CN113762605A - 一种工程极端洪水流量预测方法 - Google Patents
一种工程极端洪水流量预测方法 Download PDFInfo
- Publication number
- CN113762605A CN113762605A CN202110949846.XA CN202110949846A CN113762605A CN 113762605 A CN113762605 A CN 113762605A CN 202110949846 A CN202110949846 A CN 202110949846A CN 113762605 A CN113762605 A CN 113762605A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- area
- probability distribution
- research area
- flow
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000009826 distribution Methods 0.000 claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 238000011160 research Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 5
- 239000002352 surface water Substances 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 description 6
- 238000013519 translation Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012876 topography Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
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
- G06Q10/04—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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种工程极端洪水流量预测方法,首先针对研究区域的历史降雨数据,通过参数估计以及优度检验,选取与实际情况拟合最优降雨概率分布模型,计算不同重现期的24小时降雨量;接着分析研究区域现有的高程数据,根据排水路径划分计算区域;最后采用HEC‑HMS软件建立研究区域的数值模型,采用雨量过程线法,通过小时降雨过程线以及各流域面积、TC(Time of Concentration)、CN(Curve Number)值,计算出各流域的流量;本发明可以在仅有研究区域的短期历史降雨资料以及地形数据的情况下,便可以分析计算研究区域不同重现期极端流量,并充分考虑研究区域地表自然特征,计算过程快捷简便。
Description
技术领域
本发明涉及一种工程极端洪水流量预测方法,属于流量模拟预测方法。
背景技术
洪涝灾害是在我们日常生活中较为常见的自然灾害之一,是因大雨、暴雨或持续降雨使低洼地区淹没、渍水的现象。洪涝灾害具有范围广、突发性强、频率频繁和造成损失大的特点。对社会各个产业的正常发展有很大危害。因此如何合理、便捷的预测特定区域不同重现期的极端洪水流量对于工程设施的建设起到至关重要的作用。
传统的极端洪水流量计算方法是利用历史观测资料数据,通过频率分析,进而求得不同重现期的极端流量,该方法的计算方式简单、计算量小,但是对历史数据的完整度要求较高,在有较长时间的历史资料的情况下,外延推导预测一定时间内的所求数据可以达到较高的精确度,随着外延的时间越长,效果逐渐下降。对我国实际情况而言,很多区域历史资料不完整,缺乏长时间的观测收集,在此情况下造成的误差较大。
另外近年来,数值模拟为计算极端洪水流量提供了新的手段,其弥补了传统计算方法对历史观测数据要求高的不足,但数值模拟很难充分考虑计算区域的地表地形特征,并且较难分析不同重现期的极端情况。
发明内容
本发明提供一种工程极端洪水流量预测方法,依据研究区域短期降雨资料,结合地表自然特征,提高了模拟预测的准确性。
本发明解决其技术问题所采用的技术方案是:
一种工程极端洪水流量预测方法,包括以下步骤:
第一步:选取研究区域,针对研究区域的历史降雨数据,通过参数估计以及优度检验,选取与实际情况拟合最优的降雨概率分布模型,通过选取的最优降雨概率分布模型计算不同重现期在24小时内的降雨量;
第二步,分析研究区域内现有的高程数据,依据排水路径划分计算子流域,同时计算出各个子流域的面积;
第三步,采用HEC-HMS软件建立研究区域的洪水数值模型;
第四步,采用雨量过程线法,通过小时降雨过程线、各个子流域的面积、TC以及CN值,由洪水数值模型计算出各个子流域的流量;
作为本发明的进一步优选,第一步中,所述降雨概率分布模型包括Gumbel概率分布模型、GEV概率分布模型以及皮尔逊Ⅲ分布模型;
作为本发明的进一步优选,以实际情况中的降雨资料作为样本,通过极大似然估计法计算选取的多个降雨概率分布模型,对计算结果进行优度检验,判断出与实际情况拟合最优的降雨概率分布模型;
作为本发明的进一步优选,采用KS检验方法进行优度检验,绘制重现期-降雨量分布曲线,将选取的多个降雨概率分布模型与实际情况进行比较,选取与实际情况最优的降雨概率分布模型;
作为本发明的进一步优选,第二步中,利用ArcGIS对研究区域已有的DEM高程数据进行水文分析,根据水文分析结果,在Google Earth上分析并绘制各个子流域的集水区,计算出各个子流域的面积,其中,水文分析包括地表水流的可能流向,河流分级以及粗糙的分水岭划分;
作为本发明的进一步优选,第三步中,采用HEC-HMS软件建立研究区域的洪水数值模型,选用SCS曲数法作为降水损耗的计算模块,选用Clark单位线作为直接径流计算方法进行直接径流的模拟;
作为本发明的进一步优选,第四步中,通过洪水数值模型确定各个子流域涉及到的两个参数,分别为表示流域降雨流量或者河流径流的经验参数CN,以及表示从降雨落到地表开始,降水从子流域中最远的点流到水库或者出水口所需要的时间TC
通过以上技术方案,相对于现有技术,本发明具有以下有益效果:
1、本发明提供的预测方法仅需研究区域的短期降雨资料以及地形数据,即可实现对研究区域洪水极端流量的分析计算;
2、本发明提供的预测方法充分考虑了研究区域的地表自然特征,提高了计算效率。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明提供的预测方法步骤流程图;
图2是本发明提供的优选实施例中选定的研究区域不同重现期的24小时降雨量适线图;
图3是本发明提供的优选实施例中选定的研究区域图;
图4是本发明使用ArcGIS对研究区域分析后的部分地表径流;
图5是本发明使用ArcGIS对研究区域分析后的部分分水岭;
图6是本发明选取的研究区域内子流域(部分铁路桥子)示意图;
图7是本发明选取的研究区域内子流域(部分涵洞)示意图;
图8a-图8f是本发明提供的优选实施例不同重现期在第4、6以及8小时的降雨过程线图;
图9a是本发明提供的优选实施例的水深过程线图;
图9b是本发明提供的优选实施例的流量过程线图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。本申请的描述中,需要理解的是,术语“左侧”、“右侧”、“上部”、“下部”等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,而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,“第一”、“第二”等并不表示零部件的重要程度,因此不能理解为对本发明的限制。本实施例中采用的具体尺寸只是为了举例说明技术方案,并不限制本发明的保护范围。
现有技术中,对极端洪水流量的计算方法较为传统,仅通过频率分析进而求得不同重现期的极端流量,因此容易造成较大的误差,同时在实际情况中,数值模拟又无法充分考虑研究区域的地表地形特征,进一步降低了预测精度。
基于上述问题,本申请提供了一种工程极端洪水流量预测方法,其基于的原理主要是通过参数估计以及优度检验,采用与实际情况拟合最优的降雨概率分布模型计算不同重现期24h的降雨量,通过ArcGis和Google Earth软件进行进一步的水文分析及流域划分,使用HEC-HMS建立研究区域的数值模型,采用雨量过程线法,通过小时降雨过程线以及各流域面积、TC、CN值,计算出各流域的不同重现期的极端流量,在这个过程中不仅考虑了地表地形特征,还结合匹配与检验手段,提升了整个预测方法的精度。
图1所示,具体包括以下步骤:
第一步:选取研究区域,针对研究区域的历史降雨数据,通过参数估计以及优度检验,绘制重现期-降雨量分布曲线,将选取的多个降雨概率分布模型与实际情况进行比较,选取与实际情况拟合最优的降雨概率分布模型,通过选取的最优降雨概率分布模型计算不同重现期在24小时内的降雨量;
第二步,分析研究区域内现有的高程数据,依据排水路径划分计算子流域,同时计算出各个子流域的面积;具体的是利用ArcGIS对研究区域已有的DEM高程数据进行水文分析,根据水文分析结果,在Google Earth上分析并绘制各个子流域的集水区,计算出各个子流域的面积,其中,水文分析包括地表水流的可能流向,河流分级以及粗糙的分水岭划分;
第三步,采用HEC-HMS软件建立研究区域的洪水数值模型;
第四步,采用雨量过程线法,通过小时降雨过程线、各个子流域的面积、TC以及CN值,计算出各个子流域的流量,其中,CN为表示流域降雨流量或者河流径流的经验参数,TC为表示从降雨落到地表开始,降水从子流域中最远的点流到水库或者出水口所需要的时间。
在本申请中,用来优选的降雨概率分布模型主要包括Gumbel概率分布模型、GEV概率分布模型以及皮尔逊Ⅲ分布模型这三种,均为常用的降雨预测概率模型,这里对三个模型做一个具体阐述。
⑴Gumbel概率分布模型
概率密度函数(PDF)和累积密度函数(CDF)如下:
式中:f(x)为概率密度函数,F(x)是累计密度函数,x为与f(x)和F(x)对应的24小时降雨量,α为尺度参数,ζ为位置参数,尺度参数α必须大于零。
⑵GEV概率分布模型
广义极值分布(GEV)概率密度函数和累计分布函数分别为:
式中:f(x)为概率密度函数,F(x)是累计密度函数,x为与f(x)和F(x)对应的24小时降雨量,这里需要注明的是,ζ为形状参数,μ为位置参数,σ为尺度参数。
⑶皮尔逊Ⅲ分布模型
选取了不同的降雨预测概率模型后,需要进行参数估计,具体的过程为
以实际情况中的降雨资料作为样本,通过极大似然估计法(MLE)计算各降雨概率分布模型参数,极大似然估计可以用下面的等式表示:
式中,f(x)是观测值的概率密度分布函数,p1、p2代表一种模型参数设置。
这里需要单独的说明的是,Gumbel概率分布模型、GEV概率分布模型的参数估计采用的是极大似然估计,而Pearson-Ⅲ模型的计算则是已知偏态系数Cs和概率P的情况下通过查表的方式求得。
极大似然估计法计算后的模型进行优度检验,采用了Kolmogorov-Smirnov(KS)检验方法进行比较;
KS检验方法属于经验分布函数统计检验类型,理论分布函数为F(x),经验分布函数为Fn(x),表示如下:
式中,i∈(1,n-1),Fn(x)是一个阶梯函数,每一观测值代表一级阶梯,高度为1/n,这里n为代数,无含义。
KS检验统计量D表示如下:
D=max(D+,D-)
式中,D+=maxi[Fn(X(i))-F(X(i))],表示经验频率大于理论频率时,经验频率和理论频率最大垂直距离;而D-=maxi[F(X(i))-Fn(X(i-1))]表示经验频率小于理论频率时,经验频率和理论频率最大垂直距离;因此KS统计量值越小表示分布模型越拟合观测值。
通过选取的最优降雨概率分布模型计算不同重现期在24小时内的降雨量,实测降雨资料的重现期计算公式为
式中,Tm是第m年的24小时降雨量对应的重现期,m是指年最大24小时降雨量从高到低降序排列时的各个降雨量对应的次序,n是现有的年最大24小时降雨资料的数据个数。
降雨概率分布模型的重现期计算公式为:
其中:F(x)为累计概率,x为F(x)累计概率下对应的24小时降雨量,T表示对应的重现期。
实施例:
将上述本申请提供的预测方式应用至具体实施例中,本实施例选择孟加拉帕德玛大桥铁路连接线项目部分区域为研究区域,收集降水资料高程数据等资料分析工程区域的洪水流态及主要排水路径,针对研究区域的历史降雨数据,分析百年一遇、五十年一遇、二十年一遇降雨条件。根据现有工程地区的Dhaka雨量站的降雨资料,采用频率分析法来计算预测该站点2年一遇、5年一遇、10年一遇、20年一遇、50年一遇以及100年一遇的24小时降雨量。
根据研究区域的Dhaka站2003年至2017年的降雨量资料,可计算出Gumbel概率分布模型、GEV概率分布模型以及皮尔逊Ⅲ分布模型三个模型的参数结果,如下表1所示:
表1 Dhaka站模型参数
Gumbel | ξ=91.645、α=55.049 |
Generalized extreme value | μ=87.418、σ=31.21、ξ=0.3729 |
Log-PearsonⅢ | α=4.2478、β=0.22576、γ=3.7427 |
把上述参数结果代入三个降雨概率分布模型中的累积概率分布函数,利用式T=1/(1-F(x))计算得出重现期T,可以作出Dhaka地区不同重现期的24h降雨量适线图,即降雨量~重现期图(x~T图)如图2所示:
将三种降雨概率分布模型的计算结果与样本函数进行比较,采用Kolmogorov-Smirnov(KS)优度检验方法来比较三种降雨概率分布模型的拟合优劣情况。计算结果如下表2:
表2各模型拟合优劣比较
当显著水平a=0.05时,D(0.05)=0.3376,故实测数据符合这三个分布。其中GEV概率分布模型的D最小,即为拟合效果最优的模型,故选择拟合效果最优的GEV概率分布模型来计算不同重现期水平的降雨量,得到结果如下表3表示。
表3 Dhaka站不同重现期降雨量
实施例中的研究区域划分,图3所示,由于帕德玛铁路桥沿线的地形平坦,起伏并不剧烈,利用ArcGIS对该区域已有的DEM高程数据进行水文分析,包括地表水流的大致流向,河流分级以及粗糙的分水岭划分。然后依据该水文分析的结果,在Google Earth上,进一步的分析并绘制各子流域的集水区。如图4和5所示,为ArcGIS分析出的部分地表径流和部分分水岭区域,图4中白色线条部分表示的部分地表径流,图5中不同色块颜色代表不同块的分水岭。
ArcGIS分析完成后,在Google earth软件中将计算区域围绕已有水文数据的四条大河来划分计算区域,分为了Buriganga河流域、Dhaleswari河、Padama河流域、Arial Khan河流域和Madhumati河流域;每个流域根据该流域的地表高程数据,针对该流域的工程点,包括铁路桥、框架桥和涵洞画子流域。
以8、11号铁路桥为例,如图6所示,该两处工程点的子流域划分要考虑工程点处都有河流经过,因此子流域的流向要考虑河流流向,通过ArcGIS辅助和地形高程变化得到子流域。
以58、61、63、65、66、68、70、72、74号涵洞为例,如图7所示。该处的子流域在划分时主要考虑的是漫滩地区的流向,根据已有水文资料,子流域分布在铁路桥北侧,又由于涵洞比较密集,所以子流域都比较狭长。
在对模型进行计算时,要考虑到研究区域的地表自然特征,实施例中作为研究区域的孟加拉帕德玛铁路桥沿线主要为平原地区,地表起伏较小,海拔较低,地形平坦但是略微复杂,洼地众多,洪泛区较大;沿线区域的地表覆盖物主要以树林和水田为主,村落和公路为辅。
采用HEC-HMS软件建立工程区域的洪水数值模型,选用SCS曲数法作为降水损耗的计算模块,选用Clark单位线作为直接径流计算方法进行直接径流的模拟,Clark单位线考虑了天然河道对洪水的平移与调蓄作用,这种方法涉及到两个参数:汇流参数TC、调蓄参数R。
⑴平移计算;
时面曲线A~t的计算是平移计算的关键,HEC-HMS采用以下两种方法:
①由流域地形图作时面曲线;
②当缺乏流域地形图时,可用以下简化公式作时面曲线;
式中,
AI=At/ATOT,T=t/TC;
ATOT为流域总面积,At为汇流历时t对应的流域面积。
时面曲线A~t求得后,就可由净雨与时面曲线卷积求得平移后的流量过程线I(t)~t。
其计算公式如下
式中,Ii是i时段的平移后的流量,Ri是i时段的平移后的净雨。
⑵调蓄计算;
将平移后的I(t)~t进行调蓄之后便可推出流域出口断面的地面径流过程Q'(t)~t,其计算式如下:
Q'(i)=CA·I(i)+CB·Q'(i-1)
其中:
CA=Δt/(R+0.5Δt)
CB=1-CA
Q'(i)为第i时段末的流量,Q'(i-1)为第i时段初的流量,Dt为计算时段,R为流域调蓄参数。
降雨造成洪水数值模型的计算需确定各个子流域的两个主要参数,分别是CN(Curve Number)以及TC(Time of Concentration)。
其中,CN是由美国国家资源保持局提出的,用于计算流域降雨流量或者河流径流的经验参数(SCS),它是反映流域区域渗透损失的经验参数,
未渗透流失的剩余降雨量计算公式如下:
式中,R为未流失的累计剩余降雨量,P为降雨量,S为土壤的最大蓄水量。
根据水文学可知,CN数值范围为30-100,CN数值越小,则表示该区域土壤渗透性越好,CN数值越大,则渗透性越差。在实施例中,研究区域将树林覆盖物的CN值定为76,农田的CN值为78,村落及公路区域的CN值取为98。
各子流域的CN值计算采用加权平均值的方法求解。
式中,CN为流域的最终CN值,CNi表示某种覆盖物的CN值,Ai表示该子流域中同一覆盖物区域的面积,AT则为整个子流域的总面积。
使用的土壤资料有工程点的工程地质调查、现场调查,并以Google Earth作为辅助工具。
另一个参数,汇水时间TC(Time of Concentration)表示从降雨落到地表开始,降水从子流域中最远的点流到水库(或者出水口)所需要的时间。
因整个研究区域计算结果较多,本文选取其中Dhaleswari河流域作为计算结果展示,计算结果如表4、表5所示:
表4各铁路桥工程点子流域参数计算结果统计
桥梁编号 | 桥梁中心里程 | 流域面积/km<sup>2</sup> | TC/h | CN |
6 | Ch.18+152.000 | / | / | / |
7 | Ch.22+756.000 | / | / | / |
8 | Ch.24+353.800 | 2.97 | 0.74 | 78.30 |
11 | Ch.26+315.500 | 6.54 | 0.77 | 78.90 |
表5各框架桥工程点子流域参数计算结果统计
桥梁编号 | 桥梁中心里程 | 流域面积/km<sup>2</sup> | TC/h | CN |
9 | Ch.25+023.100 | 0.55 | 0.47 | 78.98 |
10 | Ch.25+891.900 | 0.67 | 0.44 | 78.36 |
12 | Ch.27+167.100 | 0.70 | 0.53 | 78.30 |
13 | Ch.28+029.100 | 0.83 | 0.47 | 78.14 |
15 | Ch.28+968.700 | 0.66 | 0.30 | 82.32 |
根据已求出百年一遇的24小时降雨量为468mm,因此参考水文学降雨量换算公式,选用该区域的不同重现期的24小时降雨量换算系数,图8a-图8f得到不同重现期的4、6、8小时的降雨量,并绘制降雨过程线,通过比较可知,8小时的降雨情况所获得流量较大,选用8小时的降雨量曲线作为模型设置条件。
根据上述模型条件、参数设置和降雨过程线结果,利用HEC-HMS对各工程点进行计算,得到子流域的降雨过程中的流量和水深的过程线,以框架桥15号工程点为例,计算结果如图9a-图9b所示,其中,图9a是水深过程线图,图9b是流量过程线图,横坐标表示时间,为从早上八点至下午四点,纵坐标分别为水深以及流量。
综上可知,本发明可以在仅有研究区域的短期降雨资料以及地形数据的情况下,便可以分析计算研究区域的洪水极端流量,并且充分考虑研究区域的地表自然特征,计算过程快捷简便。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本申请中所述的“和/或”的含义指的是各自单独存在或两者同时存在的情况均包括在内。
本申请中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (7)
1.一种工程极端洪水流量预测方法,其特征在于:包括以下步骤:
第一步:选取研究区域,针对研究区域的历史降雨数据,通过参数估计以及优度检验,选取与实际情况拟合最优的降雨概率分布模型,通过选取的最优降雨概率分布模型计算不同重现期在24小时内的降雨量;
第二步,分析研究区域内现有的高程数据,依据排水路径划分计算子流域,同时计算出各个子流域的面积;
第三步,采用HEC-HMS软件建立研究区域的洪水数值模型;
第四步,采用雨量过程线法,通过小时降雨过程线、各个子流域的面积、TC以及CN值,由洪水数值模型计算出各个子流域的流量。
2.根据权利要求1所述的工程极端洪水流量预测方法,其特征在于:第一步中,所述降雨概率分布模型包括Gumbel概率分布模型、GEV概率分布模型以及皮尔逊Ⅲ分布模型。
3.根据权利要求2所述的工程极端洪水流量预测方法,其特征在于:以实际情况中的降雨资料作为样本,通过极大似然估计法计算选取的多个降雨概率分布模型,对计算结果进行优度检验,判断出与实际情况拟合最优的降雨概率分布模型。
4.根据权利要求3所述的工程极端洪水流量预测方法,其特征在于:采用KS检验方法进行优度检验,绘制重现期-降雨量分布曲线,将选取的多个降雨概率分布模型与实际情况进行比较,选取与实际情况最优的降雨概率分布模型。
5.根据权利要求1所述的工程极端洪水流量预测方法,其特征在于:第二步中,利用ArcGIS对研究区域已有的DEM高程数据进行水文分析,根据水文分析结果,在Google Earth上分析并绘制各个子流域的集水区,计算出各个子流域的面积,其中,水文分析包括地表水流的可能流向,河流分级以及粗糙的分水岭划分。
6.根据权利要求1所述的工程极端洪水流量预测方法,其特征在于:第三步中,采用HEC-HMS软件建立研究区域的洪水数值模型,选用SCS曲数法作为降水损耗的计算模块,选用Clark单位线作为直接径流计算方法进行直接径流的模拟。
7.根据权利要求1所述的工程极端洪水流量预测方法,其特征在于:第四步中,通过洪水数值模型确定各个子流域涉及到的两个参数,分别为表示流域降雨流量或者河流径流的经验参数CN,以及表示从降雨落到地表开始,降水从子流域中最远的点流到水库或者出水口所需要的时间TC。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110949846.XA CN113762605A (zh) | 2021-08-18 | 2021-08-18 | 一种工程极端洪水流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110949846.XA CN113762605A (zh) | 2021-08-18 | 2021-08-18 | 一种工程极端洪水流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113762605A true CN113762605A (zh) | 2021-12-07 |
Family
ID=78790298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110949846.XA Pending CN113762605A (zh) | 2021-08-18 | 2021-08-18 | 一种工程极端洪水流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762605A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796799A (zh) * | 2022-02-24 | 2023-09-22 | 宝鸡文理学院 | 无水文资料地区中小流域洪水降雨量阈值模型创建方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326656A (zh) * | 2016-08-24 | 2017-01-11 | 东南大学 | 一种工程设施极端暴雨洪水位的模拟预测方法 |
CN109815305A (zh) * | 2019-01-18 | 2019-05-28 | 三峡大学 | 一种无资料地区场次洪水径流过程反演的方法 |
CN111339711A (zh) * | 2020-02-24 | 2020-06-26 | 三峡大学 | 一种小流域设计洪水推求方法 |
CN111414671A (zh) * | 2019-12-20 | 2020-07-14 | 福建省水利水电勘测设计研究院 | 小流域暴雨推求洪水的方法 |
-
2021
- 2021-08-18 CN CN202110949846.XA patent/CN113762605A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326656A (zh) * | 2016-08-24 | 2017-01-11 | 东南大学 | 一种工程设施极端暴雨洪水位的模拟预测方法 |
CN109815305A (zh) * | 2019-01-18 | 2019-05-28 | 三峡大学 | 一种无资料地区场次洪水径流过程反演的方法 |
CN111414671A (zh) * | 2019-12-20 | 2020-07-14 | 福建省水利水电勘测设计研究院 | 小流域暴雨推求洪水的方法 |
CN111339711A (zh) * | 2020-02-24 | 2020-06-26 | 三峡大学 | 一种小流域设计洪水推求方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796799A (zh) * | 2022-02-24 | 2023-09-22 | 宝鸡文理学院 | 无水文资料地区中小流域洪水降雨量阈值模型创建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582755B (zh) | 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 | |
Ahmad et al. | Estimation of a unique pair of Nash model parameters: an optimization approach | |
CN111507375B (zh) | 一种城市内涝风险快速评估方法及系统 | |
CN110674467B (zh) | 基于swat模型的水文过程对气候变化的响应监测方法 | |
Joshi et al. | Rainfall-Runoff Simulation in Cache River Basin, Illinois, Using HEC-HMS | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
Dong et al. | Appropriate spatial sampling of rainfall or flow simulation/echantillonnage spatial de la pluie approprié pour la simulation d'écoulements | |
Perrone et al. | Use of AGNPS for watershed modeling in Quebec | |
King et al. | Curve numbers for golf course watersheds | |
Gouvas et al. | The relationship between altitude of meteorological stations and average monthly and annual precipitation | |
CN110580377A (zh) | 一种基于响应曲面法的植草沟设计参数优化方法 | |
CN113762605A (zh) | 一种工程极端洪水流量预测方法 | |
CN116205136A (zh) | 基于径流滞后信息的大尺度流域深度学习洪水预报方法 | |
Fathy et al. | Runoff hydrograph modeling for arid regions: case study—Wadi Sudr-Sinai | |
Meher | Rainfall and runoff estimation using hydrological models and ANN techniques | |
Khayyun et al. | Hydrological model for Derbendi-Khan Dam reservoir watershed using SWAT model | |
Madhushankha et al. | Application of HEC-HMS model to estimate daily streamflow in Badddegama Watershed of Gin Ganga Basin Sri Lanka | |
Saher et al. | Analysis of changes in runoff due to land cover change | |
Poudel et al. | Impact of Urbanization on Runoff and Infiltration in Walnut Gulch Experimental Watershed | |
Promping et al. | Effects of Climate Change and Land-use Change on Future Inflow to a Reservoir: A Case Study of Sirikit Dam, Upper Nan River Basin, Thailand | |
Parak | Flood estimation for roads, bridges and dams. | |
Littleboy et al. | Hydrological modelling of coastal catchments in New South Wales | |
Krylova et al. | Reproduction of runoff hydrograph in the Lena River basin with a hydrologically correct digital elevation model | |
Ghosh | Application of SWAT model to assess the impact of land use changes on daily and monthly streamflow of Subarnarekha river basin | |
Hu | Combining Continuous and Event-based Hydrologcial Modeling in Kävlinge river Basin with HEC-HMS |
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 |