CN116643328A - 一种基于网络预报的城市内涝预报方法 - Google Patents

一种基于网络预报的城市内涝预报方法 Download PDF

Info

Publication number
CN116643328A
CN116643328A CN202310429444.6A CN202310429444A CN116643328A CN 116643328 A CN116643328 A CN 116643328A CN 202310429444 A CN202310429444 A CN 202310429444A CN 116643328 A CN116643328 A CN 116643328A
Authority
CN
China
Prior art keywords
rainfall
waterlogging
area
forecasting
grid
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
Application number
CN202310429444.6A
Other languages
English (en)
Inventor
黄飞
林建新
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.)
Fujian Huawang Information Science And Technology Co ltd
Original Assignee
Fujian Huawang Information Science And Technology Co ltd
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 Fujian Huawang Information Science And Technology Co ltd filed Critical Fujian Huawang Information Science And Technology Co ltd
Priority to CN202310429444.6A priority Critical patent/CN116643328A/zh
Publication of CN116643328A publication Critical patent/CN116643328A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2203/00—Real-time site-specific personalized weather information, e.g. nowcasting
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Development Economics (AREA)
  • Atmospheric Sciences (AREA)
  • Environmental Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Ecology (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Hydrology & Water Resources (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于网络预报的城市内涝预报方法。包括：获取目标研究区域的雨量站分布及雨量站的历史降雨数据与典型性降雨过程；获取雨量站所测量的当下有效时间内的暴雨积水点和积水深度，得到雨量空间分布，并进行网格划分，得到每一网格区域的子空间分布；基于历史降雨数据及典型性降雨过程建立城市内涝预测模型；基于城市内涝预测模型，且结合所述子空间分布进行内涝预测；判断每一网格区域的实时情景预报难度，并对相应预测结果进行调整，进而对城市内涝情况进行预报。通过雨量站的降雨数据构建城市内涝预测模型，并通过雨量站空间分布进行划分，基于每一划分区域的内涝情况，分别对城市内涝预测模型进行优化，实现对城市内涝的精准预测。

Description

一种基于网络预报的城市内涝预报方法
技术领域
本发明涉及内涝预报领域，特别涉及一种基于网络预报的城市内涝预报方法。
背景技术
目前，随着城市化进程加快，地表硬化率的提高，城市蓄水滞水能力减弱，加之汛期极端暴雨频发，每年汛期各地都出现“看海”景观，极大影响了城市出行和生活生产，甚至造成内涝灾害，危及生命财产安全。
然而，已有的城市内涝计算模型，只是单纯的按照历史的天气预报情况来进行城市内涝的预测，满足不了城市内涝避险处置能力的预报精准性要求。
因此，本发明提供了一种基于网络预报的城市内涝预报方法。
发明内容
本发明提供了一种基于网络预报的城市内涝预报方法，用以通过城市雨量站的降雨数据构建城市内涝预测模型，并通过积水点和积水深度得到雨量站的空间分布，从而对城市进行划分，并基于每一划分区域的内涝情况，分别对城市内涝预测模型进行优化，并基于所有优化结果的综合结果进行预报，实现对城市内涝更加精准的预测。
本发明提供一种基于网络预报的城市内涝预报方法，包括：
步骤1：获取目标研究区域的雨量站分布，并获取每个雨量站的历史降雨数据与典型性降雨过程；
步骤2：获取所述目标研究区域中每个雨量站所测量的当下有效时间内的暴雨积水点和积水深度，得到雨量空间分布，并对目标研究区域进行网格划分，得到每一划分网格区域的子空间分布；
步骤3：基于历史降雨数据及典型性降雨过程建立城市内涝预测模型；
步骤4：基于所述城市内涝预测模型，且结合每一划分网格区域的子空间分布，对相应子空间的内涝情况进行预测；
步骤5：判断每一划分网格区域的实时情景预报难度，并对相应预测结果进行调整，进而对城市内涝情况进行预报。
在一种可能实现的方式中，获取目标研究区域的雨量站分布，并获取每个雨量站的历史降雨数据与典型性降雨过程，包括：
步骤11：获取目标研究区域的雨量站表编号及其分布位置，并获取目标研究区域内每个雨量站的历史降雨数据，基于历史降雨数据得到每一雨量站的典型性降雨过程；
步骤12：基于所述历史降雨数据及对应典型性降雨过程构建每一雨量站的历史降雨数据表。
在一种可能实现的方式中，获取所述目标研究区域中每个雨量站所测量的当下有效时间内的暴雨积水点和积水深度，得到雨量空间分布，包括：
步骤21：获取目标研究区域的每一雨量站在有效测量时间内测量到的所有暴雨积水点和积水深度；
步骤22：基于所述暴雨积水点和对应积水深度确定当前雨量站在有效测量时间内，测量到的暴雨积水点综合分布及对应积水深度均值；
步骤23：基于所有雨量站测量到的对应暴雨积水点综合分布及积水深度均值，确定目标研究区域的雨量空间分布。
在一种可能实现的方式中，对目标研究区域进行网格划分，得到每一划分网格区域的子空间分布，包括：
步骤01：基于目标研究区域的雨量空间分布，结合泰森多边形对目标研究区域进行第一网格划分；
步骤02：通过每一雨量站对应的历史降雨数据表中的历史降雨数据，得到目标研究区域的降雨时间分布，从而对目标研究区域进行第二网格划分，并基于典型性降雨过程对第二网格划分结果进行调整，得到第三网格划分结果；
步骤03：将第一网格划分结果与第三网格划分结果进行结果重叠及结果整合，得到综合网格划分结果；
步骤04：基于所述综合划分结果得到目标研究区域中每一划分网格区域的子空间分布。
在一种可能实现的方式中，基于历史降雨数据及典型性降雨过程建立城市内涝预测模型，包括：
步骤31：基于目标研究区域最近一次的降雨量数据及对应积水点和积水深度，得到初始城市内涝预测模型；
步骤32：基于目标研究区域的历史降雨量数据及对应积水点和积水深度，对初始城市内涝预测模型进行训练，得到城市内涝预测模型。
在一种可能实现的方式中，基于所述城市内涝预测模型，且结合每一划分网格区域的子空间分布，对相应子空间的内涝情况进行预测，包括：
步骤41：获取训练好的城市内涝预测模型，并结合每一划分网格区域的子空间分布进行模型修正，得到每一划分网格区域对应的修正城市内涝预测模型，进而得到修正城市内涝预测集合，其中，修正城市内涝预测集合包含每一划分网格区域所对应的一个修正城市内涝预测模型；
步骤42：基于每一修正城市内涝预测模型对相应划分网格区域的内涝情况进行预测，得到目标研究区域的城市内涝预测集合；
其中，城市内涝预测集合包含划分网格区域所对应的子空间的空间编号、区域位置及对应子空间的城市内涝预测结果。
在一种可能实现的方式中，判断每一划分网格区域的实时情景预报难度，并对相应预测结果进行调整，进而对城市内涝情况进行预报，包括：
步骤51：获取每一划分网格区域所包含的所有雨量站对应不同预测长度期内的若干组历史预报降雨量及历史实测降雨量；
步骤52：将获取到的当前划分网格区域的每组历史预报降雨量、历史实测降雨量与预设降雨量量级进行比较；
若同组中的历史预报降雨量与历史实测降雨量处于同一降雨量级，则将对应天气情景及历史预报降雨量、历史实测降雨量进行第一预报分类；
若同组中的历史预报降雨量与历史实测降雨量不处于同一降雨量级，则将历史预报降雨量、历史实测降雨量及其对应的两种天气情景进行第二预报分类；
步骤53：确定第一预报分类中基于同雨量站的第一预报次数以及确定第二预报分类中基于同雨量站的第二预报次数；
步骤54：基于所述第一预报次数以及第二预报次数，得到当前划分网格区域的综合降雨预报难度系数；
；
；其中，/>为当前划分网格区域中的第g个雨量站的降雨预报难度系数；m为当前划分网格区域中的第g个雨量站的预报人员的个数；n为当前划分网格区域中的预报情景个数；/>为当前划分网格区域中的第g个雨量站的第i个预报人员在第j个预报情景下的预报合格的次数；/>为当前划分网格区域中的第g个雨量站的第i个预报人员在第j个预报情景下的预报不合格的次数；/>为第g雨量站对应的第一预报次数；/>为第g雨量站对应的第二预报次数；/>为针对总体计算所设置的第一权重；为针对平均计算所设置的第二权重；/>为当前划分网格区域中的综合降雨预报难度系数；s表示当前划分网格区域中包含的雨量站的个数；/>表示当前划分区域网格中的最大预报错误概率；/>表示当前划分区域网格中的平均预报错误概率；
步骤55：基于所述综合降雨预报难度系数，得到当前划分网格区域的实时天气情景的预报难度；
步骤56：结合当前划分网格区域的实时天气情景的预报难度，且结合该当前划分网格区域中每个雨量站预报错误概率，对当前划分网格区域的城市内涝预测结果进行调整，其中，调整后的城市内涝预测结果即为当前划分网格区域的内涝预测结果；
步骤57：基于当前划分网格区域的内涝预测结果，得到当前划分网格区域的城市内涝预测结果及对应内涝指数，并进行内涝预报。
在一种可能实现的方式中，基于当前划分网格区域的内涝预测结果，得到当前划分网格区域的城市内涝预测结果及对应内涝指数，并进行内涝预报，包括：
步骤571：基于当前划分网格区域的内涝预测结果与预设内涝预测表进行比较，得到当前划分网格区域的内涝预测结果对应的内涝指数；
步骤572：判断所述内涝指数是否处于第一内涝预设范围内；
若内涝指数处于第一内涝预设范围内，则判断当前降雨量不会形成当前网格区域的区域内涝；
反之，则判断当前降雨量会形成区域内涝，并基于内涝指数的对应等级确定子空间区域内涝的内涝等级及内涝可能性；
步骤573：基于目标研究区域的所有划分网格区域的内涝等级及每一划分网格区域的内涝可能性，确定目标研究区域的综合内涝等级及不同目标研究子空间的内涝可能性，并进行内涝预报。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于网络预报的城市内涝预报方法的流程图；
图2为本发明实施例中一种基于网络预报的城市内涝预报方法中得到雨量空间分布的流程图；
图3为本发明实施例中一种基于网络预报的城市内涝预报方法中基于内涝预测结果进行内涝预报的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
本发明实施例提供了一种基于网络预报的城市内涝预报方法，如图1所示，包括：
步骤1：获取目标研究区域的雨量站分布，并获取每个雨量站的历史降雨数据与典型性降雨过程；
步骤2：获取所述目标研究区域中每个雨量站所测量的当下有效时间内的暴雨积水点和积水深度，得到雨量空间分布，并对目标研究区域进行网格划分，得到每一划分网格区域的子空间分布；
步骤3：基于历史降雨数据及典型性降雨过程建立城市内涝预测模型；
步骤4：基于所述城市内涝预测模型，且结合每一划分网格区域的子空间分布，对相应子空间的内涝情况进行预测；
步骤5：判断每一划分网格区域的实时情景预报难度，并对相应预测结果进行调整，进而对城市内涝情况进行预报。
该实施例中，目标研究区域是指需要进行城市内涝预报的城市区域。
该实施例中，雨量站分布是指每一雨量站的分布位置，雨量站分布位置可以使用经纬度（地理坐标）来表示。
该实施例中，历史降雨数据是指目标研究区域的雨量站采集到的历史降雨过程的降雨数据。
该实施例中，典型性降雨过程是指每一雨量站根据雨量站的历史降雨数据，将处于同一降雨类型的降雨数据进行分类汇总，并基于汇总结果分析当前降雨类型对应的典型性降雨过程。
该实施例中，暴雨积水点是指在历史降雨过程中，当降雨量达到一定高度后，在当前雨量站的测量范围内存在过积水的位置点的坐标。
该实施例中，积水深度是指在当前雨量站的测量范围内存在过积水的位置点的积水深度。
该实施例中，雨量空间分布是指基于所有雨量站测量到的对应暴雨积水点综合分布及积水深度均值，确定目标研究区域的降雨量的空间分布。
该实施例中，子空间分布是指基于综合划分结果将目标研究区域划分为多个网格区域，每一网格区域的空间分布即为对应子空间分布。
该实施例中，城市内涝预测模型是指基于目标研究区域的历史降雨量数据、积水点及对应积水深度，对初始城市内涝预测模型进行训练，得到的目标研究区域的城市内涝预测模型。
该实施例中，实时情景预报难度是指基于实时天气情景传输至综合降雨预报难度计算公式中，确定实时降雨量的预报难度。
该实施例中，比如，当预测结果为位置1的降雨量为10mm，但是，由于历史报错情况，来寻找历史报错规律，对10mm进行调整，比如调整为8mm，此时，就可以进行内涝预报，报错的原因可能是模型不精准，也有可能是雨量站测量不精准等的情况所导致的。
上述技术方案的有益效果是：通过城市雨量站的降雨数据构建城市内涝预测模型，并通过积水点和积水深度得到雨量站的空间分布，从而对城市进行划分，并基于每一划分区域的内涝情况，分别对城市内涝预测模型进行优化，并基于所有优化结果的综合结果进行预报，实现对城市内涝更加精准的预测。
实施例2：
基于实施例1的基础上，获取目标研究区域的雨量站分布，并获取每个雨量站的历史降雨数据与典型性降雨过程，包括：
步骤11：获取目标研究区域的雨量站表编号及其分布位置，并获取目标研究区域内每个雨量站的历史降雨数据，基于历史降雨数据得到每一雨量站的典型性降雨过程；
步骤12：基于所述历史降雨数据及对应典型性降雨过程构建每一雨量站的历史降雨数据表。
该实施例中，目标研究区域是指需要进行城市内涝预报的城市区域。
该实施例中，雨量站表编号及其分布位置是指目标研究区域的所有雨量站在历史降雨数据表中的编号及每一雨量站对应的雨量站分布位置，其中雨量站分布位置可以使用经纬度来表示。
该实施例中，历史降雨数据是指目标研究区域的雨量站采集到的历史降雨过程的降雨数据。
该实施例中，典型性降雨过程是指每一雨量站根据雨量站的历史降雨数据，将处于同一降雨类型的降雨数据进行分类汇总，并基于汇总结果分析当前降雨类型对应的典型性降雨过程。
该实施例中，历史降雨数据表是指基于历史降雨数据及对应典型性降雨过程构建的降雨数据表，其中，每一雨量站对应一个降雨数据表。
上述技术方案的有益效果是：通过获取城市雨量站的降雨数据，从而构建精准的城市内涝预测模型，并通过雨量站的空间分布对城市内涝预测模型进行优化，并基于所有优化结果的综合结果进行预报，可以实现对城市内涝更加精准的预测。
实施例3：
基于实施例2的基础上，获取所述目标研究区域中每个雨量站所测量的当下有效时间内的暴雨积水点和积水深度，得到雨量空间分布，如图2所示，包括：
步骤21：获取目标研究区域的每一雨量站在有效测量时间内测量到的所有暴雨积水点和积水深度；
步骤22：基于所述暴雨积水点和对应积水深度确定当前雨量站在有效测量时间内，测量到的暴雨积水点综合分布及对应积水深度均值；
步骤23：基于所有雨量站测量到的对应暴雨积水点综合分布及积水深度均值，确定目标研究区域的雨量空间分布。
该实施例中，有效测量时间是指当前雨量站在进行有效的降雨数据测量的时间。
该实施例中，暴雨积水点是指在历史降雨过程中，当降雨量达到一定高度后，在当前雨量站的测量范围内存在过积水的位置点的坐标。
该实施例中，积水深度是指在当前雨量站的测量范围内存在过积水的位置点的积水深度。
该实施例中，暴雨积水点综合分布是指将当前雨量站在有效测量时间内所有出现过的暴雨积水点进行综合，并剔除掉经过修复后不再积水的积水点后剩余的积水点在目标研究区域的空间分布。
该实施例中，积水深度均值是指每一积水点在历史降雨过程中对应的所有积水深度的平均值。
该实施例中，雨量空间分布是指基于所有雨量站测量到的对应暴雨积水点综合分布及积水深度均值，确定目标研究区域的降雨量的空间分布。
上述技术方案的有益效果是：通过积水点和积水深度得到雨量站的空间分布，从而对城市进行划分，并基于每一划分区域的内涝情况，对城市内涝预测模型进行优化，从而基于所有优化结果的综合结果进行预报，实现对城市内涝更加精准的预测。
实施例4：
基于实施例1的基础上，对目标研究区域进行网格划分，得到每一划分网格区域的子空间分布，包括：
步骤01：基于目标研究区域的雨量空间分布，结合泰森多边形法对目标研究区域进行第一网格划分；
步骤02：通过每一雨量站对应的历史降雨数据表中的历史降雨数据，得到目标研究区域的降雨时间分布，从而对目标研究区域进行第二网格划分，并基于典型性降雨过程对第二网格划分结果进行调整，得到第三网格划分结果；
步骤03：将第一网格划分结果与第三网格划分结果进行结果重叠及结果整合，得到综合网格划分结果；
步骤04：基于所述综合划分结果得到目标研究区域中每一划分网格区域的子空间分布。
该实施例中，雨量空间分布是指基于所有雨量站测量到的对应暴雨积水点综合分布及积水深度均值，确定目标研究区域的降雨量的空间分布。
该实施例中，泰森多边形是指以各雨量站之间连线的垂直平分线，把流域划分为若干个多边形，采用泰森多边形法进行区域划分后再计算降雨量数据会更加精准。
该实施例中，第一网格划分是指基于泰森多边形法将目标研究区域进行第一划分，从而划分为多个以降雨空间分布为基准的网格区域。
该实施例中，降雨时间分布是指基于历史降雨数据对应的降雨时间及降雨持续时间，确定降雨时间分布情况。
该实施例中，第二网格划分是基于目标研究区域的降雨时间分布对目标研究区域进行第二划分，从而划分为多个以降雨时间为基准的网格区域。
该实施例中，第三网格划分是指基于典型性降雨过程在目标研究区域的降雨情况，对第二网格划分结果进行调整得到的。
该实施例中，结果重叠及结果整合是指将第一网格划分结果与第三网格划分结果按照对应的经纬度进行重叠，并对重叠结果进行整理，从而对划分区域进行调整，得到综合网格划分结果。
该实施例中，综合划分结果是指将第一网格划分结果与第三网格划分结果进行结果重叠及结果整合后得到的划分结果。
该实施例中，子空间分布是指基于综合划分结果将目标研究区域划分为多个网格区域，每一网格区域的空间分布即为对应子空间分布。
上述技术方案的有益效果是：通过积水点和积水深度得到雨量站的空间分布，并通过历史降雨数据得到降雨量的时间分布，并基于两种分布结果对目标研究区域进行划分，从而基于每一划分区域的内涝情况，分别对城市内涝预测模型进行优化，实现对城市内涝更加精准的预测。
实施例5：
基于实施例4的基础上，基于历史降雨数据及典型性降雨过程建立城市内涝预测模型，包括：
步骤31：基于目标研究区域最近一次的降雨量数据及对应积水点和积水深度，得到初始城市内涝预测模型；
步骤32：基于目标研究区域的历史降雨量数据及对应积水点和积水深度，对初始城市内涝预测模型进行训练，得到城市内涝预测模型。
该实施例中，降雨量数据是指目标研究区域在最近一次的降雨中，各雨量站采集到的降雨量数据，其中，降雨量数据包含，测量雨量站的表编号、测量点经纬度，第一时段的降雨量，第二时段的降雨量，第三时段的降雨量等。
该实施例中，初始城市内涝预测模型是指基于目标研究区域最近一次的降雨量数据及对应积水点和积水深度，构建初始城市内涝预测模型，其中，初始城市内涝预测模型的输入为降雨量数据，积水点及积水深度，输出为内涝预测结果。
该实施例中，城市内涝预测模型是指基于目标研究区域的历史降雨量数据、积水点及对应积水深度，对初始城市内涝预测模型进行训练，得到的目标研究区域更加准确的城市内涝预测模型。
上述技术方案的有益效果是：通过城市雨量站的历史降雨数据及典型性降雨过程构建城市内涝预测模型，并结合雨量站的空间分布，对城市进行划分，并基于每一划分区域的内涝情况，分别对城市内涝预测模型进行优化，并基于所有优化结果的综合结果进行预报，实现对城市内涝更加精准的预测。
实施例6：
基于实施例5的基础上，基于所述城市内涝预测模型，且结合每一划分网格区域的子空间分布，对相应子空间的内涝情况进行预测，包括：
步骤41：获取训练好的城市内涝预测模型，并结合每一划分网格区域的子空间分布进行模型修正，得到每一划分网格区域对应的修正城市内涝预测模型，进而得到修正城市内涝预测集合，其中，修正城市内涝预测集合包含每一划分网格区域所对应的一个修正城市内涝预测模型；
步骤42：基于每一修正城市内涝预测模型对相应划分网格区域的内涝情况进行预测，得到目标研究区域的城市内涝预测集合；
其中，城市内涝预测集合包含划分网格区域所对应的子空间的空间编号、区域位置及对应子空间的城市内涝预测结果。
该实施例中，模型修正是指基于每一划分网格区域的子空间内的雨量站的降雨量数据，并结合对应子空间的空间分布地理位置，对城市内涝预测模型进行修正。
该实施例中，修正城市内涝预测模型是指基于模型修正后当前划分区域所对应的修正城市内涝预测模型，因为不同网格区域的地理位置不相同，所以修正城市内涝预测模型也不一定相同。
该实施例中，修正城市内涝预测模型集合是指所有修正城市内内涝预测模型构成的集合。
该实施例中，修正城市内涝预测集合包含每一划分网格区域所对应的一个修正城市内涝预测模型。
该实施例中，城市内涝预测集合是基于每一修正城市内涝预测模型的预测结果构成的。
该实施例中，城市内涝预测集合包含划分网格区域所对应的子空间的空间编号、区域位置及对应子空间的城市内涝预测结果。
上述技术方案的有益效果是：通过城市雨量站的降雨数据构建城市内涝预测模型进行预测，并通过积水点和积水深度得到雨量站的空间分布，从而对城市进行划分，并基于每一划分区域的内涝情况，分别对城市内涝预测模型进行优化，实现对城市内涝更加精准的预测。
实施例7：
基于实施例6的基础上，判断每一划分网格区域的实时情景预报难度，并对相应预测结果进行调整，进而对城市内涝情况进行预报，包括：
步骤51：获取每一划分网格区域所包含的所有雨量站对应不同预测长度期内的若干组历史预报降雨量及历史实测降雨量；
步骤52：将获取到的当前划分网格区域的每组历史预报降雨量、历史实测降雨量与预设降雨量量级进行比较；
若同组中的历史预报降雨量与历史实测降雨量处于同一降雨量级，则将对应天气情景及历史预报降雨量、历史实测降雨量进行第一预报分类；
若同组中的历史预报降雨量与历史实测降雨量不处于同一降雨量级，则将历史预报降雨量、历史实测降雨量及其对应的两种天气情景进行第二预报分类；
步骤53：确定第一预报分类中基于同雨量站的第一预报次数以及确定第二预报分类中基于同雨量站的第二预报次数；
步骤54：基于所述第一预报次数以及第二预报次数，得到当前划分网格区域的综合降雨预报难度系数；
；
；其中，/>为当前划分网格区域中的第g个雨量站的降雨预报难度系数；m为当前划分网格区域中的第g个雨量站的预报人员的个数；n为当前划分网格区域中的预报情景个数；/>为当前划分网格区域中的第g个雨量站的第i个预报人员在第j个预报情景下的预报合格的次数；/>为当前划分网格区域中的第g个雨量站的第i个预报人员在第j个预报情景下的预报不合格的次数；/>为第g雨量站对应的第一预报次数；/>为第g雨量站对应的第二预报次数；/>为针对总体计算所设置的第一权重；为针对平均计算所设置的第二权重；/>为当前划分网格区域中的综合降雨预报难度系数；s表示当前划分网格区域中包含的雨量站的个数；/>表示当前划分区域网格中的最大预报错误概率；/>表示当前划分区域网格中的平均预报错误概率；
步骤55：基于所述综合降雨预报难度系数，得到当前划分网格区域的实时天气情景的预报难度；
步骤56：结合当前划分网格区域的实时天气情景的预报难度，且结合该当前划分网格区域中每个雨量站预报错误概率，对当前划分网格区域的城市内涝预测结果进行调整，其中，调整后的城市内涝预测结果即为当前划分网格区域的内涝预测结果；
步骤57：基于当前划分网格区域的内涝预测结果，得到当前划分网格区域的城市内涝预测结果及对应内涝指数，并进行内涝预报。
该实施例中，预测长度期是指雨量站在未降雨之前不同时间内对降雨进行预测的时间长度，比如，预测长度期可以为降雨前48h、24h、12h。
该实施例中，历史预报降雨量是指当前划分网格区域所包含的所有雨量站在历史预报过程中进行降雨量预测时，预测到的降雨量。
该实施例中，历史实测降雨量是指目标划分网格区域所包含的所有雨量站在历史降雨过程中的降雨量。
该实施例中，每一历史实测降雨量对应一个或多个历史预报降雨量，每一历史实测降雨量对应多个历史预报降雨量时，历史预报降雨量的预测长度期一定不相同。
该实施例中，预设降雨量量级是指基于历史预报降雨量或者历史实测降雨量的数据在降雨数据库中筛选对应的降雨量量级，比如，历史实测降雨量为11mm，历史预报降雨量为12mm，则对应的降雨量量级均为2级，2级降雨量包含（10mm，15mm】。
该实施例中，对应天气情景是指当前降雨来临前中后对应的天气情景，比如，降雨来临前是晴天，室外温度28摄氏度，降雨为雷阵雨、暴雨，降雨后为阴天，室外温度为20摄氏度。
该实施例中，第一预报分类是指同组中的历史预报降雨量与历史实测降雨量处于同一降雨量级时，将对应天气情景及历史预报降雨量、历史实测降雨量进行归类；第二预报分类是指同组中的历史预报降雨量与历史实测降雨量不处于同一降雨量级时，将历史预报降雨量、历史实测降雨量及其对应的两种天气情景分别进行归类。
该实施例中，第一预报次数是指基于第一预报分类的同雨量站中进行对应降雨预报的次数；第二预报次数是指基于第二预报分类的同雨量站中进行对应降雨预报的次数。
该实施例中，综合降雨预报难度系数是指计算当前划分网格区域的所有雨量站对应的降雨预报难度系数的均值，确定的当前划分网格区域的降雨预报难度。
该实施例中，实时天气情景是指当前划分网格区域的实时降雨时对应的降雨前及降雨中的天气情况。
该实施例中，预报难度是指基于实时天气情景传输至综合降雨预报难度计算公式中，确定实时降雨量的预报难度。
该实施例中，预报错误概率是指当前雨量站出现预报错误的概率，如果报错概率为80%，且每次报错过程中实际雨量与预报雨量总是差2mm，此时，就需要对预报雨量进行2mm增加或者减少，依据差2mm是增加还是减少，来实现调整，进而保证预报的精准性。
该实施例中，内涝预测结果是指基于修正后的城市内涝预测模型并结合每一雨量站的降雨预报难度进行预测后得到的预测结果。
该实施例中，内涝指数是指内涝预测表中每一内涝预测结果对应的内涝程度指数。
上述技术方案的有益效果是：通过城市雨量站的降雨数据构建城市内涝预测模型，并通过雨量站的空间分布对城市进行划分，并基于每一划分区域的内涝情况，分别对城市内涝预测模型进行优化，并基于所有优化结果的综合结果进行预报，实现对城市内涝更加精准的预测。
实施例8：
基于实施例7的基础上，基于当前划分网格区域的内涝预测结果，得到当前划分网格区域的城市内涝预测结果及对应内涝指数，并进行内涝预报，如图3所示，包括：
步骤571：基于当前划分网格区域的内涝预测结果与预设内涝预测表进行比较，得到当前划分网格区域的内涝预测结果对应的内涝指数；
步骤572：判断所述内涝指数是否处于第一内涝预设范围内；
若内涝指数处于第一内涝预设范围内，则判断当前降雨量不会形成当前网格区域的区域内涝；
反之，则判断当前降雨量会形成区域内涝，并基于内涝指数的对应等级确定子空间区域内涝的内涝等级及内涝可能性；
步骤573：基于目标研究区域的所有划分网格区域的内涝等级及每一划分网格区域的内涝可能性，确定目标研究区域的综合内涝等级及不同目标研究子空间的内涝可能性，并进行内涝预报。
该实施例中，内涝预测结果是指基于修正后的城市内涝预测模型并结合每一雨量站的降雨预报难度进行预测后得到的预测结果。
该实施例中，预设内涝预测表是指预先设置的包含所有内涝预测结果及每一结果对应的内涝指数的内涝预测表。
该实施例中，内涝指数是指内涝预测表中每一内涝预测结果对应的内涝程度指数。
该实施例中，第一内涝预设范围是指不会形成内涝情况的内涝指数范围。
该实施例中，区域内涝是指若内涝指数高于第一内涝预设范围则当前内涝指数对应的网格区域会发生区域内涝。
该实施例中，内涝等级是指当前内涝指数对应的网格区域发生内涝的严重等级。
该实施例中，内涝可能性是指当前内涝指数对应的网格区域会出现当前内涝等级的内涝可能性。
上述技术方案的有益效果是：通过积水点和积水深度得到雨量站的空间分布，从而对城市进行划分，并基于每一划分区域的内涝情况，分别对城市内涝预测模型进行优化，并基于所有优化结果对应的内涝指数进行内涝预报，可以实现对城市内涝更加精准的预测。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种基于网络预报的城市内涝预报方法，其特征在于，包括：
步骤1：获取目标研究区域的雨量站分布，并获取每个雨量站的历史降雨数据与典型性降雨过程；
步骤2：获取所述目标研究区域中每个雨量站所测量的当下有效时间内的暴雨积水点和积水深度，得到雨量空间分布，并对目标研究区域进行网格划分，得到每一划分网格区域的子空间分布；
步骤3：基于历史降雨数据及典型性降雨过程建立城市内涝预测模型；
步骤4：基于所述城市内涝预测模型，且结合每一划分网格区域的子空间分布，对相应子空间的内涝情况进行预测；
步骤5：判断每一划分网格区域的实时情景预报难度，并对相应预测结果进行调整，进而对城市内涝情况进行预报。
2.如权利要求1所述的一种基于网络预报的城市内涝预报方法，其特征在于，获取目标研究区域的雨量站分布，并获取每个雨量站的历史降雨数据与典型性降雨过程，包括：
步骤11：获取目标研究区域的雨量站表编号及其分布位置，并获取目标研究区域内每个雨量站的历史降雨数据，基于历史降雨数据得到每一雨量站的典型性降雨过程；
步骤12：基于所述历史降雨数据及对应典型性降雨过程构建每一雨量站的历史降雨数据表。
3.如权利要求2所述的一种基于网络预报的城市内涝预报方法，其特征在于，获取所述目标研究区域中每个雨量站所测量的当下有效时间内的暴雨积水点和积水深度，得到雨量空间分布，包括：
步骤21：获取目标研究区域的每一雨量站在有效测量时间内测量到的所有暴雨积水点和积水深度；
步骤22：基于所述暴雨积水点和对应积水深度确定当前雨量站在有效测量时间内，测量到的暴雨积水点综合分布及对应积水深度均值；
步骤23：基于所有雨量站测量到的对应暴雨积水点综合分布及积水深度均值，确定目标研究区域的雨量空间分布。
4.如权利要求1所述的一种基于网络预报的城市内涝预报方法，其特征在于，对目标研究区域进行网格划分，得到每一划分网格区域的子空间分布，包括：
步骤01：基于目标研究区域的雨量空间分布，结合泰森多边形对目标研究区域进行第一网格划分；
步骤02：通过每一雨量站对应的历史降雨数据表中的历史降雨数据，得到目标研究区域的降雨时间分布，从而对目标研究区域进行第二网格划分，并基于典型性降雨过程对第二网格划分结果进行调整，得到第三网格划分结果；
步骤03：将第一网格划分结果与第三网格划分结果进行结果重叠及结果整合，得到综合网格划分结果；
步骤04：基于所述综合划分结果得到目标研究区域中每一划分网格区域的子空间分布。
5.如权利要求4所述的一种基于网络预报的城市内涝预报方法，其特征在于，基于历史降雨数据及典型性降雨过程建立城市内涝预测模型，包括：
步骤31：基于目标研究区域最近一次的降雨量数据及对应积水点和积水深度，得到初始城市内涝预测模型；
步骤32：基于目标研究区域的历史降雨量数据及对应积水点和积水深度，对初始城市内涝预测模型进行训练，得到城市内涝预测模型。
6.如权利要求4所述的一种基于网络预报的城市内涝预报方法，其特征在于，基于所述城市内涝预测模型，且结合每一划分网格区域的子空间分布，对相应子空间的内涝情况进行预测，包括：
步骤41：获取训练好的城市内涝预测模型，并结合每一划分网格区域的子空间分布进行模型修正，得到每一划分网格区域对应的修正城市内涝预测模型，进而得到修正城市内涝预测集合，其中，修正城市内涝预测集合包含每一划分网格区域所对应的一个修正城市内涝预测模型；
步骤42：基于每一修正城市内涝预测模型对相应划分网格区域的内涝情况进行预测，得到目标研究区域的城市内涝预测集合；
其中，城市内涝预测集合包含划分网格区域所对应的子空间的空间编号、区域位置及对应子空间的城市内涝预测结果。
7.如权利要求4所述的一种基于网络预报的城市内涝预报方法，其特征在于，判断每一划分网格区域的实时情景预报难度，并对相应预测结果进行调整，进而对城市内涝情况进行预报，包括：
步骤51：获取每一划分网格区域所包含的所有雨量站对应不同预测长度期内的若干组历史预报降雨量及历史实测降雨量；
步骤52：将获取到的当前划分网格区域的每组历史预报降雨量、历史实测降雨量与预设降雨量量级进行比较；
若同组中的历史预报降雨量与历史实测降雨量处于同一降雨量级，则将对应天气情景及历史预报降雨量、历史实测降雨量进行第一预报分类；
若同组中的历史预报降雨量与历史实测降雨量不处于同一降雨量级，则将历史预报降雨量、历史实测降雨量及其对应的两种天气情景进行第二预报分类；
步骤53：确定第一预报分类中基于同雨量站的第一预报次数以及确定第二预报分类中基于同雨量站的第二预报次数；
步骤54：基于所述第一预报次数以及第二预报次数，得到当前划分网格区域的综合降雨预报难度系数；
；
；其中，/>为当前划分网格区域中的第g个雨量站的降雨预报难度系数；m为当前划分网格区域中的第g个雨量站的预报人员的个数；n为当前划分网格区域中的预报情景个数；/>为当前划分网格区域中的第g个雨量站的第i个预报人员在第j个预报情景下的预报合格的次数；/>为当前划分网格区域中的第g个雨量站的第i个预报人员在第j个预报情景下的预报不合格的次数；/>为第g雨量站对应的第一预报次数；为第g雨量站对应的第二预报次数；/>为针对总体计算所设置的第一权重；/>为针对平均计算所设置的第二权重；/>为当前划分网格区域中的综合降雨预报难度系数；s表示当前划分网格区域中包含的雨量站的个数；/>表示当前划分区域网格中的最大预报错误概率；/>表示当前划分区域网格中的平均预报错误概率；
步骤55：基于所述综合降雨预报难度系数，得到当前划分网格区域的实时天气情景的预报难度；
步骤56：结合当前划分网格区域的实时天气情景的预报难度，且结合该当前划分网格区域中每个雨量站预报错误概率，对当前划分网格区域的城市内涝预测结果进行调整，其中，调整后的城市内涝预测结果即为当前划分网格区域的内涝预测结果；
步骤57：基于当前划分网格区域的内涝预测结果，得到当前划分网格区域的城市内涝预测结果及对应内涝指数，并进行内涝预报。
8.如权利要求7所述的一种基于网络预报的城市内涝预报方法，其特征在于，基于当前划分网格区域的内涝预测结果，得到当前划分网格区域的城市内涝预测结果及对应内涝指数，并进行内涝预报，包括：
步骤571：基于当前划分网格区域的内涝预测结果与预设内涝预测表进行比较，得到当前划分网格区域的内涝预测结果对应的内涝指数；
步骤572：判断所述内涝指数是否处于第一内涝预设范围内；
若内涝指数处于第一内涝预设范围内，则判断当前降雨量不会形成当前网格区域的区域内涝；
反之，则判断当前降雨量会形成区域内涝，并基于内涝指数的对应等级确定子空间区域内涝的内涝等级及内涝可能性；
步骤573：基于目标研究区域的所有划分网格区域的内涝等级及每一划分网格区域的内涝可能性，确定目标研究区域的综合内涝等级及不同目标研究子空间的内涝可能性，并进行内涝预报。
CN202310429444.6A 2023-04-20 2023-04-20 一种基于网络预报的城市内涝预报方法 Pending CN116643328A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310429444.6A CN116643328A (zh) 2023-04-20 2023-04-20 一种基于网络预报的城市内涝预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310429444.6A CN116643328A (zh) 2023-04-20 2023-04-20 一种基于网络预报的城市内涝预报方法

Publications (1)

Publication Number Publication Date
CN116643328A true CN116643328A (zh) 2023-08-25

Family

ID=87614272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310429444.6A Pending CN116643328A (zh) 2023-04-20 2023-04-20 一种基于网络预报的城市内涝预报方法

Country Status (1)

Country Link
CN (1) CN116643328A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117649058A (zh) * 2024-01-29 2024-03-05 广东广宇科技发展有限公司 一种用于城市排涝的水利引导优化方法、系统及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117649058A (zh) * 2024-01-29 2024-03-05 广东广宇科技发展有限公司 一种用于城市排涝的水利引导优化方法、系统及存储介质
CN117649058B (zh) * 2024-01-29 2024-04-26 广东广宇科技发展有限公司 一种用于城市排涝的水利引导优化方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN107169645B (zh) 一种计及暴雨灾害影响的输电线路故障概率在线评估方法
CN111257970B (zh) 一种基于集合预报的降水预报订正方法及系统
CN112506994B (zh) 一种电力设备洪涝隐患点监测预警方法及相关装置
Boucher et al. A comparison between ensemble and deterministic hydrological forecasts in an operational context
KR101383617B1 (ko) 일사량 예측 방법 및 장치
CN115188163B (zh) 一种基于暴雨与洪水相似性的洪水预警方法及系统
CN107748933B (zh) 气象要素报文数据误差修正方法、雾、日出、云海、雾凇预测方法
CN116643328A (zh) 一种基于网络预报的城市内涝预报方法
CN117436619B (zh) 一种基于等效防洪作用的梯级水库防洪库容联合预留方法
CN115169069A (zh) 基于大数据的城市内涝预测方法
CN111538798A (zh) 一种顾及dsm和dlg的城市汇水区精细化提取方法
CN115186858A (zh) 基于不同影响类型的变电站洪水淹没风险预警方法及系统
CN112036683B (zh) 一种适用于未来气候变化情景下的水库防洪风险预估方法
CN114442198A (zh) 一种基于加权算法的森林火险气象等级预报方法
CN117332291A (zh) 一种面向分布式光伏的区域资源监测布局方法及系统
KR101934283B1 (ko) 복수의 카테고리로 구분되는 해안의 특성을 고려한 총수위 예측 방법 및 이를 이용한 서버
CN114444020A (zh) 一种针对电网杆塔点的气温预报订正系统
CN116993030A (zh) 变化条件下水库压咸补淡调度方法及系统
CN116842839A (zh) 一种配电设施雨涝淹没停电风险预测方法及相关装置
CN110705796A (zh) 电网暴雨数值预报的量级频率订正集合预报方法及系统
CN107274113B (zh) 一种新型大坝维修决策评估方法
KR101859109B1 (ko) 강우예측을 이용한 저영향개발시설의 제어방법
CN115731510A (zh) 洪水全自动在线滚动趋势预报方法及装置、电子设备
CN112699599A (zh) 基于bp-geo的洪涝灾害预警方法
CN118365147B (zh) 一种基于下垫面特征修正的暴雨洪涝灾害风险预估方法

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