CN114118884A - 一种城市暴雨内涝区域风险识别的方法、系统及存储介质 - Google Patents

一种城市暴雨内涝区域风险识别的方法、系统及存储介质 Download PDF

Info

Publication number
CN114118884A
CN114118884A CN202111262939.1A CN202111262939A CN114118884A CN 114118884 A CN114118884 A CN 114118884A CN 202111262939 A CN202111262939 A CN 202111262939A CN 114118884 A CN114118884 A CN 114118884A
Authority
CN
China
Prior art keywords
area
data
sub
urban
water
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
Application number
CN202111262939.1A
Other languages
English (en)
Inventor
杨丽丽
张宗嘉
曾益萍
孟繁宇
袁狄平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest University of Science and Technology
Original Assignee
Southwest University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest University of Science and Technology filed Critical Southwest University of Science and Technology
Priority to CN202111262939.1A priority Critical patent/CN114118884A/zh
Publication of CN114118884A publication Critical patent/CN114118884A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Alarm Systems (AREA)

Abstract

本申请提供了一种城市暴雨内涝区域风险识别的方法、系统及存储介质，该方法包括：获取待测区域的城市地表数据、排水管网数据和道路数据；利用城市地表数据将待测区域分为多个子集水区；根据城市地表数据、排水管网数据和道路数据，确定不同降雨模型下，多个子集水区中的每个子集水区的积水深度、地表径流流量和地表径流流速。本申请提供的方法，利用待测区域的多源数据结合各种降雨模型模拟不同降雨规模下的城市暴雨内涝区域的分布情况，从而为城市管理者提供决策辅助信息，减小因城市内涝导致的人员伤亡和财产损失。

Description

一种城市暴雨内涝区域风险识别的方法、系统及存储介质
技术领域
本申请属于城市内涝防治技术领域，尤其涉及一种城市暴雨内涝区域风险识别的方法、系统及存储介质。
背景技术
我国东南部沿海，尤其是广东，福建等地，每年夏季遭遇诸多台风暴雨，容易形成暴雨内涝灾害。随着城市化进程加快，建成区域沥青、混凝土覆盖面积增大，雨水渗透减少，雨水滞留与调蓄功能下降。在一些地势低洼地带，短时间大量降雨不能及时排除就形成了暴雨内涝灾害。
目前，城市暴雨内涝风险识别的一般方法是暴雨内涝发生后基于遥感卫星进行遥感影像提取，分析淹没面积和其他受灾信息。但是，在灾前预测功能方面存在一定理论局限；或者，基于简单统计学原理，灾前进行统计分析，但一般预测效果不佳；还有的基于历史统计资料，通过机器学习或深度学习的方法进行本地区的暴雨内涝风险识别，但是系统只针对本地化区域适用，可拓展性不强，且对数据精度要求高。
发明内容
本申请实施例提供了一种城市暴雨内涝区域风险识别的方法及系统，可以解决不能对暴雨内涝进行灾前精准预测的问题，有效防止内涝灾害导致的人员伤亡和财产损失。
第一方面，提供了一种城市暴雨内涝区域风险识别的方法，获取待测区域的城市地表数据、排水管网数据和道路数据；利用城市地表数据将待测区域分为多个子集水区；根据城市地表数据、排水管网数据和道路数据，确定不同降水模型下，所述多个子集水区中的每个子集水区的积水深度、地表径流流量和地表径流流速。
第一方面提供的方法，首先获取了待测区域的城市地表数据、排水管网数据和道路数据等多源数据，然后，为了提高预测精度和计算效率，利用城市地表数据将待测区域分为多个子集水区，最后利用待测区域的城市地表数据、排水管网数据进而道路数据等多源数据确定在不同的降雨模型下，多个子集水区中的每个子集水区的积水深度、地表径流流量和地表径流流速，从而实现了通过多源数据结合不同的降雨模型模拟不同暴雨规模下城市内涝的区域风险分布，为城市管理者提高决策辅助信息，从而减小因城市内涝导致的人员伤亡和财产损失。
可选的，城市地表数据包括：原始数字高程模型、建筑高度，利用城市地表数据将待测区域分为多个子集水区，包括：利用ArcGIS中的栅格计算器，将原始数字高程模型和建筑高度信息相加得到第一数字高程模型，第一数字高程模型包括多个栅格；确定多个栅格中的每个栅格的流向值和多个栅格的总流量；根据多个栅格的总流量和预设的流量累积阈值，将待测区域分为多个子集水区。在该种实现方式中，为了模拟建筑对水流的阻拦作用，将待测区域的原始DEM和建筑高度进行叠加得到含有建筑高度信息的DEM；然后利用DEM中的每个栅格的流向值确定多个栅格的总流量，从而利用多个栅格的总流量以及预设的流量累积阈值将待测区域分为多个子集水区。
可选的，确定多个栅格中的每个栅格的流向值和多个栅格的总流量，包括：利用D8单流向算法确定第一数字高程模型中每个栅格的流向值；基于每个栅格的流向值，利用ArcGIS中的水文分析工具确定多个栅格的总流量。在该种实现方式中，利用D8单流向算法可以快速得到每个栅格的流向值，并且该算法可以很好的反应地形对地表径流形成的作用。并且利用ArcGIS中的水文分析工具可以快速精确的得到多个栅格的总流量。
可选的，根据如下计算公式确定第j个子集水区的地表径流流量：
Figure BDA0003326126020000031
其中，
Figure BDA0003326126020000032
表示第j个子集水区的地表径流流量；q表示平均降雨强度；
Figure BDA0003326126020000033
表第j个子集水区平均地表径流系数；Aj表示第j个子集水区的面积；a1为单位换算系数；
其中，q由如下公式计算得到：
Figure BDA0003326126020000034
其中，a表示降雨模型的参数；t表示降雨历时；A，C，b，n表示降雨水力学公式参数。
可选的，城市地表数据包括：平均坡度比降和地表糙率，利用如下计算公式确定第j个子集水区的地表径流流速：
Figure BDA0003326126020000035
其中，Vj表示第j个子集水区的地表径流流速；Rj表示第j个子集水区的水力半径；ij表示第j个子集水区的平均坡度比降；nj表示第j个子集水区的地表糙率；
其中，Rj由如下公式计算得到：
Figure BDA0003326126020000036
其中，
Figure BDA0003326126020000037
表示第j个子集水区的排水量，Sj表示第j个子集水区的过水横截面积，Cj表示第j个子集水区的谢才系数；
其中，Cj由如下公式计算得到：
Figure BDA0003326126020000038
其中，
Figure BDA0003326126020000039
由如下公式计算得到：
Figure BDA0003326126020000041
其中，μj表示第j个子集水区的孔口流量系数；sj表示第j个子集水区的排水孔口面积；hj表示第j个子集水区的积水深度。
可选的，当道路数据包括道路平均宽度，利用如下计算公式确定第j个子集水区的积水强度：
Figure BDA0003326126020000042
其中，wj表示第j个子集水区的道路平均宽度；Xj表示第j个子集水区的过水横截面湿周长；dj表示第j个子集水区的积水深度。
第二方面，提供了一种城市暴雨内涝区域风险识别装置，该装置包括用于执行以上第一方面或者第一方面的任意一方面可能的实现方式中的各个步骤的单元。
第三方面，提供了一种城市暴雨内涝区域风险识别装置，该装置包括至少一个处理器和存储器，该至少一个处理器用于执行以上第一方面或第一方面的任意可能的实现方式中的方法。
第四方面，提供了一种城市暴雨内涝区域风险识别装置，该装置包括至少一个处理器和接口电路，该至少一个处理器用于执行以上第一方面或者第一方面中的任意一方面可能的实现方式中的方法。
第五方面，提供了一种城市暴雨内涝区域风险识别系统，该系统用于执行以上第一方面或者第一方面中的任意一方面可能的实现方式中的方法。
第六方面，提供了一种城市暴雨内涝区域风险识别设备，该设备包括处理器，该处理器用于执行以上第一方面或者第一方面中的任意一方面可能的实现方式中设备执行的方法。
第七方面，提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序在被处理器执行时，用于执行第一方面或第一方面的任意可能的实现方式中的方法。
第八方面，提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当该计算机程序被执行时，用于执行第一方面或第一方面的任意可能的实现方式中的方法。
第九方面，提供了一种芯片或者集成电路，该芯片或者集成电路包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有该芯片或者集成电路的设备执行第一方面或第一方面的任意可能的实现方式中的方法。
可以理解的是，上述第二方面至第九方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
本申请提供的城市暴雨内涝区域风险识别的方法，首先获取了待测区域的城市地表数据、排水管网数据和道路数据等多源数据，然后，为了提高预测精度和计算效率，利用城市地表数据将待测区域分为多个子集水区，最后利用待测区域的城市地表数据、排水管网数据进而道路数据等多源数据确定在不同的降雨模型下，多个子集水区中的每个子集水区的积水深度、地表径流流量和地表径流流速，从而实现了通过各种不同的降雨模型模拟不同暴雨规模下的城市内涝的区域风险分布，为城市管理者提高决策辅助信息，从而减小因城市内涝导致的人员伤亡和财产损失。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的城市暴雨内涝区域风险识别系统的示意图；
图2是本申请实施例提供的城市内涝区域风险识别的方法的流程示意图；
图3是本申请实施例提供的城市暴雨内涝区域风险识别系统的示意图；
图4是本申请实施例提供的城市暴雨内涝区域风险识别系统的示意图；
图5是本申请实施例提供的城市暴雨内涝区域风险识别设备的示意图；
图6是本申请实施例提供的城市暴雨内涝区域风险识别装置的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
首先，在介绍本申请提供的方法和系统之前，需要对下文中即将提及的部分术语进行说明。当本申请提及术语“第一”或者“第二”等序数词时，除非根据上下文其确实表达顺序之意，否则应当理解为仅仅是起区分之用。
术语“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
除非另有说明，本文中“/”一般表示前后关联对象是一种“或”的关系，例如，A/B可以表示A或B。术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，在本申请的描述中，“多个”是指两个或两个以上。
洪涝灾害具有发生频率高、发生范围广、破坏性大等特点，现已成为全球最具威胁的自然灾害之一。近年来，随着城市化的发展，城市规模日益扩大，人口密度和土地开发利用率逐年上升，由暴雨引发的城市内涝灾害成为严重威胁城市安全的重要因素。尤其是随着城市化进程加速推进，大量低洼地带被纳入城市开发规划，这些地区原本就属于易形成积水的区域，排水能力不足加剧了这些地区内涝积水的风险，特别是在遭遇一些极端暴雨事件或台风事件时，暴雨强度远远超过设计排水能力，地表积水无法被及时排出从而形成地表径流和积水。
在相关技术中，通过遥感卫星影像提取识别内涝的技术，可以提取淹没面积，但仅适用于灾中和灾后的识别，在灾前风险识别功能方面存在局限，无法作为灾害预防、预警的有效技术手段。基于历史统计资料的机器学习或深度学习方法，虽然具备较高的识别精度和可信度，但由于采用的数据主要为本地区的历史暴雨内涝数据，且对数据传感器的位置设置科学性有要求，所以对其他地区适用性较差，造成方法的可拓展性不佳。
有鉴于此，本申请提供了一种城市暴雨内涝区域风险识别的方法及系统，通过获取待测区域的城市地表数据，利用城市地表数据中的原始数字高程模型和建筑高度信息确定第一数字高程模型，该第一数字高程模型包括多个栅格，确定多个栅格中的每个栅格的流向值，以及多个栅格的总流量。然后，利用多个栅格的总流量和预设的流量累积阈值将待测区域划分为多个子集水区。最后根据城市地表数据、排水管网数据和道路数据等多源信息，确定不同降雨模型下多个子集水区中的每个子集水区的积水深度、地表径流流量和地表径流流速。
首先对上述提到的降雨模型进行具体介绍。
本申请为了模拟待测区域可能遭受的多种极端暴雨事件，建立了多种降雨模型，即通过不同的降雨模型参数确定该降雨模型下待测区域中每个子集水区的积水深度、地表径流流量和地表径流流速。
该降雨模型参数也叫暴雨重现期，即本申请是在预先设定好的不同的暴雨重现期下确定待测区域中的每个子集水区的积水深度、地表径流流量和地表径流流速。
在本申请实施例中，利用芝加哥降雨过程线模拟，利用如下计算公式获得模拟降雨输入模型：
Figure BDA0003326126020000081
其中，q表示降雨强度；a表示暴雨重现期；t表示降雨历时；A,C,b,n表示降雨水力学公式参数。
由上述公式(1)可知，在不同的暴雨重现期下，对应不同的降雨强度，换句话说，本申请主要说明在不同的降雨强度下，确定待测区域中每个子集水区的积水深度、地表径流流量和地表径流流速，从而对暴雨内涝区域进行风险识别。
首先，结合具体的例子来说明本申请提供的城市暴雨内涝区域风险识别的方法适用的系统。
图1示出了本申请实施例提供的城市暴雨内涝区域风险识别系统的示意图；如图1所示的，该系统100包括数据管理模块110、数据处理模块120、水文模型模块130、基础计算模块140、内涝计算模块150和可视化模块160。
数据管理模块110用于存储城市地表数据、排水管网数据以及其他数据，比如：道路平均宽度。
数据处理模块120用于对数据管理模块中的数据进行处理。
水文模型模块130用于利用处理后的数据将待测区域划分为多个子集水区。
基础计算模块140用于计算多个子集水区的面积、长度和坡度等信息。
内涝计算模块150用于根据水文动力学公式计算多个子集水区中的每个子集水区的积水深度、地表径流流量和地表径流流速。
可视化模块160用于将得到的每个子集水区的积水深度、地表径流流量和地表径流流速进行可视化显示。
下面结合图1所示的系统对本申请实施例提供的城市内涝区域识别的方法进行具体介绍。图2示出了本申请实施例提供的城市内涝区域风险识别的方法的流程示意图。如图2所示的，该方法包括S210至S260。
S210、获取多源数据，该多源数据包括城市地表数据、排水管网数据、气象降雨数据和道路数据。
在本申请实施例中，城市地表数据主要是指待测区域的数字高程模型(DigitalElevation Model，DEM)、平均坡度比降、建筑高度、植被覆盖类型和地表糙率。
排水管网数据主要是指待测区域中的排水管网的下水口及其管道的坐标、长度、管径、标高和坡度等和排管管网相关的所有数据。
气象降雨数据主要是指待测区域的降雨强度、降雨历时、雨峰系数和暴雨重现期。
需要说明的是：不同的暴雨重现期对应不同的降雨强度、降雨历时和雨峰系数。
道路数据主要是指待测区域中的道路平均宽度。
S220、将获取到的多源数据保存在数据库中。
在本申请实施例中，为了对待测区域的多源数据进行统一管理，可以将待测区域的多源数据统一保存在数据库中。
可选的，作为一种可能的实现方式，为了便于管理，可以将多源数据保存在数据管理模块中。
需要说的是，该步骤S220为可选的步骤，对此，本申请实施例不做限定。
S230、利用城市地表数据中的原始DEM和建筑高度进行数据处理得到第一DEM，该第一DEM包括多个栅格。
由于原始DEM只能显示地表海拔数据，该数据不包括地面的建筑物。但是在暴雨洪水演进过程中，水流会受到建筑物的阻拦而改变流向，这会影响到积水的空间分布。
因此，为了模拟建筑对水流的阻拦作用，需要利用原始DEM和建筑高度信息确定第一DEM，得到的第一DEM为包含有待测区域建筑高度信息的DEM。该第一DEM包括多个栅格。
示例性的，在本申请实施例中，在数据处理模块，将建筑高度信息的矢量数据利用ArcGIS的栅格计算器与原始DEM进行叠加从而得到第一DEM。
需要说明的是，ArcGIS是一个全面的系统，用户可用其来收集、组织、管理、分析、交流和发布地理信息。作为世界领先的地理信息系统(GIS)构建和应用平台，ArcGIS可供全世界的人们将地理知识应用到政府、企业、科技、教育和媒体领域。ArcGIS可以发布地理信息，以便所有人都可以访问和使用。本系统可以在任何地点通过web浏览器、移动设备(例如智能手机和台式计算机)来使用。
具体地，在ArcGIS中将建筑高度图层的“Nodata”的值设为0，再使用栅格计算器工具，经过相加可以得到具有建筑高度信息的DEM，即第一DEM。
S240、确定多个栅格中的每个栅格的流向值以及多个栅格的总流量。
为了将待测区域分为多个子集水区，首先需要确定具有建筑高度信息的DEM中的多个栅格中的每个栅格的流向值和多个栅格的总流量。
可选的，在本申请实施例中，主要利用ArcGIS中的D8单流向算法确定每个栅格唯一的流向值。
可选的，在另一个实施例中，基于确定的每个栅格的唯一的流向值可以利用ArcGIS的水文分析工具可以计算出待测区域内所有栅格的流量累积值。
在该实施方式中，利用ArcGIS中的D8单流向算法以及水文分析工具可以快速的得到每个栅格的流向值以及多个栅格的流量累积值，并且可以很好的反映地形对地表径流形成的作用。
S250、根据多个栅格的总流量和预设的流量累积阈值将待测区域划分为多个子集水区。
为了提高预测精度和计算效率，可以将待测区域按照水文分析的结果划分为多个子集水区。
可选的，在本申请实施例中，通过预设的流量累积阈值将待测区域划分为多个子集水区。
示例性的，可以将该汇水面积阈值下限设定为40000平方米，相当于200m*200m的矩形区域。每200m*200m的矩形区域形成一个子集水区，小于该汇水面积阈值下限的汇流区域不再单独划分，将小于该汇水面积阈值的汇水区域归并到其他汇流区域中。
可以理解的是，将汇水面积阈值设为40000有两个因素：首先，由于小于200m*200m的区域难以形成较大规模的积水，其次，可以排除冗余的微小区域，提高计算效率。
需要说明的是，汇水面积为40000平方米对应的流量累积值为1600。根据该流量累积值将步骤S240中的利用ArcGIS的水文分析工具计算出的待测区域内所有栅格的流量累积值进行划分，从而得到多个子集水区。
当然，该预设的汇水面积可以根据具体情况设定，本申请实施例不做限定。根据预设的汇水面积即可以得到预设的流量累积阈值。
S260、确定多个子集水区中每个子集水区的积水深度、地表径流流量和地表径流流速。
在本申请实施例中，为了对内涝区域进行精准识别，需要确定出每个子集水区的积水深度、地表径流流量和地表径流流速。
首先，在本申请实施例中，可以利用如下计算公式计算第j个子集水区的地表径流流量：其中j≥1，且j为整数
Figure BDA0003326126020000111
其中，
Figure BDA0003326126020000112
表示第j个子集水区的地表径流流量；q表示平均降雨强度；
Figure BDA0003326126020000113
表示第j个子集水区平均地表径流系数；Aj表示第j个子集水区的面积；a1为单位换算系数。示例性的，在本申请实施例中a＝1/60000。
需要说明的是，上述公式(2)中的第j个子集水区的平均地表径流系数φj可以根据待测区域中的第j个子集水区的地表覆盖类型确定。其中不同地表覆盖类型对应的不同的地表径流系数可以根据当地的资料文献查阅得到。
示例性的，当待测区域为深圳市福田区时，当地表覆盖类型为建设用地时，地表径流系数为0.95，当地表覆盖类型为阔叶林、草地时，地表径流系数为0.65，当地表覆盖类型为针叶林时，地表径流系数为0.65，当地表覆盖类型为水体时地表径流系数为0.7，当地表覆盖类型为湿地和灌概田地时，地表径流系数为0.75。对第j个子集水区统计和加权可以计算出第j个子集水区的平均径流系数。
还需要说明的是，上述公式中的平均降雨强度q和预设的暴雨重现期有关。具体计算方式参见公式(1)，在此不再赘述。
下面介绍本申请实施例确定每个子集水区的地表径流流速的方式。
在本申请实施例中，利用如下计算公式计算每个子集水区的地表径流流速：
Figure BDA0003326126020000121
其中，Vj表示第j个子集水区的地表径流流速；Rj表示第j个子集水区的水力半径；ij表示第j个子集水区的平均坡度比降；nj表示第j个子集水区的地表糙率。
在上述公式(3)中每个子集水区的水力半径可以利用如下公式计算得到：
Figure BDA0003326126020000122
其中，
Figure BDA0003326126020000123
表示第j个子集水区的排水量，S表示第j个子集水区的过水横截面积，C表示第j个子集水区的谢才系数。
在上述公式(4)中，每个子集水区的总排水量可以利用如下公式计算得到：
Figure BDA0003326126020000124
其中，μj表示第j个子集水区的孔口流量系数；sj表示第j个子集水区的排水孔口面积；hj表示第j个子集水区的积水深度。
需要说明的是，第j个子集水区的孔口流量系数和第j个子集水区的排水孔口面积均可以根据步骤S210中排水管网相关数据获得。
在上述公式(4)中，每个子集水区的谢才系数可以利用如下公式计算得到：
Figure BDA0003326126020000125
下面介绍本申请实施例确定每个子集水区的积水强度的方式。
在本申请实施例中，可以利用如下计算公式确定所述每个子集水区的积水强度：
Figure BDA0003326126020000131
其中，wj表示第j个子集水区的道路平均宽度；Xj表示第j个子集水区的过水横截面湿周长；dj表示第j个子集水区的积水深度。
结合上述公式(2)-(7)可以计算得到待测区域中的每个子集水区的积水深度、地表径流流速和地表径流流量。
S270、将每个子集水区的积水深度、地表径流流量和地表径流流速进行显示。
在本申请实施例中，为了直观的了解到在不同降雨规模下，待测区域中的每个子集水区的积水深度、地表径流流速和地表径流流量，可以将相关数据进行可视化显示。
示例性的，在本申请实施例中，通过ArcGIS软件将计算得到的积水深度、地表径流流速和地表径流流量，叠加到原始卫星图像上进行可视化显示。
本申请实施例提供的方法，首先获取了待测区域的城市地表数据、排水管网数据和道路平均宽度等多源数据，然后，为了提高预测精度和计算效率，利用城市地表数据将待测区域分为多个子集水区，最后利用待测区域的城市地表数据、排水管网数据和道路数据等多源数据确定在不同的降雨模型下，多个子集水区中的每个子集水区的积水深度、地表径流流量和地表径流流速，从而实现了利用多源数据结合各种降雨模型模拟不同降雨规模下的城市暴雨内涝区域的风险分布，为城市管理者提供决策辅助信息，从而减小因城市内涝导致的人员伤亡和财产损失。
上述结合图1-图2描述了本申请实施例提供的城市暴雨内涝区域风险识别的方法的实施例，对应于上文实施例所述的城市暴雨内涝区域风险识别的方法，图3示出了本申请实施例提供的城市暴雨内涝区域风险识别系统的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。如图3所示的，该系统300包括：数据获取模块310、区域分集模块320和风险识别模块330。
其中，数据获取模块310，用于获取待测区域的城市地表数据、排水管网数据和道路数据。
区域分集模块320，用于利用城市地表数据将待测区域分为多个子集水区。
风险识别模块330，用于根据城市地表数据、排水管网数据和道路数据，确定不同降雨模型下，多个子集水区中的每个子集水区的积水深度、地表径流流量和地表径流流速。
可选的，区域分集模块320还用于，利用ArcGIS中的栅格计算器，将原始数字高程模型和建筑高度信息相加得到第一数字高程模型，第一数字高程模型包括多个栅格；确定多个栅格中的每个栅格的流向值和多个栅格的总流量；根据多个栅格的总流量和预设的流量累积阈值，将待测区域分为多个子集水区。
可选的，区域分集模块320还用于，利用D8单流向算法确定第一数字高程模型中每个栅格的流向值；基于每个栅格的流向值，利用ArcGIS中的水文分析工具确定多个栅格的总流量。
可选的，区域分集模块320还用于，利用上述公式计算公式(1)-(7)确定待测区域中的每个子集水区的积水深度、地表径流流速和地表径流流量。
下面描述本申请实施例提供的另一例城市暴雨内涝区域风险识别系统。
图4示出了本申请实施例提供的城市暴雨内涝区域风险识别系统的示意图，如图4所示的，该系统主要包括模型工具、软件系统和硬件系统。
模型工具主要使用Phthon3.8对多源数据进行处理，利用ArcGIS SpatialAnalyst、ArcGIS Model Buider和ArcHydro对多源数据进行仿真计算，最后利用ArcMap10.5和ArcScene10.5对待测区域的每个子集区域的积水深度、地表径流流量和地表径流流速进行可视化显示。
硬件系统主要包括：本地中央处理器(central processing unit，CPU)、服务器、图形处理器(graphics processing unit，GPU)和显示系统。
其中，本地CPU主要用于执行上述方法实施例提供任一种城市暴雨内涝区域风险识别的方法。
GPU为图像处理的微处理器，主要用于执行数学和几何计算，对待测区域中的每个子集水区的图形进行渲染。
显示系统主要对GPU渲染后的图形进行显示。
本申请实施例还提供了一种城市暴雨内涝区域风险识别的设备，用于执行上述方法实施例提供任一种城市暴雨内涝区域风险识别的方法，因此可以达到与上述实现方法相同的效果。图5示出了本申请实施例提供的城市暴雨内涝区域风险识别设备的示意图。如图5所示的，该设备500包括：处理器510、存储器520和收发器530。该设备500中的各个组件通过通信连接，即处理器510、存储器520和收发器530之间通过内部连接通路互相通信，传递控制和/或数据信号。
本申请上述方法实施例可以应用于处理器中，或者由处理器实现上述方法实施例的步骤。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
上述的处理器510可以是CPU，网络处理器NP或者CPU和NP的组合、DSP、ASIC、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。可以实现或者执行本申请中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该存储器520可以包括只读存储器和随机存取存储器，并向处理器510提供指令和数据。存储器520还可以包括非易失性随机存取存储器。该存储器520可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electricallyEPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double datadate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。
该总线504除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图5中将各种总线都标为总线504。
本申请实施例还提供了一种城市暴雨内涝区域风险识别的装置，该装置可以包含在上述设备中，该装置具有实现上述实施例中任一种城市暴雨内涝区域风险识别方法中设备的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括至少一个与上述功能相对应的模块或单元。例如，处理器510可以由处理模块实现，存储器520可以由存储模块实现，收发器530可以由收发模块实现，图6示出了本申请实施例提供的城市暴雨内涝区域风险识别装置示意图，如图6所示的，该检测装置600可以包括处理模块610、存储模块620和收发模块630。各模块的功能与上述设备中的功能一致，在此不再赘述。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘(solid state drive，SSD)。
本申请实施例还提供了一种计算机可读介质，用于存储计算机程序代码，该计算机程序包括用于执行上述方法中本申请实施例的城市暴雨内涝区域风险识别的方法的指令。该可读介质可以是只读存储器(read-only memory，ROM)或随机存取存储器(randomaccess memory，RAM)，本申请实施例对此不做限制。
本申请还提供了一种计算机程序产品，该计算机程序产品包括指令，当该指令被执行时，该系统分别执行对应于上述方法中的操作。
本申请实施例还提供了一种系统芯片，该系统芯片包括：处理单元和通信单元，该处理单元，例如可以是处理器，该通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行计算机指令，以使该芯片执行上述本申请实施例提供的任一种城市暴雨内涝区域风险识别的方法。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种城市暴雨内涝区域风险识别的方法，其特征在于，所述方法包括：
获取待测区域的城市地表数据、排水管网数据和道路数据；
利用所述城市地表数据将所述待测区域分为多个子集水区；
根据所述城市地表数据、所述排水管网数据和所述道路数据，确定不同降雨模型下，所述多个子集水区中的每个子集水区的积水深度、地表径流流量和地表径流流速。
2.根据权利要求1所述的方法，其特征在于，所述城市地表数据包括：原始数字高程模型、建筑高度，所述利用所述城市地表数据将所述待测区域分为多个子集水区，包括：
利用ArcGIS中的栅格计算器，将所述原始数字高程模型和所述建筑高度信息相加得到第一数字高程模型，所述第一数字高程模型包括多个栅格；
确定所述多个栅格中的每个栅格的流向值和所述多个栅格的总流量；
根据所述多个栅格的总流量和预设的流量累积阈值，将所述待测区域分为多个子集水区。
3.根据权利要求2所述的方法，其特征在于，所述确定所述多个栅格中的每个栅格的流向值和所述多个栅格的总流量，包括：
利用D8单流向算法确定所述第一数字高程模型中所述每个栅格的流向值；
基于所述每个栅格的流向值，利用所述ArcGIS中的水文分析工具确定所述多个栅格的总流量。
4.根据权利要求1所述的方法，其特征在于，根据如下计算公式确定第j个子集水区的地表径流流量，其中j≥1，且均为整数：
Figure FDA0003326126010000011
其中，
Figure FDA0003326126010000012
表示所述第j个子集水区的地表径流流量；q表示平均降雨强度；
Figure FDA0003326126010000021
表示所述第j个子集水区平均地表径流系数；Aj表示所述第j个子集水区的面积；a1为单位换算系数；
其中，q由如下公式计算得到：
Figure FDA0003326126010000022
其中，a表示降雨模型的参数；t表示降雨历时；A，C，b，n表示降雨水力学公式参数。
5.根据权利要求4所述的方法，其特征在于，所述城市地表数据包括：平均坡度比降和地表糙率，利用如下计算公式确定所述第j个子集水区的地表径流流速：
Figure FDA0003326126010000023
其中，Vj表示所述第j个子集水区的地表径流流速；Rj表示所述第j个子集水区的水力半径；ij表示所述第j个子集水区的平均坡度比降；nj表示所述第j个子集水区的地表糙率；
其中，Rj由如下公式计算得到：
Figure FDA0003326126010000024
其中，
Figure FDA0003326126010000025
表示所述第j个子集水区的排水量，Sj表示所述第j个子集水区的过水横截面积，Cj表示所述第j个子集水区的谢才系数；
其中，Cj由如下公式计算得到：
Figure FDA0003326126010000026
其中，
Figure FDA0003326126010000027
由如下公式计算得到：
Figure FDA0003326126010000028
其中，μj表示所述第j个子集水区的孔口流量系数；sj表示所述第j个子集水区的排水孔口面积；hj表示所述第j个子集水区的积水深度。
6.根据权利要求5所述的方法，其特征在于，所述道路数据包括道路平均宽度，利用如下计算公式确定所述第j个子集水区的积水强度：
Figure FDA0003326126010000031
其中，wj表示所述第j个子集水区的道路平均宽度；Xj表示所述第j个子集水区的过水横截面湿周长；dj表示所述第j个子集水区的积水深度。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述方法还包括：
通过ArcGIS将所述积水深度、所述地表径流流量和所述地表径流流速叠加到原始卫星图像上进行可视化展示。
8.一种城市暴雨内涝区域风险识别的系统，其特征在于，所述系统包括：
数据获取模块，用于获取待测区域的城市地表数据、排水管网数据和道路数据；
区域分集模块，用于利用所述城市地表数据将所述待测区域分为多个子集水区；
风险识别模块，用于根据所述城市地表数据、所述排水管网数据和所述道路数据，确定不同降雨模型下，所述多个子集水区中的每个子集水区的积水深度、地表径流流量和地表径流流速。
9.一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
10.一种芯片，其特征在于，包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行如权利要求1至7中任一项所述的方法。
CN202111262939.1A 2021-10-28 2021-10-28 一种城市暴雨内涝区域风险识别的方法、系统及存储介质 Pending CN114118884A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111262939.1A CN114118884A (zh) 2021-10-28 2021-10-28 一种城市暴雨内涝区域风险识别的方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111262939.1A CN114118884A (zh) 2021-10-28 2021-10-28 一种城市暴雨内涝区域风险识别的方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN114118884A true CN114118884A (zh) 2022-03-01

Family

ID=80377384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111262939.1A Pending CN114118884A (zh) 2021-10-28 2021-10-28 一种城市暴雨内涝区域风险识别的方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN114118884A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936476A (zh) * 2022-07-22 2022-08-23 南京气象科技创新研究院 一种基于情景模拟的城市暴雨积涝风险评估模型算法
CN115130264A (zh) * 2022-09-01 2022-09-30 浙江远算科技有限公司 一种基于径流耦合仿真的城市内涝预测方法及系统
CN115186943A (zh) * 2022-09-15 2022-10-14 广东广宇科技发展有限公司 一种城市排水内涝预测建模方法、系统、电子设备
CN115472003A (zh) * 2022-07-27 2022-12-13 山西西电信息技术研究院有限公司 一种基于多源信息的城市交通监管系统及方法
CN116050005A (zh) * 2022-11-28 2023-05-02 中国水利水电科学研究院 一种市政排水管道人孔盖排气孔设计尺寸的计算方法
CN116468269A (zh) * 2023-04-10 2023-07-21 广州市城市规划勘测设计研究院 一种洪涝高风险区识别方法、装置、设备及存储介质
CN117852449A (zh) * 2024-03-06 2024-04-09 天津市气象科学研究所 基于大尺度城市暴雨内涝模型的精细化积水处理方法
CN117852449B (zh) * 2024-03-06 2024-05-14 天津市气象科学研究所 基于大尺度城市暴雨内涝模型的精细化积水处理方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936476A (zh) * 2022-07-22 2022-08-23 南京气象科技创新研究院 一种基于情景模拟的城市暴雨积涝风险评估模型算法
CN115472003A (zh) * 2022-07-27 2022-12-13 山西西电信息技术研究院有限公司 一种基于多源信息的城市交通监管系统及方法
CN115472003B (zh) * 2022-07-27 2024-04-05 山西西电信息技术研究院有限公司 一种基于多源信息的城市交通监管系统及方法
CN115130264A (zh) * 2022-09-01 2022-09-30 浙江远算科技有限公司 一种基于径流耦合仿真的城市内涝预测方法及系统
CN115186943A (zh) * 2022-09-15 2022-10-14 广东广宇科技发展有限公司 一种城市排水内涝预测建模方法、系统、电子设备
CN116050005A (zh) * 2022-11-28 2023-05-02 中国水利水电科学研究院 一种市政排水管道人孔盖排气孔设计尺寸的计算方法
CN116050005B (zh) * 2022-11-28 2024-05-07 中国水利水电科学研究院 一种市政排水管道人孔盖排气孔设计尺寸的计算方法
CN116468269A (zh) * 2023-04-10 2023-07-21 广州市城市规划勘测设计研究院 一种洪涝高风险区识别方法、装置、设备及存储介质
CN116468269B (zh) * 2023-04-10 2023-10-20 广州市城市规划勘测设计研究院 一种洪涝高风险区识别方法、装置、设备及存储介质
CN117852449A (zh) * 2024-03-06 2024-04-09 天津市气象科学研究所 基于大尺度城市暴雨内涝模型的精细化积水处理方法
CN117852449B (zh) * 2024-03-06 2024-05-14 天津市气象科学研究所 基于大尺度城市暴雨内涝模型的精细化积水处理方法

Similar Documents

Publication Publication Date Title
CN114118884A (zh) 一种城市暴雨内涝区域风险识别的方法、系统及存储介质
Shen et al. Flood risk assessment and increased resilience for coastal urban watersheds under the combined impact of storm tide and heavy rainfall
Wang et al. An integrated framework for high-resolution urban flood modelling considering multiple information sources and urban features
CN106884405B (zh) 一种无资料地区溃堤型山洪灾害分析评价方法
CN104898183B (zh) 暴雨城市内涝建模评估方法
CN107832931A (zh) 一种平原水网地区内涝风险的模块化分析方法
CN107704592A (zh) 一种基于WebGIS的洪水预报服务构建方法
Sebastian et al. Hindcast of pluvial, fluvial, and coastal flood damage in Houston, Texas during Hurricane Harvey (2017) using SFINCS
CN115471078B (zh) 一种基于城市水务系统的洪涝风险点评估方法及装置
Zhang et al. Urban flooding response to rainstorm scenarios under different return period types
CN108009753A (zh) 城市内涝预测方法、装置、终端及计算机可读存储介质
Ettazarini GIS-based land suitability assessment for check dam site location, using topography and drainage information: a case study from Morocco
Chen et al. Three-dimensional simulation of regional urban waterlogging based on high-precision DEM model
Yang et al. Study on urban flood simulation based on a novel model of SWTM coupling D8 flow direction and backflow effect
CN114528672A (zh) 基于3s技术的城市水文站网布设方法及系统
Guoyi et al. Urban flood risk assessment under rapid urbanization in Zhengzhou City, China
CN113869807A (zh) 一种城市水灾韧性能力评估系统及方法
Li et al. Urban flood risk assessment based on DBSCAN and K-means clustering algorithm
CN115661330B (zh) 一种基于数字孪生的下沉广场积水计算方法及装置
Ghosh et al. Rationalization of automatic weather stations network over a coastal urban catchment: A multivariate approach
JP2020187105A (ja) 浸りｄａｓ（水害危険区域表示手法）
Guo et al. Risk assessment of typhoon storm surge based on a simulated annealing algorithm and the least squares method: A case study in Guangdong Province, China
Cao et al. Exploring the hydrologic response to the urban building coverage ratio by model simulation
CN112528563B (zh) 一种基于svm算法的城市内涝预警方法
Bouaakkaz et al. Flood risk management in the Souss watershed

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