CN116522604B - 一种历史场次暴雨洪水灾害场景移植方法 - Google Patents

一种历史场次暴雨洪水灾害场景移植方法 Download PDF

Info

Publication number
CN116522604B
CN116522604B CN202310362940.4A CN202310362940A CN116522604B CN 116522604 B CN116522604 B CN 116522604B CN 202310362940 A CN202310362940 A CN 202310362940A CN 116522604 B CN116522604 B CN 116522604B
Authority
CN
China
Prior art keywords
storm
scene
flood
grid
center
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
CN202310362940.4A
Other languages
English (en)
Other versions
CN116522604A (zh
Inventor
刘业森
杨殿亮
胡文才
刘媛媛
涂勇
赵艳红
王瑶
杜庆顺
王秀庆
于百奎
曹晴
金炎辉
张家起
陈�胜
代杰
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.)
China Institute of Water Resources and Hydropower Research
Original Assignee
China Institute of Water Resources and Hydropower Research
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 China Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN202310362940.4A priority Critical patent/CN116522604B/zh
Publication of CN116522604A publication Critical patent/CN116522604A/zh
Application granted granted Critical
Publication of CN116522604B publication Critical patent/CN116522604B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Alarm Systems (AREA)

Abstract

本发明提供一种历史场次暴雨洪水灾害场景移植方法，包括获取完整的场次暴雨站点监测数据，还包括以下步骤：进行场次暴雨时空插值；进行暴雨中心移植；以移植后的暴雨网格为基础，通过旋转形成多个新场景；确定最大洪峰流量对应的暴雨场次。将该场次作为最终的移植结果。本发明提出的一种历史场次暴雨洪水灾害场景移植方法，通过考虑地表的子流域和降雨时空过程的关系，建立不同暴雨中心和不同移动方向组合下的暴雨场景，并利用洪涝模型计算各种场景下的洪水风险，选择最大洪水风险对应的暴雨场景作为移植到本地的结果。

Description

一种历史场次暴雨洪水灾害场景移植方法
技术领域
本发明涉及降水监测的技术领域，特别是一种历史场次暴雨洪水灾害场景移植方法。
背景技术
近年来，受全球气候变化和城市化等因素影响，极端的暴雨事件频发、突发，造成流域大洪水或严重的城市洪涝灾害，受到极大关注。当极端暴雨发生，往往会导致严重灾害事件。由于极端暴雨事件发生时间、发生地点、发展过程等都难以预测，为有效发现当地防灾减灾中存在的薄弱环节和漏洞，将已发生的典型极端暴雨事件移植到当地，模拟在极端暴雨事件发生情况下，可能面临的洪涝态势和灾害影响，就可以对薄弱环节和漏洞修复、应急突发预案制定等提供有效支撑。
目前暴雨移植采用单站降雨过程、面平均雨量等方法为主，但实际情况是，极端暴雨事件受天气条件、地形、气压等各种因素的影响，降雨中心落点和移动路径存在极大不确定性，而降雨中心落点和移动路径会对洪涝风险有很大影响。因此，目前采用的单站降雨过程、面平均雨量等移植方法，难以判别最大可能的洪涝风险。
2022年第11期的《河北水利》公开了杨丰源的题目为《郑州“7.20”暴雨移植子牙河流域方法及成果》的文章，该文章以子牙河流域为例,从天气形势上分析目标流域发生郑州“7·20”暴雨的可能性,分析其暴雨中心位置,介绍移植技术、移植结果,为子牙河流域防范郑州“7·20”级别特大暴雨提供参考。该方法的缺点是将降雨中心平移到流域不同位置，但未考虑降雨移动方向。
2022年第3期的《海河水利》公开了杨学军、魏琳和陈旭的题目为《郑州“7.20”特大暴雨移植大清河系初步模拟分析及对策研究》的文章，该文章通过开展郑州“7·20”特大暴雨移植大清河系的可能性分析,在综合大清河系历史暴雨中心和防洪重点区域的基础上,构建了5种暴雨落区移植方案,以最不利情况出发,对移植暴雨洪水进行模拟和影响分析,研究提出初步对策措施,为今后大清河系应对超标准洪水提供参考。该方法的缺点是考虑了降雨平移，但未考虑降雨旋转特征，不能充分体现降雨可能造成的最大洪水风险。
发明内容
为了解决上述的技术问题，本发明提出的一种历史场次暴雨洪水灾害场景移植方法，通过考虑地表的子流域和降雨时空过程的关系，建立不同暴雨中心和不同移动方向组合下的暴雨场景，并利用洪涝模型计算各种场景下的洪水风险，选择最大洪水风险对应的暴雨场景作为移植到本地的结果。
本发明的目的是提供一种历史场次暴雨洪水灾害场景移植方法，包括获取完整的场次暴雨站点监测数据，还包括以下步骤：
步骤1：进行场次暴雨时空插值；
步骤2：进行暴雨中心移植，包括以下子步骤：；
步骤3：以移植后的暴雨网格为基础，通过旋转形成多个新场景；
步骤4：确定最大洪峰流量对应的暴雨场次。将该场次作为最终的移植结果。
优选的是，所述场次暴雨站点监测数据的时长为5分钟间隔和/或1小时间隔。
在上述任一方案中优选的是，所述步骤1包括以下子步骤：
步骤11：将暴雨落区范围划分为格网，根据落区面积调整网格尺寸；
步骤12：通过计算格网中心点到每个站点的距离，选择离格网最近的3个站点；
步骤13：利用反距离插值算法，插值得到每个格网逐时段降雨量。
在上述任一方案中优选的是，插值公式为
，
其中，P g,t 表示网格g在t时段插值结果，P m,t 表示相邻的站点m在同一时段t的雨量值，D s,g 表示站点s到网格g中心点的距离。
在上述任一方案中优选的是，所述步骤2包括以下子步骤：
步骤21：根据插值得到的网格降雨数据，统计每个网格的累积降雨量，将累积降雨量最大的网格中心作为暴雨中心；
步骤22：将暴雨移植目标区域，根据洪水模型计算要求划分为n个子流域；
步骤23：将暴雨中心分别移动到每个子流域的中心，得到n个暴雨场景。
在上述任一方案中优选的是，每个网格新坐标的计算方法为
x new =x old +x basincenter -x raincenter
y new =y old +y basincenter -y raincenter
其中，x new 和y new 分别表示网格中心的新坐标经度、纬度，x old 和y old 表示网格中心原来的坐标的经度、纬度，x basincenter 和y basincenter 分别表示子流域中心坐标的经度、纬度，x raincenter 和y raincenter 分别表示移植前的暴雨中心坐标的经度、纬度。
在上述任一方案中优选的是，所述步骤3包括针对n个暴雨场景中的每个场景，以暴雨中心为中心，以T°为步长，旋转其他所有网格，形成n’个新的场景。
在上述任一方案中优选的是，所述步骤3还包括处理完成后，共生成(n’+1)*n个新的场景。
在上述任一方案中优选的是，每个网格旋转计算方式为
x=(x g -x c )×cosθ-(y g -y c ) ×sinθ+ x c
y=(y g -y c )×cosθ-(x g -x c ) ×sinθ+ y c
其中，x和y分别表示旋转θ度后网格中心新坐标的经度、纬度，x g 和y g 分别表示旋转前网格中心坐标的经度、纬度，x c 和y c 分别表示子流域中心坐标的经度、纬度。
在上述任一方案中优选的是，所述步骤4还包括将每个暴雨场景作为输入条件，分别输入洪水模型计算流域洪水过程，得到(n’+1)*n个洪水计算结果。
在上述任一方案中优选的是，所述步骤4还包括选择关键断面或流域出口断面，从每个洪水计算结果中提取洪峰流量，得到(n’+1)*n个结果，确定最大洪峰流量对应的暴雨场次。
本发明提出了一种历史场次暴雨洪水灾害场景移植方法，以子流域中心点确定暴雨中心点位置，更能体现每个子流域最大洪水风险；通过以暴雨中心点为中心旋转暴雨，考虑了暴雨移动路径不确定性对洪水风险的影响；基于多个暴雨中心和移动路径的所有可能组合，利用洪水模型计算洪水风险，进而确定最大风险的暴雨过程，更好的体现出面对灾害时的底线思维。
附图说明
图1为按照本发明的历史场次暴雨洪水灾害场景移植方法的一优选实施例的流程图。
图2为按照本发明的历史场次暴雨洪水灾害场景移植方法的另一优选实施例的流程图。
图3为按照本发明的历史场次暴雨洪水灾害场景移植方法的一优选实施例的暴雨站点分布情况示意图。
图4为按照本发明的历史场次暴雨洪水灾害场景移植方法的暴雨站点的雨量插值到网格上的一实施例的示意图。
图5为按照本发明的历史场次暴雨洪水灾害场景移植方法的移植前的暴雨分布与移植目标区域的一实施例的空间对比示意图。
图6为按照本发明的历史场次暴雨洪水灾害场景移植方法的将暴雨中心平移到某个子流域后的一实施例的暴雨分布示意图。
图7为按照本发明的历史场次暴雨洪水灾害场景移植方法的将暴雨顺时针旋转45度后的一实施例的暴雨分布示意图。
实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
实施例
如图1所示，一种历史场次暴雨洪水灾害场景移植方法，执行步骤100，获取完整的场次暴雨站点监测数据，所述场次暴雨站点监测数据的时长为5分钟间隔和/或1小时间隔。
执行步骤110，进行场次暴雨时空插值，包括以下子步骤：
执行步骤111，将暴雨落区范围划分为格网，根据落区面积调整网格尺寸；
执行步骤112，通过计算格网中心点到每个站点的距离，选择离格网最近的3个站点；
执行步骤113，利用反距离插值算法，插值得到每个格网逐时段降雨量，插值公式为
，
其中，P g,t 表示网格g在t时段插值结果，P m,t 表示相邻的站点m在同一时段t的雨量值，D s,g 表示站点s到网格g中心点的距离。
执行步骤120，进行暴雨中心移植，包括以下子步骤：
执行步骤121，根据插值得到的网格降雨数据，统计每个网格的累积降雨量，将累积降雨量最大的网格中心作为暴雨中心；
执行步骤122，将暴雨移植目标区域，根据洪水模型计算要求划分为n个子流域；每个网格新坐标的计算方法为
x new =x old +x basincenter -x raincenter
y new =y old +y basincenter -y raincenter
其中，x new 和y new 分别表示网格中心的新坐标经度、纬度，x old 和y old 表示网格中心原来的坐标的经度、纬度，x basincenter 和y basincenter 分别表示子流域中心坐标的经度、纬度，x raincenter 和y raincenter 分别表示移植前的暴雨中心坐标的经度、纬度。
执行步骤123，将暴雨中心分别移动到每个子流域的中心，得到n个暴雨场景。
执行步骤130，以移植后的暴雨网格为基础，通过旋转形成多个新场景。
针对n个暴雨场景中的每个场景，以暴雨中心为中心，以T°为步长，旋转其他所有网格，形成n’个新的场景。处理完成后，共生成(n’+1)*n个新的场景。
每个网格旋转计算方式为
x=(x g -x c )×cosθ-(y g -y c ) ×sinθ+ x c
y=(y g -y c )×cosθ-(x g -x c ) ×sinθ+ y c
式中，x和y分别表示旋转θ度后网格中心新坐标的经度、纬度，x g 和y g 分别表示旋转前网格中心坐标的经度、纬度，x c 和y c 分别表示子流域中心坐标的经度、纬度。
执行步骤140，确定最大洪峰流量对应的暴雨场次。将该场次作为最终的移植结果。
将每个暴雨场景作为输入条件，分别输入洪水模型计算流域洪水过程，得到(n’+1)*n个洪水计算结果。
选择关键断面或流域出口断面，从每个洪水计算结果中提取洪峰流量，得到(n’+1)*n个结果，确定最大洪峰流量对应的暴雨场次。
实施例
本发明设计了一种暴雨事件移植方法。通过考虑地表的子流域和降雨时空过程的关系，建立不同暴雨中心和不同移动方向组合下的暴雨场景，并利用洪涝模型计算各种场景下的洪水风险，选择最大洪水风险对应的暴雨场景作为移植到本地的结果。该方法较传统方法更为科学。
（1）以子流域中心点确定暴雨中心点位置，更能体现每个子流域最大洪水风险；
（2）通过以暴雨中心点为中心旋转暴雨，考虑了暴雨移动路径不确定性对洪水风险的影响；
（3）基于多个暴雨中心和移动路径的所有可能组合，利用洪水模型计算洪水风险，进而确定最大风险的暴雨过程，更好的体现出面对灾害时的底线思维。
本发明提出一种历史场次暴雨洪水移植方法，将曾经发生过的历史极端暴雨事件，移植到新的地区（或流域），以模拟如果历史极端暴雨发生在新的地区（或流域），可能造成的最大洪水风险。计算流程如图2所示。
第1步，场次暴雨时空插值。
目前，暴雨的站点监测数据以5分钟和1小时间隔为主，首先，将暴雨落区范围划分为格网，格网数在1万个左右（根据落区面积调整网格尺寸）。然后，通过计算格网中心点到每个站点的距离，选择离格网最近的3个站点，最后，利用反距离插值算法，插值得到每个格网逐时段降雨量。插值公式为：
，
式中，P g,t 表示网格g在t时段插值结果，P m,t 表示相邻的站点m在同一时段t的雨量值，D s,g 表示站点s到网格g中心点的距离。
第2步，暴雨中心移植。
首先，根据插值得到的网格降雨数据，统计每个网格的累积降雨量，将累积降雨量最大的网格中心作为暴雨中心。
然后，将暴雨移植目标区域，根据洪水模型计算要求划分为n个子流域。
最后，将暴雨中心分别移动到每个子流域的中心，得到n个暴雨场景。每个网格新坐标的计算方法为，
x new =x old +x basincenter -x raincenter
y new =y old +y basincenter -y raincenter
式中，x new 和y new 分别表示网格中心的新坐标经度、纬度，x old 和y old 表示网格中心原来的坐标的经度、纬度，x basincenter 和y basincenter 分别表示子流域中心坐标的经度、纬度，x raincenter 和y raincenter 分别表示移植前的暴雨中心坐标的经度、纬度。
第3步，以移植后的暴雨网格为基础，通过旋转形成多个新场景。
针对n个暴雨场景中的每个场景，以暴雨中心为中心，以5°为步长，旋转其他所有网格，形成71个新的场景。处理完成后，总共形成72*n个暴雨场景。每个网格旋转计算方式为：
x=(x g -x c )×cosθ-(y g -y c ) ×sinθ+ x c
y=(y g -y c )×cosθ-(x g -x c ) ×sinθ+ y c
式中，x和y分别表示旋转θ度后网格中心新坐标的经度、纬度，x g 和y g 分别表示旋转前网格中心坐标的经度、纬度，x c 和y c 分别表示子流域中心坐标的经度、纬度。
第4步，将每个暴雨场景作为输入条件，分别输入洪水模型计算流域洪水过程，得到72*n个洪水计算结果。选择关键断面（若无重点关注断面，选择流域出口断面），从每个洪水计算结果中提取洪峰流量，得到72*n的结果，确定最大洪峰流量对应的暴雨场次。将该场次作为最终的移植结果。
实施例
选择7·20郑州特大暴雨事件为例，移植到沂沭泗流域。
第1步，提取2021年7月15日到2021年7月24日共10天的暴雨的站点监测数据，监测数据时间步长为1小时，站点分布情况如图3所示。
暴雨落区划分为边长为4km的格网，共23431个，将逐小时的站点监测数据插值到网格上，如图4所示的是几个时刻的示例图。
第2步，将暴雨中心移植到目标区域每个子流域的中心，如图5所示的是其中一个子流域的移植前暴雨分布区域的示例效果。
如图6所示的是移植后暴雨分布区域。
第3步，通过旋转网格形成新的暴雨场景，如图7所示的是按顺时针移动45度后，不同时刻的降雨分布情况。目标区域划分为62个子流域，因此最后形成62*72=4464个暴雨场景。将所有暴雨场景输入洪涝模型进行计算，根据计算结果可判别最高洪水风险的暴雨场景。
为了更好地理解本发明，以上结合本发明的具体实施例做了详细描述，但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改，均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，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。

Claims (5)

1.一种历史场次暴雨洪水灾害场景移植方法，包括获取完整的场次暴雨站点监测数据，还包括以下步骤：
步骤1：进行场次暴雨时空插值，包括以下子步骤：
步骤11：将暴雨落区范围划分为格网，根据落区面积调整网格尺寸；
步骤12：通过计算格网中心点到每个站点的距离，选择离格网最近的3个站点；
步骤13：利用反距离插值算法，插值得到每个格网逐时段降雨量；
步骤2：进行暴雨中心移植，包括以下子步骤：
步骤21：根据插值得到的网格降雨数据，统计每个网格的累积降雨量，将累积降雨量最大的网格中心作为暴雨中心；
步骤22：将暴雨移植目标区域，根据洪水模型计算要求划分为n个子流域；
步骤23：将暴雨中心分别移动到每个子流域的中心，得到n个暴雨场景；
步骤3：以移植后的暴雨网格为基础，通过旋转形成多个新场景；
针对n个暴雨场景中的每个场景，以暴雨中心为中心，以T°为步长，旋转其他所有网格，形成n’个新的场景，处理完成后，共生成(n’+1)*n个新的场景，
每个网格旋转计算方式为
x=(x g -x c )×cosθ-(y g -y c ) ×sinθ+ x c
y=(y g -y c )×cosθ-(x g -x c ) ×sinθ+ y c
其中，x和y分别表示旋转θ度后网格中心新坐标的经度、纬度，x g 和y g 分别表示旋转前网格中心坐标的经度、纬度，x c 和y c 分别表示子流域中心坐标的经度、纬度；
步骤4：确定最大洪峰流量对应的暴雨场次，将该场次作为最终的移植结果，将每个暴雨场景作为输入条件，分别输入洪水模型计算流域洪水过程，得到(n’+1)*n个洪水计算结果。
2.如权利要求1所述的历史场次暴雨洪水灾害场景移植方法，其特征在于，所述场次暴雨站点监测数据的时长为5分钟间隔和/或1小时间隔。
3.如权利要求2所述的历史场次暴雨洪水灾害场景移植方法，其特征在于，插值公式为
，
其中，P g,t 表示网格g在t时段插值结果，P m,t 表示相邻的站点m在同一时段t的雨量值，D s,g 表示站点s到网格g中心点的距离。
4.如权利要求3所述的历史场次暴雨洪水灾害场景移植方法，其特征在于，每个网格新坐标的计算方法为
x new =x old +x basincenter -x raincenter
y new =y old +y basincenter -y raincenter
其中，x new 和y new 分别表示网格中心的新坐标经度、纬度，x old 和y old 表示网格中心原来的坐标的经度、纬度，x basincenter 和y basincenter 分别表示子流域中心坐标的经度、纬度，x raincenter 和y raincenter 分别表示移植前的暴雨中心坐标的经度、纬度。
5.如权利要求4所述的历史场次暴雨洪水灾害场景移植方法，其特征在于，所述步骤4还包括选择关键断面或流域出口断面，从每个洪水计算结果中提取洪峰流量，得到(n’+1)*n个结果，确定最大洪峰流量对应的暴雨场次。
CN202310362940.4A 2023-04-07 2023-04-07 一种历史场次暴雨洪水灾害场景移植方法 Active CN116522604B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310362940.4A CN116522604B (zh) 2023-04-07 2023-04-07 一种历史场次暴雨洪水灾害场景移植方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310362940.4A CN116522604B (zh) 2023-04-07 2023-04-07 一种历史场次暴雨洪水灾害场景移植方法

Publications (2)

Publication Number Publication Date
CN116522604A CN116522604A (zh) 2023-08-01
CN116522604B true CN116522604B (zh) 2023-12-26

Family

ID=87389457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310362940.4A Active CN116522604B (zh) 2023-04-07 2023-04-07 一种历史场次暴雨洪水灾害场景移植方法

Country Status (1)

Country Link
CN (1) CN116522604B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598290A (zh) * 2019-08-30 2019-12-20 华中科技大学 考虑气候变化的流域未来水电发电能力预测方法和系统
KR20210077228A (ko) * 2019-12-17 2021-06-25 (주)지오시스템리서치 침수 범람 예측 시스템
CN113222283A (zh) * 2021-05-31 2021-08-06 中国水利水电科学研究院 一种基于数字孪生的山洪预报预警方法及系统
CN115688022A (zh) * 2022-11-11 2023-02-03 中国水利水电科学研究院 一种基于最邻近算法的流域单位线实时优选方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598290A (zh) * 2019-08-30 2019-12-20 华中科技大学 考虑气候变化的流域未来水电发电能力预测方法和系统
KR20210077228A (ko) * 2019-12-17 2021-06-25 (주)지오시스템리서치 침수 범람 예측 시스템
CN113222283A (zh) * 2021-05-31 2021-08-06 中国水利水电科学研究院 一种基于数字孪生的山洪预报预警方法及系统
CN115688022A (zh) * 2022-11-11 2023-02-03 中国水利水电科学研究院 一种基于最邻近算法的流域单位线实时优选方法

Also Published As

Publication number Publication date
CN116522604A (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN107832931B (zh) 一种平原水网地区内涝风险的模块化分析方法
Yu et al. Validating city-scale surface water flood modelling using crowd-sourced data
US7340346B2 (en) Method for generating data set
CN107908889B (zh) 部分监测点预先选定的水质监测网络多目标优化部署方法
Qiang et al. Urban flood analysis for Pearl River Delta cities using an equivalent drainage method upon combined rainfall-high tide-storm surge events
JP6716328B2 (ja) 浸水リスク診断装置、浸水リスク診断方法、制御装置及びコンピュータプログラム
CN114372685A (zh) 一种基于swmm模型的城市暴雨内涝风险评估方法
CN112036691A (zh) 一种基于jpm-os-q模型的河口地区极端风暴潮水位计算方法
CN113505521B (zh) 一种耦合神经网络-数值模拟的城市内涝快速预报方法
CN108646319A (zh) 一种短时强降雨预报方法及系统
Formánek et al. Two-dimensional model of Ciliwung river flood in DKI Jakarta for development of the regional flood index map
CN106126911B (zh) 一种考虑潮河水位顶托影响的城市内涝风险评估方法
CN114360214A (zh) 一种特大规模冰川泥石流预警方法
CN112381285A (zh) 一种基于遥感的洪涝淹没预测方法
CN117494586B (zh) 一种基于深度学习的山洪时空预测方法
CN115630337A (zh) 基于大尺度气候遥相关的极端降雨归因的定量评估方法及系统
CN116522604B (zh) 一种历史场次暴雨洪水灾害场景移植方法
CN117012004B (zh) 一种城市内涝风险预警方法及系统
CN117688844A (zh) 一种基于深度神经网络的城市内涝实时模拟方法及系统
CN115544706A (zh) 一种小波和XGBoost模型集成的大气细颗粒物浓度估算方法
CN113269376B (zh) 一种河流洪峰流量范围计算方法
JP2020187105A (ja) 浸りｄａｓ（水害危険区域表示手法）
Yuk et al. Modelling of storm-induced seawater flooding in the Suyeong River area, South Korea: A case study due to the storm surge and waves during Typhoon Sanba
Perera et al. Improvement of socio-hydrological model to capture the dynamics of combined river and urban floods: a case study in Lower Kelani River Basin, Sri Lanka
Chang et al. Evaluation of low impact development for resilient capacity in urban area with flood resilience index

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