CN115659816A - 基于孪生模型的城市内涝点预测方法及系统 - Google Patents
基于孪生模型的城市内涝点预测方法及系统 Download PDFInfo
- Publication number
- CN115659816A CN115659816A CN202211347717.4A CN202211347717A CN115659816A CN 115659816 A CN115659816 A CN 115659816A CN 202211347717 A CN202211347717 A CN 202211347717A CN 115659816 A CN115659816 A CN 115659816A
- Authority
- CN
- China
- Prior art keywords
- data
- urban waterlogging
- waterlogging
- model
- urban
- 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
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于孪生模型的城市内涝点预测方法及系统,进行多源时空大数据收集,包括收集LiDAR数据、遥感影像数据、地下管网数据、气象数据和相关统计数据;地上地下一体化孪生场景建立,包括地上部分的高精度高程模型制作和土地利用类型获取,地下部分的排水管网体系搭建;利用长时间序列的历史暴雨数据训练研究区的模型参数,模拟不同暴雨重现期条件下城市内涝情况,得到易涝点的概略分布;接入相关实时动态信息,调整优化,实现内涝点的精准预测与定位,推算淹没范围和淹没水深;构建城市易涝区风险评价体系,进行城市内涝点风险预测。本发明有效提高了城市内涝点预测的效率和精度,为积水改造、海绵城市建设、灾害应急救援等提供决策依据。
Description
技术领域
本发明属于城市内涝预测与防治领域,具体涉及一种基于孪生模型的城市内涝点预测方法及系统。
背景技术
我国是世界上洪涝灾害频发的国家之一。水利部和应急管理部国家减灾中心的统计数据显示,近30年来,我国每年因洪涝灾害死亡或失踪人口超2000人,造成直接经济损失总计约4.81万亿元。城市内涝还引发了一系列诸如交通安全、水质污染等问题,严重制约了我国经济社会的发展和人民生活水平的提高。
2021年8月,政府间气候变化专门委员会(IPCC)第六次评估报告(AR6)指出,在全球气候变化环境下,水循环加剧会加大降雨强度,这意味着城市将面临更频繁的洪水事件和更严峻的内涝风险。同时,城市化引起了径流增大、汇流时间缩短、洪峰水量增大等水文效应,进一步增加了城市内涝的复杂性。掌握城市内涝事件及其淹没过程演化规律,增强城市应对洪涝灾害的能力,是我国城镇化工作的重要议题,也是联合国2030年可持续发展报告中的重要目标。
当前,针对城市内涝灾害的研究主要分为模型驱动和数据驱动两类。城市雨洪模型物理意义明确,但模型率定的初始条件存在很大的不确定性,难以得到较高的精度,缺乏进一步的风险分析过程。而数据驱动的方法则不考虑物理过程,直接将各类影响因素与淹没水深、淹没范围等建立联系。气象局、水务局、测绘院等各级部门也分别建立了气象站点监测、城市降雨监测、基础地理信息等系统,具备了丰富的时空大数据资源条件。然而,各类数据缺乏统一的载体,共享性差,不能最大限度地发挥作用以共同支撑城市内涝防治的精细化研究。因此,如何结合水文水力模型的机理优越性与数据驱动方法的简单直接性,进一步提高城市内涝模拟与预测的精度和稳定性,是亟需深入研究的问题。
近些年来,数字孪生技术的发展为城市内涝灾害预测提供了新的思路。数字孪生集成城市物联网、大数据、地理信息系统等技术,构建城市时空大数据平台,形成对真实物理世界的映射,通过在孪生的虚拟世界中模拟和预测不同条件下的场景,为现实场景的决策提供技术支撑。将数字孪生技术与传统物理模型相结合,综合多学科视角深入研究城市暴雨内涝机理,为积水改造、海绵城市建设提供决策依据,是一项极具现实意义和社会价值的工作。
发明内容
针对上述难题,本发明提供了一种基于孪生模型的城市内涝点预测方案,该方法通过星载、机载、地面、地下等多传感器数据构建地上地下一体化的城市孪生场景,利用历史数据驱动模型分析,接入实时数据进行模型修改和验证,实现对城市内涝点的精准快速判断,为城市应急响应决策提供可靠的建议。
为实现上述技术特征,本发明提供一种基于孪生模型的城市内涝点预测方法,包括以下步骤,
S1,多源时空大数据收集,包括收集LiDAR数据、遥感影像数据、地下管网数据、气象数据和相关统计数据;
S2,地上地下一体化孪生场景建立,还原真实城市场景的空间特征,包括地上部分的高精度高程模型制作和土地利用类型获取,地下部分的排水管网体系搭建;
S3,利用长时间序列的历史暴雨数据训练研究区的模型参数,模拟不同暴雨重现期条件下的城市内涝情况,得到易涝点的概略分布;接入相关实时动态信息,对模型参数进一步调整优化,实现内涝点的精准预测与定位,推算淹没范围和淹没水深;
S4,构建城市易涝区风险评价体系,基于模糊综合评价法进行城市内涝点风险预测,包括利用层次分析法构造权重矩阵,利用隶属度函数求出模糊矩阵;根据权重矩阵和模糊矩阵得出复合模糊矩阵,最后计算得到研究区内涝风险预测结果。
而且,步骤S1中,遥感影像数据包括高分二号影像,相应预处理流程包括辐射定标、正射校正、图像配准和数据融合。
而且,步骤S1中所述的地下管网数据包括管线数据和节点数据,管线数据中记录起始点坐标和高程、管道长度、管道类型、横截面积属性,节点数据中记录节点坐标、节点高程、附属物类型属性。
而且,步骤S2中,利用机载LiDAR数据生成研究区亚米级高精度数字高程模型DEM,对机载LiDAR采集的点云数据进行滤波处理,去除明显的噪声信息,分类成地面点与非地面点,对地面点数据构建不规则三角网,从而形成高精度的数字高程模型。
而且,基于高分二号影像进行下垫面解析,修正后得到地表类型及相应的渗透系数;根据管网排查情况,对排水管线和排水节点进行概化,得到线状的管线数据和点状的节点数据。
而且,步骤S3中,对于线型区域,采用一维水动力学模型,所述线型区域包括地下管网、河道和街道;
对于面状区域,采用二维水动力学模型,所述面状区域包括街道交汇处、湖泊、空旷广场;
不同暴雨重现期根据各地地方标准中暴雨强度公式及设计暴雨雨型,推算不同重现期的降雨条件。
而且,步骤S4中,针对各项因子量纲不同,进行归一化,越接近1代表风险程度越高,越接近0代表风险程度越低。
而且,基于模糊综合评价法进行城市易涝区风险评估的实现方式为,确定因素集U,通过层次分析法确定各因子的权重,构造权重向量矩阵W;二是确定评语集V,根据模糊数学理论构造合适的隶属度函数,求出隶属度矩阵R;三是根据权重向量矩阵W和隶属度矩阵R得到复合模糊矩阵B,由复合模糊矩阵B计算得到研究区内涝风险评估结果。
另一方面,本发明还提供一种基于孪生模型的城市内涝点预测系统,用于实现如上所述的一种基于孪生模型的城市内涝点预测方法。
而且,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种基于孪生模型的城市内涝点预测方法。
本发明的优点及有益效果为:本发明公开了一种基于孪生模型的城市内涝点预测方法,该方法充分利用了数字孪生技术和时空大数据的优势,构建了地上地下一体化的城市内涝孪生系统,有效提高了城市内涝点预测的效率和精度。
附图说明
图1为本发明实施例的基于SAR影像提取洪涝淹没范围的方法流程图。
图2为本发明实施例的评价指标体系图。
具体实施方式
为了更清晰地表述本发明的技术方案,下面结合附图和实施例对本发明做进一步的详细说明。
本发明公开了一种基于孪生模型的城市内涝点预测方法,该方法充分利用了数字孪生技术和时空大数据的优势,集成星载、机载、地面、地下等多传感器数据构建地上地下一体化的城市孪生场景。使用长时间序列的历史暴雨数据训练研究区的模型参数,模拟不同暴雨重现期条件下的内涝演进过程,得到易涝点的概略分布。接入实时数据进行模型修改和验证,实现城市内涝点的精准预测与定位,并推算其淹没范围和淹没水深,最后基于模糊综合评价法预测城市内涝灾害风险。该方法有效提高了城市内涝点预测的效率和精度,为积水改造、海绵城市建设、灾害应急救援等提供决策依据。
本发明实施例提供一种基于孪生模型的城市内涝点预测方法,包括以下步骤,
S1:多源时空大数据收集。
本步骤进行多源时空大数据收集,包括收集LiDAR数据、遥感影像数据、地下管网数据、气象数据和相关统计数据;
进一步地,本发明提出:遥感影像数据主要指高分二号影像,其预处理流程包括辐射定标、正射校正、图像配准、数据融合。所述的地下管网数据包括管线数据和节点数据,管线数据需要记录起始点坐标和高程、管道长度、管道类型、横截面积等属性,节点数据需要记录节点坐标、节点高程、附属物类型等属性。
实施例的步骤1具体实现包括以下子步骤:
S11:遥感影像数据:获取研究区的高分二号影像,进行辐射校正、影像配准、滤波去噪等预处理。
S12:LiDAR数据:根据研究需求,设计航飞路线并布设地面基站,利用机载激光雷达进行数据采集。
S13:地下管网数据:根据管网排查情况,对排水管线和排水节点进行概化,得到线状的管线数据和点状的节点数据,其中管线数据包括起始点坐标和高程、管道长度、管道类型、横截面积等属性,节点数据包括节点坐标、节点高程、附属物类型等属性。
S14:气象数据:从当地气象站获取研究区内各监测站点的历史降雨量和实时数据。
S15:其他数据:从OpenStreetMap上获取建筑、道路、水系、POI等信息,从统计年鉴获取人口分布、区域GDP等信息。
S2:建立地上地下一体化孪生场景,还原真实城市场景的空间特征。地上部分主要涉及高精度高程模型制作和土地利用类型获取,地下部分主要是排水管网体系搭建。
进一步地,利用机载LiDAR数据生成研究区亚米级高精度数字高程模型DEM;基于高分二号影像进行下垫面解析,具体实施时可以经过用户修正后得到地表类型及相应的渗透系数;根据管网排查情况,对排水管线和排水节点进行概化,得到线状的管线数据和点状的节点数据。
优选地,机载LiDAR采集的点云数据需进行滤波处理,去除明显的噪声信息,分类成地面点与非地面点。对地面点数据构建不规则三角网,从而形成高精度的数字高程模型。
优选地,利用面向对象的遥感影像分类法对研究区进行下垫面解析,得到植被、建筑、道路、硬质铺装、裸地、水体六种土地利用类型。首先对高分二号影像进行多尺度分割,分割参数主要包括尺度、形状、紧致度等。针对植被、建筑、道路、硬质铺装、裸地、水体6 类地物分别勾选一定量的样本,根据均值、方差、亮度、面积、长宽比等地类特征进行分类,得到初步的土地利用结果。对错分与漏分的情况可以提示用户进行修正,得到最终的土地利用结果。根据不同的土地利用类型,基于文献资料赋予相应的渗透系数和粗糙度系数初始值。
实施例的步骤2具体实现包括以下子步骤:
S21:利用机载LiDAR获取的原始点云数据,既有地面点信息,也有建筑、树木等地物信息,将点云数据进行滤波处理,去除明显的噪声信息,并分类成地面点与非地面点。对地面点数据构建不规则三角网,从而形成高精度的数字高程模型。
S22:利用面向对象的遥感影像分类法对研究区进行下垫面解析,得到植被、建筑、道路、硬质铺装、裸地、水体六种土地利用类型,流程如图1所示。首先对高分二号影像进行多尺度分割,分割参数主要包括尺度、形状、紧致度等。针对植被、建筑、道路、硬质铺装、裸地、水体6类地物分别勾选一定量的样本,根据均值、方差、亮度、面积、长宽比等地类特征进行分类,得到初步的土地利用结果。对错分与漏分的情况进行人工修正,得到最终的土地利用结果。根据不同的土地利用类型,基于文献资料赋予相应的渗透系数和粗糙度系数初始值。
S23:根据坐标、高程、管道长度、管道类型、横截面积、附属物类型等属性建立管道和节点的三维模型并建立拓扑关系,将地下管网数据与地表地形等数据进行耦合,形成地上地下一体化的城市孪生场景。
S3:利用长时间序列的历史暴雨数据训练研究区的模型参数,模拟不同暴雨重现期条件下的城市内涝情况。接入相关实时动态信息,对模型参数进一步调整优化,预测出每场降雨的淹没范围和淹没水深。
模拟不同暴雨重现期条件下的城市内涝情况,得到易涝点的概略分布。接入视频摄像头、雨情监测站、社交平台数据等实时动态信息,对模型参数进一步调整优化,可以实现内涝点的精准预测与定位,推算其淹没范围和淹没水深。
实施例的步骤3具体实现包括以下子步骤:
S31:对于地下管网、河道、街道等线型区域,可以采用一维水动力学模型,该模型主要涉及圣维南方程组的计算。圣维南方程组公式如下:
式中:Q为流量;s为距水道某固定断面沿流程的距离;A为过水断面面积;t为时间;g为重力加速度;h、v、i分别为相应于s处过水断面的水深、断面平均流速、河底坡降; Jf为由于摩阻比降。
S32:对于街道交汇处、湖泊、空旷广场等面状区域,可以采用二维水动力学模型,该模型主要涉及浅水方程组的计算。浅水方程组公式如下:
式中:h为水深;u、v为x与y方向流速;g为重力加速度;Sox、Soy为河床在x与y 方向的底坡源项;Sfx、Sfy为河床在x与y方向的摩擦源项;U是流量向量,t是时间,F和 G分别是x和y方向上的通量向量,S是源项。
S33:根据各地地方标准中暴雨强度公式及设计暴雨雨型,推算不同重现期的降雨条件。以市中心城区为例:
式中:i为设计暴雨强度;P为重现期;t为降雨历时。
S34:基于孪生场景和物理模型,利用历史场次暴雨数据对参数进行率定,模拟降雨、产流、入渗、管流、漫流、淹没的全过程,得到不同降雨条件下的易涝点分布。当暴雨发生时,接入监控摄像头、无人机影像、雨情监测站等,对模型预测的内涝情况进行修订和验证,从而提高城市暴雨内涝点的预测精度。
S4:构建城市易涝区风险评价体系:危险性指标包括淹没范围、淹没水深、极端降雨量、地面高程、坡度,易损性指标包括人口密度、建筑密度、土地利用、管网密度、应急距离。然后,基于模糊综合评价法进行城市内涝点风险预测:利用层次分析法构造权重矩阵,利用隶属度函数求出模糊矩阵;根据权重矩阵和模糊矩阵得出复合模糊矩阵,最后计算得到研究区内涝风险预测结果。
构建包含危险性和易损性两大风险要素的评价体系,基于模糊综合评价法进行城市内涝点风险预测,如图2所示。由于各项因子量纲不同,需要进行归一化,越接近1代表风险程度越高,越接近0代表风险程度越低。除特殊说明外,归一化均采用式(9)进行:
其中,xi表示待归一化的原始数值,xmin表示最小值,xmax表示最大值。
实施例的步骤4具体实现包括以下子步骤:
S41:危险性指标包括致灾因子F和孕灾环境E。其中致灾因子指的是淹没范围F1、淹没水深F1、降雨量F2,孕灾环境指的是地面高程E1、坡度E2。
具体实施时,淹没范围F1和淹没水深F2是对步骤S3中预测的淹没范围和水深进行缓冲区分析并分级。极端降雨量F3是采用克里金插值法对各站点监测的降雨量进行空间插值,再对插值结果进行归一化。
地面高程E1是由机载LiDAR数据生成的高精度数字高程模型DEM,坡度E2是由DEM计算得到的坡度信息。需要注意的是,地面高程、坡度与内涝风险呈负相关关系,即高程值越高、坡度值越大的地方内涝风险越小,因此这两项结果需根据式(10)进行归一化操作:
其中,xi表示待归一化的原始数值,xmin表示最小值,xmax表示最大值。
S42:易损性指标包括承灾体S和防灾减灾能力B。其中承灾体包括人口密度S1、建筑密度S2、土地利用类型S3,防灾减灾能力包括管网密度B1、应急救援距离B2。
具体实施时,人口密度S1是根据统计年鉴得到的研究区内各地理单元人口数量的空间分布,建筑密度S2是将步骤S2中提取得到的建筑物转换为点要素,再使用核密度分析得到的结果。同样,这两类指标也需要根据式(9)进行归一化操作。
土地利用类型S3是对步骤S2中分类的六类地物结果赋予不同的风险等级,其中,道路取值为1,硬质铺装取值为0.8,建筑取值为0.6,裸地取值为0.4、植被取值为0.2,水体取值为0。
管网密度B1是指对管网数据做核密度分析,由于管网密度与洪涝风险为负相关关系,因此也采用式(10)进行归一化;应急救援距离B2是指通过距离分析工具计算研究区内到医院、水利、市政等救灾部门的距离。
S43:确定因素集U={F1,F2,F3,E1,E2,S1,S2,S3,B1,B2},将城市易涝区风险评估作为目标层,危险性和易损性作为准则层,致灾因子、孕灾环境、承灾体、防灾减灾能力作为指标层,10项因子作为方案层,通过层次分析法(AHP)确定各因子的权重,构造权重向量矩阵W;确定评语集V={v1,v2,v3,v4,v5},即划分为极易发生、易发生、较易发生、较少发生、极少发生5个评价等级;根据模糊数学理论构造合适的隶属度函数,求出隶属度矩阵R。
S44:如式(11)所示,根据权重向量矩阵W和隶属度矩阵R得到复合模糊矩阵B。最后由复合模糊矩阵B计算得到研究区内涝风险预测结果,提出相应的应急救援方案。
B=W*R (11)
其中,*代表矩阵相乘。
具体实施时,本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
在一些可能的实施例中,提供一种基于孪生模型的城市内涝点预测系统,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种基于孪生模型的城市内涝点预测方法。
在一些可能的实施例中,提供一种基于孪生模型的城市内涝点预测系统,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种基于孪生模型的城市内涝点预测方法。
以上内容是本发明精神的进一步说明,但不能认定本发明的具体实施仅限于此。本发明所属技术领域的技术人员在不脱离本发明所附权利要求书限定的范围下,对具体实施例做细节上的修改或补充,都属于本发明的保护范围。
Claims (10)
1.一种基于孪生模型的城市内涝点预测方法,其特征在于:包括以下步骤,
S1,多源时空大数据收集,包括收集LiDAR数据、遥感影像数据、地下管网数据、气象数据和相关统计数据;
S2,地上地下一体化孪生场景建立,还原真实城市场景的空间特征,包括地上部分的高精度高程模型制作和土地利用类型获取,地下部分的排水管网体系搭建;
S3,利用长时间序列的历史暴雨数据训练研究区的模型参数,模拟不同暴雨重现期条件下的城市内涝情况,得到易涝点的概略分布;接入相关实时动态信息,对模型参数进一步调整优化,实现内涝点的精准预测与定位,推算淹没范围和淹没水深;
S4,构建城市易涝区风险评价体系,基于模糊综合评价法进行城市内涝点风险预测,包括利用层次分析法构造权重矩阵,利用隶属度函数求出模糊矩阵;根据权重矩阵和模糊矩阵得出复合模糊矩阵,最后计算得到研究区内涝风险预测结果。
2.根据权利要求1所述基于孪生模型的城市内涝点预测方法,其特征在于:
步骤S1中,遥感影像数据包括高分二号影像,相应预处理流程包括辐射定标、正射校正、图像配准和数据融合。
3.根据权利要求1所述综合多源数据的城市易涝区风险评估方法,其特征在于:
步骤S1中所述的地下管网数据包括管线数据和节点数据,管线数据中记录起始点坐标和高程、管道长度、管道类型、横截面积属性,节点数据中记录节点坐标、节点高程、附属物类型属性。
4.根据权利要求1所述综合多源数据的城市易涝区风险评估方法,其特征在于:
步骤S2中,利用机载LiDAR数据生成研究区亚米级高精度数字高程模型DEM,对机载LiDAR采集的点云数据进行滤波处理,去除明显的噪声信息,分类成地面点与非地面点,对地面点数据构建不规则三角网,从而形成高精度的数字高程模型。
5.根据权利要求1所述基于孪生模型的城市内涝点预测方法,其特征在于:基于高分二号影像进行下垫面解析,修正后得到地表类型及相应的渗透系数;根据管网排查情况,对排水管线和排水节点进行概化,得到线状的管线数据和点状的节点数据。
6.根据权利要求1所述基于孪生模型的城市内涝点预测方法,其特征在于:
步骤S3中,对于线型区域,采用一维水动力学模型,所述线型区域包括地下管网、河道和街道;
对于面状区域,采用二维水动力学模型,所述面状区域包括街道交汇处、湖泊、空旷广场。
不同暴雨重现期根据各地地方标准中暴雨强度公式及设计暴雨雨型,推算不同重现期的降雨条件。
7.根据权利要求1所述基于孪生模型的城市内涝点预测方法,其特征在于:
步骤S4中,针对各项因子量纲不同,进行归一化,越接近1代表风险程度越高,越接近0代表风险程度越低。
8.根据权利要求1或2或3或4或5或6或7所述基于孪生模型的城市内涝点预测方法,其特征在于:
基于模糊综合评价法进行城市易涝区风险评估的实现方式为,确定因素集,通过层次分析法确定各因子的权重,构造权重向量矩阵W;二是确定评语集V,根据模糊数学理论构造合适的隶属度函数,求出隶属度矩阵R;三是根据权重向量矩阵W和隶属度矩阵R得到复合模糊矩阵B,由复合模糊矩阵B计算得到研究区内涝风险评估结果。
9.一种基于孪生模型的城市内涝点预测系统,其特征在于:用于实现如权利要求1-5任一项所述的一种基于孪生模型的城市内涝点预测方法。
10.根据权利要求6所述基于孪生模型的城市内涝点预测系统,其特征在于:包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如权利要求1-5任一项所述的一种基于孪生模型的城市内涝点预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211347717.4A CN115659816A (zh) | 2022-10-31 | 2022-10-31 | 基于孪生模型的城市内涝点预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211347717.4A CN115659816A (zh) | 2022-10-31 | 2022-10-31 | 基于孪生模型的城市内涝点预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115659816A true CN115659816A (zh) | 2023-01-31 |
Family
ID=84993425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211347717.4A Pending CN115659816A (zh) | 2022-10-31 | 2022-10-31 | 基于孪生模型的城市内涝点预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115659816A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050647A (zh) * | 2023-02-03 | 2023-05-02 | 中国水利水电科学研究院 | 一种基于遥感的流域洪涝受灾强度重现期推求方法 |
CN116486027A (zh) * | 2023-04-25 | 2023-07-25 | 中国水利水电科学研究院 | 城市洪涝数字孪生推演方法 |
CN116910955A (zh) * | 2023-07-21 | 2023-10-20 | 中国水利水电科学研究院 | 一种一维排水管网与二维河道水流交互过程模拟方法 |
CN117744189A (zh) * | 2023-12-12 | 2024-03-22 | 烟台市勘察设计审查服务中心有限责任公司 | 海绵城市效果模拟方法及系统 |
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 |
CN117893179A (zh) * | 2024-03-18 | 2024-04-16 | 四川嘉源生态发展有限责任公司 | 基于数字孪生的水利电力工程建造管控方法及系统 |
-
2022
- 2022-10-31 CN CN202211347717.4A patent/CN115659816A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050647A (zh) * | 2023-02-03 | 2023-05-02 | 中国水利水电科学研究院 | 一种基于遥感的流域洪涝受灾强度重现期推求方法 |
CN116050647B (zh) * | 2023-02-03 | 2023-08-22 | 中国水利水电科学研究院 | 一种基于遥感的流域洪涝受灾强度重现期推求方法 |
CN116486027A (zh) * | 2023-04-25 | 2023-07-25 | 中国水利水电科学研究院 | 城市洪涝数字孪生推演方法 |
CN116910955A (zh) * | 2023-07-21 | 2023-10-20 | 中国水利水电科学研究院 | 一种一维排水管网与二维河道水流交互过程模拟方法 |
CN116910955B (zh) * | 2023-07-21 | 2023-12-22 | 中国水利水电科学研究院 | 一种一维排水管网与二维河道水流交互过程模拟方法 |
CN117744189A (zh) * | 2023-12-12 | 2024-03-22 | 烟台市勘察设计审查服务中心有限责任公司 | 海绵城市效果模拟方法及系统 |
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 |
CN117893179A (zh) * | 2024-03-18 | 2024-04-16 | 四川嘉源生态发展有限责任公司 | 基于数字孪生的水利电力工程建造管控方法及系统 |
CN117893179B (zh) * | 2024-03-18 | 2024-05-28 | 四川嘉源生态发展有限责任公司 | 基于数字孪生的水利电力工程建造管控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115659816A (zh) | 基于孪生模型的城市内涝点预测方法及系统 | |
McDougall | Using volunteered information to map the Queensland floods | |
Ren et al. | Developing a rapid method for 3-dimensional urban morphology extraction using open-source data | |
CN110992653A (zh) | 城市内涝预警系统及方法 | |
CN110956412B (zh) | 基于实景模型的洪灾动态评估方法、装置、介质和设备 | |
CN111507375B (zh) | 一种城市内涝风险快速评估方法及系统 | |
Sebastian et al. | Hindcast of pluvial, fluvial, and coastal flood damage in Houston, Texas during Hurricane Harvey (2017) using SFINCS | |
CN110458391A (zh) | 一种用于城市群区域洪水风险区划的精细化诊断方法 | |
CN112819340A (zh) | 一种基于多源数据的城市洪涝灾害动态评估方法 | |
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 | |
CN116258608B (zh) | 融合gis和bim三维技术的水利实时监测信息管理系统 | |
CN112700358A (zh) | 一种海洋生态桩监测的海洋空间资源智能监管系统 | |
Qiu et al. | Disaggregating population data for assessing progress of SDGs: methods and applications | |
Chen et al. | A coupled river Basin‐Urban hydrological model (DRIVE‐Urban) for real‐time urban flood modeling | |
CN114528672A (zh) | 基于3s技术的城市水文站网布设方法及系统 | |
Liwanag et al. | Flood modeling using GIS and PCSWMM | |
CN115953556A (zh) | 暴雨内涝道路风险ar预警方法及装置 | |
Lopez et al. | Identifying urban features from LiDAR for a high‐resolution urban hydrologic model | |
Wang et al. | Evaluation of urban flooding and potential exposure risk in central and southern Liaoning urban agglomeration, China | |
CN114818310A (zh) | 一种森林景观模拟方法、装置、电子设备和存储介质 | |
Yao | Application of GIS remote sensing information integration in eco-environmental quality monitoring | |
Fang et al. | A Rapid Assessment Method for Flood Risk Mapping Integrating Aerial Point Clouds and Deep Learning | |
CN116150580B (zh) | 一种数字孪生流域数据底板的数据资源评价方法 | |
Game | Deterministic hydrological, hydraulic and hydrogeological modeling for real-time decision support systems: application to the Paillons catchment, France | |
Mashee et al. | Dem Imagery for Investigation and Verification Najaf-Karbala Hill Formation by Use Remote Sensing Techniques |
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 |