CN114943051B - 一种基于综合降雨因子的洪峰预报方法 - Google Patents

一种基于综合降雨因子的洪峰预报方法 Download PDF

Info

Publication number
CN114943051B
CN114943051B CN202210528048.4A CN202210528048A CN114943051B CN 114943051 B CN114943051 B CN 114943051B CN 202210528048 A CN202210528048 A CN 202210528048A CN 114943051 B CN114943051 B CN 114943051B
Authority
CN
China
Prior art keywords
rainfall
accumulated
characteristic
duration
basin
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210528048.4A
Other languages
English (en)
Other versions
CN114943051A (zh
Inventor
江平
陈璐
李思明
卫瀛海
葛诚
邓枫
祝宾皓
王�锋
占挺
高玉丹
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.)
Meizhou Hydrological Branch Of Guangdong Provincial Bureau Of Hydrology
Huazhong University of Science and Technology
Original Assignee
Meizhou Hydrological Branch Of Guangdong Provincial Bureau Of Hydrology
Huazhong 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 Meizhou Hydrological Branch Of Guangdong Provincial Bureau Of Hydrology, Huazhong University of Science and Technology filed Critical Meizhou Hydrological Branch Of Guangdong Provincial Bureau Of Hydrology
Priority to CN202210528048.4A priority Critical patent/CN114943051B/zh
Publication of CN114943051A publication Critical patent/CN114943051A/zh
Application granted granted Critical
Publication of CN114943051B publication Critical patent/CN114943051B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • G01C13/002—Measuring the movement of open water
    • G01C13/004—Measuring the movement of open water vertical movement
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Mathematical Optimization (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Computational Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Atmospheric Sciences (AREA)
  • Hydrology & Water Resources (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种基于综合降雨因子的洪峰预报方法，包括：获取流域面积、河长和河流比降，得到流域特征参数；根据流域下垫面条件、流域面积和流域特征参数得到流域上涨历时；将逐时雨量进行序列滑动得到多个累计雨量；根据流域上涨历时得到特征时长；根据累计雨量得到累计最大雨量；根据累计雨量得到特征时段前本场降雨累计总和作为时段前累计雨量；根据月前初始前期影响雨量递推出当日的前期影响雨量；根据累计最大雨量、时段前累计雨量和当日的前期影响雨量得到综合降雨因子；根据综合降雨因子和洪峰流量之间的非线性关系得到洪峰预报结果。所述基于综合降雨因子的洪峰预报方法解决了人工试算导致的预报精度不高且预报效率低的问题。

Description

一种基于综合降雨因子的洪峰预报方法
技术领域
本发明涉及洪水计算技术领域，特别是一种基于综合降雨因子的洪峰预报方法。
背景技术
洪峰流量预报是洪水预报的核心内容，对防洪减灾工作有着重要意义。传统的洪峰预报方法包括水文模型法和数据驱动模型法。传统洪峰预报方法具有一定局限性，预报精度有很大部分取决于预报员经验，经验调参主观性大，并且需要预报员手工进行试算，存在输入数据缺失和降雨径流过程描述不足的问题，导致预报精度不高且预报效率低。
发明内容
针对上述缺陷，本发明的目的在于提出一种基于综合降雨因子的洪峰预报方法，解决了人工试算导致的预报精度不高且预报效率低的问题。
为达此目的，本发明采用以下技术方案：一种基于综合降雨因子的洪峰预报方法，包括：
A1：从预报站点获取出口断面上游的流域的流域面积、流域的河长和流域的河流比降，得到流域特征参数；
A2：从预报站点获取流域下垫面条件，根据流域下垫面条件、流域面积和流域特征参数得到流域上涨历时；
A3：根据预报站点的历时降雨序列得到每场洪水的逐时雨量，将逐时雨量进行序列滑动得到多个累计雨量；
根据流域上涨历时得到特征时长，其中特征时长为N倍的流域上涨历时；根据累计雨量得到特征时长内最大的累计雨量作为累计最大雨量；获取特征时长内最大的累计雨量对应的时段作为特征时段，并根据累计雨量得到特征时段前本场降雨累计总和作为时段前累计雨量；
A4：根据月前初始前期影响雨量递推出当日的前期影响雨量；
A5：根据累计最大雨量、时段前累计雨量和当日的前期影响雨量得到综合降雨因子；
A6：构建综合降雨因子和洪峰流量之间的非线性关系；
A7：根据综合降雨因子和洪峰流量之间的非线性关系得到洪峰预报结果。
值得说明的是，在所述步骤A1中，所述流域特征参数
Figure BDA0003645387420000021
其中L为流域的河长，J为流域的河流比降。
可选地，在所述步骤A2中，所述流域上涨历时
Figure BDA0003645387420000022
其中，θ为流域特征参数，A为流域面积，m1、m2和m3均为流域下垫面条件的常系数。
具体地，在所述步骤A3中，计算
Figure BDA0003645387420000023
倍的流域上涨历时得到特征时长/>
Figure BDA0003645387420000024
计算1倍的流域上涨历时得到特征时长tp，以及计算2倍的流域上涨历时得到特征时长2tp；根据累计雨量得到在特征时长/>
Figure BDA0003645387420000025
内的累计最大雨量、在特征时长tp内的累计最大雨量和在特征时长2tp内的累计最大雨量；根据累计雨量得到特征时长/>
Figure BDA0003645387420000026
对应的时段前累计雨量、特征时长tp对应的时段前累计雨量。
优选的，在所述步骤A4中，对于降雨日，当日的前期影响雨量W＝Wt+1＝K(Wt+Pt)；对于无雨日，当日的前期影响雨量W＝Wt+1＝KWt；其中，Wt+1为第t+1日的前期影响雨量，Wt为第t日的前期影响雨量，当t＝0时，Wt＝W0＝0为月前初始前期影响雨量，Pt为前一日的雨量，K为土壤含水量的日消退系数。
值得说明的是，在所述步骤A4中，获取流域最大土壤含水量WM，当Wt+1＞WM时，将WM的取值覆盖Wt+1的取值。
可选地，在所述步骤A5中，
所述综合降雨因子
Figure BDA0003645387420000031
其中，/>
Figure BDA0003645387420000032
为在特征时长/>
Figure BDA0003645387420000033
内的累计最大雨量，/>
Figure BDA0003645387420000034
为在特征时长tp内的累计最大雨量减去在特征时长
Figure BDA0003645387420000035
内的累计最大雨量，/>
Figure BDA0003645387420000036
为在特征时长2tp内的累计最大雨量减去在特征时长tp内的累计最大雨量，/>
Figure BDA0003645387420000037
为特征时长/>
Figure BDA0003645387420000038
对应的时段前累计雨量，/>
Figure BDA0003645387420000039
为特征时长tp对应的时段前累计雨量，W为当日的前期影响雨量，a、b、c、d、e和f均为流域特征变量。
具体地，在所述步骤A6中，综合降雨因子P综和洪峰流量Qce之间的非线性关系为
Figure BDA00036453874200000310
其中，β、γ和δ均为流域特征变量。
优选的，在所述步骤A6中，以实测的洪峰流量Qce和计算得到的综合降雨因子P综为目标，利用多种群进化及参数自调整的增强型遗传算法，确定流域特征变量a、b、c、d、e、f、β、γ和δ，得到综合降雨因子P综和洪峰流量Qce之间的非线性关系。
值得说明的是，在所述步骤A7中，利用实时的降雨数据，经过步骤A1指步骤A5求得实时综合降雨因子，然后根据综合降雨因子P综和洪峰流量Qce之间的非线性关系求得实时洪峰流量，将实时洪峰流量作为洪峰预报结果。
上述技术方案中的一个技术方案具有如下有益效果：在所述基于综合降雨因子的洪峰预报方法中，通过流域面积、流域的河长和流域的河流比降得到流域特征参数后，利用流域特征参数和流域下垫面条件得到流域上涨历时，再利用流域上涨历时得到累计最大雨量和时段前累计雨量，再结合当日的前期影响雨量得到综合降雨因子，最终得到综合降雨因子和洪峰流量之间的非线性关系，在后续的洪峰预报中，只需要根据实时的数据计算得到实时的综合降雨因子，就能得出实时的洪峰流量，与人工试算相比，所述基于综合降雨因子的洪峰预报方法能使洪峰预报标准化，提高了精准度和提高了效率。所述基于综合降雨因子的洪峰预报方法所需模型参数少，并且能描述洪峰流量与输入变量之间的非线性关系，并通过综合降雨因子，解决了现有数据驱动模型在洪峰预报时存在输入数据缺失、降雨径流过程描述不足和经验调参主观性大所导致的洪峰预报不确定性增加和普适性差的问题，从模型结构层面上，针对性地改善了现有的洪峰预报方法。
附图说明
图1是本发明的一个实施例中基于综合降雨因子的洪峰预报方法的流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
如图1所示，一种基于综合降雨因子的洪峰预报方法，包括：
A1：从预报站点获取出口断面上游的流域的流域面积、流域的河长和流域的河流比降，得到流域特征参数；
A2：从预报站点获取流域下垫面条件，根据流域下垫面条件、流域面积和流域特征参数得到流域上涨历时；
A3：根据预报站点的历时降雨序列得到每场洪水的逐时雨量，将逐时雨量进行序列滑动得到多个累计雨量；
根据流域上涨历时得到特征时长，其中特征时长为N倍的流域上涨历时；根据累计雨量得到特征时长内最大的累计雨量作为累计最大雨量；获取特征时长内最大的累计雨量对应的时段作为特征时段，并根据累计雨量得到特征时段前本场降雨累计总和作为时段前累计雨量；
A4：根据月前初始前期影响雨量递推出当日的前期影响雨量；
A5：根据累计最大雨量、时段前累计雨量和当日的前期影响雨量得到综合降雨因子；
A6：构建综合降雨因子和洪峰流量之间的非线性关系；
A7：根据综合降雨因子和洪峰流量之间的非线性关系得到洪峰预报结果。
在所述基于综合降雨因子的洪峰预报方法中，通过流域面积、流域的河长和流域的河流比降得到流域特征参数后，利用流域特征参数和流域下垫面条件得到流域上涨历时，再利用流域上涨历时得到累计最大雨量和时段前累计雨量，再结合当日的前期影响雨量得到综合降雨因子，最终得到综合降雨因子和洪峰流量之间的非线性关系，在后续的洪峰预报中，只需要根据实时的数据计算得到实时的综合降雨因子，就能得出实时的洪峰流量，与人工试算相比，所述基于综合降雨因子的洪峰预报方法能使洪峰预报标准化，提高了精准度和提高了效率。所述基于综合降雨因子的洪峰预报方法所需模型参数少，并且能描述洪峰流量与输入变量之间的非线性关系，并通过综合降雨因子，解决了现有数据驱动模型在洪峰预报时存在输入数据缺失、降雨径流过程描述不足和经验调参主观性大所导致的洪峰预报不确定性增加和普适性差的问题，从模型结构层面上，针对性地改善了现有的洪峰预报方法。
值得说明的是，在所述步骤A1中，所述流域特征参数
Figure BDA0003645387420000061
其中L为流域的河长，J为流域的河流比降。
一个实施例中，从预报站点获取到的出口断面上游的流域的流域面积为A＝1031km2，流域的河长L＝71km，流域的河流比降J＝0.993‰，雨量数据由水文局提供，因此，流域的特征参数
Figure BDA0003645387420000062
可选地，在所述步骤A2中，所述流域上涨历时
Figure BDA0003645387420000063
其中，θ为流域特征参数，A为流域面积，m1、m2和m3均为流域下垫面条件的常系数。
在本实施例中m1＝-2.8×10-6，m2＝0.0151,m3＝0.3，经过计算，得到流域上涨历时tp＝11h。
具体地，在所述步骤A3中，计算
Figure BDA0003645387420000067
倍的流域上涨历时得到特征时长/>
Figure BDA0003645387420000064
计算1倍的流域上涨历时得到特征时长tp，以及计算2倍的流域上涨历时得到特征时长2tp；根据累计雨量得到在特征时长/>
Figure BDA0003645387420000065
内的累计最大雨量、在特征时长tp内的累计最大雨量和在特征时长2tp内的累计最大雨量；根据累计雨量得到特征时长/>
Figure BDA0003645387420000066
对应的时段前累计雨量、特征时长tp对应的时段前累计雨量。在本实施例中，获取本场降雨前一个月的逐日降雨资料，日雨量以上午8时记录的结果为准，其中逐日降雨资料包括一天中每小时的雨量；设定序列滑动的单位时间为1小时，在没开始序列滑动时，由于预报站点已经存储有每1小时的雨量，在进行第一次序列滑动后，就能得到2小时内的累计雨量，在进行第二次序列滑动后，就能得到3小时内的累计雨量，以此类推，在进行第二十三次序列滑动后，就能得到24小时内的累计雨量。
优选的，在所述步骤A4中，对于降雨日，当日的前期影响雨量W＝Wt+1＝K(Wt+Pt)；对于无雨日，当日的前期影响雨量W＝Wt+1＝KWt；其中，Wt+1为第t+1日的前期影响雨量，Wt为第t日的前期影响雨量，当t＝0时，Wt＝W0＝0为月前初始前期影响雨量，Pt为前一日的雨量，K为土壤含水量的日消退系数。土壤含水量的日消退系数用于综合反映流域蓄水量因流域蒸散发而减少的特性。
值得说明的是，在所述步骤A4中，获取流域最大土壤含水量WM，当Wt+1＞WM时，将WM的取值覆盖Wt+1的取值。在本实施例中，流域最大土壤含水量WM＝120mm。
可选地，在所述步骤A5中，
所述综合降雨因子
Figure BDA0003645387420000071
其中，/>
Figure BDA0003645387420000072
为在特征时长/>
Figure BDA0003645387420000073
内的累计最大雨量，/>
Figure BDA0003645387420000074
为在特征时长tp内的累计最大雨量减去在特征时长
Figure BDA0003645387420000075
内的累计最大雨量，/>
Figure BDA0003645387420000076
为在特征时长2tp内的累计最大雨量减去在特征时长tp内的累计最大雨量，/>
Figure BDA0003645387420000077
为特征时长/>
Figure BDA0003645387420000078
对应的时段前累计雨量，/>
Figure BDA0003645387420000079
为特征时长tp对应的时段前累计雨量，W为当日的前期影响雨量，a、b、c、d、e和f均为流域特征变量。特征时长的计算在有条件(即分钟雨量)时采用分钟数据，若只有小时雨量，计算结果采取进一制。
本实施例中，预报站点的降雨数据如表1：
表1
Figure BDA0003645387420000081
具体地，在所述步骤A6中，综合降雨因子P综和洪峰流量Qce之间的非线性关系为
Figure BDA0003645387420000082
其中，β、γ和δ均为流域特征变量。根据/>
Figure BDA0003645387420000083
还能建立综合降雨因子P综和洪峰流量Qce之间的非线性曲线Qce～P综，然后在步骤A7中利用非线性曲线Qce～P综求得实时洪峰流量。
优选的，在所述步骤A6中，以实测的洪峰流量Qce和计算得到的综合降雨因子P综为目标，利用多种群进化及参数自调整的增强型遗传算法，根据实测的洪峰流量与模拟的洪峰流量之间的确定性系数，本实施例中，确定性系数为0.9，确定流域特征变量a、b、c、d、e、f、β、γ和δ，得到综合降雨因子P综和洪峰流量Qce之间的非线性关系。所述多种群进化及参数自调整的增强型遗传算法为现有技术。一个实施例中，经过多种群进化及参数自调整的增强型遗传算法计算，得到a＝6.1959、b＝2.0744、c＝0.7955、d＝0.1818、e＝0.1338、f＝0.6186、β＝0.0024、γ＝-0.9587和δ＝583.1358。
值得说明的是，在所述步骤A7中，利用实时的降雨数据，经过步骤A1指步骤A5求得实时综合降雨因子，然后根据综合降雨因子P综和洪峰流量Qce之间的非线性关系求得实时洪峰流量，将实时洪峰流量作为洪峰预报结果。具体地，实时的降雨数据包括流域面积、河长、流域比降、实时的流域下垫面条件、实时的累计降雨和当日的前期影响雨量。将实时综合降雨因子代入
Figure BDA0003645387420000091
求得的实时洪峰流量如表2：
表2
Figure BDA0003645387420000092
Figure BDA0003645387420000101
在本说明书的描述中，参考术语“一个实施方式”、“一些实施方式”、“示意性实施方式”、“示例”、“具体示例”或“一些示例”等的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施方式，可以理解的是，上述实施方式是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施实施进行变化、修改、替换和变型。

Claims (3)

1.一种基于综合降雨因子的洪峰预报方法，其特征在于，包括：
A1：从预报站点获取出口断面上游的流域的流域面积、流域的河长和流域的河流比降，得到流域特征参数
Figure FDA0004169754760000011
其中L为流域的河长，J为流域的河流比降；
A2：从预报站点获取流域下垫面条件，根据流域下垫面条件、流域面积和流域特征参数得到流域上涨历时
Figure FDA0004169754760000012
Figure FDA0004169754760000013
其中，θ为流域特征参数，A为流域面积，m1、m2和m3均为流域下垫面条件的常系数；
A3：根据预报站点的历时降雨序列得到每场洪水的逐时雨量，将逐时雨量进行序列滑动得到多个累计雨量；
根据流域上涨历时得到特征时长，其中特征时长为N倍的流域上涨历时；根据累计雨量得到特征时长内最大的累计雨量作为累计最大雨量；获取特征时长内最大的累计雨量对应的时段作为特征时段，并根据累计雨量得到特征时段前本场降雨累计总和作为时段前累计雨量；
A4：根据月前初始前期影响雨量递推出当日的前期影响雨量；对于降雨日，当日的前期影响雨量W＝Wt+1＝K(Wt+Pt-1)；对于无雨日，当日的前期影响雨量W＝Wt+1＝KWt；其中，Wt+1为第t+1日的前期影响雨量，Wt为第t日的前期影响雨量，当t＝0时，Wt＝W0＝0为月前初始前期影响雨量，Pt-1为前一日的雨量，K为土壤含水量的日消退系数；获取流域最大土壤含水量WM，当Wt+1＞WM时，将WM的取值覆盖Wt+1的取值；
A5：根据累计最大雨量、时段前累计雨量和当日的前期影响雨量得到综合降雨因子；所述综合降雨因子
Figure FDA0004169754760000014
Figure FDA0004169754760000021
其中，
Figure FDA0004169754760000022
为在特征时长/>
Figure FDA0004169754760000023
内的累计最大雨量，/>
Figure FDA0004169754760000024
为在特征时长tp内的累计最大雨量减去在特征时长/>
Figure FDA0004169754760000025
内的累计最大雨量，/>
Figure FDA0004169754760000026
为在特征时长2tp内的累计最大雨量减去在特征时长tp内的累计最大雨量，/>
Figure FDA0004169754760000027
为特征时长/>
Figure FDA0004169754760000028
对应的时段前累计雨量，/>
Figure FDA0004169754760000029
为特征时长tp对应的时段前累计雨量，W为当日的前期影响雨量，a、b、c、d、e和f均为流域特征变量；
A6：构建综合降雨因子和洪峰流量之间的非线性关系；以实测的洪峰流量Qce和计算得到的综合降雨因子P综为目标，利用多种群进化及参数自调整的增强型遗传算法，确定流域特征变量a、b、c、d、e、f、β、γ和δ，得到综合降雨因子P综和实测的洪峰流量Qce之间的非线性关系
Figure FDA00041697547600000210
其中，β、γ和δ均为流域特征变量；
A7：根据综合降雨因子和洪峰流量之间的非线性关系得到洪峰预报结果。
2.根据权利要求1所述基于综合降雨因子的洪峰预报方法，其特征在于：在所述步骤A3中，计算
Figure FDA00041697547600000211
倍的流域上涨历时得到特征时长/>
Figure FDA00041697547600000212
计算1倍的流域上涨历时得到特征时长tp，以及计算2倍的流域上涨历时得到特征时长2tp；根据累计雨量得到在特征时长/>
Figure FDA00041697547600000213
内的累计最大雨量、在特征时长tp内的累计最大雨量和在特征时长2tp内的累计最大雨量；根据累计雨量得到特征时长/>
Figure FDA00041697547600000214
对应的时段前累计雨量、特征时长tp对应的时段前累计雨量。
3.根据权利要求1所述基于综合降雨因子的洪峰预报方法，其特征在于：在所述步骤A7中，利用实时的降雨数据，经过步骤A1至步骤A5求得实时综合降雨因子，然后根据综合降雨因子P综和实测的洪峰流量Qce之间的非线性关系求得实时洪峰流量，将实时洪峰流量作为洪峰预报结果。
CN202210528048.4A 2022-05-16 2022-05-16 一种基于综合降雨因子的洪峰预报方法 Active CN114943051B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210528048.4A CN114943051B (zh) 2022-05-16 2022-05-16 一种基于综合降雨因子的洪峰预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210528048.4A CN114943051B (zh) 2022-05-16 2022-05-16 一种基于综合降雨因子的洪峰预报方法

Publications (2)

Publication Number Publication Date
CN114943051A CN114943051A (zh) 2022-08-26
CN114943051B true CN114943051B (zh) 2023-05-23

Family

ID=82908105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210528048.4A Active CN114943051B (zh) 2022-05-16 2022-05-16 一种基于综合降雨因子的洪峰预报方法

Country Status (1)

Country Link
CN (1) CN114943051B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117421564B (zh) * 2023-12-18 2024-03-26 广东省水文局惠州水文分局 一种基于时段水量平衡计算的洪水涨幅预报方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435630A (zh) * 2021-06-04 2021-09-24 华中科技大学 一种产流模式自适应的流域水文预报方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156529A (zh) * 2016-07-29 2016-11-23 中国南方电网有限责任公司 一种基于数理统计的下垫面径流关系确定方法
KR102009373B1 (ko) * 2019-05-22 2019-08-12 (주)현이엔씨 강우지속기간을 변화시키는 홍수량 산정 방법
CN112052635B (zh) * 2020-09-18 2022-06-07 福建省水土保持工作站 一种应用于小流域设计洪水过程线的求解方法
CN112904458B (zh) * 2021-01-26 2021-11-19 广东省水文局梅州水文分局 一种超渗-蓄满混合产流模式的水文预报方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435630A (zh) * 2021-06-04 2021-09-24 华中科技大学 一种产流模式自适应的流域水文预报方法及系统

Also Published As

Publication number Publication date
CN114943051A (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN107220496B (zh) 一种城市暴雨内涝评估建模方法
CN114943051B (zh) 一种基于综合降雨因子的洪峰预报方法
CN113837666B (zh) 一种基于改进作物水分指数的农业干旱评估方法
CN107480812B (zh) 一种城市小流域初期雨水污染负荷预测方法
EP2796724A1 (de) Optimierter Betrieb einer drehzahlgeregelten Pumpe in einer Abwasser-Pumpstation
Andrés et al. Analysis of sprinkler irrigation management in the LASESA district, Monegros (Spain)
CN112632871B (zh) 基于遥感的无资料自由溢流水库出流过程动态估算方法
CN112215504A (zh) 一种闸控重污染小流域污染物通量观测方法
KR100522129B1 (ko) 강우시 하수관거나 우수관거의 유량 및 오염부하의 실시간모니터링 방법및 그 시스템
CN115455086A (zh) 一种灌区农业灌溉用水量的估算方法及系统
CN109685236B (zh) 一种北方水库春季径流水源分析方法
CN107273686B (zh) 雨洪径流氮磷输出负荷预测方法
Acquaotta et al. Estimation of rainfall erosivity in Piedmont (Northwestern Italy) by using 10-minute fixed-interval rainfall data
CN114219252A (zh) 一种基于sce-ua算法的流域单位线分析方法
CN109800988B (zh) 一种基于益本比函数的适宜抗旱能力分析方法
CN115688022A (zh) 一种基于最邻近算法的流域单位线实时优选方法
Rochester et al. An irrigation scheduling model which incorporates rainfall predictions 1
CN113435630B (zh) 一种产流模式自适应的流域水文预报方法及系统
CN112287285B (zh) 基于城市内涝基础信息的蓄涝水面率分区处理方法
CN115878685A (zh) 融合多指标的综合偏差干旱指数的旱情监测方法
Lehner et al. An improved statistical bias correction method that also corrects dry climate models
Rank et al. Climate change impact on hydrologic system in Aji River Basin
CN113006255A (zh) 一种海绵城市雨水积水预警方法
CN114431126B (zh) 一种井渠双灌智能化管控系统
Athulya et al. Applying Non-Parametric Tests in a Case Study of Temperature Trend Analysis

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