CN115796368A - 一种城市内涝实时预测预警方法及系统 - Google Patents
一种城市内涝实时预测预警方法及系统 Download PDFInfo
- Publication number
- CN115796368A CN115796368A CN202211541596.7A CN202211541596A CN115796368A CN 115796368 A CN115796368 A CN 115796368A CN 202211541596 A CN202211541596 A CN 202211541596A CN 115796368 A CN115796368 A CN 115796368A
- Authority
- CN
- China
- Prior art keywords
- data
- rainfall
- time
- forecast
- real
- 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
Landscapes
- Alarm Systems (AREA)
Abstract
本发明公开了一种城市内涝实时预测预警方法及系统,涉及城市内涝实时监测预警技术领域。获取降雨数据和河道数据;将降雨实测数据和降雨预报数据根据时间和空间关系进行组合,得到降雨组合序列数据;将河道流量实测数据和河道流量预报数据根据时间关系进行组合,得到河道流量组合序列数据;根据组合序列数据得到目标区域未来预设时间段内的积水结果数据;确定目标区域内涝区域。通过将降雨实测数据和降雨预报数据在空间上和时间上同化,重构了网格降雨预报数据与雨量站点实测数据,组成了新的可输入实时预警模型的降雨时间序列数据,解决了网格形式降雨预报数据与实际雨量站点的实测数据在组合时存在时空异构问题。
Description
技术领域
本发明涉及城市内涝实时监测预警技术领域,具体涉及一种城市内涝实时预测预警方法及系统。
背景技术
城市内涝是指由于强降水或连续性降水超过城市排水能力致使城市内产生积水灾害的现象,造成城市内涝的主要原因有:(1)强降水或连续性降水;(2)城市排水设施不健全、管网老化和排放标准低等造成的城市排水能力不足;(3)城市大量的硬质铺装,如柏油路、水泥路面,降雨时水渗透性不好,不容易入渗,易形成路面积水。城市内涝将对人们生产生活、交通通行和经济发展造成重要影响,甚至引起重大生命或财产损失。建立内涝实时预测预警方法及系统对于提前预警内涝和提高内涝防治能力具有重要意义。
城市内涝实时预测预警,是在强降雨来临前或连续降雨期间对城市内涝积水场景进行提前预测并发出预警,目前行业内最为前沿的技术是基于水文水动力耦合的城市内涝实时预测预警方法。该方法中网格形式降雨预报数据与实际雨量站点的实测降雨数据之间存在的时空异构问题。网格形式降雨预报数据在空间上是连续的面状矢量数据,在时间上是未来的预报数据;实际雨量站点的实测降雨数据在空间上是分散的点状矢量数据,在时间上是当前时段和历史时段的监测数据。网格形式降雨预报数据与实际雨量站点的实测数据在组合时存在时空异构问题。
发明内容
本发明的目的就在于解决上述背景技术的问题,而提出一种城市内涝实时预测预警方法及系统。
本发明的目的可以通过以下技术方案实现:
本发明实施例提供了一种城市内涝实时预测预警方法,所述方法包括:
获取当前目标区域的降雨数据和河道数据;所述降雨数据包括降雨实测数据和降雨预报数据;所述河道数据包括河道流量实测数据和河道流量预报数据;
将降雨实测数据和降雨预报数据根据时间和空间关系进行组合,得到降雨组合序列数据;
将河道流量实测数据和河道流量预报数据根据时间关系进行组合,得到河道流量组合序列数据;
将所述组合序列数据和所述道流量组合序列数据输入预设实时预警模型,得到所述目标区域未来预设时间段内的积水结果数据;所述实时预警模型包括所述目标区域的一维管网水动力模型、一维河道水动力模型和二维地表水动力模型;
根据所述积水结果数据对预设积水点进行遍历检查确定所述目标区域内涝区域,并进行可视化显示。
可选地,在将降雨实测数据和降雨预报数据根据时间和空间关系进行组合,得到降雨组合序列数据之前,所述方法还包括:
根据所述降雨实测数据和所述河道流量实测数据进行仿真模拟确定预设的实时预警模型的初始状态数据。
可选地,所述初始状态数据包括所述目标区域当前的管网、河道和地表的积水量。
可选地,所述降雨实测数据为当前时刻之前预设第一时间段内所述目标区域的各实际雨量站点测得的降雨数据,在所述降雨实测数据中所述目标区域由多个泰森多边形分为多个第一子区域,每一第一子区域对应一个实际雨量站点;所述降雨预报数据为当前时刻之后预设第二时间段内预报的降雨数据,在所述降雨预报数据中所述目标区域由多个网格分为多个第二子区域,每一第二子区域对应一个虚拟雨量站;一个第二子区域与至少一个第一子区域有重叠部分;
将降雨实测数据和降雨预报数据根据时间和空间关系进行组合,得到降雨组合序列数据,包括:
根据各第二子区域与各第一子区域之间的空间关系,将所述降雨实测数据与所述降雨预报数据进行空间组合;
以降雨预报数据的第一采集周期作为降雨组合序列数据的时间间隔,将进行空间组合后的所述降雨实测数据的第二采集周期变化为所述第一采集周期,得到降雨组合序列数据。
可选地,根据各第二子区域与各第一子区域之间的空间关系,将所述降雨实测数据与所述降雨预报数据进行空间组合包括:
针对包含于唯一第一子区域的第二子区域,直接根据各第二子区域与各第一子区域之间的空间关系,将所述降雨实测数据与所述降雨预报数据进行空间组合;
针对与多个第一子区域具有重叠部分的第二子区域,将多个实际雨量站点的数据采集周期中最大的采样周期作为叠加数据的时间间隔,以该时间间隔对各实际雨量站点数据进行同化重构,根据该第二子区域与各第一子区域之间的空间关系,将所述降雨实测数据与所述降雨预报数据进行空间组合。
可选地,将河道流量实测数据和河道流量预报数据根据时间关系进行组合,得到河道流量组合序列数据包括:
将河道流量实测数据和河道流量预报数据根据时间关系进行组合;
使用河道流量实测数据的采样周期截取组合的数据,得到河道流量组合序列数据。
可选地,在根据所述积水结果数据对预设积水点进行遍历检查确定所述目标区域内涝区域,并进行可视化显示之前所述方法还包括:
选取大重现期降雨数据作为输入,利用单机版模型软件对模型进行线下计算,获得二维网格的积水水深变化过程结果数据;
根据所述积水水深变化过程结果数据标定预设积水点,并将预设积水点与实际空间地址信息进行关联。
可选地,所述目标区域内涝区域可视化显示内容包括积水点位置名称、淹没面积、最大水深、平均水深、开始淹没时间中的至少一项。
本发明实施例第二方面,还提供了一种城市内涝实时预测预警系统,所述系统包括数据获取模块、第一组合模块、第二组合模块、积水估计模块和内涝检查模块;其中:
所述数据获取模块,用于获取当前目标区域的降雨数据和河道数据;所述降雨数据包括降雨实测数据和降雨预报数据;所述河道数据包括河道流量实测数据和河道流量预报数据;
所述第一组合模块,用于将降雨实测数据和降雨预报数据根据时间和空间关系进行组合,得到降雨组合序列数据;
所述第二组合模块,用于将河道流量实测数据和河道流量预报数据根据时间关系进行组合,得到河道流量组合序列数据;
所述积水估计模块,用于将所述组合序列数据和所述道流量组合序列数据输入预设实时预警模型,得到所述目标区域未来预设时间段内的积水结果数据;所述实时预警模型包括所述目标区域的一维管网水动力模型、一维河道水动力模型和二维地表水动力模型;
所述内涝检查模块,用于根据所述积水结果数据对预设积水点进行遍历检查确定所述目标区域内涝区域,并进行可视化显示。
本发明实施例第三方面,还提供了一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一所述的方法步骤。
本发明实施例第四方面,还提供了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内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一所述的方法步骤。
本发明的有益效果:
本发明实施例提供了一种城市内涝实时预测预警方法,方法包括:获取当前目标区域的降雨数据和河道数据;降雨数据包括降雨实测数据和降雨预报数据;河道数据包括河道流量实测数据和河道流量预报数据;将降雨实测数据和降雨预报数据根据时间和空间关系进行组合,得到降雨组合序列数据;将河道流量实测数据和河道流量预报数据根据时间关系进行组合,得到河道流量组合序列数据;将组合序列数据和河道流量组合序列数据输入预设实时预警模型,得到目标区域未来预设时间段内的积水结果数据;实时预警模型包括所述目标区域的一维管网水动力模型、一维河道水动力模型和二维地表水动力模型;根据积水结果数据对预设积水点进行遍历检查确定目标区域内涝区域,并进行可视化显示。通过将降雨实测数据和降雨预报数据在空间上和时间上同化,重构了网格降雨预报数据与雨量站点实测数据,充分延续了网格降雨预报数据的面状不均匀性,保持了实测数据的精度和准确性,组成了新的可输入实时预警模型的降雨时间序列数据,解决了网格形式降雨预报数据与实际雨量站点的实测数据在组合时存在时空异构问题。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明实施例提供了一种城市内涝实时预测预警方法的流程图;
图2为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
城市内涝实时预测预警,是在强降雨来临前或连续降雨期间对城市内涝积水场景进行提前预测并发出预警,目前行业内最为前沿的技术是基于水文水动力耦合的城市内涝实时预测预警方法,该方法的应用现状如下:(1)采用离线水文水动力模型+情景库+机器学习算法的方式,构建的水文水动力模型不直接集成至系统平台,线下计算多种降雨条件下的内涝积水演进场景,建立情景库,根据实时降雨数据或预报数据,基于机器学习算法实时匹配情景库降雨和对应的模型结果,最终实现城市内涝积水的实时预测预警;(2)水文水动力耦合模型直接集成至系统平台,作为实时预警模型实时计算模拟,实时滚动预测预警;(3)实时预警模型触发时,仅以降雨预报数据为输入,对实时预警模型进行计算;(4)模型计算结果直接以二维网格形式在系统平台进行展示,仅对二维网格水深变化过程进行渲染展示,没有汇聚获取整个积水区域的空间信息,无贴合排水防涝业务的预警信息生成。
本发明实施例提供了一种城市内涝实时预测预警方法,参见图1,图1为本发明实施例提供了一种城市内涝实时预测预警方法的流程图。方法包括:
S101,获取当前目标区域的降雨数据和河道数据。
S102,将降雨实测数据和降雨预报数据根据时间和空间关系进行组合,得到降雨组合序列数据。
S103,将河道流量实测数据和河道流量预报数据根据时间关系进行组合,得到河道流量组合序列数据。
S104,将组合序列数据和道流量组合序列数据输入预设实时预警模型,得到目标区域未来预设时间段内的积水结果数据;
S105,根据积水结果数据对预设积水点进行遍历检查确定目标区域内涝区域,并进行可视化显示。
基于本发明实施例提供了一种城市内涝实时预测预警方法,降雨数据包括降雨实测数据和降雨预报数据;河道数据包括河道流量实测数据和河道流量预报数据;实时预警模型包括目标区域的一维管网水动力模型、一维河道水动力模型和二维地表水动力模型。
通过将降雨实测数据和降雨预报数据在空间上和时间上同化,重构了网格降雨预报数据与雨量站点实测数据,充分延续了网格降雨预报数据的面状不均匀性,保持了实测数据的精度和准确性,组成了新的可输入实时预警模型的降雨时间序列数据,解决了网格形式降雨预报数据与实际雨量站点的实测数据在组合时存在时空异构问题。
一种实现方式中,预先构建水文水动力耦合模型(预设实时预警模型),包括一维管网水动力模型、一维河道水动力模型、和二维地表水动力模型,其中一维管网水动力模型中包含了城市地表径流子模型,一维管网水动力模型可分别与一维河道水动力模型和二维地表水动力模型进行耦合,一维河道水动力模型和二维地表水动力模型可根据洪水漫堤计算需要选择是否进行耦合。
水文水动力耦合模型以降雨预报数据、实测数据、河道上游流量、下游水位等作为输入数据,利用模型计算引擎可以计算得到管网运行状态、河道状态、地表积水分布等结果数据。将水文水动力耦合模型和模型计算引擎集成至城市内涝预测预警系统平台,从气象和物联网监测平台实时接入上述输入数据,并实时计算,即可对城市内涝积水进行精细化预测预警,此时模型为实时预警模型。
在一个实施例中,在将降雨实测数据和降雨预报数据根据时间和空间关系进行组合,得到降雨组合序列数据之前,方法还包括:
根据降雨实测数据和河道流量实测数据进行仿真模拟确定预设的实时预警模型的初始状态数据。
一种实现方式中,实时模型输入的降雨数据一般为降雨预报数据,用以计算预测当前时刻起未来一段时间的城市内涝积水情况。但实时模型必须考虑当前时刻管网的实际初始液位、流量及河道的实际初始水位、流量情况,由于排水管网的物联网监测设备和河道的水文监测站点数量有限,不能反映获得排水管网的所有组成部分定的实际液位、流量,以及河道的所有组成部分的实际初始水位、流量,必须通过其他方法获得该实际初始状态数据。
目前行业内的主流模型软件如MIKE、InfoWorks ICM等以热启动的方式提供了模型计算所需的初始状态数据,即将相邻的上一次模型计算结果作为本次模型计算的初始状态。但利用热启动方式获取实时预警模型计算所需初始状态数据时存在较大的弊端,因为实时预警模型计算的输入数据一般为预报数据(如降雨预报数据),模型计算结果为基于该预报数据的预测结果,预报数据的精度误差也随之累积到预测结果,所以不宜基于热启动方式将该预测结果作为下一次实时预警模型计算的初始状态数据。
本发明提出利用模型对历史时段进行仿真模拟的方式得到当前时刻的排水管网、河道和地表的所有组成部分的初始状态数据,实时预警模型再在该初始状态数据基础上,输入未来时间段的预报数据,对内涝积水场景进行精细化预测预警。具体地,实时预警模型触发时,所输入的降雨数据为两部分组合数据:模型触发时刻起历史时段的降雨监测数据、模型触发时刻起未来时段的降雨预报数据;所输入的河道上游流量数据包括两部分组合数据:模型触发时刻起历史时段的流量监测数据、模型触发计算时刻起未来时段的水文预报流量数据。
一般地,实时预警模型每1小时滚动计算一次,预测未来3小时的城市内涝积水场景,按照本发明提出的实时预警模型初始状态数据获取方法,以触发时刻起未来3小时的短临降雨预报数据及历史3小时的雨量站点降雨实测数据作为模型输入,模型实际计算6小时,前3小时仿真模拟过程获得触发时刻的河道、管网、地表等所有组成部分的初始状态数据,后3小时的计算预测是在该初始状态数据的基础上获得未来3小时的城市内涝积水精细化场景。
在一个实施例中,初始状态数据包括所述目标区域当前的管网、河道和地表的积水量。
在一个实施例中,降雨实测数据为当前时刻之前预设第一时间段内目标区域的各实际雨量站点测得的降雨数据,在降雨实测数据中目标区域由多个泰森多边形分为多个第一子区域,每一第一子区域对应一个实际雨量站点;降雨预报数据为当前时刻之后预设第二时间段内预报的降雨数据,在降雨预报数据中目标区域由多个网格分为多个第二子区域,每一第二子区域对应一个虚拟雨量站;一个第二子区域与至少一个第一子区域有重叠部分;
将降雨实测数据和降雨预报数据根据时间和空间关系进行组合,得到降雨组合序列数据,包括:
根据各第二子区域与各第一子区域之间的空间关系,将降雨实测数据与降雨预报数据进行空间组合;
以降雨预报数据的第一采集周期作为降雨组合序列数据的时间间隔,将进行空间组合后的降雨实测数据的第二采集周期变化为第一采集周期,得到降雨组合序列数据。
一种实现方式中,模型启动计算时,当前时刻(t0)为模型的开始计算时间,当前时刻往前为历史时刻,当前时刻往后为未来时刻,历史时刻的降雨数据为实际雨量站监测的实测降雨数据,未来时刻的降雨数据为预报降雨数据,为网格形式的短临降雨预报数据(如未来3小时)。本发明的实时预警模型输入的降雨数据为实测降雨数据和网格降雨预报数据的时空组合序列数据。
本发明提出一种实测降雨数据与网格预报降雨数据的时空组合方法:在网格降雨预报数据的每个网格中心建立虚拟的模型雨量站,模型雨量站与网格一一对应,模型雨量站覆盖的降雨区域即为每一个网格;针对雨量站点在降雨区域内划分泰森多边形,多边形与雨量站点一一对应,多边形区域表示对应雨量站点的雨量监测区域,一个多边形区域覆盖多个网格降雨预报数据的网格;型雨量站的数据为对应网格的降雨预报数据和对应雨量站点的实测降雨数据的组合序列数据,作为内涝预警模型的输入降雨数据。具体地,t0时刻内涝预警模型触发计算,未来时段(如未来3小时:t0~t1,t1~t2,t2~t3)的降雨数据取网格降雨预报数据,历史时段(如历史3小时:t-3~t-2,t-2~t-1,t-1~t0)的降雨数据取雨量站点的实测降雨数据。
在一个实施例中,根据各第二子区域与各第一子区域之间的空间关系,将降雨实测数据与降雨预报数据进行空间组合包括:
针对包含于唯一第一子区域的第二子区域,直接根据各第二子区域与各第一子区域之间的空间关系,将降雨实测数据与降雨预报数据进行空间组合;
针对与多个第一子区域具有重叠部分的第二子区域,将多个实际雨量站点的数据采集周期中最大的采样周期作为叠加数据的时间间隔,以该时间间隔对各实际雨量站点数据进行同化重构,根据该第二子区域与各第一子区域之间的空间关系,将降雨实测数据与降雨预报数据进行空间组合。
一种实现方式中,模型雨量站的降雨序列数据=“对应实际雨量站点的历史3小时的实测降雨数据”和“对应网格的未来3小时的降雨预报数据”。
模型雨量站与实际雨量站点的对应关系由泰森多边形覆盖区域决定,若模型雨量站所在网格完全位于一个单独多边形区域,则模型雨量站与该多边形对应的实际雨量站点相对应,取该单独的实际雨量站点的历史3小时实测降雨数据进行组合;若模型雨量站所在网格同时位于2个及以上多边形区域,则模型雨量站与该多个多边形的多个实际雨量站点相对应,取该多个实际雨量站点的历史3小时实测降雨数据进行叠加,叠加方式为:
模型雨量站与网格为一一对应关系,对应网格的未来3小时的降雨预报数据即为该模型雨量站所在网格的未来3小时的降雨预报数据。
一种实现方式中,对历史时段实际雨量站点的实测降雨数据和网格的降雨预报数据进行空间组合后,还应在时间上进行组合,形成一组新的降雨时间序列数据。
a)模型雨量站对应多个实际雨量站点时,多个实际雨量站点的实测降雨数据的叠加
多个实际雨量站点的实测降雨数据进行叠加时,应解决各个实际雨量站点具有不同数据采集周期和不同采集时间戳的问题。
实时预警模型的触发时刻为t0,获取t0时刻前3个小时的该多个实际雨量站点的实测降雨数据。查询该多个实际雨量站点的数据采集周期Ti,取其中的最大采集周期Tmax作为叠加数据的时间间隔,以该时间间隔对需要叠加的几个实际雨量站点数据进行同化重构。
实际雨量站点i的原实测数据为(假设t0=00:00:00):
按照新的采集周期Tmax对实际雨量站点i的数据进行同化重构:
对多个实际雨量站点的同化重构后的降雨数据进行叠加,形成叠加数据:
(…;00:00:00-3Tmax,R4;00:00:00-2Tmax,R3;00:00:00-Tmax,R2;00:00:00,R1;)
式中,Rj按照a)空间组合的叠加公式计算如下:
式中,n为参与数据叠加的实际雨量站点的数量,wi为网格内不同多边形的面积占比。
在一个实施例中,将河道流量实测数据和河道流量预报数据根据时间关系进行组合,得到河道流量组合序列数据包括:
将河道流量实测数据和河道流量预报数据根据时间关系进行组合;
使用河道流量实测数据的采样周期截取组合的数据,得到河道流量组合序列数据。
一种实现方式中,实测降雨数据与网格降雨预报数据进行时间组合时,应保证数据间具有相同的时间间隔,因此需解决两类数据具有不同采集周期的问题。本发明提出的组合方法以降雨预报数据的采集周期Tf作为组合数据的时间间隔。
将叠加后的实测降雨数据的时间间隔转换为Tf:
(…;00:00:00-3Tf,R'4;00:00:00-2Tf,R'3;00:00:00-Tf,R'2;00:00:00,R'1;)
式中,R'j取值方法如下当Tmax≤Tf时:
当Tmax>Tf时,R'j取介于00:00:00-(k-1)Tmax和00:00:00-(k-2)Tmax两个时刻之间的线性插值:
以上,通过提出的网格降雨预报数据与雨量站点实测数据的时空组合方法,最终获得实时预警模型的降雨时间序列数据(以模型在00:00:00时刻触发为例):
(…;00:00:00-3Tf,R'4;00:00:00-2Tf,R'3;00:00:00-Tf,R'2;00:00:00,R'1;00:00:00+Tf,00:00:00+2Tf,00:00:00+3Tf,…)
在一个实施例中,在根据积水结果数据对预设积水点进行遍历检查确定目标区域内涝区域,并进行可视化显示之前方法还包括:
选取大重现期降雨数据作为输入,利用单机版模型软件对模型进行线下计算,获得二维网格的积水水深变化过程结果数据;
根据积水水深变化过程结果数据标定预设积水点,并将预设积水点与实际空间地址信息进行关联。
一种实现方式中,二维网格的积水结果数据的处理依据:城市的易涝点位置一般是固定的(不考虑改造后情况),模型计算获得的易涝点位置一般也是固定的,只是降雨量大小不同导致涝点数量的不同,大降雨量条件下的涝点一般会覆盖小降雨量条件下的涝点。
基于上述依据,对二维网格的积水结果数据的处理步骤如下:
1)短时强降雨下的线下模型计算及积水区域范围的人工提取
选取大重现期降雨数据作为输入(如50年一遇),利用单机版模型软件对模型进行线下计算,获得二维网格的积水水深变化过程结果数据,在该结果数据中人工圈定各个积水区域范围(以下称“积水点”),并进行编号,如A1、A2、A3、…,组成积水点集合A={A1,A2,A3,…,An}。统计每个积水点所包含的积水网格,如积水点A1包含积水网格c1,c2,c3,c4,…,组成积水网格集合C;A2包含积水网格d1,d2,d3,d4,…,组成积水网格集合D;A3包含积水网格e1,e2,e3,e4,…,组成积水网格集合E;An包含的积水网格组成集合N。
2)短时强降雨下的积水区域空间信息提取
对上述降雨重现期下模型计算得到的所有积水点的空间信息进行人工关联,结合街道图对每个积水点的位置名称信息进行提取人工提取。如积水点A1的位置为XX路与XX路交口,积水点A2的位置为XX学校北门,积水点A3的位置为XX商场1号门,……。
3)实时预警模型计算结果数据的匹配与统计
实时预警模型在线上进行实时计算时,若降雨量小于该重现期降雨量(50年一遇),则模型计算得到的各个积水点将均包含在集合A内,各个积水点的淹没网格也均隶属于相应的积水网格集合C、D、E、…、N。
在二维网格的计算结果文件中,对积水网格集合C的各个网格进行遍历检查,统计其中淹没网格(水深大于0.15m)的数量、面积和最大过程水深,若淹没网格数量不为0,则输出积水点a1的属性信息:位置名称(A1的位置)、淹没面积(所有淹没网格的面积的累加)、最大水深(所有淹没网格的最大过程水深的最大值)。
同样地,对其他积水网格集合D、E、…、N中各个网格进行遍历检查,集合内没有淹没网格则说明该区域内没有积水点,若有淹没网格则说明该区域内有积水点,相应地输出积水点的位置名称、淹没面积、最大水深、平均水深和开始淹没时间,如输出积水点a2、a3、…。
最终,针对该次线上实时计算结果,统计得到了所有积水点的空间信息,包括积水点位置名称、淹没面积、最大水深、平均水深、开始淹没时间等空间信息。图为基于某实时计算结果得到的积水点空间信息。
在一个实施例中,目标区域内涝区域可视化显示内容包括积水点位置名称、淹没面积、最大水深、平均水深、开始淹没时间中的至少一项。
基于相同的发明构思本发明实施例还提供了一种城市内涝实时预测预警系统,该系统包括数据获取模块、第一组合模块、第二组合模块、积水估计模块和内涝检查模块;其中:
数据获取模块,用于获取当前目标区域的降雨数据和河道数据;降雨数据包括降雨实测数据和降雨预报数据;河道数据包括河道流量实测数据和河道流量预报数据;
第一组合模块,用于将降雨实测数据和降雨预报数据根据时间和空间关系进行组合,得到降雨组合序列数据;
第二组合模块,用于将河道流量实测数据和河道流量预报数据根据时间关系进行组合,得到河道流量组合序列数据;
积水估计模块,用于将组合序列数据和道流量组合序列数据输入预设实时预警模型,得到目标区域未来预设时间段内的积水结果数据;实时预警模型包括目标区域的一维管网水动力模型、一维河道水动力模型和二维地表水动力模型;
内涝检查模块,用于根据积水结果数据对预设积水点进行遍历检查确定目标区域内涝区域,并进行可视化显示。
本发明实施例还提供了一种电子设备,如图2所示,包括处理器201、通信接口202、存储器203和通信总线204,其中,处理器201,通信接口202,存储器203通过通信总线204完成相互间的通信,
存储器203,用于存放计算机程序;
处理器201,用于执行存储器203上所存放的程序时,实现如下步骤:
获取当前目标区域的降雨数据和河道数据;所述降雨数据包括降雨实测数据和降雨预报数据;所述河道数据包括河道流量实测数据和河道流量预报数据;
将降雨实测数据和降雨预报数据根据时间和空间关系进行组合,得到降雨组合序列数据;
将河道流量实测数据和河道流量预报数据根据时间关系进行组合,得到河道流量组合序列数据;
将所述组合序列数据和所述道流量组合序列数据输入预设实时预警模型,得到所述目标区域未来预设时间段内的积水结果数据;所述实时预警模型包括所述目标区域的一维管网水动力模型、一维河道水动力模型和二维地表水动力模型;
根据所述积水结果数据对预设积水点进行遍历检查确定所述目标区域内涝区域,并进行可视化显示。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated 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。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一一种城市内涝实时预测预警方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一一种城市内涝实时预测预警方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,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。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。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成的服务器、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(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统、电子设备及存储介质而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (9)
1.一种城市内涝实时预测预警方法,其特征在于,所述方法包括:
获取当前目标区域的降雨数据和河道数据;所述降雨数据包括降雨实测数据和降雨预报数据;所述河道数据包括河道流量实测数据和河道流量预报数据;
将降雨实测数据和降雨预报数据根据时间和空间关系进行组合,得到降雨组合序列数据;
将河道流量实测数据和河道流量预报数据根据时间关系进行组合,得到河道流量组合序列数据;
将所述组合序列数据和所述道流量组合序列数据输入预设实时预警模型,得到所述目标区域未来预设时间段内的积水结果数据;所述实时预警模型包括所述目标区域的一维管网水动力模型、一维河道水动力模型和二维地表水动力模型;
根据所述积水结果数据对预设积水点进行遍历检查确定所述目标区域内涝区域,并进行可视化显示。
2.根据权利1所述的一种城市内涝实时预测预警方法,其特征在于,在将降雨实测数据和降雨预报数据根据时间和空间关系进行组合,得到降雨组合序列数据之前,所述方法还包括:
根据所述降雨实测数据和所述河道流量实测数据进行仿真模拟确定预设的实时预警模型的初始状态数据。
3.根据权利2所述的一种城市内涝实时预测预警方法,其特征在于,所述初始状态数据包括所述目标区域当前的管网、河道和地表的积水量。
4.根据权利1所述的一种城市内涝实时预测预警方法,其特征在于,所述降雨实测数据为当前时刻之前预设第一时间段内所述目标区域的各实际雨量站点测得的降雨数据,在所述降雨实测数据中所述目标区域由多个泰森多边形分为多个第一子区域,每一第一子区域对应一个实际雨量站点;所述降雨预报数据为当前时刻之后预设第二时间段内预报的降雨数据,在所述降雨预报数据中所述目标区域由多个网格分为多个第二子区域,每一第二子区域对应一个虚拟雨量站;一个第二子区域与至少一个第一子区域有重叠部分;
将降雨实测数据和降雨预报数据根据时间和空间关系进行组合,得到降雨组合序列数据,包括:
根据各第二子区域与各第一子区域之间的空间关系,将所述降雨实测数据与所述降雨预报数据进行空间组合;
以降雨预报数据的第一采集周期作为降雨组合序列数据的时间间隔,将进行空间组合后的所述降雨实测数据的第二采集周期变化为所述第一采集周期,得到降雨组合序列数据。
5.根据权利4所述的一种城市内涝实时预测预警方法,其特征在于,根据各第二子区域与各第一子区域之间的空间关系,将所述降雨实测数据与所述降雨预报数据进行空间组合包括:
针对包含于唯一第一子区域的第二子区域,直接根据各第二子区域与各第一子区域之间的空间关系,将所述降雨实测数据与所述降雨预报数据进行空间组合;
针对与多个第一子区域具有重叠部分的第二子区域,将多个实际雨量站点的数据采集周期中最大的采样周期作为叠加数据的时间间隔,以该时间间隔对各实际雨量站点数据进行同化重构,根据该第二子区域与各第一子区域之间的空间关系,将所述降雨实测数据与所述降雨预报数据进行空间组合。
6.根据权利1所述的一种城市内涝实时预测预警方法,其特征在于,将河道流量实测数据和河道流量预报数据根据时间关系进行组合,得到河道流量组合序列数据包括:
将河道流量实测数据和河道流量预报数据根据时间关系进行组合;
使用河道流量实测数据的采样周期截取组合的数据,得到河道流量组合序列数据。
7.根据权利1所述的一种城市内涝实时预测预警方法,其特征在于,在根据所述积水结果数据对预设积水点进行遍历检查确定所述目标区域内涝区域,并进行可视化显示之前所述方法还包括:
选取大重现期降雨数据作为输入,利用单机版模型软件对模型进行线下计算,获得二维网格的积水水深变化过程结果数据;
根据所述积水水深变化过程结果数据标定预设积水点,并将预设积水点与实际空间地址信息进行关联。
8.根据权利1所述的一种城市内涝实时预测预警方法,其特征在于,所述目标区域内涝区域可视化显示内容包括积水点位置名称、淹没面积、最大水深、平均水深、开始淹没时间中的至少一项。
9.一种城市内涝实时预测预警系统,其特征在于,所述系统包括数据获取模块、第一组合模块、第二组合模块、积水估计模块和内涝检查模块;其中:
所述数据获取模块,用于获取当前目标区域的降雨数据和河道数据;所述降雨数据包括降雨实测数据和降雨预报数据;所述河道数据包括河道流量实测数据和河道流量预报数据;
所述第一组合模块,用于将降雨实测数据和降雨预报数据根据时间和空间关系进行组合,得到降雨组合序列数据;
所述第二组合模块,用于将河道流量实测数据和河道流量预报数据根据时间关系进行组合,得到河道流量组合序列数据;
所述积水估计模块,用于将所述组合序列数据和所述道流量组合序列数据输入预设实时预警模型,得到所述目标区域未来预设时间段内的积水结果数据;所述实时预警模型包括所述目标区域的一维管网水动力模型、一维河道水动力模型和二维地表水动力模型;
所述内涝检查模块,用于根据所述积水结果数据对预设积水点进行遍历检查确定所述目标区域内涝区域,并进行可视化显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211541596.7A CN115796368A (zh) | 2022-12-02 | 2022-12-02 | 一种城市内涝实时预测预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211541596.7A CN115796368A (zh) | 2022-12-02 | 2022-12-02 | 一种城市内涝实时预测预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115796368A true CN115796368A (zh) | 2023-03-14 |
Family
ID=85445172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211541596.7A Pending CN115796368A (zh) | 2022-12-02 | 2022-12-02 | 一种城市内涝实时预测预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115796368A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116386284A (zh) * | 2023-05-26 | 2023-07-04 | 浙江贵仁信息科技股份有限公司 | 一种城市洪涝的告预警方法及系统 |
CN116611333A (zh) * | 2023-05-23 | 2023-08-18 | 中国水利水电科学研究院 | 一种城市洪涝风险点预测方法 |
CN117198003A (zh) * | 2023-09-19 | 2023-12-08 | 北京建筑大学 | 一种内涝风险的预警方法、装置、电子设备及存储介质 |
-
2022
- 2022-12-02 CN CN202211541596.7A patent/CN115796368A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116611333A (zh) * | 2023-05-23 | 2023-08-18 | 中国水利水电科学研究院 | 一种城市洪涝风险点预测方法 |
CN116611333B (zh) * | 2023-05-23 | 2023-11-14 | 中国水利水电科学研究院 | 一种城市洪涝风险点预测方法 |
CN116386284A (zh) * | 2023-05-26 | 2023-07-04 | 浙江贵仁信息科技股份有限公司 | 一种城市洪涝的告预警方法及系统 |
CN116386284B (zh) * | 2023-05-26 | 2023-08-25 | 浙江贵仁信息科技股份有限公司 | 一种城市洪涝的告预警方法及系统 |
CN117198003A (zh) * | 2023-09-19 | 2023-12-08 | 北京建筑大学 | 一种内涝风险的预警方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115796368A (zh) | 一种城市内涝实时预测预警方法及系统 | |
Gül et al. | A combined hydrologic and hydraulic modeling approach for testing efficiency of structural flood control measures | |
Alaghmand et al. | Comparison between capabilities of HEC-RAS and MIKE11 hydraulic models in river flood risk modelling (a case study of Sungai Kayu Ara River basin, Malaysia) | |
Vázquez et al. | Assessment of the effects of DEM gridding on the predictions of basin runoff using MIKE SHE and a modelling resolution of 600 m | |
CN112785024B (zh) | 一种基于流域水文模型的径流计算和预测方法 | |
CN111898303A (zh) | 基于气象预报及水动力模拟的流域水位及内涝预报方法 | |
KR102129881B1 (ko) | 침수 예측 정보 및 피해액 산출 시스템 | |
CN113673765A (zh) | 一种小流域洪水预报预警方法及终端 | |
CN115169069A (zh) | 基于大数据的城市内涝预测方法 | |
JP2006030013A (ja) | 全国合成レーダ雨量情報提供システム | |
Hadidi et al. | Flood mapping in face of rapid urbanization: A case study of Wadi Majraf-Manumah, Muscat, Sultanate of Oman | |
Hjelmstad et al. | Propagation of radar rainfall uncertainties into urban pluvial flood modeling during the North American monsoon | |
Kozlov et al. | Efficacy of digital elevation and Nash models in runoff forecast | |
Yang et al. | Study on urban flood simulation based on a novel model of SWTM coupling D8 flow direction and backflow effect | |
Nandalal et al. | Event based modeling of a watershed using HEC-HMS | |
Gaudio et al. | A combined methodology for the hydraulic rehabilitation of urban drainage networks | |
JP6178121B2 (ja) | 模擬降雨データ生成装置、生成方法およびプログラム | |
Ryu | Application of HSPF to the distributed model intercomparison project: case study | |
Over et al. | Adjusting annual maximum peak discharges at selected stations in northeastern Illinois for changes in land-use conditions | |
Moon et al. | Flooding time nomograph for urban river flood prediction: Case study of Dorim stream basin, Seoul | |
Hashimoto et al. | Multi-scale flooding hazards evaluation using a nested flood simulation model: case study of Jamuna River, Bangladesh | |
Hishinuma et al. | Challenges of hydrological analysis for water resource development in semi-arid mountainous regions: case study in Iran | |
Gautam | Flow routing with Semi-distributed hydrological model HEC-HMS in case of Narayani River Basin. | |
Fava et al. | Integration of information technology systems for flood forecasting with hybrid data sources | |
Mokhtar et al. | Comparative assessment of water surface level using different discharge prediction 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 |