CN114118544A - 一种城市积涝检测方法及装置 - Google Patents
一种城市积涝检测方法及装置 Download PDFInfo
- Publication number
- CN114118544A CN114118544A CN202111332500.1A CN202111332500A CN114118544A CN 114118544 A CN114118544 A CN 114118544A CN 202111332500 A CN202111332500 A CN 202111332500A CN 114118544 A CN114118544 A CN 114118544A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- cloud
- cloud layer
- building
- building area
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 230000015654 memory Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 9
- 238000000034 method Methods 0.000 abstract description 22
- 238000004088 simulation Methods 0.000 description 20
- 238000002474 experimental method Methods 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000035508 accumulation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012876 topography 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- Environmental Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种城市积涝检测方法、装置,该方法包括:获取目标城市上空云层的云层位置和降雨量;根据目标城市的当前风况预测得到目标城市在未来目标时间段内的风况信息,风况信息包括目标城市各个区域的风况;根据云层位置和风况信息计算降雨位置;获取降雨位置覆盖下各建筑区域的径流系数,其中,径流系数用于表示相应的建筑区域的排水能力;基于降雨量和降雨位置计算每个降雨覆盖的建筑区域的降雨量;结合各建筑区域的径流系数和相应建筑区域的降雨量确定出该建筑区域是否将要发生积涝。通过提前预测目标城市上空云层的降雨量和降雨位置,可以准确的预测目标城市中各个区域的降雨量,提高城市各区域积涝检测的准确性。
Description
技术领域
本发明涉及检测技术领域,具体涉及一种城市积涝检测方法及装置。
背景技术
每当强对流天气来临时,城市在暴雨的袭击下,城市中各区域会产生不同程度的内涝现象,由于各区域地形地势的不同,给城市中部分区域的排水系统带来很大的排水压力,极其容易产生积涝。
目前,针对解决城市中积涝的问题,现有技术多是对城市进行整体监控,做到对积涝区域的快速识别,或是对积涝后水位的预测,以及城市积涝如何快速排出的方法。最常用的判断积涝的方法更多的还是根据历年降雨数据、常年积涝位置进行综合分析,来预测未来的降雨量以及容易发生积涝的地方,提前做好预防措施。
然而,对于城市而言,目前大部分的情况下比较容易发生的是局部积涝,例如,城市整体未出现积涝,但是在某个街道、隧道或者某个桥体处发生积涝。但现有技术没有对城市的局部积涝情况进行精准定位和预判的技术方案。
发明内容
因此,本发明要解决现有技术中无法预测城市中局部区域发生积涝的技术问题,从而提供一种城市积涝检测方法及装置。
根据第一方面,本发明实施例提供了一种城市积涝检测方法,其特征在于,包括如下步骤:获取目标城市上空云层的云层位置和降雨量;根据所述目标城市的当前风况预测得到所述目标城市在未来目标时间段内的风况信息,所述风况信息包括所述目标城市各个区域的风况;根据所述云层位置和所述风况信息计算降雨位置;获取所述降雨位置覆盖下各建筑区域的径流系数,其中,所述径流系数用于表示相应的建筑区域的排水能力;基于所述降雨量和所述降雨位置计算每个降雨覆盖的建筑区域的降雨量;结合各建筑区域的径流系数和相应建筑区域的降雨量确定出该建筑区域是否将要发生积涝。
可选地,所述获取目标城市上空云层的云层位置和降雨量,包括:获取所述目标城市上空不同的云系特征,利用所述云系特征确定每个云层在所述目标城市上空的云层位置,所述云系特征用于表示当前时刻云层的分布情况;向每处云层位置发射无线电波,通过接收到从云层返回的无线电波确定出各个云层的降雨量。
可选地,所述根据所述云层位置和所述风况信息计算降雨位置,包括:将所述云层位置和所述风况信息输入到预先训练得到的降雨位置预测模型中,输出所述降雨位置。
可选地,所述根据所述云层位置和所述风况信息计算降雨位置,包括:利用预先测算得到的雨滴在不同风况下的降落轨迹,确定出在当前风况下雨滴对应的当前降落轨迹,其中,所述降落轨迹为雨滴随着时间变化的下落路径;将所述云层位置作为所述雨滴的初始位置,利用所述当前降落轨迹确定出雨滴降落在地面的位置,由雨滴降落的位置确定出所述云层的降雨位置。
可选地,所述基于所述降雨量和所述降雨位置计算每个降雨覆盖的建筑区域的降雨量,包括:建立所述目标城市的下垫面模型;利用所述降雨位置和所述下垫面模型确定降雨覆盖的建筑区域;在所述降雨分布在建筑物顶的情况下,计算所述建筑物顶的降雨量和所述建筑物顶排水到达的街道路面的降雨量;将所述建筑物顶的降雨量和所述街道路面的降雨量相加,得到所述街道路面的总降雨量。
可选地,所述结合各建筑区域的径流系数和相应建筑区域的降雨量确定出该建筑区域是否将要发生积涝,包括:判断所述建筑区域的降雨量与该建筑区域的排水量的比值是否大于等于对应建筑区域的径流系数;当所述比值大于等于对应建筑区域的径流系数时,确定该建筑区域将要发生积涝;当所述比值小于对应建筑区域的径流系数时,确定该建筑区域不发生积涝。
根据第二方面,本发明实施例提供了一种城市积涝检测装置,其特征在于,包括:获取模块,用于获取目标城市上空云层的云层位置和降雨量;预测模块,用于根据所述目标城市的当前风况预测得到所述目标城市在未来目标时间段内的风况信息,所述风况信息包括所述目标城市各个区域的风况;位置模块,用于根据所述云层位置和所述风况信息计算降雨位置;系数模块,用于获取所述降雨位置覆盖下各建筑区域的径流系数,其中,所述径流系数用于表示相应的建筑区域的排水能力;计算模块,用于基于所述降雨量和所述降雨位置计算每个降雨覆盖的建筑区域的降雨量;确定模块,用于结合各建筑区域的径流系数和相应建筑区域的降雨量确定出该建筑区域是否将要发生积涝。
可选地,所述位置模块,还包括:轨迹子模块,用于利用预先测算得到的雨滴在不同风况下的降落轨迹,确定出在当前风况下雨滴对应的当前降落轨迹,其中,所述降落轨迹为雨滴随着时间变化的下落路径;降雨子模块,用于将所述云层位置作为所述雨滴的初始位置,利用所述当前降落轨迹确定出雨滴降落在地面的位置,由雨滴降落的位置确定出所述云层的降雨位置。
根据第三方面,本发明实施例提供了一种计算机设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行上述的城市积涝检测方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行上述的城市积涝检测方法。
本发明技术方案,具有如下优点:
1、本发明实施例,通过获取目标城市上空云层的云层位置和降雨量,然后利用目标城市各个区域的风况和云层位置和风况信息计算降雨位置,并进一步每个降雨覆盖的建筑区域的降雨量,结合各建筑区域的径流系数和相应建筑区域的降雨量确定出该建筑区域是否将要发生积涝。也即是说,通过对目标城市的各个建筑区域的降雨量进行计算,从而可以结合该建筑区域的径流系数确定具体建筑区域的积涝检测,实现城市积涝位置的精确预测和定位,从而可以提前规避积涝带来的损失。
2、通过提前预测目标城市上空云层的降雨量和降雨位置,可以准确的预测目标城市中各个区域的降雨量,将建筑物顶端的雨水根据排水管道划分至排出的具体区域,增加了涉及区域的降雨量总和,给涉及区域提前防控提供了依据,同时,也提高了城市各区域积涝检测的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例1中一种城市积涝检测方法的一个具体示例的流程图;
图2为本发明实施例2中一种城市积涝检测装置的一个具体示例的原理框图;
图3为本发明实施例3中一种计算机设备的一个具体示例的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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做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。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种城市积涝检测方法,该检测方法可以由服务器等设备来执行,通过服务器等设备的计算、数据输出及判别,从而实现积涝的检测,如图1所示,包括如下步骤:
步骤S101,获取目标城市上空云层的云层位置和降雨量。
具体地,目标城市可以是指任意一座城市。当气象局报道,目标城市在未来目标时间段,将会发生强降雨天气时,若想要了解目标城市在未来目标时间段的整体或局部降雨量,则首先需要准确的获取目标城市上空的云层位置。本实施例中的云层位置,可以是目标城市中某一区域或局部垂直正上空可能降雨的云的位置。所述云层位置可以包括:依据地球表面经纬度,可以通过气象卫星获得的气象卫星云图,获取相对于地球表面垂直正上空的可能降雨的云所在位置的经纬度,作为云层位置。例如,地球表面未来目标时间段可能降雨的A区所在位置为东经114.26度北纬23度,则A区垂直正上空的云层所在经纬度位置也为东经114.26度北纬23度。所述云层位置还可以包括,云层所在位置距离地球表面的垂直高度,也即是说,云层位置实际上是一个立体空间的位置。当然,本发明实施例中,云层位置并不一定只限定于经纬度和高度,也可以是预先建立的城市坐标系中确定出的坐标位置。
根据气象卫星云图分析目标城市上空的云层分布情况,例如,分析目标城市上空是否存在已经形成的积雨云、雨层云、钩卷云、卷积云等可能降雨的云层,及云层所在目标城市上空的经纬度,以定位云层相对于垂直下方目标城市的位置。
其次,可以通过天气图或气象卫星云图等,根据目标城市上空的气压及气团分布,判断目标城市即将到来的天气系统情况及在目标城市上空的具体位置。依据天气系统情况分析目标城市上空将会产生何种云状或天气现象,并分析天气系统即将产生的可能降雨的云将会出现在目标城市上空的云层位置,例如,当冷气团在气压的作用下向暖气团下侧移动时,多会出现积雨云,产生雷暴现象,则积雨云则为天气系统即将产生的可能降雨的云。通过气象卫星云图可以获取天气系统即将产生的可能降雨的云的位置。利用获取目标城市上空已经形成的可能降雨的云的位置及天气系统即将产生的可能降雨的云的位置,相结合的方法,共同确定,可能降雨的云在目标城市正上空的位置,也就是云层位置。
当获取目标城市上空可能降雨的云层位置后,还需要了解目标城市中上空可能降雨的云的降雨量。本实施例中,可以通过气象雷达来对目标城市上空可能降雨的云的降雨量进行探测。利用气象雷达上方向性极强的天线向目标城市上空发射脉冲无线电波,传播过程中与大气发生相互作用,遇雨滴、云状滴等,会对电磁波产生一定的散射作用,通过接收反射回来的无线电波,利用返回的无线电波的回波强度来确定目标城市上空可能降雨的云的降雨量,从而获取目标城市上空每一片可能降雨的云的降雨量数据。其中,通过气象雷达还可以测出可能降雨的云所在位置距离地球表面的高度。
通过获取目标上空可能降雨的云的经纬度及高度,结合气象雷达接收的无线电波,共同来判断目标城市上空可能降雨的云的云层位置及每一片可能降雨的云的降雨量。
步骤S102,根据所述目标城市的当前风况预测得到所述目标城市在未来目标时间段内的风况信息,所述风况信息包括所述目标城市各个区域的风况。
具体地,大风与雨水同样都属于流体,在大风进入目标城市后,容易受到目标城市中建筑物、山脉等阻碍的影响。当大风在目标城市中流动时,与建筑物、山脉、丛林等发生碰撞后,使大风风速、风向发生明显变化,难以预测未来目标时间段目标城市中各区域具体的风况信息,从而难以预测当雨滴进入城市后未来目标时间段的降雨位置。当雨滴从高空下落时,在风的作用下,容易产生偏移,改变降落轨迹,从而影响其它区域的降雨情况。例如,经气象卫星云图及气象雷达探测分析,目标城市中区域A上空云层降雨量将达到25毫米/平方米,与区域A相接的区域B上空云层降雨量将达到50毫米/平方米,且云层将会朝着与区域A相反方向进行移动。在雨滴垂直自然落体的情况下,区域A属于该区域可排水范围的降雨量,而区域B则需要加固河堤、疏通排水通道等,以防范目标城市内部积涝问题。而在大风的连续作用下,区域B的降落轨迹连续偏至区域A,导致区域A在没有疏通加固的情况下产生内部积涝问题。
因此,为了预测目标城市在未来目标时段内的风况,本实施例中可以通过中国专利申请名为《一种城市积涝检测方法及装置》的发明创造中提供的风况仿真模型来进行预测。具体地,通过建立目标城市的下垫面模型,在目标城市的不同位置布置检测点,将在目标城市中各个检测点检测到的不同时间段的离散的温湿度、风速、风向,放入流体力学模拟软件中,从而生成时间及空间上连续的风场数据。将风场数据作为风场数据样本,用来训练神经网络,从而得到风况仿真模型,通过风况仿真模型来预测目标城市中各建筑物之间的风况。当向风况仿真模型中输入大风进入目标城市的风速、风向以及环境的温湿度时,便可输出目标城市在未来目标时间段的风况信息,其中,风况信息包括目标城市中各个区域具体的风速及风向。
所述未来目标时间段可以是当风或雨刚进入目标城市后的某一时段,也可以是风或雨在目标城市中运动一段时间之后的时段。
步骤S103,根据所述云层位置和所述风况信息计算降雨位置。
根据气象卫星及气象雷达获取的云层位置,定位目标城市中可能降雨的云层所在的经纬度及高度,所述经纬度可以是云层任意一局部的位置(经纬度是用以标示地球上的任何一处的位置,地球上的位置代表的则是某一局部区域,还无法做到精确到点的大小)。将云层位置任意一局部所在的经纬度、高度及进入云层位置所在目标城市区域的风向及风速输入到降雨位置预测模型中,则会输出输入的局部经纬度的雨所对应的降落到地球表面上的经纬度。例如,取云A中东经114.26111度北纬23.1111度所在的局部位置为降雨的初始位置,输入到降雨位置预测模型中,则会输出在目标城市风况信息影响下的落到地面上所对应的经纬度的降雨位置。
若想要得到一整片云的落地后的降雨位置,则需要输入云层均匀分布且不同经纬度的局部位置,以代表整个云层,也就是将云层均匀的等分为N份,每一份对应其经纬度。例如,假设目标城市上空云A在气象卫星云图上的总面积为50平方米,云B在气象卫星云图上的总面积为60平方米,则分别将云A、云B分别均匀等量分割为50等份和60等份,可以取每一等份的中点,代表每一等份在经纬度中的位置。当每一等份雨量降落时,也就是向降雨位置预测模型中输入每一等份雨量的经纬度和所在目标城市区域的风况信息,经过降雨位置预测模型的输出,得到每一等份雨量降落在地球表面上的经纬度,从而确定每一等份雨量的降雨位置。
对于目标城市中某一区域或某一局部位置的降雨量,可通过将所有降落在该区域或局部位置中的每一等份所含有的雨量相加,即可得到该区域或局部位置的总降雨量。例如,区域A总面积为40平方米,通过降雨位置预测模型输出显示,云A云B分别有20等份降落在区域A所在经纬度方位内,假设云A中每等份的降雨量为2mm,云A中每等份的降雨量为3mm,则云A云B各20等份的降雨总量为0.125毫米每平方米,则区域A的降雨总量为0.125毫米每平方米。
所述降雨位置预测模型是在风况仿真模型的基础上而生成的用于预测降雨位置的模型,降雨位置预测模型输出的降雨位置,是在城市大风作用下,降雨路径发生改变后的降雨位置。具体地,降雨位置预测模型是通过将雨滴下落模拟实验测得的数据作为训练数据,输入进神经网络模型进行训练学习,其中,该神经网络模型包含有风况仿真模型的全部数据。所述雨滴下落模拟实验,是在全封闭的物理实验环境内,等比模拟真实的目标城市环境。通过改变雨滴质量,下降高度、环境温湿度、风速、风向、全真模拟出了在不同温湿度及受力等情况下的雨滴下落过程,及雨滴初始位置与落地位置的位移差。在模拟实验中,雨滴为理想状态下的球形雨滴,且质量可控,以每平方米为单位的的雨水也可作为雨滴进行模拟实验。
步骤S104,获取所述降雨位置覆盖下各建筑区域的径流系数,其中,所述径流系数用于表示相应的建筑区域的排水能力。
每个城市中各个区域都有自己的排水系统,城市排水系统是城市总体规划的重要组成部分。而反映排水系统是否能够承载该城市的排水能力的则是径流系数,也就是在一定时间内落到地面上的雨水量与排出的水量的比值。对于城市建筑物密集区域,径流系数一般可以达到0.6-0.85,而在公园和绿地等空旷地带,径流系数则在0.1-0.2之间。相应的,建筑物越密集,留在地表的积水量就越大,则该城市的排水系统也就要接受更大的考验。当城市遇到雨量大、强度大、范围大的强降雨天气时,降雨量超过了目标城市的径流系数,则会导致目标城市内部发生内涝现象的发生。为了防止此类现象的发生,则需要提前获取目标城市内部各个建筑区域的径流系数。
通过收集目标城市中各个区域历年的降雨量及流入灌渠中的取水量,也就是各区域的排水量,将降雨量与排水量的做比值运算即可得到各个区域径流系数。其中,由于城市建筑区域房屋密级,排水能力差,则需要计算建筑区域每一处能够排水的径流系数。
步骤S105,基于所述降雨量和所述降雨位置计算每个降雨覆盖的建筑区域的降雨量。
城市中由于建筑物的存在,导致降雨位置不一定能够直接落在地面上,还有一部分会落在建筑物的顶端,无法到达地面,或通过建筑物顶端的排水管道,直接通向某一处固定的街道或路面。这也就导致了被排水的路面集雨量增多,给该区域的排水系统带来了压力。
因此,需要对降雨覆盖的建筑区域的降雨量进行单独分析,可以中国专利申请名为《一种城市积涝检测方法及装置》的发明创造中提供的下垫面模型,对目标城市中降落到建筑物顶端的雨量进行分析。根据步骤S102中所述,当每一等份雨量降落时,也就是向降雨位置预测模型中输入每一等份雨量的经纬度和所在目标城市区域的风况信息,经过降雨位置预测模型的输出,得到每一等份雨量降落在地球表面上的经纬度,从而确定每一等份雨量的降雨位置。而在下垫面模型中,包含有具体的建筑物信息,包括,建筑物高度,占地面积等。在降雨位置预测模型中,将建筑物顶端所在位置,自动识别为地球表面位置,也就是当雨水降落时,遇到建筑物屋顶则会运动停止,把建筑物屋顶所在的经纬度位置作为降雨位置。
因此,只需要获取下垫面模型中每个建筑物的占地面积,即可根据降雨位置及每一份的降雨量,获取降雨覆盖的建筑区域顶端的降雨量。
而每个建筑物顶端都设计有专门的排水管道,获取了降雨覆盖的建筑区域顶端的降雨量后,只需根据每个建筑物顶端设计的排水管道口的流出位置,将建筑物顶端的降雨量汇总到流出位置的建筑区域的降雨量中,则可获得建筑区域的总的降雨量。
步骤S106,结合各建筑区域的径流系数和相应建筑区域的降雨量确定出该建筑区域是否将要发生积涝。
获得建筑区域的总的降雨量后,根据获取的每个区域的径流系数,与每个区域的降雨量与排水量进行比值计算,即可确定该建筑区域或其他区域是否要发生积涝。若比值大于等于对应建筑区域的径流系数时,确定该建筑区域将要发生积涝;若比值小于对应建筑区域的径流系数时,则确定该建筑区域不会发生积涝。
作为一种可选实施方式,本发明实施例中,所述获取目标城市上空云层的降雨量和云层位置,包括:
获取所述目标城市上空不同的云系特征,利用所述云系特征确定每个云层在所述目标城市上空的云层位置,所述云系特征用于表示当前时刻云层的分布情况;
向每处云层位置发射无线电波,通过接收到从云层返回的无线电波确定出各个云层的降雨量。
对于区分云的种类,往往是根据几个特征进行判别的,包括,云的结构、云的方位大小、云的边界形状、云的亮度、纹理等,以上特征在本实施例中统称为云系特征。例如,在气象卫星云图中,冬季洋面冷锋后的积状云呈细胞状,根据结构判断,这种云主要由积状云组成;像高积云和卷云,分布范围广,可达几千公里以上,而中小尺度的积状云,范围从几十公里至几百公里;通过云系特征综合对目标城市上空的云层进行判断,可以准确的分析出当前时刻可能降雨的云的云层分布情况,利用气象卫星云图,通过经纬度定位的方法定位出可能降雨的云的云层位置。所述当前时刻可能降雨的云的云层分布情况,是指已经形成的可能降雨的云的云层分布情况。
可以通过气象雷达来对目标城市上空可能降雨的云的降雨量进行探测。利用气象雷达上方向性极强的天线向目标城市上空发射脉冲无线电波,传播过程中与大气发生相互作用,遇雨滴、云状滴等,会对电磁波产生一定的散射作用,通过接收反射回来的无线电波,来探测目标城市上空可能降雨的云的降雨量,其中,通过气象雷达还可以测出可能降雨的云所在位置距离地球表面的高度。
本实施例中,通过云系特征来识别云的种类,可以筛选出可能降雨的云的分布情况,避免对所有的云层进行识别和定位,对于即将形成的可能降雨的云,可以根据天气系统的形成情况进行判断产生的云的种类及位置。由于天气系统的不断变化,产生的云的种类也在变化,因此将已形成的可能降雨的云与即将形成的可能降雨的云分开进行识别定位,可避免重复判断。
作为一种可选实施方式,本发明实施例中,所述根据所述云层位置和所述风况信息计算降雨位置,包括:
将所述云层位置和所述风况信息输入到预先训练得到的降雨位置预测模型中,输出所述降雨位置。
所述降雨位置预测模型是在风况仿真模型的基础上而生成的用于预测降雨位置的模型,降雨位置预测模型输出的降雨位置,是在城市大风作用下,降雨路径发生改变后的降雨位置。具体地,降雨位置预测模型是通过将雨滴下落模拟实验测得后并计算过的数据作为训练数据,输入进神经网络模型进行训练学习,其中,该神经网络模型包含有风况仿真模型的全部数据。所述雨滴下落模拟实验,是在全封闭的物理实验环境内,等比模拟真实的目标城市环境。通过改变雨滴质量,下降高度、环境温湿度、风速、风向、全真模拟出了在不同温湿度及受力等情况下的雨滴下落过程,及雨滴初始位置与落地位置的位移差。在模拟实验中,雨滴为理想状态下的球形雨滴,且质量可控,以每平方米为单位的雨水也可作为雨滴进行模拟实验。
本实施例中,采用了降雨位置预测模型,通过实验得到的初步数据,进行计算,将计算后的降雨位置数据作为训练样本。将云层位置任意一局部所在的经纬度、高度及进入云层位置所在目标城市区域的风向及风速输入到降雨位置预测模型中,则会输出输入的局部经纬度的雨所对应的降落到地球表面上的经纬度,也就是降雨位置。
作为一种可选实施方式,本发明实施例中,所述根据所述云层位置和所述风况信息计算降雨位置,包括:
利用预先测算得到的雨滴在不同风况下的降落轨迹,确定出在当前风况下雨滴对应的当前降落轨迹,其中,所述降落轨迹为雨滴随着时间变化的下落路径;
将所述云层位置作为所述雨滴的初始位置,利用所述当前降落轨迹确定出雨滴降落在地面的位置,由雨滴降落的位置确定出所述云层的降雨位置。
具体地,雨滴在不同风况下的运动轨迹也不相同,降雨位置也便随着运动轨迹的改变而发生改变。通过向风况仿真模型中输入大风进入目标城市后的初始风速及风向,可生成在目标城市整体的风况信息。当目标城市的温湿度一定时,将不同质量的雨滴从不同的降雨高度进行分别释放,记录其降落过程中的降落轨迹及降雨位置,所述降落轨迹为雨滴随着时间变化连续的下落路径。分析雨滴在未降落时的初始位置,和降落在地面上的降雨位置,获得初始位置和降雨位置的位移差。通过不同雨滴质量,降雨高度,降雨位置等进行实验数据的分析,获得函数关系。再根据历年降水数据,将雨滴质量提高至每平方米的接近的降雨量、降雨高度提高至目标城市的降雨高度,通过代入函数关系,进行计算,从而获得降雨位置,以达到接近真实环境下的降雨位置数据。
在获得某一固定温湿度的降雨位置数据时,改变温湿度,采用上述同样的雨滴质量、降雨高度,再次重复上述实验步骤,获得函数关系,通过计算获得接近真实环境下的降雨位置数据。再次改变温湿度,继续实验,以获得足够的降雨位置数据为止,以满足训练样本数据。
本实施例中,通过不断的改变温湿度、雨滴质量、降雨高度等实验参数,以获取足够的接近真实环境下的雨滴降雨位置数据,只有满足训练样本数量,才能够通过降雨位置预测模型输出真实的降落轨迹,以根据雨滴降落的初始位置经纬度获得降雨位置的经纬度。
作为一种可选实施方式,本发明实施例中,所述基于所述降雨量和所述降雨位置计算每个降雨覆盖的建筑区域的降雨量,包括:
建立所述目标城市的下垫面模型。
下垫面模型可以是通过高光谱遥感卫星结合三维重建的方法建立的三维模型。下垫面模型中包含有目标城市所在区域内大气下层直接与地球表面接触的全部地貌特征。地貌特征可以包括:高原、山地、平原、森林、草原、城市建筑物、路灯桥梁等地物。
利用所述降雨位置和所述下垫面模型确定降雨覆盖的建筑区域;
在所述降雨分布在建筑物顶的情况下,计算所述建筑物顶的降雨量和所述建筑物顶排水到达的街道路面的降雨量;
将所述建筑物顶的降雨量和所述街道路面的降雨量相加,得到所述街道路面的总降雨量。
城市中由于建筑物的存在,导致降雨位置不一定能够直接落在地面上,还有一部分会落在建筑物的顶端,无法到达地面,或通过建筑物顶端的排水管道,直接通向某一处固定的街道或路面,这也就导致了被排水的路面集雨量增多,给该区域的排水系统带来了压力。
因此,需要对降雨覆盖的建筑区域的降雨量进行单独分析,可以中国专利申请名为《一种城市积涝检测方法及装置》的发明创造中提供的下垫面模型,对目标城市中降落到建筑物顶端的雨量进行分析。根据步骤S102中所述,当每一等份雨量降落时,也就是向降雨位置预测模型中输入每一等份雨量的经纬度和所在区域的风况信息,经过降雨位置预测模型的输出,得到每一等份雨量降落在地球表面上的经纬度,从而确定每一等份雨量的降雨位置。而在下垫面模型中,包含有具体的建筑物信息,包括,建筑物高度,占地面积等,在降雨位置预测模型中,将建筑物顶端所在位置,自动识别为地球表面位置,当雨水降落时,遇到建筑物屋顶则会运动停止,把建筑物屋顶所在的经纬度位置作为降雨位置。降雨位置同样依据前期模拟实验计算后的降雨位置数据为样本,通过降雨位置预测模型生成的。
因此,只需要获取下垫面模型中每个建筑物的占地面积,即可根据降雨位置及每一份的降雨量,获取降雨覆盖的建筑区域的降雨量。将降雨覆盖的建筑区域的降雨量,通过建筑物顶端的排水管道的设计将建筑物屋顶的降雨量计算入建筑物顶端排出位置的区域降雨量总和中,也就是将所述建筑物顶的降雨量和所述街道路面的降雨量相加,得到所述街道路面的总降雨量。
本实施例中,将建筑物顶端的雨水根据排水管道划分至排出的具体区域,增加了涉及区域的降雨量总和,给涉及区域提前防控提供了依据,同时也提高了城市各区域积涝检测的准确性。
作为一种可选实施方式,本发明实施例中,所述结合各建筑区域的径流系数和相应建筑区域的降雨量确定出该建筑区域是否将要发生积涝,包括:
判断所述建筑区域的降雨量与该建筑区域的排水量的比值是否大于等于对应建筑区域的径流系数;
当所述比值大于等于对应建筑区域的径流系数时,确定该建筑区域将要发生积涝;
当所述比值小于对应建筑区域的径流系数时,确定该建筑区域不发生积涝。
本实施例中,根据每个建筑物顶端设计的排水管道口的流出位置,将建筑物顶端的降雨量汇总到流出位置的区域降雨量中,得到该建筑区域的局部总的降雨量后,根据获取的每个区域的径流系数,与每个区域的降雨量和排水量进行计算比较,即可确定该建筑区域或其他区域是否要发生积涝。
本实施例中,通过气象卫星云图确定目标城市上空已有云层的分布位置,通过天气系统确定未来将要形成的可能降雨的云的形成位置,共同确定未来目标时间段可能降雨的云的经纬度。再通过气象雷达发射无线电波,探测可能降雨的云的降雨量及其高度。根据风况信息预测目标城市在未来目标时间段的风况信息,根据风况信息和云层位置确定降雨在风的作用下,偏移后落到地球表面的地理位置。当降雨落到建筑物顶端时,根据建筑物顶端的排水管道设计情况,确定建筑物顶端雨水排出位置,以进一步确定建筑区域加上建筑物顶端雨水排出后的总的降雨量。通过获取目标城市中各个区域的径流系数,确定各个区域的排水能力,结合区域的降雨量,判断该区域是否会发生积涝。通过提前预测目标城市上空云层的降雨量和降雨位置,可以准确的预测目标城市中各个区域的降雨量,将建筑物顶端的雨水根据排水管道划分至排出的具体区域,增加了涉及区域的降雨量总和,给涉及区域提前防控提供了依据,同时也提高了城市各区域积涝检测的准确性。
实施例2
本实施例提供一种城市积涝检测装置,该装置可以用于执行上述实施例1中的城市积涝检测方法,该装置可以设置在服务器或其它设备内部,模块间相互配合,从而实现城市积涝检测,如图2所示,该装置包括:
获取模块201,用于获取目标城市上空云层的云层位置和降雨量;
预测模块202,用于根据所述目标城市的当前风况预测得到所述目标城市在未来目标时间段内的风况信息,所述风况信息包括所述目标城市各个区域的风况;
位置模块203,用于根据所述云层位置和所述风况信息计算降雨位置;
系数模块204,用于获取所述降雨位置覆盖下各建筑区域的径流系数,其中,所述径流系数用于表示相应的建筑区域的排水能力;
计算模块205,用于基于所述降雨量和所述降雨位置计算每个降雨覆盖的建筑区域的降雨量;
确定模块206,用于结合各建筑区域的径流系数和相应建筑区域的降雨量确定出该建筑区域是否将要发生积涝。
本实施例中,通过确定目标城市上空已有云层的分布位置,通过天气系统确定未来将要形成的可能降雨的云的形成位置,共同确定未来目标时间段可能降雨的云的经纬度。再通过气象雷达发射无线电波,探测可能降雨的云的降雨量及其高度。根据风况信息预测目标城市在未来目标时间段的风况信息,根据风况信息和云层位置确定降雨在风的作用下,偏移后落到地球表面的地理位置。并根据建筑物的排水管道设计情况,以进一步确定建筑区域总的降雨量。
作为一种可选实施方式,在本发明实施例中,所述位置模块还包括:
轨迹子模块2031,用于利用预先测算得到的雨滴在不同风况下的降落轨迹,确定出在当前风况下雨滴对应的当前降落轨迹,其中,所述降落轨迹为雨滴随着时间变化的下落路径;
降雨子模块2032,用于将所述云层位置作为所述雨滴的初始位置,利用所述当前降落轨迹确定出雨滴降落在地面的位置,由雨滴降落的位置确定出所述云层的降雨位置。
具体地,雨滴在不同风况下的运动轨迹也不相同,降雨位置也便随着运动轨迹的改变而发生改变。通过向风况仿真模型中输入大风进入目标城市后的初始风速及风向,可生成在目标城市整体的风况信息。当目标城市的温湿度一定时,将不同质量的雨滴从不同的降雨高度进行分别释放,记录其降落过程中的降落轨迹及降雨位置,所述降落轨迹为雨滴随着时间变化连续的下落路径。分析雨滴在未降落时的初始位置,和降落在地面上的降雨位置,获得初始位置和降雨位置的位移差。通过不同雨滴质量,降雨高度,降雨位置等进行实验数据的分析,获得函数关系。再根据历年降水数据,将雨滴质量提高至每平方米的接近的降雨量、降雨高度提高至目标城市的降雨高度,通过代入函数关系,进行计算,从而获得降雨位置,以达到接近真实环境下的降雨位置数据。
在获得某一固定温湿度的降雨位置数据时,改变温湿度,采用上述同样的雨滴质量、降雨高度,再次重复上述实验步骤,获得函数关系,通过计算获得接近真实环境下的降雨位置数据。再次改变温湿度,继续实验,以获得足够的降雨位置数据为止,以满足训练样本数据。
本实施例中,通过不断的改变温湿度、雨滴质量、降雨高度等实验参数,以获取足够的接近真实环境下的雨滴降雨位置数据,只有满足训练样本数量,才能够通过降雨位置预测模型输出真实的降落轨迹,以根据雨滴降落的初始位置经纬度获得降雨位置的经纬度。
实施例3
本实施例提供一种计算机设备,如图3所示,该计算机设备包括处理器301和存储器302,其中处理器301和存储器302可以通过总线或者其他方式连接,图3中以通过总线连接为例。
处理器301可以为中央处理器(Central Processing Unit,CPU)。处理器301还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、图形处理器(Graphics Processing Unit,GPU)、嵌入式神经网络处理器(Neural-network ProcessingUnit,NPU)或者其他专用的深度学习协处理器、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器302作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中城市风况仿真模型训练方法对应的程序指令/模块。处理器301通过运行存储在存储器302中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中城市积涝检测方法。
存储器302还可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器301所创建的数据等。此外,存储器302可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或者其他非暂态固态存储器件。在一些实施例中,存储器302可选包括相对于处理器301远程设置的存储器,这些远程存储器可以通过网络连接至处理器301。上述网络的实施例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述存储器302中存储一个或者多个模块,当被所述处理器301执行时,执行如图1所示实施例中的城市积涝检测方法。
上述计算机设备具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意实施例中的城市积涝检测方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种城市积涝检测方法,其特征在于,包括如下步骤:
获取目标城市上空云层的云层位置和降雨量;
根据所述目标城市的当前风况预测得到所述目标城市在未来目标时间段内的风况信息,所述风况信息包括所述目标城市各个区域的风况;
根据所述云层位置和所述风况信息计算降雨位置;
获取所述降雨位置覆盖下各建筑区域的径流系数,其中,所述径流系数用于表示相应的建筑区域的排水能力;
基于所述降雨量和所述降雨位置计算每个降雨覆盖的建筑区域的降雨量;
结合各建筑区域的径流系数和相应建筑区域的降雨量确定出该建筑区域是否将要发生积涝。
2.根据权利要求1所述的城市积涝检测方法,其特征在于,所述获取目标城市上空云层的云层位置和降雨量,包括:
获取所述目标城市上空不同的云系特征,利用所述云系特征确定每个云层在所述目标城市上空的云层位置,所述云系特征用于表示当前时刻云层的分布情况;
向每处云层位置发射无线电波,通过接收到从云层返回的无线电波确定出各个云层的降雨量。
3.根据权利要求1所述的城市积涝检测方法,其特征在于,所述根据所述云层位置和所述风况信息计算降雨位置,包括:
将所述云层位置和所述风况信息输入到预先训练得到的降雨位置预测模型中,输出所述降雨位置。
4.根据权利要求1所述的城市积涝检测方法,其特征在于,所述根据所述云层位置和所述风况信息计算降雨位置,包括:
利用预先测算得到的雨滴在不同风况下的降落轨迹,确定出在当前风况下雨滴对应的当前降落轨迹,其中,所述降落轨迹为雨滴随着时间变化的下落路径;
将所述云层位置作为所述雨滴的初始位置,利用所述当前降落轨迹确定出雨滴降落在地面的位置,由雨滴降落的位置确定出所述云层的降雨位置。
5.根据权利要求1所述的城市积涝检测方法,其特征在于,所述基于所述降雨量和所述降雨位置计算每个降雨覆盖的建筑区域的降雨量,包括:
建立所述目标城市的下垫面模型;
利用所述降雨位置和所述下垫面模型确定降雨覆盖的建筑区域;
在所述降雨分布在建筑物顶的情况下,计算所述建筑物顶的降雨量和所述建筑物顶排水到达的街道路面的降雨量;
将所述建筑物顶的降雨量和所述街道路面的降雨量相加,得到所述街道路面的总降雨量。
6.根据权利要求1所述的城市积涝检测方法,其特征在于,所述结合各建筑区域的径流系数和相应建筑区域的降雨量确定出该建筑区域是否将要发生积涝,包括:
判断所述建筑区域的降雨量与该建筑区域的排水量的比值是否大于等于对应建筑区域的径流系数;
当所述比值大于等于对应建筑区域的径流系数时,确定该建筑区域将要发生积涝;
当所述比值小于对应建筑区域的径流系数时,确定该建筑区域不发生积涝。
7.一种城市积涝检测装置,其特征在于,包括:
获取模块,用于获取目标城市上空云层的云层位置和降雨量;
预测模块,用于根据所述目标城市的当前风况预测得到所述目标城市在未来目标时间段内的风况信息,所述风况信息包括所述目标城市各个区域的风况;
位置模块,用于根据所述云层位置和所述风况信息计算降雨位置;
系数模块,用于获取所述降雨位置覆盖下各建筑区域的径流系数,其中,所述径流系数用于表示相应的建筑区域的排水能力;
计算模块,用于基于所述降雨量和所述降雨位置计算每个降雨覆盖的建筑区域的降雨量;
确定模块,用于结合各建筑区域的径流系数和相应建筑区域的降雨量确定出该建筑区域是否将要发生积涝。
8.根据权利要求7所述的装置,其特征在于,所述位置模块还包括:
轨迹子模块,用于利用预先测算得到的雨滴在不同风况下的降落轨迹,确定出在当前风况下雨滴对应的当前降落轨迹,其中,所述降落轨迹为雨滴随着时间变化的下落路径;
降雨子模块,用于将所述云层位置作为所述雨滴的初始位置,利用所述当前降落轨迹确定出雨滴降落在地面的位置,由雨滴降落的位置确定出所述云层的降雨位置。
9.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-6任一项所述的城市积涝检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-6任一项所述的城市积涝检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111332500.1A CN114118544A (zh) | 2021-11-11 | 2021-11-11 | 一种城市积涝检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111332500.1A CN114118544A (zh) | 2021-11-11 | 2021-11-11 | 一种城市积涝检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118544A true CN114118544A (zh) | 2022-03-01 |
Family
ID=80378426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111332500.1A Pending CN114118544A (zh) | 2021-11-11 | 2021-11-11 | 一种城市积涝检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118544A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115115287A (zh) * | 2022-08-29 | 2022-09-27 | 深圳市城市公共安全技术研究院有限公司 | 内涝堵塞处理方法、装置、设备与存储介质 |
CN117872510A (zh) * | 2024-03-11 | 2024-04-12 | 成都润联科技开发有限公司 | 一种气象数据分析方法、装置、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016164A (zh) * | 2017-03-08 | 2017-08-04 | 北京航空航天大学 | 风驱雨量的目标轨迹追踪计算方法 |
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
CN109886537A (zh) * | 2019-01-09 | 2019-06-14 | 天津市市政工程设计研究院 | 一种城市建设用地扩张的道路内涝风险的判断方法 |
CN111680886A (zh) * | 2020-05-18 | 2020-09-18 | 华南师范大学 | 一种内涝风险预测方法及其系统 |
CN113344291A (zh) * | 2021-06-29 | 2021-09-03 | 珠江水利委员会珠江水利科学研究院 | 城市内涝淹没范围的预报方法、装置、介质和设备 |
CN113343806A (zh) * | 2021-05-26 | 2021-09-03 | 深圳数研锦瀚智慧科技有限公司 | 一种径流系数确定方法、装置、终端及存储介质 |
CN114036866A (zh) * | 2021-11-05 | 2022-02-11 | 深圳市赑玄阁科技有限公司 | 一种城市风况仿真模型的训练方法及装置 |
-
2021
- 2021-11-11 CN CN202111332500.1A patent/CN114118544A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016164A (zh) * | 2017-03-08 | 2017-08-04 | 北京航空航天大学 | 风驱雨量的目标轨迹追踪计算方法 |
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
CN109886537A (zh) * | 2019-01-09 | 2019-06-14 | 天津市市政工程设计研究院 | 一种城市建设用地扩张的道路内涝风险的判断方法 |
CN111680886A (zh) * | 2020-05-18 | 2020-09-18 | 华南师范大学 | 一种内涝风险预测方法及其系统 |
CN113343806A (zh) * | 2021-05-26 | 2021-09-03 | 深圳数研锦瀚智慧科技有限公司 | 一种径流系数确定方法、装置、终端及存储介质 |
CN113344291A (zh) * | 2021-06-29 | 2021-09-03 | 珠江水利委员会珠江水利科学研究院 | 城市内涝淹没范围的预报方法、装置、介质和设备 |
CN114036866A (zh) * | 2021-11-05 | 2022-02-11 | 深圳市赑玄阁科技有限公司 | 一种城市风况仿真模型的训练方法及装置 |
Non-Patent Citations (1)
Title |
---|
廖明军 等: "《道路勘测设计》", 31 July 2020, 武汉大学出版社, pages: 294 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115115287A (zh) * | 2022-08-29 | 2022-09-27 | 深圳市城市公共安全技术研究院有限公司 | 内涝堵塞处理方法、装置、设备与存储介质 |
CN115115287B (zh) * | 2022-08-29 | 2022-12-20 | 深圳市城市公共安全技术研究院有限公司 | 内涝堵塞处理方法、装置、设备与存储介质 |
CN117872510A (zh) * | 2024-03-11 | 2024-04-12 | 成都润联科技开发有限公司 | 一种气象数据分析方法、装置、设备及介质 |
CN117872510B (zh) * | 2024-03-11 | 2024-05-17 | 成都润联科技开发有限公司 | 一种气象数据分析方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bruni et al. | On the sensitivity of urban hydrodynamic modelling to rainfall spatial and temporal resolution | |
Grünewald et al. | Statistical modelling of the snow depth distribution in open alpine terrain | |
Fyffe et al. | A distributed energy-balance melt model of an alpine debris-covered glacier | |
Gerber et al. | Spatial variability in snow precipitation and accumulation in COSMO–WRF simulations and radar estimations over complex terrain | |
CN114118544A (zh) | 一种城市积涝检测方法及装置 | |
Nadeau et al. | Estimation of urban sensible heat flux using a dense wireless network of observations | |
Stehr et al. | Snow cover dynamics in Andean watersheds of Chile (32.0–39.5 S) during the years 2000–2016 | |
Melvold et al. | Multiscale spatial variability of lidar-derived and modeled snow depth on Hardangervidda, Norway | |
Varentsov et al. | Quantifying local and mesoscale drivers of the urban heat island of moscow with reference and crowdsourced observations | |
Cremonini et al. | The weather radar observations applied to shallow landslides prediction: a case study from north-western Italy | |
CN114021504A (zh) | 一种城市台风轨迹预测方法及装置 | |
Yildiz et al. | Quantifying snow water equivalent using terrestrial ground penetrating radar and unmanned aerial vehicle photogrammetry | |
Sokol et al. | Nowcasting of hailstorms simulated by the NWP model COSMO for the area of the Czech Republic | |
Kelsch et al. | Hydrometeorology of flash floods | |
CZ20014268A3 (cs) | Způsob a zařízení k vytváření výstraľného signálu o kluzkosti vozovky | |
Campins et al. | Influence of targeted observations on short-term forecasts of high-impact weather events in the Mediterranean | |
Reiweger et al. | Measuring acoustic emissions in an avalanche starting zone to monitor snow stability | |
Rantamäki et al. | Evaluation of two versions of the HIRLAM numerical weather prediction model during an air pollution episode in southern Finland | |
Molina et al. | Flood alert system using rainfall forecast data in Western Puerto Rico | |
da Silveira et al. | Observational Investigation of the Statistical Properties of Surface-Layer Turbulence in a Suburban Area of São Paulo, Brazil: Objective Analysis of Scaling-Parameter Accuracy and Uncertainties | |
Shao et al. | Area forecast model for winter road maintenance over a road network | |
Constantinescu et al. | TR-626: Optimization of Snow Drifting Mitigation and Control Methods for Iowa Conditions | |
Smith | Snow Accumulation in the Niaqunguk (Apex) River Watershed near Iqualuit, Nunavut, Canada | |
Gitundu et al. | Hydraulic analysis of flash flood events using UAV based topographic data and citizen science in Enkare Narok river basin | |
Pedersen | Identification and quantification of uncertainties related to using distributed X-band radar estimated precipitation as input in urban drainage models |
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 |