 | 2021-01-14 | 大连理工大学 | 基于前期降雨和上下游拓扑关系的农村基层洪涝预警方法 |
| CN111651885A (zh) * | 2020-06-03 | 2020-09-11 | 南昌工程学院 | 一种智慧型海绵城市洪涝预报方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于多模型耦合的城市内涝多视角分析;李尤;邸苏闯;朱永华;李永坤;张宇航;徐袈檬;;中国农村水利水电(第05期);全文 * |
| 济南市山前平原区暴雨内涝模拟;程涛;徐宗学;洪思扬;常晓栋;李怀民;;北京师范大学学报(自然科学版)(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113569438A (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113569438B (zh) | 基于多源降雨融合和实时校正的城市洪涝模型构建方法 | |
| Schwanenberg et al. | Short-term reservoir optimization for flood mitigation under meteorological and hydrological forecast uncertainty | |
| Liu et al. | Ensemble streamflow forecasting over a cascade reservoir catchment with integrated hydrometeorological modeling and machine learning | |
| Xu et al. | A real-time probabilistic channel flood-forecasting model based on the Bayesian particle filter approach | |
| CN107590354A (zh) | 基于稳定水流场的流域地表径流汇流模拟方法 | |
| Wu et al. | Simulation of soil loss processes based on rainfall runoff and the time factor of governance in the Jialing River Watershed, China | |
| Wang et al. | Assessment of the impact of climate change on hydropower potential in the Nanliujiang river basin of China | |
| Wang et al. | Surface water temperature prediction in large-deep reservoirs using a long short-term memory model | |
| Ahmed | Numerical modeling of the Rideau valley watershed | |
| EP4303785A1 (en) | Reservoir flow rate regulating method and apparatus, electronic device, and storage medium | |
| CN115471679A (zh) | 一种天然河道水位流量同步同化方法及智能系统 | |
| CN116432828A (zh) | 一种缺资料流域径流量智能预测方法 | |
| Zhou et al. | Prediction and early warning method of inundation process at waterlogging points based on Bayesian model average and data-driven | |
| CN112651118B (zh) | 一种气候-陆面-水文过程全耦合模拟方法 | |
| CN113469456A (zh) | 一种河道水量预测方法 | |
| Kumar et al. | GIUH based Clark and Nash models for runoff estimation for an ungauged basin and their uncertainty analysis | |
| Kurniyaningrum et al. | Sensitivity of flow depth inundation based on the micro-scale topography in Krukut River, Jakarta, Indonesia | |
| CN115293037A (zh) | 基于机器学习的河湖复合系统水动力建模方法 | |
| Wolfs et al. | Flood probability mapping by means of conceptual modeling | |
| Kirby et al. | Assessments of available riverine hydrokinetic energy: A review | |
| CN108920799B (zh) | 基于正方形自适应网格的二维水文-水动力单向耦合方法 | |
| Gao et al. | Effect of intense rainfall and high riverine water level on compound flood hazards in a river-valley city: A case study of Yingde, China | |
| CN113158556A (zh) | 一种区域水位短时高精度预报方法 | |
| Garg et al. | Impact of calibration watershed on runoff model accuracy | |
| Wang et al. | R-statistic based predictor variables selection and vine structure determination approach for stochastic streamflow generation considering temporal and spatial dependence |
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 |