CN113742818A - 市政道路积水多因素复合型预警预报方法 - Google Patents
市政道路积水多因素复合型预警预报方法 Download PDFInfo
- Publication number
- CN113742818A CN113742818A CN202110925120.2A CN202110925120A CN113742818A CN 113742818 A CN113742818 A CN 113742818A CN 202110925120 A CN202110925120 A CN 202110925120A CN 113742818 A CN113742818 A CN 113742818A
- Authority
- CN
- China
- Prior art keywords
- water
- data
- early warning
- water accumulation
- forecasting
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Sewage (AREA)
Abstract
本发明公开了一种市政道路积水多因素复合型预警预报方法,包括:获取工程设计数据及BIM模型;向内涝分析软件系统输入工程设计数据和BIM模型,建立内涝积水数值分析模型;向内涝积水数值分析模型中输入典型暴雨的雨型参数,输出对应积水情况和积水点位置;在积水点位置布设微型气象站和液位监测装置,获取实测数据;将实测数据和当前预报气象数据与雨型参数比较,筛选出雨型最接近的典型暴雨,调用该典型暴雨对应的积水情况和积水点位置进行预警预报。本发明具有无需现实降雨的实时数值模拟,省去了在服务器中安装数值模拟软件,降低了对服务器的性能要求,且若城区现状条件发生改变,则只需更新数值模拟数据库,预测结果依然准确。
Description
技术领域
本发明涉及城市道路积水预警领域。更具体地说,本发明涉及一种市政道路积水多因素复合型预警预报方法。
背景技术
城市在社会活动中有着重要的地位,伴随着国家经济高速发展下的人口流动,极大促进了国家的城市化进程。由于城市区域的复杂性,加之城市暴雨等级与频率出现增加的趋势,由暴雨产生的城市内涝频率与造成的损害逐年上升趋势明显,使得内涝灾害成为阻碍城市健康发展的重要原因之一。因此,建立城市市政道路积水预警系统显得尤为重要。
目前市政道路积水预警系统基本分为三大类:基于神经元网络算法和大数据的预警方法、基于雨洪模型的暴雨积水预警方法以及物联网监测技术,即通过监测河道、排水系统水位或易积水点积水情况再结合天气预报情况进行预警。
其中基于神经元网络算法和大数据的预警方法,缺点是城市是一直在变化的,特别是在中国,城市变化很快,城区的管网、地形、下垫面甚至地貌都会在几年内发生较大变化,这种变化显然会影响地面产汇流,而基于大数据的预警方法则不考虑这些因素,因此当一个城市存在较大变化时,使用这种方法会使预测带来偏差。基于雨洪模型的暴雨积水预警方法采用数值计算,对于短时强降雨天气下,难以通过模型进行道路内涝风险分析,无法准确进行预警。而单纯的物联网监测技术是在目前某些城市在下穿隧道等低洼片区有设置电子水尺和显示大屏进行暴雨时积水深度的提示,以提醒车辆通过时注意涉水深度。该类方法没有进行数值模拟或大数据分析预测,其及时性偏弱。
发明内容
本发明的一个目的是解决至少上述问题,并提供至少后面将说明的优点。
本发明还有一个目的是提供一种市政道路积水多因素复合型预警预报方法,提前进行大量历史雨型的数值模拟,储备了各种情况下的道路积水大数据,而不是现时降雨的实时数值模拟,省去了在服务器中安装数值模拟软件,降低了对服务器的性能要求。而如果城区现状条件发生改变,如管网扩容,则只需更新数值模拟数据库,保证了预测结果的准确性。因此本研究的道路积水预测方法具有重要的现实工程意义。
为了实现根据本发明的这些目的和其它优点,提供了一种市政道路积水多因素复合型预警预报方法,包括以下步骤:
步骤一、获取目标区域工程设计数据,及依赖于该工程设计数据建立的BIM模型,其中,工程设计数据至少包括地形数据、雨水管网数据、目标区域的历史气象数据;
步骤二、选取内涝分析软件系统,向该内涝分析软件系统输入步骤一中获取的工程设计数据和对应的BIM模型,建立该目标区域的内涝积水数值分析模型;
步骤三、向内涝积水数值分析模型中输入典型暴雨的雨型参数,输出得到各典型暴雨下的积水情况和积水点位置;
步骤四、在步骤三中推算出的积水点位置布设微型气象站和液位监测装置,获取现场的实测数据;
步骤五、将实测数据和/或基于实测数据计算后的数据以及当前预报气象数据与各典型暴雨的雨型参数比较,筛选出雨型参数与实测数据和当前预报气象数据最接近的一场典型暴雨,并且调用该典型暴雨在步骤三中推算得到的积水情况和积水点位置进行预警预报。
优选的是,还包括步骤六、根据布设的微型气象站和液位监测装置的实测数据和/或基于实测数据计算后的数据,进行预报。
优选的是,实测数据包括雨水管井水深、预计降雨时长,实测数据计算后的数据包括水位升速。
优选的是,典型暴雨的雨型参数包括:重现期、总降雨量、平均降雨量、峰值降雨量。
优选的是,积水情况包括:各积水位置点的理论的积水出现时间、积水持续时长、积水深度、积水范围。
优选的是,还包括步骤七、设定现场雨水管井水深阈值、水位升速阈值、预警预报时间,若实测数据中的现场雨水管井水深值或水位升速值大于设定的对应阈值时,则以实测数据为准,按预警预报时间进行预警预报。
优选的是,还包括步骤八、若实测的雨水管井水深值或水位升速V1大于设定的对应阈值时,则启动预警信息推送和消除积水的措施。
优选的是,雨水管井水深阈值为水位距井盖距离范围取值在0.3~1.0m之间,水位升速阈值为动态变化值,取值为(雨水管井水深阈值)/(预计降雨时长)。
优选的是,预警预报内容包括预报区域的坐标、范围、积水时间和积水持续时长。
优选的是,所述内涝积水数值分析模型的输出值形式为CAD积水区云图及积水点深度表。
本发明至少包括以下有益效果:
第一、以数值模拟(即向内涝积水数值分析模型中输入各典型暴雨的雨型参数进行推算)为基础,形成目标区域的数据库信息。以目标区域内各典型暴雨的雨型参数为输入条件,先模拟得出目标区域内在不同暴雨情况下的积水情形,该方法提前进行大量雨型的数值模拟,储备了各种情况下的道路积水大数据,而不是现时降雨的实时数值模拟,省去了在服务器中安装数值模拟软件,降低了对服务器的性能要求。而如果城区现状条件发生改变,如管网扩容,则只需更新数值模拟数据库,保证了预测结果的准确性。因此本研究的道路积水预测方法具有重要的现实工程意义。
第二、形成理论计算与实测数据,含气象、水位、时间等多因素复合型预警预报方法。通过现场实测和预报气象资料比选出与本场降雨类似的典型暴雨,然后以该典型暴雨的数值模拟结果进行本场降雨的预报,同时结合了雨水管网监测信息,对实时监测数据进行计算和分析,充分考虑多因素复合,提高预警精度。
第三、将预报时间精确到分钟,精度精确到厘米级,提升了降雨情况下市政道路积水预报的精确度和时效性。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的其中一种技术方案的预警预报整体流程图;
图2为本发明的目标区域A的BIM模型图;
图3为本发明的目标区域A的雨水管网图;
图4本发明的目标区域100年一遇降雨强度下的道路积水云图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
需要说明的是,下述实施方案中所述实验方法,如无特殊说明,均为常规方法,所述试剂和材料,如无特殊说明,均可从商业途径获得;在本发明的描述中,术语指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,并不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
如图1~4所示,本发明提供一种市政道路积水多因素复合型预警预报方法,包括以下步骤:
步骤一、获取目标区域工程设计数据,及依赖于该工程设计数据建立的BIM模型,其中,工程设计数据至少包括地形数据、雨水管网数据、目标区域的历史气象数据;
步骤二、选取内涝分析软件系统,向该内涝分析软件系统输入步骤一中获取的工程设计数据和对应的BIM模型,建立该目标区域的内涝积水数值分析模型;
步骤三、向内涝积水数值分析模型中输入典型暴雨的雨型参数,输出得到典型暴雨下的积水情况和积水点位置;
步骤四、在步骤三中推算出的积水点位置布设微型气象站和液位监测装置,获取现场的实测数据;
步骤五、将实测数据和/或基于实测数据计算后的数据以及当前预报气象数据与各典型暴雨的雨型参数比较,筛选出雨型参数与实测数据和当前预报气象数据最接近的一场典型暴雨,并且调用该典型暴雨在步骤三中推算得到的积水情况和积水点位置进行预警预报。
在上述技术方案中,充分利用现有的内涝分析软件系统,以数值模拟(即向内涝积水数值分析模型中输入各种雨型参数进行推算)为基础,形成目标区域的数据库信息。具体为以目标区域内各典型暴雨的雨型参数为输入条件,先模拟得出目标区域内在不同暴雨情况下的积水情形,该方法提前进行大量雨型的数值模拟,储备了各种情况下的道路积水大数据,而不是现时降雨的实时数值模拟,省去了在服务器中安装数值模拟软件,降低了对服务器的性能要求。而如果城区现状条件发生改变,如管网扩容,则只需更新数值模拟数据库,保证了预测结果的准确性。因此本研究的道路积水预测方法具有重要的现实工程意义。
在对当前某场雨进行预测时,并不是单纯的基于气象预报数据,也不是单纯的选择经验数据,而是根据之前数据模拟得到积水点位置,只需要在推算的积水点位置,而不是所有雨水井管,布设现场监测装置,得到实测数据,并结合实测数据和气象预报数据进行雨型筛选匹配,形成理论计算与实测数据,含气象、水位、时间等多因素复合型预警预报方法。通过现场实测和预报气象资料比选出与本场降雨类似的典型暴雨,然后以该典型暴雨的数值模拟结果进行本场降雨的预报,同时结合了雨水管网监测信息,对实时监测数据进行计算和分析,充分考虑多因素复合,提高预警精度。
在另一种技术方案中,还包括步骤六、根据布设的微型气象站和液位监测装置的实测数据和/或基于实测数据计算后的数据,进行预报。提升预警预报范围和准确性。
在另一种技术方案中,预警预报内容还包括实测数据,实测数据包括雨水管井水深、预计降雨时长,实测数据计算后的数据包括水位升速。
在另一种技术方案中,典型暴雨的雨型参数包括:重现期、总降雨量、平均降雨量、峰值降雨量。采用上述理论参数可以精准的体现各场雨的性质,从而有助于积水分析。
在另一种技术方案中,积水情况包括:各积水位置点的理论的积水出现时间、积水持续时长、积水深度、积水范围。可以更立体详细的描述积水情况,得以精准预报。
在另一种技术方案中,还包括步骤七、设定现场雨水管井水深阈值、水位升速阈值、预警预报时间,若实测数据中的现场雨水管井水深值或水位升速值大于设定的对应阈值时,则以实测数据为准,按预警预报时间进行预警预报,并进行反馈。先设定阈值,然后通过现场实测数据不断反馈回内涝积水数值分析模型,不断修正原设定值,从而不断提升内涝积水数值分析模型预测精准性。
在另一种技术方案中,还包括步骤八、若实测的雨水管井水深值或水位升速大于设定的对应阈值时,则启动预警信息推送和消除积水的措施。可以进行及时的预警,以及及时采用排水措施,避免内涝的发生。
在另一种技术方案中,雨水管井水深阈值为水位距井盖距离范围取值在0.3~1.0m之间,水位升速阈值为动态变化值,取值为(雨水管井水深阈值)/(预计降雨时长)。上述阈值作为积水发生与否的判断依据之一将增强系统预警预报的准确性。
在另一种技术方案中,预警预报内容包括预报区域的坐标、范围、积水时间和积水持续时长。使预警预报位置更精准。
在另一种技术方案中,所述内涝积水数值分析模型的输出值形式为CAD积水区云图及积水点深度表。输出内容更为直观可见,方便查看。
下面以目标区域A为例,阐述本发明的具体实施步骤:
步骤一、收集工程所在地的市政道路工程设计数据,包括BIM模型、地形数据、雨水管网数据及当地历史气象资料等相关数据;其中BIM模型主要是指数字化设计模型,见图2;地形数据包括标高、地形地物等;雨水管网数据包括管径、埋深、走向、坡度,见图3等;当地气象资料是指降雨统计资料、气温、风速风向等;
步骤二、选取鸿业的HYSWMM暴雨模拟系统,以工程设计数据和对应的BIM模型为输入条件,建立内涝积水数值分析模型;
步骤三、通过数值模型模拟,即向内涝积水数值分析模型中输入目标区域的典型暴雨的雨型参数参数,得到目标区域即A区域在各类典型暴雨下的积水情况以及积水点位置推算;
其中,步骤三中,各场典型暴雨的雨型参数包括重现期、总降雨量、平均降雨量、峰值降雨量等理论参数,见表1。以提升预警精度。
表1
重现期P | 总降雨量(mm) | 平均降雨量(mm/min) | 峰值降雨量(mm/min) |
5a | 91.209 | 0.760 | 2.570 |
10a | 108.781 | 0.907 | 5.089 |
20a | 128.591 | 1.072 | 6.085 |
30a | 140.722 | 1.173 | 6.833 |
50a | 156.415 | 1.303 | 8.156 |
100a | 180.468 | 1.504 | 12.827 |
数值模型模拟计算各种理论重现期雨型条件下、各积水位置点的理论积水出现时间、积水持续时长、以及积水深度和积水范围,见图4。
步骤四、在步骤三中推算出的积水点位置现场布设微型气象站及雨水管井液位传感器等装置,以获取实测数据;
步骤五、以现场实测数据、实测数据计算后的数据、当前预报气象资料比选出与本场降雨类似的典型暴雨,然后调用该典型暴雨的数值模拟结果进行本场降雨下的积水预测依据,进行预警预报;
步骤六、为进一步提升预警预报精度,还综合现场雨水管井水深及水位升速、预计降雨时长等多因素进行综合分析,最终得到市政道路是否积水的精确预测。
步骤七、设定现场雨水管井水深阈值和水位升速阈值及预警预报时间,若当地实测的现场雨水管井水深值或水位升速值大于设定的对应阈值时,进行反馈预计。
同时还需现实降雨时长与数值模型计算中的理论积水出现时间对比,进一步提升预警准确性。
步骤八、若当地实测的现场雨水管井水深值或水位升速大于设定的对应阈值时,则启动预警信息推送及消除积水的措施。
其中,所述雨水管井水深阈值为水位距井盖距离范围取值在0.3~1.0m之间,水位升速阈值为动态变化值,取值为(雨水管井水深阈值)/(预计降雨时长)。
预警信息推送不少于实际事件前30min,消除积水措施包括强排站信息联动等。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.市政道路积水多因素复合型预警预报方法,其特征在于,包括以下步骤:
步骤一、获取目标区域工程设计数据,及依赖于该工程设计数据建立的BIM模型,其中,工程设计数据至少包括地形数据、雨水管网数据、目标区域的历史气象数据;
步骤二、选取内涝分析软件系统,向该内涝分析软件系统输入步骤一中获取的工程设计数据和对应的BIM模型,建立该目标区域的内涝积水数值分析模型;
步骤三、向内涝积水数值分析模型中输入典型暴雨的雨型参数,输出得到各典型暴雨下的积水情况和积水点位置;
步骤四、在步骤三中推算出的积水点位置布设微型气象站和液位监测装置,获取现场的实测数据;
步骤五、将实测数据和/或基于实测数据计算后的数据以及当前预报气象数据与各典型暴雨的雨型参数比较,筛选出雨型参数与实测数据和当前预报气象数据最接近的一场典型暴雨,并且调用该典型暴雨在步骤三中推算得到的积水情况和积水点位置进行预警预报。
2.如权利要求1所述的市政道路积水多因素复合型预警预报方法,其特征在于,还包括步骤六、根据布设的微型气象站和液位监测装置的实测数据和/或基于实测数据计算后的数据,进行预警预报。
3.如权利要求2所述的市政道路积水多因素复合型预警预报方法,其特征在于,实测数据包括雨水管井水深、预计降雨时长,实测数据计算后的数据包括水位升速。
4.如权利要求1所述的市政道路积水多因素复合型预警预报方法,其特征在于,典型暴雨的雨型参数包括:重现期、总降雨量、平均降雨量、峰值降雨量。
5.如权利要求4所述的市政道路积水多因素复合型预警预报方法,其特征在于,积水情况包括:各积水位置点的理论的积水出现时间、积水持续时长、积水深度、积水范围。
6.如权利要求1所述的市政道路积水多因素复合型预警预报方法,其特征在于,还包括步骤七、设定现场雨水管井水深阈值、水位升速阈值、预警预报时间,若实测数据中的现场雨水管井水深值或水位升速值大于设定的对应阈值时,则以实测数据为准,按预警预报时间进行预警预报。
7.如权利要求6所述的市政道路积水多因素复合型预警预报方法,其特征在于,还包括步骤八、若实测的雨水管井水深值或水位升速大于设定的对应阈值时,则启动预警信息推送和消除积水的措施。
8.如权利要求7所述的市政道路积水多因素复合型预警预报方法,其特征在于,雨水管井水深阈值为水位距井盖距离范围取值在0.3~1.0m之间,水位升速阈值为动态变化值,取值为(雨水管井水深阈值)/(预计降雨时长)。
9.如权利要求1所述的市政道路积水多因素复合型预警预报方法,其特征在于,预警预报内容包括预报区域的坐标、范围、积水时间和积水持续时长。
10.如权利要求1所述的市政道路积水多因素复合型预警预报方法,其特征在于,所述内涝积水数值分析模型的输出值形式为CAD积水区云图及积水点深度表。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110925120.2A CN113742818B (zh) | 2021-08-12 | 2021-08-12 | 市政道路积水多因素复合型预警预报方法 |
PCT/CN2022/094720 WO2023016036A1 (zh) | 2021-08-12 | 2022-05-24 | 市政道路积水多因素复合型预警预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110925120.2A CN113742818B (zh) | 2021-08-12 | 2021-08-12 | 市政道路积水多因素复合型预警预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113742818A true CN113742818A (zh) | 2021-12-03 |
CN113742818B CN113742818B (zh) | 2022-07-01 |
Family
ID=78730817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110925120.2A Active CN113742818B (zh) | 2021-08-12 | 2021-08-12 | 市政道路积水多因素复合型预警预报方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113742818B (zh) |
WO (1) | WO2023016036A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511148A (zh) * | 2022-02-16 | 2022-05-17 | 长沙祥云瑞风信息技术有限公司 | 一种基于人工智能的内涝预警方法、系统、介质及设备 |
CN114545529A (zh) * | 2022-02-22 | 2022-05-27 | 长沙祥云瑞风信息技术有限公司 | 一种基于高频格点化雨量探测方法、系统、介质及设备 |
CN114580870A (zh) * | 2022-02-23 | 2022-06-03 | 长沙祥云瑞风信息技术有限公司 | 一种区域内涝监测预测方法、平台、介质及设备 |
CN114970340A (zh) * | 2022-05-18 | 2022-08-30 | 河海大学 | 一种非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法 |
WO2023016036A1 (zh) * | 2021-08-12 | 2023-02-16 | 中交第四航务工程勘察设计院有限公司 | 市政道路积水多因素复合型预警预报方法 |
CN117870781A (zh) * | 2024-03-13 | 2024-04-12 | 福建澳泰自动化设备有限公司 | 基于路面积水遥测终端的市政路面积水检测预警方法及系统 |
CN117894145A (zh) * | 2023-11-15 | 2024-04-16 | 科学城(广州)信息科技集团有限公司 | 一种智能化井盖监测系统 |
CN118037078A (zh) * | 2024-04-12 | 2024-05-14 | 国网浙江省电力有限公司湖州供电公司 | 一种变电站碳排放计算数据迁移方法 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116484688B (zh) | 2023-04-26 | 2023-10-13 | 中国水利水电科学研究院 | 一种城市内涝数值实验方法 |
CN116502029B (zh) * | 2023-04-26 | 2024-06-18 | 上饶高投智城科技有限公司 | 基于Hadoop MapReduce的智慧城市大数据分析及系统 |
CN116665408A (zh) * | 2023-04-26 | 2023-08-29 | 中冶南方(武汉)自动化有限公司 | 一种地下综合管廊暴雨预警方法及系统 |
CN116542061B (zh) * | 2023-05-15 | 2024-03-08 | 岳阳市水利水电规划勘测设计院有限公司 | 河港湖区水系排涝能力勘测数据分析方法 |
CN116628998B (zh) * | 2023-05-30 | 2023-12-29 | 中国铁路广州局集团有限公司广州工程建设指挥部 | 一种适用于山岭地区的降雨汇水计算方法 |
CN116469013B (zh) * | 2023-06-20 | 2023-09-08 | 云途信息科技(杭州)有限公司 | 道路积水预测方法、装置、计算机设备及存储介质 |
CN116579584B (zh) * | 2023-07-11 | 2023-10-03 | 中国市政工程华北设计研究总院有限公司 | 基于城市超量径流安全管控的多级行泄空间优化组合方法 |
CN117012004B (zh) * | 2023-08-07 | 2024-04-16 | 正元地理信息集团股份有限公司 | 一种城市内涝风险预警方法及系统 |
CN117198003A (zh) * | 2023-09-19 | 2023-12-08 | 北京建筑大学 | 一种内涝风险的预警方法、装置、电子设备及存储介质 |
CN117057616B (zh) * | 2023-10-11 | 2023-12-26 | 安徽金海迪尔信息技术有限责任公司 | 基于数字孪生的水利监测方法及系统 |
CN118051783B (zh) * | 2023-12-18 | 2024-07-16 | 中国水利水电科学研究院 | 一种基于预报降雨雨型匹配的城市洪涝风险预测方法 |
CN118070957A (zh) * | 2024-02-27 | 2024-05-24 | 辽宁工程技术大学 | 一种融合暴雨内涝径流特征因子的半湿润城市lstm-bert内涝预测方法 |
CN117831231B (zh) * | 2024-03-05 | 2024-05-10 | 南京金固智慧市政研究院有限公司 | 一种对易淹易涝片区进行积淹预警的方法 |
CN118037062A (zh) * | 2024-04-10 | 2024-05-14 | 暗物智能科技(广州)有限公司 | 一种基于因果与或图的内涝灾害风险评估系统 |
CN118521450A (zh) * | 2024-07-23 | 2024-08-20 | 江苏网进科技股份有限公司 | 基于边缘计算的智慧城市海量数据智能化分析方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190227194A1 (en) * | 2015-12-15 | 2019-07-25 | Wuhan University | System and method for forecasting floods |
CN110274656A (zh) * | 2019-06-20 | 2019-09-24 | 福州市规划设计研究院 | 一种城市内河水位预报预警方法 |
CN110399638A (zh) * | 2019-06-15 | 2019-11-01 | 湖南闲暇科技有限公司 | 一种根据气象数据推算洪涝及溢流发生时间的方法 |
CN110633865A (zh) * | 2019-09-22 | 2019-12-31 | 航天海鹰安全技术工程有限公司 | 一种基于排涝模型的城市积水预测与安全预警系统 |
CN111882830A (zh) * | 2020-07-31 | 2020-11-03 | 珠江水利委员会珠江水利科学研究院 | 城市内涝监测预报预警方法、装置、系统及存储介质 |
WO2021053118A1 (en) * | 2019-09-17 | 2021-03-25 | University College Dublin | A decision support system and method for agriculture |
CN113110200A (zh) * | 2021-04-26 | 2021-07-13 | 成都环极科技有限公司 | 一种基于气象和雨洪模型的城市内涝预警系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101856490B1 (ko) * | 2017-11-17 | 2018-05-10 | 노아에스앤씨 주식회사 | 폭우에 대한 재해취약성 정보 자동처리방법 |
CN113742818B (zh) * | 2021-08-12 | 2022-07-01 | 中交第四航务工程勘察设计院有限公司 | 市政道路积水多因素复合型预警预报方法 |
-
2021
- 2021-08-12 CN CN202110925120.2A patent/CN113742818B/zh active Active
-
2022
- 2022-05-24 WO PCT/CN2022/094720 patent/WO2023016036A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190227194A1 (en) * | 2015-12-15 | 2019-07-25 | Wuhan University | System and method for forecasting floods |
CN110399638A (zh) * | 2019-06-15 | 2019-11-01 | 湖南闲暇科技有限公司 | 一种根据气象数据推算洪涝及溢流发生时间的方法 |
CN110274656A (zh) * | 2019-06-20 | 2019-09-24 | 福州市规划设计研究院 | 一种城市内河水位预报预警方法 |
WO2021053118A1 (en) * | 2019-09-17 | 2021-03-25 | University College Dublin | A decision support system and method for agriculture |
CN110633865A (zh) * | 2019-09-22 | 2019-12-31 | 航天海鹰安全技术工程有限公司 | 一种基于排涝模型的城市积水预测与安全预警系统 |
CN111882830A (zh) * | 2020-07-31 | 2020-11-03 | 珠江水利委员会珠江水利科学研究院 | 城市内涝监测预报预警方法、装置、系统及存储介质 |
CN113110200A (zh) * | 2021-04-26 | 2021-07-13 | 成都环极科技有限公司 | 一种基于气象和雨洪模型的城市内涝预警系统 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023016036A1 (zh) * | 2021-08-12 | 2023-02-16 | 中交第四航务工程勘察设计院有限公司 | 市政道路积水多因素复合型预警预报方法 |
CN114511148A (zh) * | 2022-02-16 | 2022-05-17 | 长沙祥云瑞风信息技术有限公司 | 一种基于人工智能的内涝预警方法、系统、介质及设备 |
CN114545529A (zh) * | 2022-02-22 | 2022-05-27 | 长沙祥云瑞风信息技术有限公司 | 一种基于高频格点化雨量探测方法、系统、介质及设备 |
CN114545529B (zh) * | 2022-02-22 | 2022-12-20 | 长沙祥云瑞风信息技术有限公司 | 一种基于高频格点化雨量探测方法、系统、介质及设备 |
CN114580870A (zh) * | 2022-02-23 | 2022-06-03 | 长沙祥云瑞风信息技术有限公司 | 一种区域内涝监测预测方法、平台、介质及设备 |
CN114970340B (zh) * | 2022-05-18 | 2023-05-05 | 河海大学 | 一种非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法 |
CN114970340A (zh) * | 2022-05-18 | 2022-08-30 | 河海大学 | 一种非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法 |
CN117894145A (zh) * | 2023-11-15 | 2024-04-16 | 科学城(广州)信息科技集团有限公司 | 一种智能化井盖监测系统 |
CN117894145B (zh) * | 2023-11-15 | 2024-09-10 | 科学城(广州)数字科技集团有限公司 | 一种智能化井盖监测系统 |
CN117870781A (zh) * | 2024-03-13 | 2024-04-12 | 福建澳泰自动化设备有限公司 | 基于路面积水遥测终端的市政路面积水检测预警方法及系统 |
CN117870781B (zh) * | 2024-03-13 | 2024-05-28 | 福建澳泰自动化设备有限公司 | 基于路面积水遥测终端的市政路面积水检测预警方法及系统 |
CN118037078A (zh) * | 2024-04-12 | 2024-05-14 | 国网浙江省电力有限公司湖州供电公司 | 一种变电站碳排放计算数据迁移方法 |
CN118037078B (zh) * | 2024-04-12 | 2024-07-30 | 国网浙江省电力有限公司湖州供电公司 | 一种变电站碳排放计算数据迁移方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023016036A1 (zh) | 2023-02-16 |
CN113742818B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113742818B (zh) | 市政道路积水多因素复合型预警预报方法 | |
CN109978235B (zh) | 一种基于样本学习的积涝水位预测方法 | |
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 | |
CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
El Hassan et al. | Performance of a conceptual and physically based model in simulating the response of a semi‐urbanized watershed in San Antonio, Texas | |
Wu et al. | Simulation of soil loss processes based on rainfall runoff and the time factor of governance in the Jialing River Watershed, China | |
CN111144656A (zh) | 一种基于gis的灾害评价分析方法 | |
CN113470333A (zh) | 一种线路工程走廊浅层滑坡危险性评估及监测预警系统 | |
CN112785024A (zh) | 一种基于流域水文模型的径流计算和预测方法 | |
CN107609715B (zh) | 一种基于暴雨特征山洪临界雨量计算方法 | |
CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
CN112097851A (zh) | 一种易涝点涝情检测方法及内涝预测方法 | |
CN115689293B (zh) | 一种基于压力-状态-响应框架的城市内涝韧性评估方法 | |
Xu et al. | Permeability control and flood risk assessment of urban underlying surface: a case study of Runcheng south area, Kunming | |
Li et al. | Dangerous degree forecast of soil loss on highway slopes in mountainous areas of the Yunnan–Guizhou Plateau (China) using the Revised Universal Soil Loss Equation | |
CN112785035A (zh) | 融合多元信息的中短期水文预报方法及系统 | |
CN114021766A (zh) | 一种基于物联网和大数据的城市水安全预测方法 | |
CN114528672B (zh) | 基于3s技术的城市水文站网布设方法及系统 | |
CN116151013A (zh) | 小流域城市河道设计洪水的推求方法 | |
Nandalal et al. | Event based modeling of a watershed using HEC-HMS | |
Yang et al. | Study on urban flood simulation based on a novel model of SWTM coupling D8 flow direction and backflow effect | |
CN117012004B (zh) | 一种城市内涝风险预警方法及系统 | |
CN116737989B (zh) | 一种基于视频图像的城市地表水文监测网构建方法 | |
Noor | Comparison of single-site and multi-site based calibrations of SWAT in Taleghan Watershed, Iran | |
Tate et al. | An innovative flood forecasting system for the Demer basin: A case study |
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 |