CN115879363A - 一种基于降雨量的积水预测方法 - Google Patents

Abstract

本发明公开了一种基于降雨量的积水预测方法，克服了现有技术中积水预测难度较大、预测不准确的问题，包括以下步骤：S1：根据目标区域地形，进行排水分区划分；S2：根据目标区域实际降雨量以及排水分区，建立积水模型；S3：基于实际天气情况，建立降雨量预估模型；S4：根据降雨量预测值，在目标区域地形图上动态模拟目标区域积水情况，进行积水预警。充分利用历史数据资源，根据降雨量预测积水情况，并结合目标区域地形趋势，增强积水监测预警及时性、准确性。

Description

一种基于降雨量的积水预测方法

技术领域

本发明涉及积水预测技术领域，特别涉及了一种基于降雨量的积水预测方法。

背景技术

近年来，由于全球气候变暖，极端天气频度和强度明显上升。我国多地发生强降水，持续时间长、累积雨量大、时段集中、具有极端性。受极端降雨影响，频发地下配/变电房和电缆井积水事件。电力设备在积水中浸泡，引起设备绝缘部分闪络放电、短路故障，甚至跳闸，进而大面积停电，此外也易引发漏电，导致人生伤害，强降雨和内涝正成为电力安全的重大隐患。

传统的水文预报手段和模式，已不能满足目前水文工作需要，城市化进程对水文预报提出了新要求和新挑战，由于城市气象和水文条件的特殊性和复杂性，城市洪水预报难度较大。而目前，对强降雨积水预警系统的国内相关研究还处在起步阶段，积水预测难度大、预测不准确的问题并没有解决。

发明内容

本发明的目的是克服现有技术中积水预测难度较大、预测不准确的问题，提供了一种基于降雨量的积水预测方法，充分利用历史数据资源，根据降雨量预测积水情况，并结合目标区域地形趋势，增强积水监测预警及时性、准确性。

为了实现上述目的，本发明采用以下技术方案：一种基于降雨量的积水预测方法，包括下列步骤：

S1：根据目标区域地形，进行排水分区划分；

S2：根据目标区域实际降雨量以及排水分区，建立积水模型；

S3：基于实际天气情况，建立降雨量预估模型；

S4：根据降雨量预测值，在目标区域地形图上动态模拟目标区域积水情况，进行积水预警。

本发明根据目标区域地形，首先进行排水区和汇水区划分，并对不同排水分区之间、排水口与受纳水体之间的连接性进行分析；并利用实际降雨量分析积水区域，得到降雨量与积水情况的关系。然后根据实际天气情况，预测降雨量，从而根据预测的降雨量，带入降雨量与积水情况的关系的积水模型，预测积水区域。结合了城市地形，根据排水分区分别计算每个分区的积水情况，计算结果更准确，并能根据降雨量提前得到目标区域积水情况，便于提前应对可能出现的水灾，减小水灾可能带来的损失。同时，能够在目标区域地形图上动态展示积水情况，可以辅助策划预警应急方案。

作为优选，所述的步骤S1进一步表示为：

S1.1：获取目标区域整体地形趋势；

S1.2：获取目标区域地下管道分布，确定排水口；

S1.3：结合目标区域整体地形以及地下管道分布情况，对目标区域进行排水分区划分，并建立排水口与排水分区的一一对应关系。

为实现目标区域内各地区在未来降雨量以及积水情况的可靠性预测，对目标区域的进行排水区和汇水区划分，并对不同排水分区之间、排水口与受纳水体之间的连接性进行分析。此步骤中，还可以利用遥感影像和高程图像获取整体地形趋势，采用网格化算法进行排水分区划分，采用随机性算法与确定性算法对汇水区相关参数(包括汇水区的积水量、地表水流、土壤渗透率及管道出水率)进行确定，提高参数确定的效率和准确率的同时避免陷入局部最优解，建立高效准确的参数确定算法，并以相关实测雨水流量进行验证，对确定的结果进行对比分析。

作为优选，所述步骤S1.1进一步表示为：

S1.1.1：获取目标区域的遥感影像以及与选取的遥感影像分辨率相同的数字高程模型影像；

S1.1.2：对遥感影像进行预处理，得到目标区域的数字正射影像图；

S1.1.3：对数字高程模型影像以及数字正射影像进行切片，根据切片后的影像构建切片不规则三角网；

S1.1.4：基于切片不规则三角网，生成数字高程三维切片地形模型，将数字正射影像切片的地貌纹理映射到相应的数字高程三维切片地形模型上，得到对应的分块三维地理场景模型；

S1.1.5：将分块三维地理场景模型依次存储，得到原始卫星遥感影像对应的三维地理场景模型。

获取目标区域地形趋势，进行积水预测时考虑地形趋势，使得预测结果更准确。

作为优选，所述步骤S2进一步表示为：

S2.1：利用实际降雨量与降雨减损，计算目标区域降水量对应的产流；

S2.2：利用非线性水库模型，计算降雨地表汇流，得到地表积水水深；

S2.3：计算降雨管网汇流，得到地下积水水深。

产流就是降水经过地表的植物截留、下渗、蒸发等过程产生地表径流的过程。产流值由实际降雨量减去降雨减损获得。降雨汇流是指降雨产生的产流汇集到流域出口流出的过程；地表汇流是各汇水区内产流后由地表汇流至流域出口的过程。管网汇流由管网排水能力和排水历时共同决定。

作为优选，所述步骤S2.2进一步表示为：

S2.2.1：将每一个汇水区概化为一个非线性水库，建立非线性水库模型，所述模型以降雨量为输入，地表汇流和入渗为输出；

S2.2.2：根据非线性水库模型，得到时间步长结束时刻的出流量，即地表水深。

非线性水库模型的计算原理如下：

式中：V为汇水区的积水量，V＝A×d；d为水深；A为汇水区面积；i为净雨；Q为出流量。

其中，

式中：W为汇水区的漫流宽度；n为地表曼宁粗糙系数；为地表滞蓄水深；S为汇水区宽度。

作为优选，所述的步骤S3进一步表示为：

S3.1：采集目标区域不同时刻的气象数据以及实际降雨量，建立目标区域降雨数据库；

S3.2：建立神经网络模型，以各采集时刻的气象数据作为神经网络模型的输入，将神经网络模型的输出作为该时刻目标区域的降雨量预测值；

S3.3：利用实际降雨量训练神经网络模型，得到优化的神经网络模型；

S3.4：采集目标区域未来气象数据，并将未来气象数据作为优化的神经网络模型的输入，得到目标区域未来时间段内的降雨量预测值。

根据历史气象数据与历史实时降雨量，构建降雨量预测模型，实现目标区域未来降雨量方面的可靠性预测。气象数据包括地表平均气温、大气降水、地表相对湿度、地表大气压、云量、近地面东风和/或近地面北风等于降雨有关的数据。还可以包括大气环流因子、雷达回波图等数据。

作为优选，所述步骤S3还包括：

S3.5：采集目标区域降雨量预测值对应时间段的实际降雨量；

S3.6：计算目标区域降雨量预测值与降雨量预测值对应时间段的实际降雨量之间的均方根误差、平均绝对误差和决定系数，对实际降雨量与降雨量预测值进行差异评价。

判断降雨量预测值与实际降雨量差值是否过大，从而可以判断是否需要再次对降雨量预估模型进行优化，以便得到的降雨量预测值更加准确。

作为优选，所述步骤S4进一步表示为：

S4.1：建立基于降雨量预测值的积水区域的动态扩散模型；

S4.2：建立积水深度和降雨积涝风险等级的对照标准；

S4.3：选定典型日期将实际降雨过程的雨量时间序列输入动态扩散模型，得到模拟积水量后进行扩散及可视化表达；

S4.4：在目标区域地形图上标注积水区域，并在地形图上动态展示积水区域随降雨量的变化情况。

降雨量预测值的积水区域的动态扩散模型即积水情况(积水区域、积水深度)随降雨量变化的变化模型，可以使用户更加清晰、直观地观测降雨量与积水情况之间的关系。同时，建立积水深度和降雨积涝风险等级的对照标准，可以直接根据积水深度采取对应的措施，更加方便。

作为优选，还包括：在实际降雨过程中，获取实时降雨量信息以及实时水位信息，并实时校正、更新目标区域积水情况。

预测结果不能保证完全与实际情况一致，因此可以在实际降雨时，采集降雨数据，对积水情况进行实时更新。

因此，本发明具有如下有益效果：1、充分利用历史数据资源，根据降雨量预测积水情况，并结合目标区域地形趋势，增强积水监测预警及时性、准确性，有利于对可能因强降雨出现故障的电力设备进行相应的预控处理，减少隐患发生的几率；2、依据区域性气象预测对未来积水状况进行提前预测，未来一段时间的降雨量、积水深度、积水时间等进行预测；3、可以基于监测和预测的积水数据进行电力设备的风险等级评估，依据不同等级启动应急措施，实现电力设备的正常运行。

附图说明

图1为本发明方法的具体操作流程图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

如图1所示的实施例中，可以看到一种基于降雨量的积水预测方法，其操作流程为：步骤一，根据目标区域地形，进行排水分区划分；步骤二，根据目标区域实际降雨量以及排水分区，建立积水模型；步骤三，基于实际天气情况，建立降雨量预估模型；步骤四，根据降雨量预测值，在目标区域地形图上动态模拟目标区域积水情况，进行积水预警。

本发明根据目标区域地形，首先进行排水区和汇水区划分，并对不同排水分区之间、排水口与受纳水体之间的连接性进行分析；并利用实际降雨量分析积水区域，得到降雨量与积水情况的关系。然后根据实际天气情况，预测降雨量，从而根据预测的降雨量，带入降雨量与积水情况的关系的积水模型，预测积水区域。结合了城市地形，根据排水分区分别计算每个分区的积水情况，计算结果更准确，并能根据降雨量提前得到目标区域积水情况，便于提前应对可能出现的水灾，减小水灾可能带来的损失。同时，能够在目标区域地形图上动态展示积水情况，可以辅助策划预警应急方案。

下面通过具体的例子，进一步说明本申请的技术方案。

第一步：根据目标区域地形，进行排水分区划分。

1、获取目标区域整体地形趋势；

获取目标区域的遥感影像以及与选取的遥感影像分辨率相同的数字高程模型影像：获取的遥感影像包括正视全色影像、前视全色影像、后视全色影像以及正视多光谱图像，将正视全色影像与前视全色影像(或与所述后视全色影像)进行立体影像匹配，生成包含真实高程信息的数字高程模型影像；将正视全色影像与正视多光谱图像进行影像融合，生成包含地貌纹理信息的数字正射影像。

对数字高程模型影像以及数字正射影像进行切片，得到依次排序的数字高程模型影像切片和数字正射影像切片；利用数字高程模型影像切片构建不规则三角网，基于不规则三角网中各个三角形的信息生成数字高程三维切片地形模型，将数字正射影像切片的地貌纹理映射到相应的数字高程三维切片地形模型上，得到对应的分块三维地理场景模型；将分块三维地理场景模型按排序依次存储，得到原始卫星遥感影像对应的三维地理场景模型。

2、获取目标区域地下管道分布，确定排水口；

结合目标区域整体地形以及地下管道分布情况，对目标区域进行排水分区划分，并建立排水口与排水分区的一一对应关系。

为实现目标区域内各地区在未来降雨量以及积水情况的可靠性预测，对目标区域的进行排水区和汇水区划分，并对不同排水分区之间、排水口与受纳水体之间的连接性进行分析。此步骤中，还可以利用遥感影像和高程图像获取整体地形趋势，采用网格化算法进行排水分区划分，采用随机性算法与确定性算法对汇水区相关参数(包括汇水区的积水量、地表水流、土壤渗透率及管道出水率)进行确定，提高参数确定的效率和准确率的同时避免陷入局部最优解，建立高效准确的参数确定算法，并以相关实测雨水流量进行验证，对确定的结果进行对比分析。

第二步：根据目标区域实际降雨量以及排水分区，建立积水模型。

1、利用实际降雨量与降雨减损，计算目标区域降水量对应的产流。

产流就是降水经过地表的植物截留、下渗、蒸发等过程产生地表径流的过程。产流量值由实际降雨量减去降雨减损获得，即：

W_产流＝Q_总-q_下渗-q_蒸发，

式中：参数分别是雨水地表产流、降水总量、下渗雨量、雨水蒸发量。

土壤下渗减损公式如下：

q_下渗＝I_t*Δt*S

I_t＝f₀+(f₁-f₀)e^-α，

式中：I_t为Δt(时间间隔)时间内的平均入渗率；S为透水区面积；f₀为最终入渗率；f₁为起始入渗率；α为入渗递减率。

2、利用非线性水库模型，计算降雨地表汇流，得到地表积水水深。

降雨汇流是指降雨产生的产流汇集到流域出口流出的过程。地表汇流是各汇水区内产流后由地表汇流至流域出口的过程。

本实施例将每一个汇水区概化为一个非线性水库，建立非线性水库模型，所述模型以降雨量为输入，地表汇流和入渗为输出；根据非线性水库模型，得到时间步长结束时刻的出流量，即地表水深。

非线性水库模型的计算原理如下：

式中：V为汇水区的积水量，V＝A×d；d为水深；A为汇水区面积；i为净雨；Q为出流量。

其中：

式中:w为汇水区的漫流宽度；n为地表曼宁粗糙系数；为地表滞蓄水深；S为汇水区宽度。最后可以得到时间步长结束时刻的出流量，即地表水深。

3、计算降雨管网汇流，得到地下积水水深。

管网汇流由管网排水能力和排水历时共同决定：

式中：n为管壁糙率；d为管径；S为管底坡度；Δt为排水历时。

第三步：基于实际天气情况，建立降雨量预估模型。

采集目标区域不同时刻的气象数据以及实际降雨量，建立目标区域降雨数据库；建立神经网络模型，以各采集时刻的气象数据作为神经网络模型的输入，将神经网络模型的输出作为该时刻目标区域的降雨量预测值；利用实际降雨量训练神经网络模型，得到优化的神经网络模型；采集目标区域当前时刻气象数据，并将当前时刻气象数据作为优化的神经网络模型的输入，得到目标区域未来时间段内的降雨量预测值；采集目标区域未来时间段内的实际降雨量；计算目标区域未来时间段内的实际降雨量与降雨量预测值之间的均方根误差、平均绝对误差和决定系数，对实际降雨量与降雨量预测值进行差异评价。

根据历史气象数据与历史实时降雨量，构建降雨量预测模型，实现目标区域未来降雨量方面的可靠性预测。气象数据包括地表平均气温、大气降水、地表相对湿度、地表大气压、云量、近地面东风和/或近地面北风等于降雨有关的数据。还可以包括大气环流因子、雷达回波图等数据。判断降雨量预测值与实际降雨量差值是否过大，从而可以判断是否需要再次对降雨量预估模型进行优化，以便得到的降雨量预测值更加准确。

第四步：根据降雨量预测值，在目标区域地形图上动态模拟目标区域积水情况，进行积水预警。

1、建立基于降雨量预测值的积水区域的动态扩散模型；降雨量预测值的积水区域的动态扩散模型即积水情况(积水区域、积水深度)随降雨量变化的变化模型，可以使用户更加清晰、直观地观测降雨量与积水情况之间的关系。

2、建立积水深度和降雨积涝风险等级的对照标准；可以直接根据积水深度采取对应的措施，更加方便。

3、选定典型日期将实际降雨过程的雨量时间序列输入动态扩散模型，得到模拟积水量后进行扩散及可视化表达。

4、在目标区域地形图上标注积水区域，并在地形图上动态展示积水区域随降雨量的变化情况，直观清晰地观测目标区域积水情况。

预测结果不能保证完全与实际情况一致，因此可以在实际降雨时，采集降雨数据，对积水情况进行实时更新。即在实际降雨过程中，获取实时降雨量信息以及实时水位信息，并实时校正、更新目标区域积水情况。

以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (9)

1.一种基于降雨量的积水预测方法，其特征在于，它包括下列步骤：

S1：根据目标区域地形，进行排水分区划分；

S2：根据目标区域实际降雨量以及排水分区，建立积水模型；

S3：基于实际天气情况，建立降雨量预估模型；

S4：根据降雨量预测值，在目标区域地形图上动态模拟目标区域积水情况，进行积水预警。

2.根据权利要求1所述的一种基于降雨量的积水预测方法，其特征在于，所述的步骤S1进一步表示为：

S1.1：获取目标区域整体地形趋势；

S1.2：获取目标区域地下管道分布，确定排水口；

S1.3：结合目标区域整体地形以及地下管道分布情况，对目标区域进行排水分区划分，并建立排水口与排水分区的一一对应关系。

3.根据权利要求2所述的一种基于降雨量的积水预测方法，其特征在于，所述步骤S1.1进一步表示为：

S1.1.1：获取目标区域的遥感影像以及与选取的遥感影像分辨率相同的数字高程模型影像；

S1.1.2：对遥感影像进行预处理，得到目标区域的数字正射影像图；

S1.1.3：对数字高程模型影像以及数字正射影像进行切片，根据切片后的影像构建切片不规则三角网；

S1.1.4：基于切片不规则三角网，生成数字高程三维切片地形模型，将数字正射影像切片的地貌纹理映射到相应的数字高程三维切片地形模型上，得到对应的分块三维地理场景模型；

S1.1.5：将分块三维地理场景模型依次存储，得到原始卫星遥感影像对应的三维地理场景模型。

4.根据权利要求1所述的一种基于降雨量的积水预测方法，其特征在于，所述步骤S2进一步表示为：

S2.1：利用实际降雨量与降雨减损，计算目标区域降水量对应的产流；

S2.2：利用非线性水库模型，计算降雨地表汇流，得到地表积水水深；

S2.3：计算降雨管网汇流，得到地下积水水深。

5.根据权利要求4所述的一种基于降雨量的积水预测方法，其特征在于，所述步骤S2.2进一步表示为：

S2.2.1：将每一个汇水区概化为一个非线性水库，建立非线性水库模型，所述模型以降雨量为输入，地表汇流和入渗为输出；

S2.2.2：根据非线性水库模型，得到时间步长结束时刻的出流量，即地表水深。

6.根据权利要求1或2或4所述的一种基于降雨量的积水预测方法，其特征在于，所述的步骤S3进一步表示为：

S3.1：采集目标区域不同时刻的气象数据以及实际降雨量，建立目标区域降雨数据库；

S3.2：建立神经网络模型，以各采集时刻的气象数据作为神经网络模型的输入，将神经网络模型的输出作为该时刻目标区域的降雨量预测值；

S3.3：利用实际降雨量训练神经网络模型，得到优化的神经网络模型；

S3.4：采集目标区域未来气象数据，并将未来气象数据作为优化的神经网络模型的输入，得到目标区域未来时间段内的降雨量预测值。

7.根据权利要求6所述的一种基于降雨量的积水预测方法，其特征在于，所述步骤S3还包括：

S3.5：采集目标区域降雨量预测值对应时间段的实际降雨量；

S3.6：计算目标区域降雨量预测值与降雨量预测值对应时间段的实际降雨量之间的均方根误差、平均绝对误差和决定系数，对实际降雨量与降雨量预测值进行差异评价。

8.根据权利要求1所述的一种基于降雨量的积水预测方法，其特征在于，所述步骤S4进一步表示为：

S4.1：建立基于降雨量预测值的积水区域的动态扩散模型；

S4.2：建立积水深度和降雨积涝风险等级的对照标准；

S4.3：选定典型日期将实际降雨过程的雨量时间序列输入动态扩散模型，得到模拟积水量后进行扩散及可视化表达；

S4.4：在目标区域地形图上标注积水区域，并在地形图上动态展示积水区域随降雨量的变化情况。

9.根据权利要求1或8所述的一种基于降雨量的积水预测方法，其特征在于，还包括：在实际降雨过程中，获取实时降雨量信息以及实时水位信息，并实时校正、更新目标区域积水情况。

Images