CN113673765B - 一种小流域洪水预报预警方法及终端 - Google Patents
一种小流域洪水预报预警方法及终端 Download PDFInfo
- Publication number
- CN113673765B CN113673765B CN202110967960.5A CN202110967960A CN113673765B CN 113673765 B CN113673765 B CN 113673765B CN 202110967960 A CN202110967960 A CN 202110967960A CN 113673765 B CN113673765 B CN 113673765B
- Authority
- CN
- China
- Prior art keywords
- data
- rainfall
- forecast
- model
- hydrologic
- 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 65
- 230000008878 coupling Effects 0.000 claims abstract description 70
- 238000010168 coupling process Methods 0.000 claims abstract description 70
- 238000005859 coupling reaction Methods 0.000 claims abstract description 70
- 238000011160 research Methods 0.000 claims abstract description 30
- 238000001704 evaporation Methods 0.000 claims abstract description 29
- 230000008020 evaporation Effects 0.000 claims abstract description 29
- 238000004088 simulation Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000006424 Flood reaction Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 238000012821 model calculation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 108020001568 subdomains Proteins 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000002689 soil Substances 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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- 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
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Geology (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Alarm Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Emergency Management (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明公开了一种小流域洪水预报预警方法及终端,获取历史水文数据和流域基础资料,基于MIKE系列软件和流域基础资料搭建水文‑水动力耦合初始模型,通过历史水文数据对水文‑水动力耦合初始模型进行率定,得到率定好的水文‑水动力耦合模型;获取研究流域内的网格气象预报数据、蒸发量数据以及各雨量站点的预热期雨量数据,根据网格气象预报数据得到预报期雨量数据,将预热期雨量数据、蒸发量数据以及预报期雨量数据导入水文‑水动力耦合模型,生成并显示洪水预报预警信息。本发明能实现实时、便捷、精确且高预见期的小流域洪水预报预警。
Description
技术领域
本发明涉及自然灾害防御非工程措施技术领域,特别涉及一种小流域洪水预报预警方法及终端。
背景技术
洪水预报就是根据洪水形成的客观规律,利用历史、实时、或未来的水文、气象数据,对某控制断面未来一段时间(称预见期)内的洪水要素变化情况进行预测,预测的洪水要素包括水位或流量过程线、洪峰流量或水位、峰现时间等。洪水预报是防洪体系中最重要的非工程措施之一,可为防汛决策指挥提供重要的技术手段,为山洪预报分析、洪水灾害评估提供有力支撑。
经过几十年的发展,洪水预报方法的应用比较成熟,基于不同原理的预报模型层出不穷,洪水预报主要分为两大类,一类是基于数据统计方法的经验相关法,例如单位线法、降雨径流相关图法、初损后损法、下渗曲线法、等流时线法、相应水位法等。这些方法是通过数据统计方法确定影响因子与洪水要素之间的相关关系来预报洪峰流量、径流量等洪水要素。主要优点是简单,操作方便,但是没有明确的物理概念和数据基础,以及需要比较详细的历史水文资料,而对于小流域而言,历史资料短缺是常态,因此这些方法在缺资料地区应用和推广受到极大限制。
另一类是模拟降雨产流过程的机理性方法。机理性模型主要有集总式水文模型和分布式水文模型。集总式水文模型有:河海大学赵人俊教授研发的“新安江模型”、美国的“斯坦福模型”和“萨克拉门托模型”、由日本菅原正巳博士提出的水箱模型等。传统的集总式水文模型将流域作为一个整体进行产汇流模拟,只能预报流域出口断面洪水的过程,且没有考虑流域下垫面、降雨分布的不均一性以及河网的水动力规律,而对于小流域的防灾减灾而言,不单单只是关注出口断面的洪水过程,还应知晓河道控制断面的水文要素变化及流域洪水动态演进过程,以判断沿河村落的洪水风险。且模型只反映流域产汇流的表象而不对其物理机制做明确描述,模型的参数大多缺乏明确的物理意义,无法描述自然现象的内在机理,使得其应用范围受到限制。
具有代表性的分布式水文模型主要有:HEC-HMS模型、1986年由欧共体资助开发的SHE模型、SHETRAN模型、TOPKAPI等,分布式水文模型虽然考虑到流域特征空间变异性,且具有物理含义,但是在实际应用过程中,分布式水文模型对水文、地形、地貌等数据资料要求严格,并涉及到大量的微分方程求解,模型复杂、计算效率低。对于小流域而言,分布式水文模型结构复杂,参数众多,需要依赖大量的历史数据,而国内大部分的小流域普遍缺乏监测站点,而导致该方法在缺乏历史数据的流域的应用受到限制。
即针对小流域存在强降雨及下垫面空间异致性强、产汇流时间短、突发性强、破坏力强、水文资料欠缺等特点,上述的洪水预报方法由于种种限制在现实中并不太适用于小流域洪水预报的精细化模拟。
发明内容
本发明所要解决的技术问题是:提供一种小流域洪水预报预警方法及终端,以实现实时、便捷、精确且高预见期的小流域洪水预报预警。
为了解决上述技术问题,本发明采用的技术方案为:
一种小流域洪水预报预警方法,包括:
步骤S1、获取历史水文数据和流域基础资料,基于MIKE系列软件和流域基础资料搭建水文-水动力耦合初始模型,通过所述历史水文数据对所述水文-水动力耦合初始模型进行率定,得到率定好的水文-水动力耦合模型;
步骤S2、获取研究流域内的网格气象预报数据、蒸发量数据以及各雨量站点的预热期雨量数据,根据所述网格气象预报数据得到预报期雨量数据,将所述预热期雨量数据、所述蒸发量数据以及所述预报期雨量数据导入所述水文-水动力耦合模型,生成并显示洪水预报预警信息。
为了解决上述技术问题,本发明采用的另一种技术方案为:
一种小流域洪水预报预警终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的一种小流域洪水预报预警方法。
本发明的有益效果在于:一种小流域洪水预报预警方法及终端,水文-水动力耦合模型利用MIKE系列软件进行搭建,克服集总式水文模型的局限性,有效利用水文-水动力模型能反映气象及下垫面条件的时空异质性和较好模拟预报的确定性的优势,对河道水文要素和洪水动态演进进行精细化模拟;并接入网格气象预报数据提高小流域洪水预报的预见期,从而实现实时、便捷、精确且高预见期的小流域洪水预报预警。
附图说明
图1为本发明实施例的一种小流域洪水预报预警方法的流程示意图;
图2为本发明实施例的一种小流域洪水预报预警方法的模块连接示意图;
图3为本发明实施例涉及的预报方案制作的流程示意图;
图4为本发明实施例涉及的数据提取及处理的流程示意图;
图5为本发明实施例涉及的自动预报的流程示意图;
图6为本发明实施例涉及的手动预报的流程示意图;
图7为本发明实施例涉及的数据统计的流程示意图;
图8为本发明实施例涉及的预报结果提取及呈现的流程示意图;
图9为本发明实施例的一种小流域洪水预报预警终端的结构示意图。
标号说明:
1、一种小流域洪水预报预警终端;2、处理器;3、存储器。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
请参照图1至图8,一种小流域洪水预报预警方法,包括:
步骤S1、获取历史水文数据和流域基础资料,基于MIKE系列软件和流域基础资料搭建水文-水动力耦合初始模型,通过所述历史水文数据对所述水文-水动力耦合初始模型进行率定,得到率定好的水文-水动力耦合模型;
步骤S2、获取研究流域内的网格气象预报数据、蒸发量数据以及各雨量站点的预热期雨量数据,根据所述网格气象预报数据得到预报期雨量数据,将所述预热期雨量数据、所述蒸发量数据以及所述预报期雨量数据导入所述水文-水动力耦合模型,生成并显示洪水预报预警信息。
由上述描述可知,水文-水动力耦合模型利用MIKE系列软件进行搭建,克服集总式水文模型的局限性,有效利用水文-水动力模型能反映气象及下垫面条件的时空异质性和较好模拟预报的确定性的优势,对河道水文要素和洪水动态演进进行精细化模拟;并接入网格气象预报数据提高小流域洪水预报的预见期,从而实现实时、便捷、精确且高预见期的小流域洪水预报预警。
进一步地,所述步骤S1具体包括:
步骤S11、获取历史水文数据和流域基础资料,将所述历史水文数据分为率定数据集和验证数据集,所述历史水文数据包括历史水文资料以及历史洪水资料;
步骤S12、基于MIKE系列软件和流域基础资料搭建水文-水动力耦合初始模型,并使用ArcGIS软件对雨量站权重进行计算;
步骤S13、将所述率定数据集导入所述水文-水动力耦合初始模型,利用参数优化算法来对所述水文-水动力耦合初始模型进行率定;
步骤S14、将所述验证数据集导入已率定的所述水文-水动力耦合初始模型,通过所述验证数据集中的实测数据以及所述水文-水动力耦合初始模型所生成的模拟数据之间的纳什效率系数,对已率定的所述水文-水动力耦合初始模型进行验证,将验证通过的所述水文-水动力耦合初始模型作为率定好的水文-水动力耦合模型。
由上述描述可知,通过历史水文数据进行水文-水动力耦合模型的率定生成和验证分析,保证水文-水动力耦合初始模型具有较高的准确性。
进一步地,所述步骤S12具体包括以下步骤:
获取流域基础资料,所述流域基础资料包括流域DEM数据、河道高程数据和流域影像图;
利用ArcGIS软件对所述河道高程数据进行处理,提取区域河网以划分成多个子流域,将每一个所述子流域的子流域基础资料导入MIKE NAM模块;
根据所述流域影像图,利用google earth电子影像图绘制模型河网文件,并将实测的河道断面数据制作成断面文件,将所述研究流域的边界文件、模型参数文件以及所述河网文件和导入MIKE 11HD模块;
将所述MIKE NAM模块和所述MIKE 11HD模块导入MIKE 11sim文件,建立一维水动力模型;
将所述流域DEM数据输入MIKE 21FM模型中,建立二维水动力模型;
将建立的所述一维水动力模型和所述二维水动力模型导入MIKE FLOOD模型,以搭建水文-水动力耦合初始模型。
由上述描述可知,通过对研究流域进行河网分析以划分成不同的子流域,使得水文-水动力耦合模型是以子流域汇流到主流域以输出预报结果,从而实现河道控制断面的精细化水文模拟与流域的动态淹没仿真分析。
进一步地,所述步骤S2具体包括以下:
步骤S21、定时获取所述研究流域内的网格气象预报数据和各雨量站点的预热期雨量数据,根据所述网格气象预报数据和各雨量站点的经纬度,得到所述研究流域内每一个雨量站点的预报期雨量数据;
步骤S22、将所述预报期雨量数据和预热期雨量数据分别处理成等时间间隔的时间雨量序列文件,将两个所述时间雨量序列文件拼接形成完整时间序列的雨量数据文件;
步骤S23、使用ArcGIS软件对子流域进行泰森多边形处理,计算流域雨量站点的权重系数,根据公式以及每一个雨量站点的雨量数据文件,计算并得到每一个子流域的面雨量;
步骤S24、利用Hamon日尺度法计算自动预报时间内的日尺度蒸发量,再利用正弦函数将所述日尺度蒸发量分配成时间间隔与所述雨量数据文件的时间间隔相同的蒸发量;
步骤S25、将所述研究流域内每一个所述子流域的所述面雨量和所述蒸发量导入所述水文-水动力耦合模型,生成并显示所述研究流域的洪水预报预警信息。
由上述描述可知,通过将预热期雨量数据也作为洪水预报预警的参考数据,从而能够更好的确定研究流域进行洪水预报预警的起始状态,比如当前时刻的土壤湿度等,使得最终得到的洪水预报预警更加精确。
进一步地,所述步骤S22具体包括以下步骤:
遍历所述预报期雨量数据和预热期雨量数据,对所述预报期雨量数据和预热期雨量数据内的缺失值进行插值,所述插值在处理短时间序列的缺失值时采用线性插值,且在处理长时间序列的缺失值时采用相邻雨量站方法;
对所述预报期雨量数据和预热期雨量数据内的数据整合成同一采集频率的雨量数据,以分别得到等时间间隔的时间雨量序列文件;
将两个所述时间雨量序列文件拼接在一起,并对重合的时间点进行整合处理,以形成完整时间序列的雨量数据文件。
由上述描述可知,通过对雨量数据进行插值处理以及等时间间隔,使得数据更加完整可靠,且便于后续的洪水预报预警。
进一步地,所述步骤S2中生成并显示洪水预报预警信息具体包括以下步骤:
生成模型输出数据文件夹,从所述模型输出数据文件夹提取每次自动预报控制断面的断面预报数据以及每个网格的网格预报数据,存储所述网格预报数据并根据断面编号字段将所述断面预报数据进行存储,所述断面预报数据为所述研究流域内预先设置的多个断面处的洪水预报数据;
根据所述断面预报数据统计分析每个断面的预设洪水预报指标,根据所述预设洪水预报指标绘制每个断面的水位过程线和流量过程线;
利用Delaunay算法对每个网格的网格预报数据进行插值绘制洪水动态演进效果。
进一步地,所述步骤S2中还包括以下步骤:
根据所述研究流域内所对应的企业单位的定位信息,计算得到每一个企业单位所处的网格;
根据所有网格之间的关联关系判断每一个企业单位所处的网格的淹没情况,以统计每一个企业单位的淹没损失。
由上述描述可知,利用网格的网格预报数据以及所有网格之间的关联关系可以快速准确的统计各个企业单位的淹没损失。
进一步地,还包括步骤:
接收客户端发送的运行时间、结束时间以及预报时段的累计雨量;
将所述累计雨量按典型的降雨时空分配曲线分配到所述预报时段的各个时间点内,得到等时间间隔的手动雨量序列文件;
根据所述运行时间、结束时间以及所述手动雨量序列文件运行所述水文-水动力耦合模型,生成并显示洪水预报预警信息。
由上述描述可知,通过从客户端手动输入模拟参数,从而实现不同模拟方案下各个控制断面的水位、流量过程以及流域洪水动态淹没过程,以使得在实际洪水过程中,能够借鉴模拟的情况,从而更好的实现小流域的防灾减灾。
进一步地,导入所述水文-水动力耦合模型的数据文件均为JSON格式。
请参照图9,一种小流域洪水预报预警终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的一种小流域洪水预报预警方法。
由上述描述可知,水文-水动力耦合模型利用MIKE系列软件进行搭建,克服集总式水文模型的局限性,有效利用水文-水动力模型能反映气象及下垫面条件的时空异质性和较好模拟预报的确定性的优势,对河道水文要素和洪水动态演进进行精细化模拟;并接入网格气象预报数据提高小流域洪水预报的预见期,从而实现实时、便捷、精确且高预见期的小流域洪水预报预警。
在本发明中,小流域作为研究流域,其内存在有众多的子流域汇流到主流域,其中,小流域洪水主要是由强降雨引起的,具有突发性、破坏力强等特点,因此,本实施例中针对小流域的洪水预报预警提出了以下实施例。
请参照图1至图8,本发明的实施例一为:
一种小流域洪水预报预警方法,包括:
步骤S1、获取历史水文数据和流域基础资料,基于MIKE系列软件和流域基础资料搭建水文-水动力耦合初始模型,通过历史水文数据对水文-水动力耦合初始模型进行率定,得到率定好的水文-水动力耦合模型;
结合图3可知,步骤S1对应于图2中的预报方案制作,其具体包括:
步骤S11、获取历史水文数据和流域基础资料,将历史水文数据分为率定数据集和验证数据集,历史水文数据包括历史水文资料以及历史洪水资料;
步骤S12、基于MIKE系列软件和流域基础资料搭建水文-水动力耦合初始模型,并使用ArcGIS软件对雨量站权重进行计算;
其中,MIKE系列软件是丹麦水资源及水环境研究所的产品,其下涉及到的MIKENAM模块、MIKE 11HD模块均为所提供的软件或者软件内的模块。
结合图3可知,步骤S12具体包括以下:
步骤S121、获取流域基础资料,流域基础资料包括流域DEM(Digital ElevationModel,数字高程模型)数据、河道高程数据和流域影像图;
步骤S122、利用ArcGIS软件对河道高程数据进行处理,提取区域河网以划分成多个子流域,将每一个子流域的子流域基础资料导入MIKE NAM模块;
步骤S123、根据流域影像图,利用google earth(谷歌地球)电子影像图绘制模型河网文件,并将实测的河道断面数据制作成断面文件,将研究流域的边界文件、模型参数文件以及河网文件和导入MIKE 11HD模块;
步骤S124、将MIKE NAM模块和MIKE 11HD模块导入MIKE 11sim文件,建立一维水动力模型;
其中,一维水动力模型又称为MIKE 11模型。
步骤S125、将流域DEM数据输入MIKE 21FM模型中,建立二维水动力模型;
其中,流域DEM数据包括流域地形文件、时间步长、河道糙率、干湿动边界等参数。其中,二维水动力模型又称为MIKE 21模型。
步骤S126、将建立的一维水动力模型和二维水动力模型导入MIKE FLOOD模型,以搭建水文-水动力耦合初始模型。
其中,MIKE FLOOD模型中一维水动力模型和二维水动力模型的耦合连接方式上采用侧向连接,其侧向连接是MIKE 21FM网格单元从侧面连接到MIKE11模型的部分河段或整个河段。
步骤S13、将率定数据集导入水文-水动力耦合初始模型,利用参数优化算法来对水文-水动力耦合初始模型进行率定;
步骤S14、将验证数据集导入已率定的水文-水动力耦合初始模型,通过验证数据集中的实测数据以及水文-水动力耦合初始模型所生成的模拟数据之间的纳什效率系数,对已率定的水文-水动力耦合初始模型进行验证,将验证通过的水文-水动力耦合初始模型作为率定好的水文-水动力耦合模型。
步骤S2、获取研究流域内的网格气象预报数据、蒸发量数据以及各雨量站点的预热期雨量数据,根据网格气象预报数据得到预报期雨量数据,将预热期雨量数据、蒸发量数据以及预报期雨量数据导入水文-水动力耦合模型,生成并显示洪水预报预警信息。
结合图2可知,步骤S2具体包括以下:
步骤S21、定时获取研究流域内的网格气象预报数据和各雨量站点的预热期雨量数据,根据网格气象预报数据和各雨量站点的经纬度,得到研究流域内每一个雨量站点的预报期雨量数据;
其中,网格气象预报数据与自动预报所设定的预报时段相关,在需要输出比如72小时的洪水预报预警信息,则网格气象预报数据则需要提供至少72小时的雨量数据。
其中,预热期雨量数据是指当前时间的前预设天数的研究流域内各雨量站点的历史雨量数据,前预设天数在本实施例中为前2天,在其他等同实施例中,可以为前3天、前4天等。
步骤S22、将预报期雨量数据和预热期雨量数据分别处理成等时间间隔的时间雨量序列文件,将两个时间雨量序列文件拼接形成完整时间序列的雨量数据文件;
其中,现有的雨量采集频率为15分钟一次,在本实施例中,将其处理成一个小时的累计雨量,即本实施例中洪水预警为按小时更新,在其他需要更高实时性的应用场景,可以考虑缩短等时间间隔,比如15分钟、30分钟等等,也可以根据实际情况增大为2小时等等。
结合图4可知,步骤S22具体包括以下:
步骤S221、遍历预报期雨量数据和预热期雨量数据,对预报期雨量数据和预热期雨量数据内的缺失值进行插值,插值在处理短时间序列的缺失值时采用线性插值,且在处理长时间序列的缺失值时采用相邻雨量站方法;
步骤S222、对预报期雨量数据和预热期雨量数据内的数据整合成同一采集频率的雨量数据,以分别得到等时间间隔的时间雨量序列文件;
步骤S223、将两个时间雨量序列文件拼接在一起,并对重合的时间点进行整合处理,以形成完整时间序列的雨量数据文件。
步骤S23、使用ArcGIS软件对子流域进行泰森多边形处理,计算流域雨量站点的权重系数,根据公式以及每一个雨量站点的雨量数据文件,计算并得到每一个子流域的面雨量;
在本实施例中每一个子流域的面雨量的表达式为:
其中,为子流域平均降雨量,其单位为mm;Pi为各降雨站点降雨量,其单位为mm;fi为各降雨站点在子流域的面积权重系数。
其中,一个研究流域内存在较多的子流域和雨量站点,在本实施例中,雨量站点为每25平方公里设有一个,由此,子流域若在一个雨量站点覆盖的面积内,则该子流域的面雨量即为对应雨量站点的雨量数据,而如果一个子流域在多个雨量站点覆盖的面积内。则根据面积权重系数的大小进行计算累计即可。
同理,在本实施例中,网格的面积为100平方公里,其内对应有多个或者单个子流域,因此,基于在研究流域内的网格和雨量站点都有其对应的设置范围,其数据都可以根据子流域所在位置进行换算,因此,基于水文-水动力耦合模型不仅可以根据各个子流域汇流到主流域之后得到多个断面处的洪水预报数据,也可以据此得到每个网格的网格预报数据。
步骤S24、利用Hamon(一种蒸发量的计算方法)日尺度法计算自动预报时间内的日尺度蒸发量,再利用正弦函数将日尺度蒸发量分配成时间间隔与雨量数据文件的时间间隔相同的蒸发量;
在本实施例中,例如t~t+1时刻的潜在蒸发量Et~t+1,为t至t+1时刻的正弦函数积分值乘日尺度蒸发量ETO,即可下列公式:
ETO=K*N*Pt;
其中,N为日照时间,其单位为h,即小时,Pt为饱和水汽密度,其单位为g/m3,Tα为日平均温度,其单位为℃。
其中,日尺度蒸发量也可以根据气象部门提供的气象预报数据来进行获取。
进一步地,导入水文-水动力耦合模型的数据文件最后均转为JSON格式。
其中,JSON为JavaScript Object Notation的缩写,其意为JS对象简谱,它是一种轻量级的数据交换格式。
步骤S25、将研究流域内每一个子流域的面雨量和蒸发量导入水文-水动力耦合模型,生成并显示研究流域的洪水预报预警信息。
结合图5可知,数据导入水文-水动力耦合模型也包括以下步骤:
调用指定的预报方案。
通过接口设置水文-水动力耦合模型的运行时间、结束时间以及模拟计算时间步长,比如模拟计算时间步长为1小时;
调用数据处理模块,通过接口将JSON格式的面雨量及蒸发量,传给水文-水动力耦合模型中对应的子流域,修改模型内降雨量、蒸发量的时间序列文件;
通过接口驱动模型计算。
结合图5、图7和图8可知,步骤S25中生成并显示洪水预报预警信息具体包括以下:
步骤S251、生成模型输出数据文件夹,从模型输出数据文件夹提取每次自动预报控制断面的断面预报数据以及每个网格的网格预报数据,存储网格预报数据并根据断面编号字段将断面预报数据进行存储,断面预报数据为研究流域内预先设置的多个断面处的洪水预报数据;
步骤S252、根据研究流域内所对应的企业单位的定位信息,计算得到每一个企业单位所处的网格,根据所有网格之间的关联关系判断每一个企业单位所处的网格的淹没情况,以统计每一个企业单位的淹没损失。
其中,企业单位的定位信息即为企业单位的经纬度坐标,在进行判断时,通过接口从模型的网格文件中提取三角形网格顶点的坐标,根据三角形网格的顶点坐标和市企业单位经纬度坐标,利用算法计算每个市企业单位所处的网格。
步骤S253、根据断面预报数据统计分析每个断面的预设洪水预报指标,根据预设洪水预报指标绘制每个断面的水位过程线和流量过程线;
其中,洪水预报指标包括预报水深、预报水位、洪峰流量、峰现时间以及最高水位等等。
步骤S254、利用Delaunay算法(三角剖分算法)对每个网格的网格预报数据进行插值绘制洪水动态演进效果。
由此,在知晓河道控制断面的水文要素变化及小流域的洪水动态演进过程,以判断沿河村落的洪水风险,从而更好的进行小流域的防灾减灾。
请参照图1至图8,本发明的实施例二为:
一种小流域洪水预报预警方法,结合图6可知,还包括手动预报的步骤S3,其具体为:
步骤S31、接收客户端发送的运行时间、结束时间以及预报时段的累计雨量;
其中,通过接口获取客户端传来的运行时间、结束时间以及预报时段的累积雨量。
步骤S32、将累计雨量按典型的降雨时空分配曲线分配到预报时段的各个时间点内,得到等时间间隔的手动雨量序列文件;
其中,手动雨量序列文件也为JSON格式。
步骤S33、根据运行时间、结束时间以及手动雨量序列文件运行水文-水动力耦合模型,生成并显示洪水预报预警信息。
如图6可知,步骤S33具体还包括以下步骤:
调用指定的预报方案。
通过接口设置模型的运行时间、结束时间以及模拟计算时间步长。
通过接口将子流域的面雨量传给水文-水动力耦合模型中对应的子流域。
通过接口驱动模型计算。
通过判断模型的计算进度,从模型结果数据文件夹提取每次自动预报的模拟数据,并以JSON的格式进行组织,实时的导入模型结果库,存入时根据断面编号字段将各断面的结果数据进行存储。
即在对输入的模拟雨量数据进行分配之后,后续水文-水动力耦合模型与自动预报的步骤一致,由此可以实现不同模拟方案下各个控制断面的水位、流量过程以及流域洪水动态淹没过程。
请参照图2和图9,本发明的实施例三为:
一种小流域洪水预报预警终端,包括存储器3、处理器2及存储在存储器3上并可在处理器2上运行的计算机程序,处理器2执行计算机程序时实现上述实施例一或二的步骤。
其中,若是将一种小流域洪水预报预警终端作为一个系统,则如图2所示,其包括有预报方案制作模块、数据提取及处理模块、自动预报模块、手动预报模块、数据统计模块和预报结果提取及呈现模块,并有水雨情数据库和结构数据库进行数据存储和支持。其每个模块对应实现的功能如下:
预报方案制作模块:根据预报任务、降雨、蒸发、水位、流量等有关资料,以及洪水的形成规律和特点,建立由当前采集的水文信息或者未来预报的水文信息推算未来洪水大小和出现时间的一整套计算方法。其具体实现详见实施例一中的步骤S1所对应的所有步骤。
数据提取及处理模块:通过接口从数据库提取原始采集的水文数据,并将其处理成模型可以识别的格式,即JSON格式。其具体实现详见实施例一中的步骤S2中步骤S21至步骤S24所对应的所有步骤。
自动预报模块:通过后台服务自动定时的调用数据提取及处理模块,将JSON格式的数据输入模型并驱动模型进行洪水预报,可计算各控制断面的水位、流量过程,以及流域洪水动态淹没过程。并将每次自动预报的计算结果实时的导入数据库。其具体实现详见实施例一中的步骤S2中步骤S25所对应的步骤S251。
手动预报模块:以用户输入的时段累计雨量数据驱动模型进行洪水预报模拟,其中累积雨量将根据典型的降雨时空分配曲线,分配至各个时间点。可实现不同模拟方案下各个控制断面的水位、流量过程以及流域洪水动态淹没过程。并将每次手动预报的计算结果实时的导入数据库。其具体实现详见实施例二中的步骤S3所对应的所有步骤。
数据统计模块:获取模型计算结果,统计分析各个断面的洪峰流量、峰现时间、最高水位以及淹没损失统计。其具体实现详见实施例一中的步骤S2中步骤S25所对应的步骤S252。
预报结果提取及呈现模块:获取模型计算结果,绘制断面的洪水过程线以及洪水淹没演进效果。其具体实现详见实施例一中的步骤S2中步骤S25所对应的步骤S253和步骤S254。
综上所述,本发明提供的一种小流域洪水预报预警方法及终端,水文-水动力耦合模型利用MIKE系列软件进行搭建,克服集总式水文模型的局限性,有效利用水文-水动力模型能反映气象及下垫面条件的时空异质性和较好模拟预报的确定性的优势,对河道水文要素和洪水动态演进进行精细化模拟;并接入网格气象预报数据提高小流域洪水预报的预见期;同时水文-水动力模型边界条件(如预报降水)的录入、模型运行、模拟提取及预报结果展现过程均自动化执行和更新,从而实现了实时、便捷、精确、高预见期且自动化的小流域洪水预报预警。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种小流域洪水预报预警方法,其特征在于,包括:
步骤S1、获取历史水文数据和流域基础资料,基于MIKE系列软件和流域基础资料搭建水文-水动力耦合初始模型,通过所述历史水文数据对所述水文-水动力耦合初始模型进行率定,得到率定好的水文-水动力耦合模型;
步骤S2、获取研究流域内的网格气象预报数据、蒸发量数据以及各雨量站点的预热期雨量数据,根据所述网格气象预报数据得到预报期雨量数据,将所述预热期雨量数据、所述蒸发量数据以及所述预报期雨量数据导入所述水文-水动力耦合模型,生成并显示洪水预报预警信息;
所述步骤S2具体包括以下:
步骤S21、定时获取所述研究流域内的网格气象预报数据和各雨量站点的预热期雨量数据,根据所述网格气象预报数据和各雨量站点的经纬度,得到所述研究流域内每一个雨量站点的预报期雨量数据;所述预热期雨量数据是指当前时间的前预设天数的研究流域内各雨量站点的历史雨量数据;
步骤S22、将所述预报期雨量数据和预热期雨量数据分别处理成等时间间隔的时间雨量序列文件,将两个所述时间雨量序列文件拼接形成完整时间序列的雨量数据文件;
步骤S23、根据流域雨量站点的权重系数以及每一个雨量站点的雨量数据文件,计算并得到每一个子流域的面雨量;
步骤S24、利用Hamon日尺度法计算自动预报时间内的日尺度蒸发量,再利用正弦函数将所述日尺度蒸发量分配成时间间隔与所述雨量数据文件的时间间隔相同的蒸发量;
步骤S25、将所述研究流域内每一个所述子流域的所述面雨量和所述蒸发量导入所述水文-水动力耦合模型,生成并显示所述研究流域的洪水预报预警信息;
所述步骤S2中生成并显示洪水预报预警信息具体包括以下步骤:
生成模型输出数据文件夹,从所述模型输出数据文件夹提取每次自动预报控制断面的断面预报数据以及每个网格的网格预报数据,存储所述网格预报数据并根据断面编号字段将所述断面预报数据进行存储,所述断面预报数据为所述研究流域内预先设置的多个断面处的洪水预报数据;
根据所述断面预报数据统计分析每个断面的预设洪水预报指标,根据所述预设洪水预报指标绘制每个断面的水位过程线和流量过程线;
利用Delaunay算法对每个网格的网格预报数据进行插值绘制洪水动态演进效果;
所述步骤S1具体包括:
步骤S11、获取历史水文数据和流域基础资料,将所述历史水文数据分为率定数据集和验证数据集,所述历史水文数据包括历史水文资料以及历史洪水资料;
步骤S12、基于MIKE系列软件和流域基础资料搭建水文-水动力耦合初始模型,并对雨量站权重进行计算;
步骤S13、将所述率定数据集导入所述水文-水动力耦合初始模型,利用参数优化算法来对所述水文-水动力耦合初始模型进行率定;
步骤S14、将所述验证数据集导入已率定的所述水文-水动力耦合初始模型,通过所述验证数据集中的实测数据以及所述水文-水动力耦合初始模型所生成的模拟数据之间的纳什效率系数,对已率定的所述水文-水动力耦合初始模型进行验证,将验证通过的所述水文-水动力耦合初始模型作为率定好的水文-水动力耦合模型;
所述步骤S12具体包括以下步骤:
获取流域基础资料,所述流域基础资料包括流域DEM数据、河道高程数据和流域影像图;
利用ArcGIS软件对所述河道高程数据进行处理,提取区域河网以划分成多个子流域,对所述子流域内雨量站进行泰森多边形处理,计算流域雨量站点的权重系数,并将每一个所述子流域的子流域基础资料导入MIKE NAM模块;
根据所述流域影像图,利用google earth电子影像图绘制模型河网文件,并将实测的河道断面数据制作成断面文件,将所述研究流域的边界文件、模型参数文件以及所述河网文件和导入MIKE 11HD模块;
将所述MIKE NAM模块和所述MIKE 11HD模块导入MIKE 11sim文件,建立一维水动力模型;
将所述流域DEM数据输入MIKE 21FM模型中,建立二维水动力模型;
将建立的所述一维水动力模型和所述二维水动力模型导入MIKE FLOOD模型,以搭建水文-水动力耦合初始模型。
2.根据权利要求1所述的一种小流域洪水预报预警方法,其特征在于,所述步骤S22具体包括以下步骤:
遍历所述预报期雨量数据和预热期雨量数据,对所述预报期雨量数据和预热期雨量数据内的缺失值进行插值,所述插值在处理短时间序列的缺失值时采用线性插值,且在处理长时间序列的缺失值时采用相邻雨量站方法;
对所述预报期雨量数据和预热期雨量数据内的数据整合成同一采集频率的雨量数据,以分别得到等时间间隔的时间雨量序列文件;
将两个所述时间雨量序列文件拼接在一起,并对重合的时间点进行整合处理,以形成完整时间序列的雨量数据文件。
3.根据权利要求1所述的一种小流域洪水预报预警方法,其特征在于,所述步骤S2中还包括以下步骤:
根据所述研究流域内所对应的企业单位的定位信息,计算得到每一个企业单位所处的网格;
根据所有网格之间的关联关系判断每一个企业单位所处的网格的淹没情况,以统计每一个企业单位的淹没损失。
4.根据权利要求1所述的一种小流域洪水预报预警方法,其特征在于,还包括步骤:
接收客户端发送的运行时间、结束时间以及预报时段的累计雨量;
将所述累计雨量按典型的降雨时空分配曲线分配到所述预报时段的各个时间点内,得到等时间间隔的手动雨量序列文件;
根据所述运行时间、结束时间以及所述手动雨量序列文件运行所述水文-水动力耦合模型,生成并显示洪水预报预警信息。
5.根据权利要求1所述的一种小流域洪水预报预警方法,其特征在于,导入所述水文-水动力耦合模型的数据文件均为JSON格式。
6.一种小流域洪水预报预警终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现所述权利要求1至5任意一项的一种小流域洪水预报预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110967960.5A CN113673765B (zh) | 2021-08-23 | 2021-08-23 | 一种小流域洪水预报预警方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110967960.5A CN113673765B (zh) | 2021-08-23 | 2021-08-23 | 一种小流域洪水预报预警方法及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673765A CN113673765A (zh) | 2021-11-19 |
CN113673765B true CN113673765B (zh) | 2024-06-07 |
Family
ID=78545038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110967960.5A Active CN113673765B (zh) | 2021-08-23 | 2021-08-23 | 一种小流域洪水预报预警方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673765B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114239417A (zh) * | 2021-12-23 | 2022-03-25 | 四创科技有限公司 | 一种供水系统中氨氮含量的综合评估方法与终端 |
CN115115262B (zh) * | 2022-07-20 | 2024-02-27 | 湖南省水利水电科学研究院 | 一种洪水风险灾害评估的方法 |
CN114970377B (zh) * | 2022-07-29 | 2022-09-30 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于新安江与深度学习耦合模型的场次洪水预报方法和系统 |
CN115641696B (zh) * | 2022-09-28 | 2023-09-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于多源信息的网格化洪水预报模型构建及实时校正方法 |
CN116881860B (zh) * | 2023-09-07 | 2023-12-19 | 珠江水利委员会珠江水利科学研究院 | 基于数理统计分析的中小河流洪水预报方法及装置 |
CN117556643B (zh) * | 2024-01-12 | 2024-03-19 | 河北省保定水文勘测研究中心 | 一种洪水预警预报方法及预报系统 |
CN117689216B (zh) * | 2024-02-02 | 2024-04-26 | 安徽诚溱数据股份有限公司 | 一种基于数字孪生的水利工程运维管理系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529176A (zh) * | 2016-11-11 | 2017-03-22 | 中国水利水电科学研究院 | 一种双核双驱洪水预报方法 |
CN107680339A (zh) * | 2017-10-14 | 2018-02-09 | 中国科学院新疆生态与地理研究所 | 基于双系统平台的新疆中小河流短期洪水预警系统 |
CN110565594A (zh) * | 2019-08-26 | 2019-12-13 | 中国能源建设集团江苏省电力设计院有限公司 | 一种调度变电站防洪闸门的方法 |
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 |
CN112288194A (zh) * | 2020-11-24 | 2021-01-29 | 淮阴师范学院 | 基于mike模型构建的城市下垫面产汇流形成过程分析方法 |
CN112784502A (zh) * | 2020-12-18 | 2021-05-11 | 清华大学 | 一种水文水力学动态双向耦合的洪水预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10962682B2 (en) * | 2015-12-15 | 2021-03-30 | Wuhan University | System and method for forecasting floods |
-
2021
- 2021-08-23 CN CN202110967960.5A patent/CN113673765B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529176A (zh) * | 2016-11-11 | 2017-03-22 | 中国水利水电科学研究院 | 一种双核双驱洪水预报方法 |
CN107680339A (zh) * | 2017-10-14 | 2018-02-09 | 中国科学院新疆生态与地理研究所 | 基于双系统平台的新疆中小河流短期洪水预警系统 |
CN110565594A (zh) * | 2019-08-26 | 2019-12-13 | 中国能源建设集团江苏省电力设计院有限公司 | 一种调度变电站防洪闸门的方法 |
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 |
CN112288194A (zh) * | 2020-11-24 | 2021-01-29 | 淮阴师范学院 | 基于mike模型构建的城市下垫面产汇流形成过程分析方法 |
CN112784502A (zh) * | 2020-12-18 | 2021-05-11 | 清华大学 | 一种水文水力学动态双向耦合的洪水预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113673765A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113673765B (zh) | 一种小流域洪水预报预警方法及终端 | |
CN111651885B (zh) | 一种智慧型海绵城市洪涝预报方法 | |
CN114997541B (zh) | 一种基于数字孪生技术的城市内涝预测方法及预警平台 | |
Sun et al. | Estimating daily time series of streamflow using hydrological model calibrated based on satellite observations of river water surface width: Toward real world applications | |
CN112785024B (zh) | 一种基于流域水文模型的径流计算和预测方法 | |
CN104298841A (zh) | 一种基于历史数据的洪水预报方法和系统 | |
Kjeldsen | The revitalised FSR/FEH rainfall-runoff method | |
CN113742910A (zh) | 基于中小流域洪水预报的水库来水量预警预报方法及系统 | |
Yao et al. | Application of a developed Grid-Xinanjiang model to Chinese watersheds for flood forecasting purpose | |
CN101216481A (zh) | 一种反映区域土壤自然侵蚀程度的方法 | |
CN111898303A (zh) | 基于气象预报及水动力模拟的流域水位及内涝预报方法 | |
CN110674467A (zh) | 基于swat模型的水文过程对气候变化的响应监测方法 | |
CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
CN113281754B (zh) | 一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法 | |
CN116882204B (zh) | 一种无实测径流资料地区暴雨-融雪洪峰径流强度估算方法 | |
CN112100922A (zh) | 一种基于wrf和cnn卷积神经网络的风资源预测方法 | |
CN111915158A (zh) | 一种基于Flood Area模型的暴雨灾害天气风险评估方法、装置及设备 | |
Ghorbani et al. | Genetic programming for sea level predictions in an island environment | |
CN116297550A (zh) | 一种利用表层土壤水分监测农业干旱的方法 | |
Bajamgnigni Gbambie et al. | Added value of alternative information in interpolated precipitation datasets for hydrology | |
CN111597692A (zh) | 一种地表净辐射估算方法、系统、电子设备和存储介质 | |
CN117010546A (zh) | 一种云南省次季节尺度温度异常的预测方法和装置 | |
CN116523189A (zh) | 一种考虑水文特征的墒情站点规划方法、装置及存储介质 | |
CN114781199A (zh) | 水源涵养对气候变化的响应分析方法、装置、介质和设备 | |
CN114818857A (zh) | 一种积雪深度融合方法 |
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 |