CN117150600B - 一种用于城市防内涝的屋顶蓄排水控制方法 - Google Patents

一种用于城市防内涝的屋顶蓄排水控制方法 Download PDF

Info

Publication number
CN117150600B
CN117150600B CN202310398311.7A CN202310398311A CN117150600B CN 117150600 B CN117150600 B CN 117150600B CN 202310398311 A CN202310398311 A CN 202310398311A CN 117150600 B CN117150600 B CN 117150600B
Authority
CN
China
Prior art keywords
data
rainfall
urban
model
water storage
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
CN202310398311.7A
Other languages
English (en)
Other versions
CN117150600A (zh
Inventor
张大伟
戴新隆
王珠桥
张亮亮
赵帅
严萌
周小清
高翔
韦三刚
张欣
王丽
乐鸣
翁新华
吕祥思
廖华春
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.)
Guangzhou Prhri Engineering Survey & Design Co ltd
Pearl River Hydraulic Research Institute of PRWRC
Original Assignee
Guangzhou Prhri Engineering Survey & Design Co ltd
Pearl River Hydraulic Research Institute of PRWRC
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 Guangzhou Prhri Engineering Survey & Design Co ltd, Pearl River Hydraulic Research Institute of PRWRC filed Critical Guangzhou Prhri Engineering Survey & Design Co ltd
Priority to CN202310398311.7A priority Critical patent/CN117150600B/zh
Publication of CN117150600A publication Critical patent/CN117150600A/zh
Application granted granted Critical
Publication of CN117150600B publication Critical patent/CN117150600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • E—FIXED CONSTRUCTIONS
    • E03—WATER SUPPLY; SEWERAGE
    • E03F—SEWERS; CESSPOOLS
    • E03F1/00—Methods, systems, or installations for draining-off sewage or storm water
    • E—FIXED CONSTRUCTIONS
    • E03—WATER SUPPLY; SEWERAGE
    • E03F—SEWERS; CESSPOOLS
    • E03F3/00—Sewer pipe-line systems
    • E03F3/02—Arrangement of sewer pipe-lines or pipe-line systems
    • E—FIXED CONSTRUCTIONS
    • E04—BUILDING
    • E04D—ROOF COVERINGS; SKY-LIGHTS; GUTTERS; ROOF-WORKING TOOLS
    • E04D13/00—Special arrangements or devices in connection with roof coverings; Protection against birds; Roof drainage ; Sky-lights
    • E04D13/04—Roof drainage; Drainage fittings in flat roofs, balconies or the like
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Software Systems (AREA)
  • Architecture (AREA)
  • Artificial Intelligence (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Hydrology & Water Resources (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computational Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Alarm Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及屋顶蓄排水数值处理技术领域，尤其涉及一种用于城市防内涝的屋顶蓄排水控制方法。该方法包括以下步骤：获取城市水文基础数据；根据城市水文基础数据进行水文模型构建，从而构建城市水文模型；利用降雨情况数据对城市水文模型进行优化耦合构建，从而获得城市内涝预测模型；根据城市内涝预测模型进行预测计算，从而获得城市洪涝预测数据；根据城市洪涝预测数据进行自主决策生成，从而获得屋顶蓄排水决策策略，以控制屋顶蓄排水阀执行蓄排水作业。本发明通过预测和控制城市的洪涝情况，及时采取措施来控制屋顶蓄排水，从而减轻城市内涝情况。

Description

一种用于城市防内涝的屋顶蓄排水控制方法
技术领域
本发明涉及屋顶蓄排水数值处理技术领域，尤其涉及一种用于城市防内涝的屋顶蓄排水控制方法。
背景技术
由于高密度城市和热岛效应，导致中心城区在面临暴雨时，地面排水更加困难。因此对于如何实现暴雨时城市雨水径流总量的削减和峰值流量的削减迫在眉睫。人工智能包括了多个领域，利用大量数据和算法，帮助计算机模拟人类智力活动并实现自主决策和行动。未来人工智能的前景非常广阔。随着技术的不断发展和应用场景的不断拓展，人工智能将在各个领域中得到广泛应用。如何将人工智能以及城市防内涝的屋顶蓄排水阀进行结合以实现更加智能化的屋顶蓄排水便成为了一个问题。
发明内容
本发明为解决上述技术问题，提出了一种用于城市防内涝的屋顶蓄排水控制方法，以解决至少一个上述技术问题。
本申请提供了一种用于城市防内涝的屋顶蓄排水控制方法，包括以下步骤：
步骤S1：获取城市水文基础数据，其中城市水文基础数据包括降雨情况数据以及城市泄排水能力数据，降雨情况数据包括建筑降雨数据以及非建筑降雨数据；
步骤S2：根据城市水文基础数据进行水文模型构建，从而构建城市水文模型；
步骤S3：利用降雨情况数据对城市水文模型进行优化耦合构建，从而获得城市内涝预测模型；
步骤S4：根据城市内涝预测模型进行预测计算，从而获得城市洪涝预测数据；
步骤S5：根据城市洪涝预测数据进行自主决策生成，从而获得屋顶蓄排水决策策略，以控制屋顶蓄排水阀执行蓄排水作业。
本实施例通过预测和控制城市的洪涝情况，及时采取措施来控制屋顶蓄排水，从而减轻城市内涝情况，通过优化城市水资源管理模式，并根据城市水文模型进行决策生成，可以实现对城市泄排水能力的提高，通过自主决策生成，使屋顶蓄排水阀能够按照预测数据执行蓄排水作业，从而降低城市洪涝灾害风险。
在本说明书的一个实施例中，城市水文基础数据包括土地利用数据、土壤地形数据以及水系基础数据，步骤S1具体为：
步骤S11：获取降雨情况数据，其中降雨情况数据包括降雨量数据、降雨强度数据、降雨时长数据以及降雨分布数据；
步骤S12：获取土地利用数据，其中土地利用数据包括土地利用类型数据以及类型覆盖率数据；
步骤S13：通过遥感设备获取土壤地形数据，其中土壤地形数据包括土壤类型数据、土壤含水量数据、地形高程数据以及地形坡度数据；
步骤S14：通过数据库获取水系基础数据，其中水系基础数据包括河道水系数据以及水库水系数据。
本实施例通过获取降雨情况数据、土地利用数据、土壤地形数据以及水系基础数据，可以全面收集城市水文基础数据，这有助于更好地了解城市水文环境，通过收集降雨情况数据，可以更准确地预测洪水的可能发生和程度，从而采取有效的措施减少洪灾的损害，收集水系基础数据可以帮助更好地规划防洪设施，通过收集土地利用数据和土壤地形数据，可以更好地了解城市地貌和土地利用情况，从而提高城市的整体规划水平，通过收集城市水文基础数据，可以更好地了解城市的水文环境。
在本说明书的一个实施例中，步骤S2具体为：
步骤S21：根据降雨情况数据、土地利用数据、土壤地形数据以及水系基础数据进行渗透系数计算，从而构建降雨径流转化模型；
步骤S22：根据降雨情况数据、土地利用数据以及土壤地形数据构建地下水运动模型；
步骤S23：根据土壤地形数据、土地利用数据以及水系基础数据进行径流转化，从而构建城市蓄水模型；
步骤S24：根据水系基础数据构建河流水文过程模型；
步骤S25：根据降雨径流转化模型、地下水运动模型、城市蓄水模型以及河流水文过程模型进行耦合建构，从而生成城市水文模型。
本实施例通过构建降雨径流转化模型、地下水运动模型、城市蓄水模型和河流水文过程模型，可以建立精细化的城市水文模型，这有助于更准确地预测城市水文过程，通过建立城市水文模型，可以更好地了解城市水文过程，从而制定更加有效的防洪措施，减少洪灾的损害，通过建立城市水文模型，可以更好地了解城市的水文环境，从而为下一步做好前提准备工作。
在本说明书的一个实施例中，步骤S3具体为：
步骤S31：根据降雨情况数据进行预处理，从而获得预处理降雨数据；
步骤S32：根据预处理降雨数据对城市水文模型进行水系参数排水计算，从而构建城市内涝预测模型。
本实施例通过预处理降雨数据和水系参数排水计算，可以建立更加准确的城市内涝预测模型，从而提高城市内涝预测的准确性，通过建立城市内涝预测模型，可以更好地了解城市内涝情况，从而制定更加有效的防涝措施，减少城市内涝的损害。
在本说明书的一个实施例中，建筑降雨数据通过建筑物附着传感器进行获取，非建筑降雨数据通过遥感设备进行获取，预处理降雨数据包括预处理建筑降雨数据以及预处理非建筑降雨数据，步骤S4具体为：
步骤S41：根据建筑降雨数据进行异常值去除，从而获得去除异常数据；
步骤S42：根据去除异常数据进行反距离加权插值，从而获得预处理建筑降雨数据；
步骤S43：根据非建筑降雨数据进行比例因子放大，从而获得预处理非建筑降雨数据。
本实施例通过建筑物附着传感器获取建筑降雨数据和遥感设备获取非建筑降雨数据，可以提高降雨数据的准确性和全面性，通过对降雨数据进行预处理，可以去除异常值、插值和放大，进一步提高了数据的准确性和可靠性。这有助于构建更精确和可靠的城市水文模型和内涝预测模型，提高城市防涝能力和应对自然灾害的能力。
在本说明书的一个实施例中，步骤S32具体为：
步骤S321：根据预处理降雨数据进行数据增强，从而获得增强降雨数据；
步骤S322：根据增强降雨数据进行特征提取，从而获得最大雨量特征数据以及持续时间特征数据；
步骤S323：根据最大雨量特征数据以及持续时间特征数据进行预设的城市排水计算模型进行计算，从而获得内涝数据集；
步骤S324：根据内涝数据集进行投票计算并标记，从而获得城市内涝预测模型。
本实施例具体实现了基于降雨数据进行城市内涝预测的过程，数据增强和特征提取有助于提高预测模型的精度和鲁棒性，预设的城市排水计算模型和投票计算并标记有助于实现快速而准确的内涝预测，以采取相应的防洪抗涝措施，从而减少城市内涝发生的概率，提高城市的抗洪抗涝能力。
在本说明书的一个实施例中，步骤S4具体为：
获取历史降雨数据，并根据历史降雨数据对城市内涝预测模型进行修正，从而获得修正内涝预测模型；
获取天气条件数据并根据修正内涝预测模型以及天气条件数据进行预测计算，从而获得城市洪涝预测数据。
本实施例实现对内涝预测模型的修正和更新，并且将天气条件数据考虑在内进行预测计算，从而提高了城市洪涝预测的准确性和实用性。通过对历史降雨数据进行分析和修正，可以更好地掌握城市的排水能力和内涝情况，并及时调整和优化城市排水系统，从而减少城市内涝发生的概率和影响范围，根据天气条件数据进行预测计算，可以在天气预警期间提前做好洪涝防范工作，有效减少洪涝灾害的损失。
在本说明书的一个实施例中，步骤S5具体为：
根据城市洪涝预测数据通过预设的决策生成模型进行决策生成，从而获得屋顶蓄排水决策策略，以供屋顶蓄排水阀的蓄排水作业。
本实施例通过建立城市水文模型和内涝预测模型，结合历史降雨数据和天气条件数据，可以预测城市的洪涝情况，从而制定屋顶蓄排水决策策略，有助于减少城市内涝的发生。屋顶蓄排水阀的蓄排水作业能够将屋顶降雨水暂时储存起来，待雨势减缓后再排放，也有助于减轻城市排水系统的负荷，提高城市排水能力，该实施例有助于保障城市基础设施的安全和稳定，提高城市的防洪排涝能力。
在本说明书的一个实施例中，其中决策生成模型的构建步骤包括以下步骤：
步骤S51：获取目标参数数据，其中目标参数数据包括目标状况数据、目标动作数据以及目标奖励函数数据以及目标决策过程数据；
步骤S52：根据目标参数数据构建强化学习模型；
步骤S53：根据强化学习模型进行模拟计算，从而获得强化学习数据，并根据强化学习数据对强化学习模型进行迭代训练，从而生成初级决策生成模型；
步骤S54：根据初级决策生成模型进行迭代测试，从而获得决策生成模型。
本实施例通过构建强化学习模型和迭代训练的方式，生成了决策生成模型，可以根据目标参数数据和环境数据，对屋顶蓄排水阀的蓄排水作业进行决策生成。这样可以更加智能化、精准化地进行决策，提高屋顶蓄排水系统的效率和性能。此外，通过强化学习的方法，还可以不断迭代优化决策生成模型，提高决策生成的准确性和可靠性，从而进一步提高屋顶蓄排水系统的性能和效率，减少城市内涝的发生。
在本说明书的一个实施例中，迭代训练通过屋顶蓄排水价值计算公式进行计算，其中屋顶蓄排水价值计算公式具体为：
θ为屋顶蓄排水阀蓄水量奖励值，r为屋顶蓄排水阀排水速度，s为屋顶蓄排水阀蓄水量，f为城市内涝指数，u为屋顶蓄排水阀蓄水量奖励值的修正项。
本实施例提供一种屋顶蓄排水价值计算公式，该公式充分考虑了屋顶蓄排水阀排水速度r、屋顶蓄排水阀蓄水量s、城市内涝指数f以及相互之间的作用关系，从而形成函数关系 从而实现通过迭代训练得到一个适用于特定城市内涝情况的屋顶蓄排水决策模型，该模型可以指导屋顶蓄排水阀在不同情况下的蓄水量决策，其中屋顶蓄排水阀排水速度r，即单位时间内排出的蓄水量。当排水速度较快时，可以及时地将积水排出，但同时也会增加污水系统的负担，屋顶蓄排水阀蓄水量s，即阀门打开后能够蓄存的最大水量。蓄水量的大小对于积水排放的效果有着重要的影响，城市内涝指数f，反映了城市内涝的程度。内涝指数越高，说明城市内涝情况越严重，屋顶蓄排水阀蓄水量奖励值的修正项u，可以根据实际情况进行调整，以更好地符合实际应用需求，在计算过程中，根据屋顶蓄排水阀的排水速度、蓄水量以及城市内涝指数，计算出奖励值的第一部分，根据修正项进行调整，得到最终的奖励值。通过对不同参数的调整和迭代训练，可以得到一个适用于特定城市内涝情况的屋顶蓄排水决策模型，以指导屋顶蓄排水阀的蓄水量决策。
本发明通过构建城市水文模型和优化耦合构建城市内涝预测模型，并利用预测模型进行自主决策生成，从而控制屋顶蓄排水阀执行蓄排水作业，其中采用人工智能技术提高了城市内涝预测的准确性和及时性，减少内涝造成的影响；利用自主决策生成技术，使得屋顶蓄排水阀能够在预测洪涝情况下灵活地进行蓄排水作业，提高了城市排水系统的响应速度和效率；综合利用多种数据信息，通过水文模型和优化耦合构建城市内涝预测模型，提高了决策制定的科学性和合理性，有效地降低了城市内涝发生的风险。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出了一实施例的一种用于城市防内涝的屋顶蓄排水控制方法的步骤流程图；
图2示出了一实施例的一种城市水文基础数据获取方法的步骤流程图；
图3示出了一实施例的一种城市水文模型构建方法的步骤流程图；
图4示出了一实施例的一种降雨情况数据预处理方法的步骤流程图；
图5示出了一实施例的一种城市内涝预测模型构建方法的步骤流程图；
图6示出了一实施例的一种决策生成模型生成方法的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
请参阅图1至图6，本申请提供了一种用于城市防内涝的屋顶蓄排水控制方法，包括以下步骤：
步骤S1：获取城市水文基础数据，其中城市水文基础数据包括降雨情况数据以及城市泄排水能力数据，降雨情况数据包括建筑降雨数据以及非建筑降雨数据；
具体地，例如通过气象局、环保局等部门获取城市的降雨数据，包括历史降雨数据、实时降雨数据，通过调查和实地勘察或资料查询的方式获取城市的建筑信息、道路信息、排水设施信息，从而估算出城市的非建筑降雨数据和城市的泄排水能力数据。
步骤S2：根据城市水文基础数据进行水文模型构建，从而构建城市水文模型；
具体地，例如基于数字高程模型(DEM)和土地利用数据(LULC)，使用SWAT(Soiland Water Assessment Tool)模型来模拟城市水文过程，包括雨水径流和水资源评估。
步骤S3：利用降雨情况数据对城市水文模型进行优化耦合构建，从而获得城市内涝预测模型；
具体地，例如过分析城市水文基础数据和历史内涝事件数据，确定影响城市内涝的主要因素，如降雨强度、地形、土地利用，根据确定的内涝影响因素，选择适当的预测模型，如机器学习模型、统计模型等，并根据降雨情况数据对模型进行训练和验证，从而获得预测模型，将城市水文模型和内涝预测模型进行耦合，利用优化算法对两个模型进行优化构建，以获得更为准确的城市内涝预测模型，通过对历史内涝事件的回溯分析，验证内涝预测模型的准确性，并对模型进行调整和优化。
步骤S4：根据城市内涝预测模型进行预测计算，从而获得城市洪涝预测数据；
具体地，例如使用城市内涝预测模型对当前的降雨情况数据进行预测计算，得到未来一段时间内的内涝风险等级和预测值。
步骤S5：根据城市洪涝预测数据进行自主决策生成，从而获得屋顶蓄排水决策策略，以控制屋顶蓄排水阀执行蓄排水作业。
具体地，例如根据预测的洪涝情况，通过蓄排水模型，确定最优的蓄排水策略。例如，对于一段时间内的降雨情况，通过模型计算出最优的蓄水量和排水速度，以达到最佳的蓄排水效果，根据确定的蓄排水策略，控制屋顶蓄排水阀执行相应的蓄排水作业。例如，通过自动控制系统，控制阀门开启和关闭，以控制水的蓄存和排放，减轻城市洪涝的影响。
本实施例通过预测和控制城市的洪涝情况，及时采取措施来控制屋顶蓄排水，从而减轻城市内涝情况，通过优化城市水资源管理模式，并根据城市水文模型进行决策生成，可以实现对城市泄排水能力的提高，通过自主决策生成，使屋顶蓄排水阀能够按照预测数据执行蓄排水作业，从而降低城市洪涝灾害风险。
在本说明书的一个实施例中，城市水文基础数据包括土地利用数据、土壤地形数据以及水系基础数据，步骤S1具体为：
步骤S11：获取降雨情况数据，其中降雨情况数据包括降雨量数据、降雨强度数据、降雨时长数据以及降雨分布数据；
具体地，例如利用数值模拟技术进行降雨预测，并获取预测结果中的降雨量、降雨强度、降雨时长等数据。例如，通过气象局提供的数值预报数据进行预测，或者使用其他数值模拟软件进行预测。
步骤S12：获取土地利用数据，其中土地利用数据包括土地利用类型数据以及类型覆盖率数据；
具体地，例如获取土地利用规划和地图，包括土地利用类型和分布情况，通过访问土地利用数据库进行获取。
步骤S13：通过遥感设备获取土壤地形数据，其中土壤地形数据包括土壤类型数据、土壤含水量数据、地形高程数据以及地形坡度数据；
具体地，例如使用无人机等载体搭载遥感设备，对特定地区进行低空高分辨率的遥感拍摄，获得土地表面的详细图像信息。根据拍摄得到的图像，可以通过遥感影像解译软件或深度学习算法进行土壤类型和地形参数的提取。
步骤S14：通过数据库获取水系基础数据，其中水系基础数据包括河道水系数据以及水库水系数据。
具体地，例如确定所需的水系基础数据内容和范围，包括河道水系和水库水系的数据，确定可供查询的数据库，例如国家或地方政府的水利部门或相关机构所维护的水文数据库，通过数据库查询工具，按照所需的数据内容和范围，查询所需的水系基础数据。查询结果可能以表格、地图或其他形式呈现。
本实施例通过获取降雨情况数据、土地利用数据、土壤地形数据以及水系基础数据，可以全面收集城市水文基础数据，这有助于更好地了解城市水文环境，通过收集降雨情况数据，可以更准确地预测洪水的可能发生和程度，从而采取有效的措施减少洪灾的损害，收集水系基础数据可以帮助更好地规划防洪设施，通过收集土地利用数据和土壤地形数据，可以更好地了解城市地貌和土地利用情况，从而提高城市的整体规划水平，通过收集城市水文基础数据，可以更好地了解城市的水文环境。
在本说明书的一个实施例中，步骤S2具体为：
步骤S21：根据降雨情况数据、土地利用数据、土壤地形数据以及水系基础数据进行渗透系数计算，从而构建降雨径流转化模型；
具体地，例如利用建模方法，如SWMM、HEC-HMS构建降雨径流转化模型
步骤S22：根据降雨情况数据、土地利用数据以及土壤地形数据构建地下水运动模型；
具体地，例如通过在地下水位点布设监测井，使用水位传感器等设备实时监测地下水位，获取地下水水位数据，通过在地下水埋深不同层次处布设渗透性探针或进行渗透试验，获取不同深度处的渗透系数数据，根据获取的地下水水位数据和渗透系数数据，采用水文地质学、数学建模等方法构建地下水运动模型，如MODFLOW软件。
步骤S23：根据土壤地形数据、土地利用数据以及水系基础数据进行径流转化，从而构建城市蓄水模型；
具体地，例如利用降雨情况数据、土地利用数据以及土壤地形数据，采用水文模型，如SWMM(Storm Water Management Model)、HEC-HMS(Hydrologic EngineeringCenter-Hydrologic Modeling System)，进行径流计算和蓄水计算，得到城市蓄水模型。
步骤S24：根据水系基础数据构建河流水文过程模型；
具体地，例如根据收集的水系基础数据，建立一维河流模型，建立水文过程模型，包括降雨-径流过程、水文蒸散发过程，将一维河流模型和水文过程模型进行耦合，形成完整的河流水文过程模型。
步骤S25：根据降雨径流转化模型、地下水运动模型、城市蓄水模型以及河流水文过程模型进行耦合建构，从而生成城市水文模型。
具体地，例如对上述模型进行参数校正和优化，使其与实际情况更加贴近，将各个子模型进行耦合建构，构建城市水文模型。
本实施例通过构建降雨径流转化模型、地下水运动模型、城市蓄水模型和河流水文过程模型，可以建立精细化的城市水文模型，这有助于更准确地预测城市水文过程，通过建立城市水文模型，可以更好地了解城市水文过程，从而制定更加有效的防洪措施，减少洪灾的损害，通过建立城市水文模型，可以更好地了解城市的水文环境，从而为下一步做好前提准备工作。
在本说明书的一个实施例中，步骤S3具体为：
步骤S31：根据降雨情况数据进行预处理，从而获得预处理降雨数据；
具体地，例如对于原始降雨数据进行筛选和清洗，去除异常值、缺失值等无效数据，对于原始降雨数据进行平滑处理，以便更好地描述降雨过程的变化趋势，对于降雨数据的缺失值进行插值处理，对于降雨数据进行转换处理，以便更好地与其他数据进行比较和分析。
步骤S32：根据预处理降雨数据对城市水文模型进行水系参数排水计算，从而构建城市内涝预测模型。
具体地，例如将预处理后的降雨数据输入到城市水文模型中，计算出水系的各项参数，如径流系数、地面渗透能力，根据城市水文模型和水系参数，构建城市内涝模型。内涝模型需要包括城市排水系统的结构和排水能力，以及降雨对城市内涝产生的影响的因素。
本实施例通过预处理降雨数据和水系参数排水计算，可以建立更加准确的城市内涝预测模型，从而提高城市内涝预测的准确性，通过建立城市内涝预测模型，可以更好地了解城市内涝情况，从而制定更加有效的防涝措施，减少城市内涝的损害。
在本说明书的一个实施例中，建筑降雨数据通过建筑物附着传感器进行获取，非建筑降雨数据通过遥感设备进行获取，预处理降雨数据包括预处理建筑降雨数据以及预处理非建筑降雨数据，步骤S4具体为：
步骤S41：根据建筑降雨数据进行异常值去除，从而获得去除异常数据；
具体地，例如可以使用统计学方法(如Z-Score法、Tukey's fences法)来检测数据的异常值，并将其剔除。
步骤S42：根据去除异常数据进行反距离加权插值，从而获得预处理建筑降雨数据；
具体地，例如确定空间插值网格的分辨率，将待插值区域划分为一定数量的网格；对于每个网格，计算其周围已知数据点与待插值点的距离，并根据距离计算权重，即反比例权重(距离越近，权重越大)；根据反比例权重对周围已知数据点的值进行加权平均，即可估算待插值点的值；重复上述步骤，对所有网格进行插值操作，得到预处理后的建筑降雨数据。
步骤S43：根据非建筑降雨数据进行比例因子放大，从而获得预处理非建筑降雨数据。
具体地，例如获取非建筑降雨数据，例如降雨量、降雨时长，根据建筑降雨数据和非建筑降雨数据的比例因子进行缩放。比例因子可以根据历史降雨数据、降雨特征分析的方法确定。
本实施例通过建筑物附着传感器获取建筑降雨数据和遥感设备获取非建筑降雨数据，可以提高降雨数据的准确性和全面性，通过对降雨数据进行预处理，可以去除异常值、插值和放大，进一步提高了数据的准确性和可靠性。这有助于构建更精确和可靠的城市水文模型和内涝预测模型，提高城市防涝能力和应对自然灾害的能力。
在本说明书的一个实施例中，步骤S32具体为：
步骤S321：根据预处理降雨数据进行数据增强，从而获得增强降雨数据；
具体地，例如通过对原始降雨数据进行一定的扰动操作，如加噪声、变换，生成新的、更加多样化的降雨数据。
具体地，例如利用统计学习方法和数据模拟技术，将多个已有的降雨数据进行合成，生成新的降雨数据。
步骤S322：根据增强降雨数据进行特征提取，从而获得最大雨量特征数据以及持续时间特征数据；
具体地，例如利用统计学方法，如均值、方差、中位数，对增强降雨数据进行分析，提取最大雨量和持续时间的特征数据。
步骤S323：根据最大雨量特征数据以及持续时间特征数据进行预设的城市排水计算模型进行计算，从而获得内涝数据集；
具体地，例如城市排水计算模型通过机器学习算法、神经网络、决策树构建生成，为多个模型组成的模型组。
步骤S324：根据内涝数据集进行投票计算并标记，从而获得城市内涝预测模型。
具体地，例如设定投票原则，如少数服从多数，将多个模型集生成的数据结果与预设的指数进行比较，从而获得对应的结果语义进行投票，从而获得城市内涝预测模型。
本实施例具体实现了基于降雨数据进行城市内涝预测的过程，数据增强和特征提取有助于提高预测模型的精度和鲁棒性，预设的城市排水计算模型和投票计算并标记有助于实现快速而准确的内涝预测，以采取相应的防洪抗涝措施，从而减少城市内涝发生的概率，提高城市的抗洪抗涝能力。
在本说明书的一个实施例中，步骤S4具体为：
获取历史降雨数据，并根据历史降雨数据对城市内涝预测模型进行修正，从而获得修正内涝预测模型；
具体地，例如收集城市或者周边地区过去的降雨数据，可以通过气象局或相关机构获取，根据收集到的历史降雨数据，对城市内涝预测模型进行修正。修正方案可以采用数据校准方法，例如使用回归分析、神经网络的方法。
获取天气条件数据并根据修正内涝预测模型以及天气条件数据进行预测计算，从而获得城市洪涝预测数据。
具体地，例如获取天气条件数据，如降雨量、温度、湿度、风速，将修正后的内涝预测模型与天气条件数据结合，进行预测计算，如使用回归模型、决策树的方法，得到城市洪涝预测数据。
本实施例实现对内涝预测模型的修正和更新，并且将天气条件数据考虑在内进行预测计算，从而提高了城市洪涝预测的准确性和实用性。通过对历史降雨数据进行分析和修正，可以更好地掌握城市的排水能力和内涝情况，并及时调整和优化城市排水系统，从而减少城市内涝发生的概率和影响范围，根据天气条件数据进行预测计算，可以在天气预警期间提前做好洪涝防范工作，有效减少洪涝灾害的损失。
在本说明书的一个实施例中，步骤S5具体为：
根据城市洪涝预测数据通过预设的决策生成模型进行决策生成，从而获得屋顶蓄排水决策策略，以供屋顶蓄排水阀的蓄排水作业。
具体地，例如通过数据分析、模型训练等手段，建立屋顶蓄排水决策生成模型。该模型可以基于多种参数，如天气预测数据、历史降雨数据、城市排水系统数据，来预测城市内涝情况，并给出相应的蓄排水决策，在实际操作中，需要收集相关的数据作为模型输入，包括天气预测数据、历史降雨数据、城市排水系统数据，通过将收集到的数据输入到决策生成模型中，进行预测。模型可以给出不同情况下的蓄排水决策，如在暴雨来临前提前进行蓄水、在降雨过程中适时开启蓄水阀门，根据模型的预测结果，制定蓄排水作业计划。该计划可以涉及屋顶蓄水设施的开启与关闭时间、排水量的控制等方面，以最大限度地减轻城市内涝的影响。
本实施例通过建立城市水文模型和内涝预测模型，结合历史降雨数据和天气条件数据，可以预测城市的洪涝情况，从而制定屋顶蓄排水决策策略，有助于减少城市内涝的发生。屋顶蓄排水阀的蓄排水作业能够将屋顶降雨水暂时储存起来，待雨势减缓后再排放，也有助于减轻城市排水系统的负荷，提高城市排水能力，该实施例有助于保障城市基础设施的安全和稳定，提高城市的防洪排涝能力。
在本说明书的一个实施例中，其中决策生成模型的构建步骤包括以下步骤：
步骤S51：获取目标参数数据，其中目标参数数据包括目标状况数据、目标动作数据以及目标奖励函数数据以及目标决策过程数据；
具体地，例如目标状况数据：包括天气状况、降雨状况、水位状况、蓄水池容量状况，目标动作数据：包括蓄排水阀的开度、蓄水池的放水量、泵站的启停状态，目标奖励函数数据：定义不同的奖励函数，如最大化蓄水池容量、最小化溢流量、最小化能耗，目标决策过程数据：定义决策过程中的状态转移、奖励计算。
步骤S52：根据目标参数数据构建强化学习模型；
具体地，例如根据目标状况数据，定义状态空间，如天气、降雨、水位、蓄水池容量；动作空间：根据目标动作数据，定义动作空间，如蓄排水阀的开度、蓄水池的放水量、泵站的启停状态；根据目标奖励函数数据，定义奖励函数，如最大化蓄水池容量、最小化溢流量、最小化能耗；根据目标决策过程数据，定义决策过程中的状态转移、奖励计算。
步骤S53：根据强化学习模型进行模拟计算，从而获得强化学习数据，并根据强化学习数据对强化学习模型进行迭代训练，从而生成初级决策生成模型；
具体地，例如基于目标状况数据和目标动作数据，进行模拟计算，获得奖励数据和状态转移数据，根据奖励数据和状态转移数据，对强化学习模型进行迭代训练，从而生成初级决策生成模型。
步骤S54：根据初级决策生成模型进行迭代测试，从而获得决策生成模型。
具体地，例如基于初级决策生成模型，进行迭代测试，获得模型的性能指标，如最大蓄水池容量、最小溢流量、最小能耗。如果模型的性能指标不满足要求，则返回步骤S53进行模拟计算和迭代训练，直到模型满足要求为止。
本实施例通过构建强化学习模型和迭代训练的方式，生成了决策生成模型，可以根据目标参数数据和环境数据，对屋顶蓄排水阀的蓄排水作业进行决策生成。这样可以更加智能化、精准化地进行决策，提高屋顶蓄排水系统的效率和性能。此外，通过强化学习的方法，还可以不断迭代优化决策生成模型，提高决策生成的准确性和可靠性，从而进一步提高屋顶蓄排水系统的性能和效率，减少城市内涝的发生。
在本说明书的一个实施例中，迭代训练通过屋顶蓄排水价值计算公式进行计算，其中屋顶蓄排水价值计算公式具体为：
θ为屋顶蓄排水阀蓄水量奖励值，r为屋顶蓄排水阀排水速度，s为屋顶蓄排水阀蓄水量，f为城市内涝指数，u为屋顶蓄排水阀蓄水量奖励值的修正项。
本实施例提供一种屋顶蓄排水价值计算公式，该公式充分考虑了屋顶蓄排水阀排水速度r、屋顶蓄排水阀蓄水量s、城市内涝指数f以及相互之间的作用关系，从而形成函数关系 从而实现通过迭代训练得到一个适用于特定城市内涝情况的屋顶蓄排水决策模型，该模型可以指导屋顶蓄排水阀在不同情况下的蓄水量决策，其中屋顶蓄排水阀排水速度r，即单位时间内排出的蓄水量。当排水速度较快时，可以及时地将积水排出，但同时也会增加污水系统的负担，屋顶蓄排水阀蓄水量s，即阀门打开后能够蓄存的最大水量。蓄水量的大小对于积水排放的效果有着重要的影响，城市内涝指数f，反映了城市内涝的程度。内涝指数越高，说明城市内涝情况越严重，屋顶蓄排水阀蓄水量奖励值的修正项u，可以根据实际情况进行调整，以更好地符合实际应用需求，在计算过程中，根据屋顶蓄排水阀的排水速度、蓄水量以及城市内涝指数，计算出奖励值的第一部分，根据修正项进行调整，得到最终的奖励值。通过对不同参数的调整和迭代训练，可以得到一个适用于特定城市内涝情况的屋顶蓄排水决策模型，以指导屋顶蓄排水阀的蓄水量决策。
本发明的有益效果在于通过构建城市水文模型和优化耦合构建城市内涝预测模型，并利用预测模型进行自主决策生成，从而控制屋顶蓄排水阀执行蓄排水作业，其中采用人工智能技术提高了城市内涝预测的准确性和及时性，减少内涝造成的影响；利用自主决策生成技术，使得屋顶蓄排水阀能够在预测洪涝情况下灵活地进行蓄排水作业，提高了城市排水系统的响应速度和效率；综合利用多种数据信息，通过水文模型和优化耦合构建城市内涝预测模型，提高了决策制定的科学性和合理性，有效地降低了城市内涝发生的风险。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种用于城市防内涝的屋顶蓄排水控制方法，其特征在于，包括以下步骤：
步骤S1：获取城市水文基础数据，其中城市水文基础数据包括降雨情况数据以及城市泄排水能力数据，降雨情况数据包括建筑降雨数据以及非建筑降雨数据；
步骤S2：根据城市水文基础数据进行水文模型构建，从而构建城市水文模型；
步骤S3：利用降雨情况数据对城市水文模型进行优化耦合构建，从而获得城市内涝预测模型；
步骤S4：根据城市内涝预测模型进行预测计算，从而获得城市洪涝预测数据；
步骤S5：根据城市洪涝预测数据进行自主决策生成，从而获得屋顶蓄排水决策策略，以控制屋顶蓄排水阀执行蓄排水作业；其中，步骤S5具体为：
根据城市洪涝预测数据通过预设的决策生成模型进行决策生成，从而获得屋顶蓄排水决策策略，以供屋顶蓄排水阀的蓄排水作业；其中决策生成模型的构建步骤包括以下步骤：
获取目标参数数据，其中目标参数数据包括目标状况数据、目标动作数据以及目标奖励函数数据以及目标决策过程数据；
根据目标参数数据构建强化学习模型；
根据强化学习模型进行模拟计算，从而获得强化学习数据，并根据强化学习数据对强化学习模型进行迭代训练，从而生成初级决策生成模型；其中，迭代训练通过屋顶蓄排水价值计算公式进行计算，其中屋顶蓄排水价值计算公式具体为：
为屋顶蓄排水阀蓄水量奖励值，/>为屋顶蓄排水阀排水速度，/>为屋顶蓄排水阀蓄水量，为城市内涝指数，/>为屋顶蓄排水阀蓄水量奖励值的修正项；
根据初级决策生成模型进行迭代测试，从而获得决策生成模型。
2.根据权利要求1所述的方法，其特征在于，城市水文基础数据包括土地利用数据、土壤地形数据以及水系基础数据，步骤S1具体为：
获取降雨情况数据，其中降雨情况数据包括降雨量数据、降雨强度数据、降雨时长数据以及降雨分布数据；
获取土地利用数据，其中土地利用数据包括土地利用类型数据以及类型覆盖率数据；
通过遥感设备获取土壤地形数据，其中土壤地形数据包括土壤类型数据、土壤含水量数据、地形高程数据以及地形坡度数据；
通过数据库获取水系基础数据，其中水系基础数据包括河道水系数据以及水库水系数据。
3.根据权利要求1所述的方法，其特征在于，步骤S2具体为：
根据降雨情况数据、土地利用数据、土壤地形数据以及水系基础数据进行渗透系数计算，从而构建降雨径流转化模型；
根据降雨情况数据、土地利用数据以及土壤地形数据构建地下水运动模型；
根据土壤地形数据、土地利用数据以及水系基础数据进行径流转化，从而构建城市蓄水模型；
根据水系基础数据构建河流水文过程模型；
根据降雨径流转化模型、地下水运动模型、城市蓄水模型以及河流水文过程模型进行耦合建构，从而生成城市水文模型。
4.根据权利要求1所述的方法，其特征在于，步骤S3具体为：
步骤S31：根据降雨情况数据进行预处理，从而获得预处理降雨数据；
步骤S32：根据预处理降雨数据对城市水文模型进行水系参数排水计算，从而构建城市内涝预测模型。
5.根据权利要求4所述的方法，其特征在于，建筑降雨数据通过建筑物附着传感器进行获取，非建筑降雨数据通过遥感设备进行获取，预处理降雨数据包括预处理建筑降雨数据以及预处理非建筑降雨数据，步骤S31具体为：
根据建筑降雨数据进行异常值去除，从而获得去除异常数据；
根据去除异常数据进行反距离加权插值，从而获得预处理建筑降雨数据；
根据非建筑降雨数据进行比例因子放大，从而获得预处理非建筑降雨数据。
6.根据权利要求4所述的方法，其特征在于，步骤S32具体为：
根据预处理降雨数据进行数据增强，从而获得增强降雨数据；
根据增强降雨数据进行特征提取，从而获得最大雨量特征数据以及持续时间特征数据；
根据最大雨量特征数据以及持续时间特征数据进行预设的城市排水计算模型进行计算，从而获得内涝数据集；
根据内涝数据集进行投票计算并标记，从而获得城市内涝预测模型。
7.根据权利要求1所述的方法，其特征在于，步骤S4具体为：
获取历史降雨数据，并根据历史降雨数据对城市内涝预测模型进行修正，从而获得修正内涝预测模型；
获取天气条件数据并根据修正内涝预测模型以及天气条件数据进行预测计算，从而获得城市洪涝预测数据。
CN202310398311.7A 2023-04-13 2023-04-13 一种用于城市防内涝的屋顶蓄排水控制方法 Active CN117150600B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310398311.7A CN117150600B (zh) 2023-04-13 2023-04-13 一种用于城市防内涝的屋顶蓄排水控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310398311.7A CN117150600B (zh) 2023-04-13 2023-04-13 一种用于城市防内涝的屋顶蓄排水控制方法

Publications (2)

Publication Number Publication Date
CN117150600A CN117150600A (zh) 2023-12-01
CN117150600B true CN117150600B (zh) 2024-05-10

Family

ID=88899479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310398311.7A Active CN117150600B (zh) 2023-04-13 2023-04-13 一种用于城市防内涝的屋顶蓄排水控制方法

Country Status (1)

Country Link
CN (1) CN117150600B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118013637A (zh) * 2024-04-08 2024-05-10 华南理工大学 一种面向水灾害的韧性城市设计方案决策方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104727423A (zh) * 2015-02-06 2015-06-24 天津大学 基于交通摄录系统的城市内涝排水智能调度系统及方法
KR20200013368A (ko) * 2018-07-30 2020-02-07 서울시립대학교 산학협력단 침수 예측 정보 및 피해액 산출 시스템
CN110990659A (zh) * 2019-11-19 2020-04-10 佛山世寰智能科技有限公司 一种基于三维实景的城市内涝管理方法
CN114254561A (zh) * 2021-12-17 2022-03-29 奥格科技股份有限公司 一种内涝预测方法、系统及存储介质
CN115169069A (zh) * 2022-04-13 2022-10-11 浙江六川信息科技有限公司 基于大数据的城市内涝预测方法
CN115273406A (zh) * 2022-07-04 2022-11-01 山东浪潮新基建科技有限公司 城市道路易涝点内涝预判方法及系统
CN115391712A (zh) * 2022-05-18 2022-11-25 河海大学 一种城市洪涝风险预测方法
CN115496128A (zh) * 2022-08-26 2022-12-20 中电建路桥集团有限公司 一种基于雨强-雨型特征参数联合分布的城市内涝风险预报方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674099B (zh) * 2021-08-27 2022-07-05 中国农业科学院农业环境与可持续发展研究所 苹果旱涝灾害综合风险评估方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104727423A (zh) * 2015-02-06 2015-06-24 天津大学 基于交通摄录系统的城市内涝排水智能调度系统及方法
KR20200013368A (ko) * 2018-07-30 2020-02-07 서울시립대학교 산학협력단 침수 예측 정보 및 피해액 산출 시스템
CN110990659A (zh) * 2019-11-19 2020-04-10 佛山世寰智能科技有限公司 一种基于三维实景的城市内涝管理方法
CN114254561A (zh) * 2021-12-17 2022-03-29 奥格科技股份有限公司 一种内涝预测方法、系统及存储介质
CN115169069A (zh) * 2022-04-13 2022-10-11 浙江六川信息科技有限公司 基于大数据的城市内涝预测方法
CN115391712A (zh) * 2022-05-18 2022-11-25 河海大学 一种城市洪涝风险预测方法
CN115273406A (zh) * 2022-07-04 2022-11-01 山东浪潮新基建科技有限公司 城市道路易涝点内涝预判方法及系统
CN115496128A (zh) * 2022-08-26 2022-12-20 中电建路桥集团有限公司 一种基于雨强-雨型特征参数联合分布的城市内涝风险预报方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Building a Smart City: A Conceptual Approach to Real-Time Urban Flood Control System";Anil M. Hingmire et.al.;《IEEE》;20230131;全文 *

Also Published As

Publication number Publication date
CN117150600A (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
JP7001626B2 (ja) 河川流域に関する水文解析および管理のためのプロセスおよびシステム
CN109978235B (zh) 一种基于样本学习的积涝水位预测方法
Bae et al. Monthly dam inflow forecasts using weather forecasting information and neuro-fuzzy technique
CN113610264A (zh) 精细化电网台风洪涝灾害预测模型
CN110533258B (zh) 一种稻麦轮作农田涝渍预警评估方法及系统
CN117150600B (zh) 一种用于城市防内涝的屋顶蓄排水控制方法
CN111737853A (zh) 一种基于swmm模型的低影响开发多目标区间优化配置方法
CN117236673B (zh) 城市水网多尺度防洪排涝联合优化调度方法和系统
CN111598724B (zh) 一种中小水库入库流量日前预测的分时段集成方法
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
KR20090093520A (ko) 유역통합 물관리 의사결정지원방법
CN115146874A (zh) 一种基于多图卷积网络的河流水质预测方法
Xu et al. Real options analysis for urban flood mitigation under environmental change
CN112950436B (zh) 一种合流制管道溢流控制参数的计算方法及装置
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
CN116341391B (zh) 基于STPM-XGBoost模型的降水预测方法
Wang et al. A statistical hydrological model for Yangtze river watershed based on stepwise cluster analysis
CN115496128A (zh) 一种基于雨强-雨型特征参数联合分布的城市内涝风险预报方法
KR101859109B1 (ko) 강우예측을 이용한 저영향개발시설의 제어방법
CN112270123A (zh) 一种基于卷积生成对抗网络的流域水库群径流随机生成方法
Eum et al. Integrated reservoir management system for adaptation to climate change impacts in the Upper Thames River basin
CN117494586B (zh) 一种基于深度学习的山洪时空预测方法
CN116502739A (zh) 水库来水量的雨洪耦合预报方法、系统及电子设备
Vahida et al. Urban Flood Estimation in Bhubaneswar city using Storm Water Management Model (SWMM)
Harvey et al. Retrofit Upgrade of Stormwater Controls with Real-Time Mechanism for Smart and Sustainable Urban Water Resources Management

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhang Dawei

Inventor after: Zhang Xin

Inventor after: Wang Li

Inventor after: Yue Ming

Inventor after: Weng Xinhua

Inventor after: Lv Xiangsi

Inventor after: Liao Huachun

Inventor after: Dai Xinlong

Inventor after: Wang Zhuqiao

Inventor after: Zhang Liangliang

Inventor after: Zhao Shuai

Inventor after: Yan Meng

Inventor after: Zhou Xiaoqing

Inventor after: Gao Xiang

Inventor after: Wei Sangang

Inventor before: Chen Hao

Inventor before: Zhang Xin

Inventor before: Wang Li

Inventor before: Yue Ming

Inventor before: Weng Xinhua

Inventor before: Zhu Yifeng

Inventor before: Liao Huachun

Inventor before: Zhao Shuai

Inventor before: Wang Zhuqiao

Inventor before: Yan Meng

Inventor before: Dai Xinglong

Inventor before: Zhang Dawei

Inventor before: Zhou Xiaoqing

Inventor before: Gao Xiang

Inventor before: Wei Sangang

GR01 Patent grant
GR01 Patent grant