CN117421564B - 一种基于时段水量平衡计算的洪水涨幅预报方法 - Google Patents

一种基于时段水量平衡计算的洪水涨幅预报方法 Download PDF

Info

Publication number
CN117421564B
CN117421564B CN202311742377.XA CN202311742377A CN117421564B CN 117421564 B CN117421564 B CN 117421564B CN 202311742377 A CN202311742377 A CN 202311742377A CN 117421564 B CN117421564 B CN 117421564B
Authority
CN
China
Prior art keywords
rainfall
forecast
basin
section
time
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
CN202311742377.XA
Other languages
English (en)
Other versions
CN117421564A (zh
Inventor
田兆伟
沈雪娇
陈宇
张狄
尹诗婷
曾志斌
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 Provincial Hydrology Bureau Huizhou Hydrology Branch
Original Assignee
Guangzhou Provincial Hydrology Bureau Huizhou Hydrology Branch
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 Provincial Hydrology Bureau Huizhou Hydrology Branch filed Critical Guangzhou Provincial Hydrology Bureau Huizhou Hydrology Branch
Priority to CN202311742377.XA priority Critical patent/CN117421564B/zh
Publication of CN117421564A publication Critical patent/CN117421564A/zh
Application granted granted Critical
Publication of CN117421564B publication Critical patent/CN117421564B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Hydrology & Water Resources (AREA)
  • Algebra (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Sewage (AREA)

Abstract

本发明涉及洪水预报技术领域，尤其涉及一种基于时段水量平衡计算的洪水涨幅预报方法。所述方法包括以下步骤：对流域雨量站和预报断面进行空间地理参数检测处理，得到流域预报断面地理参数；根据历史观测资料确定序列时段长进行逐时段差异分析，以确定流域汇流时间，并通过多样本算术平均得到综合汇流时间；基于流域蓄满、时段内降雨汇流后全部通过预报断面的水量平衡假定，以综合汇流时间为基础，先对降雨和洪水涨幅序列进行滑动降噪处理，再根据降噪后序列进行时段降雨和洪水涨幅的相关关系模型标定；本发明解决了降雨径流相关的实时滚动预报技术问题，从而提高了洪水预报的准确性和可靠性。

Description

一种基于时段水量平衡计算的洪水涨幅预报方法
技术领域
本发明涉及洪水预报技术领域，尤其涉及一种基于时段水量平衡计算的洪水涨幅预报方法。
背景技术
洪水预报是防汛减灾的重要非工程措施，对于提前转移洪水危险区人员等防御准备措施具有重要意义。洪水预报通常有水文模型法和经验相关法，水文模型法对水文现象描述机制清楚，通用性较好，但受边界条件和资料局限性限制比较多，且应用需要专业的理论功底，向基层防汛或其他非专业人员推广使用难度较大。经验相关法原理简单，使用方便，易于推广使用，在日常的洪水预报中广泛使用，常见的有降雨洪峰水位相关、降雨径流相关等等，但是降雨洪峰水位、降雨径流相关等往往采用一次降雨过程总量与洪峰水位、或者径流总量建立相关关系，在实际使用过程中，需要根据单位时段降雨过程实时滚动预报洪水过程，并根据实测系列不断修正预报结果，尤其是遇到洪水复涨时，需要知道时单位计算段降雨对应的时段径流或者水位的变化过程，以便更好地做好防汛减灾服务，从而存在预报精度不足的问题。
发明内容
基于此，本发明有必要提供一种基于时段水量平衡计算的洪水涨幅预报方法，以解决至少一个上述技术问题。
为实现上述目的，一种基于时段水量平衡计算的洪水涨幅预报方法，包括以下步骤：
步骤S1：对流域雨量预报站点进行预报断面参数采集处理，以得到流域预报断面地理参数；对流域预报断面地理参数进行距离检测以及比降检测，得到各流域雨量站至预报断面距离以及比降；对各流域雨量站至预报断面距离以及比降进行算术平均计算，得到流域雨量站至预报断面平均距离以及流域雨量站至预报断面平均比降；
步骤S2：根据流域预报断面地理参数对流域雨量预报站点的历史观测资料进行流域计算时段检测，得到流域雨量计算时段长；对流域雨量预报站点进行时段序列分析，得到时段降雨过程序列数据以及时段洪水径流过程序列数据；根据流域雨量计算时段长对时段降雨过程序列数据以及时段洪水径流过程序列数据进行逐时段差异分析，得到流域汇流时间；重复获取流域雨量预报站点多个场次的流域汇流时间进行算术平均计算，以得到流域综合汇流时间；
步骤S3：确定流域综合汇流时间为新计算时段长；根据新计算时段长对时段降雨过程序列数据以及时段洪水径流过程序列数据进行滑动平均降噪处理，得到时段滑动平均降雨序列数据以及时段滑动平均涨幅序列数据；对时段滑动平均降雨序列数据以及时段滑动平均涨幅序列数据进行多项式相关模型标定，得到时段降雨径流相关关系模型；
步骤S4：对流域雨量预报站点进行场次暴雨预报分析，得到流域场次暴雨中心预报站点位置数据；根据流域场次暴雨中心预报站点位置数据结合各流域雨量站至预报断面距离、各流域雨量站至预报断面比降、流域雨量站至预报断面平均距离以及流域雨量站至预报断面平均比降对流域综合汇流时间进行修正分析，得到流域汇流修正时间；获取实测时段降雨序列数据，并根据时段降雨径流相关关系模型以及流域汇流修正时间对实测时段降雨序列数据进行相关拟合预报分析，得到预报洪水流量涨幅序列数据。
本发明首先通过对流域雨量预报站点进行预报断面参数采集处理，以获取预报站点以上流域到预报断面的集雨面积参数、河道长度参数、河道比降等地理参数，这些地理参数的采集对于后续过程至关重要，能够为后续的距离、比降检测提供输入数据，从而更准确地检测流域内的水文参数数据。同时，通过对流域预报断面地理参数进行距离检测，以确定各个流域雨量站到预报断面的距离，这样能够充分了解不同站点到预报断面的地理距离，以便更好地理解降雨分布的空间变化，从而有助于改进后续预报过程的降雨分布空间，提高流域内各个站点的降雨预报准确性。并通过对流域预报断面地理参数进行比降检测，以确定各个流域雨量站到预报断面的比降，对于后续过程和流域内径流过程的模拟至关重要，还有助于提高对地形特征的敏感性，增强对流域内水文过程的准确描述。还通过对各流域雨量站至预报断面距离以及各流域雨量站至预报断面比降进行算术平均计算，这有助于综合考虑整个流域的地理特征，从而提供了流域内各站点的地理特征和关键的水文参数，为后续汇流时间修正计算提供了基础数据。其次，通过使用流域预报断面地理参数对流域雨量预报站点的历史观测资料进行流域计算时段检测，能够实现对流域雨量预报站点的时段长获取，根据流域预报断面地理参数，如集雨面积、河道长度、河道比降等，确定适用于流域的计算时段长度，从而提高雨量预报的时效性和精度。通过对流域雨量预报站点进行时段序列分析，有助于揭示降雨和径流过程的时变特征，为后续的逐时段推算提供了基础，同时也为对比流域雨量预报数据提供了时序的参考依据。通过使用检测得到的流域雨量计算时段长对时段降雨过程序列数据以及时段洪水径流过程序列数据进行逐时段差异分析，以根据时段最大降雨与时段最大流量涨幅之间的时间差获取流域汇流时间，有助于理解雨洪过程中的时序差异，为后续的处理过程提供了指导。通过多次获取并计算流域汇流时间的算术平均，得到了流域综合汇流时间。这一步骤的效果在于通过对流域计算时段、降雨过程和洪水径流过程的综合分析，提供了关键的汇流时间信息，为后续预报提供了依据。然后，通过确定了流域综合汇流时间作为新计算时段长，并通过新计算时段长，进行了滑动平均降噪处理，得到了时段滑动平均降雨序列和时段滑动平均涨幅序列数据。随后，对这些数据进行多项式相关模型标定，得到了时段降雨径流相关关系模型。这一步骤的效果在于建立了时段降雨和径流之间的关系模型，为后续的预报提供了关键的数学工具。最后，通过对流域雨量预报站点进行场次暴雨预报分析，以确定流域场次暴雨中心预报站点位置，这个步骤的重要性在于通过对降雨情况的分析，识别出发生暴雨中心的具体位置，为进一步的预报提供基础数据。通过使用分析得到的流域场次暴雨中心预报站点位置数据结合各流域雨量站至预报断面距离、各流域雨量站至预报断面比降、流域雨量站至预报断面平均距离以及流域雨量站至预报断面平均比降对流域综合汇流时间进行修正分析，这样能够根据站点的不同特征参数以更加准确地修正流域综合汇流时间，从而提高了洪水预报的准确性。此外，还通过获取实测时段降雨序列数据，并基于时段降雨径流相关关系模型结合流域汇流修正时间进行相关拟合预报分析，能够通过利用历史数据建立的降雨与径流之间的相关关系模型对实测时段降雨序列数据进行预报，并使用流域汇流修正时间进行错后累计叠加，以预报更为准确的洪水涨幅序列数据，用于进一步的洪水预测和应对措施的制定，从而提高洪水涨幅的预报精度。
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，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明基于时段水量平衡计算的洪水涨幅预报方法的步骤流程示意图；
图2为图1中步骤S1的详细步骤流程示意图；
图3为图2中步骤S13的详细步骤流程示意图。
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。
为实现上述目的，请参阅图1至图3，本发明提供了一种基于时段水量平衡计算的洪水涨幅预报方法，所述方法包括以下步骤：
步骤S1：对流域雨量预报站点进行预报断面参数采集处理，以得到流域预报断面地理参数；对流域预报断面地理参数进行距离检测以及比降检测，得到各流域雨量站至预报断面距离以及比降；对各流域雨量站至预报断面距离以及比降进行算术平均计算，得到流域雨量站至预报断面平均距离以及流域雨量站至预报断面平均比降；
步骤S2：根据流域预报断面地理参数对流域雨量预报站点的历史观测资料进行流域计算时段检测，得到流域雨量计算时段长；对流域雨量预报站点进行时段序列分析，得到时段降雨过程序列数据以及时段洪水径流过程序列数据；根据流域雨量计算时段长对时段降雨过程序列数据以及时段洪水径流过程序列数据进行逐时段差异分析，得到流域汇流时间；重复获取流域雨量预报站点多个场次的流域汇流时间进行算术平均计算，以得到流域综合汇流时间；
步骤S3：确定流域综合汇流时间为新计算时段长；根据新计算时段长对时段降雨过程序列数据以及时段洪水径流过程序列数据进行滑动平均降噪处理，得到时段滑动平均降雨序列数据以及时段滑动平均涨幅序列数据；对时段滑动平均降雨序列数据以及时段滑动平均涨幅序列数据进行多项式相关模型标定，得到时段降雨径流相关关系模型；
步骤S4：对流域雨量预报站点进行场次暴雨预报分析，得到流域场次暴雨中心预报站点位置数据；根据流域场次暴雨中心预报站点位置数据结合各流域雨量站至预报断面距离、各流域雨量站至预报断面比降、流域雨量站至预报断面平均距离以及流域雨量站至预报断面平均比降对流域综合汇流时间进行修正分析，得到流域汇流修正时间；获取实测时段降雨序列数据，并根据时段降雨径流相关关系模型以及流域汇流修正时间对实测时段降雨序列数据进行相关拟合预报分析，得到预报洪水流量涨幅序列数据。
本发明实施例中，请参考图1所示，为本发明基于时段水量平衡计算的洪水涨幅预报方法的步骤流程示意图，在本实例中，所述基于时段水量平衡计算的洪水涨幅预报方法的步骤包括：
步骤S1：对流域雨量预报站点进行预报断面参数采集处理，以得到流域预报断面地理参数；对流域预报断面地理参数进行距离检测以及比降检测，得到各流域雨量站至预报断面距离以及比降；对各流域雨量站至预报断面距离以及比降进行算术平均计算，得到流域雨量站至预报断面平均距离以及流域雨量站至预报断面平均比降；
本发明实施例通过使用地理信息系统工具（GIS）或其他空间分析方法对流域雨量预报站点进行参数采集处理，以获取预报站点以上流域到预报断面的集雨面积参数、河道长度参数、河道比降等地理参数，从而得到流域预报断面地理参数。然后，通过对流域预报断面地理参数进行检测，以检测获取流域内各个雨量预报站点到预报断面的距离以及比降，从而终得到各流域雨量站至预报断面距离以及各流域雨量站至预报断面比降。最后，通过使用简单的平均计算公式分别对各流域雨量站至预报断面距离以及各流域雨量站至预报断面比降进行算术平均计算，最终得到流域雨量站至预报断面平均距离以及流域雨量站至预报断面平均比降。
步骤S2：根据流域预报断面地理参数对流域雨量预报站点的历史观测资料进行流域计算时段检测，得到流域雨量计算时段长；对流域雨量预报站点进行时段序列分析，得到时段降雨过程序列数据以及时段洪水径流过程序列数据；根据流域雨量计算时段长对时段降雨过程序列数据以及时段洪水径流过程序列数据进行逐时段差异分析，得到流域汇流时间；重复获取流域雨量预报站点多个场次的流域汇流时间进行算术平均计算，以得到流域综合汇流时间；
本发明实施例通过使用流域预报断面地理参数（包括集雨面积、河道长度、河道比降等地理参数）对流域雨量预报站点的历史观测资料进行检测，以检测流域雨量预报站点的涨水阶段历时长，并选取涨水阶段历时长的1/4~1/3作为计算时段，从而得到流域雨量计算时段长。其次，通过使用时序分析技术对流域雨量预报站点进行分析，以分析推算相应的时段序列数据，从而得到时段降雨过程序列数据以及时段洪水径流过程序列数据。然后，通过使用选取的流域雨量计算时段长对时段降雨过程序列数据以及时段洪水径流过程序列数据进行逐时段推算，将时段数据转化为更高时空分辨率的逐时段数据，同时，记录时段最大降雨以及时段最大流量涨幅之间发生时间的差异情况，从而得到流域汇流时间。接下来，通过选取流域雨量预报站点中多个场次的雨量过程数据，重复进行流域汇流时间的推算过程并进行算术平均，最终得到流域综合汇流时间。
步骤S3：确定流域综合汇流时间为新计算时段长；根据新计算时段长对时段降雨过程序列数据以及时段洪水径流过程序列数据进行滑动平均降噪处理，得到时段滑动平均降雨序列数据以及时段滑动平均涨幅序列数据；对时段滑动平均降雨序列数据以及时段滑动平均涨幅序列数据进行多项式相关模型标定，得到时段降雨径流相关关系模型；
本发明实施例通过流域特性和水文数据的综合分析确定流域综合汇流时间为新计算时段长。然后，通过使用确定的新计算时段长选择合适的滑动窗口大小和滑动步长对时段降雨过程序列数据以及时段洪水径流过程序列数据进行滑动平均降噪处理，以平滑时段降雨过程序列数据以及时段洪水径流过程序列数据的波动性，从而得到时段滑动平均降雨序列数据以及时段滑动平均涨幅序列数据。最后，通过将时段滑动平均降雨序列数据以及时段滑动平均涨幅序列数据输入到预设的多项式相关关系方程中使用最小二乘法拟合求得相应的多项式系数，并根据数据特点拟合多项式关系以标定降雨和径流之间的相关关系模型，最终得到时段降雨径流相关关系模型。
步骤S4：对流域雨量预报站点进行场次暴雨预报分析，得到流域场次暴雨中心预报站点位置数据；根据流域场次暴雨中心预报站点位置数据结合各流域雨量站至预报断面距离、各流域雨量站至预报断面比降、流域雨量站至预报断面平均距离以及流域雨量站至预报断面平均比降对流域综合汇流时间进行修正分析，得到流域汇流修正时间；获取实测时段降雨序列数据，并根据时段降雨径流相关关系模型以及流域汇流修正时间对实测时段降雨序列数据进行相关拟合预报分析，得到预报洪水流量涨幅序列数据。
本发明实施例通过使用气象学知识检测每个流域雨量预报站点在短时间内场次的累计降雨量，并判断各个流域雨量预报站点的累计降雨量是否超过流域平均累计降雨量的20%，则认为该流域雨量预报站点为本场次降雨的暴雨中心，并确定成为场次暴雨中心的具体站点位置，从而得到流域场次暴雨中心预报站点位置数据。其次，通过使用流域场次暴雨中心预报站点位置数据结合各流域雨量站至预报断面距离、各流域雨量站至预报断面比降、流域雨量站至预报断面平均距离以及流域雨量站至预报断面平均比降对流域综合汇流时间进行修正分析，从而得到流域汇流修正时间。然后，通过使用降雨测试工具获取实测时段降雨序列数据，并通过使用时段降雨径流相关关系模型对获取的实测时段降雨序列数据进行相关拟合预报，以预报计算洪水流量涨幅序列，以测量流域内洪水流量的变化情况，并用于进一步的防汛和应急响应，最终得到预报洪水流量涨幅序列数据。
本发明首先通过对流域雨量预报站点进行预报断面参数采集处理，以获取预报站点以上流域到预报断面的集雨面积参数、河道长度参数、河道比降等地理参数，这些地理参数的采集对于后续过程至关重要，能够为后续的距离、比降检测提供输入数据，从而更准确地检测流域内的水文参数数据。同时，通过对流域预报断面地理参数进行距离检测，以确定各个流域雨量站到预报断面的距离，这样能够充分了解不同站点到预报断面的地理距离，以便更好地理解降雨分布的空间变化，从而有助于改进后续预报过程的降雨分布空间，提高流域内各个站点的降雨预报准确性。并通过对流域预报断面地理参数进行比降检测，以确定各个流域雨量站到预报断面的比降，对于后续过程和流域内径流过程的模拟至关重要，还有助于提高对地形特征的敏感性，增强对流域内水文过程的准确描述。还通过对各流域雨量站至预报断面距离以及各流域雨量站至预报断面比降进行算术平均计算，这有助于综合考虑整个流域的地理特征，从而提供了流域内各站点的地理特征和关键的水文参数，为后续汇流时间修正计算提供了基础数据。其次，通过使用流域预报断面地理参数对流域雨量预报站点的历史观测资料进行流域计算时段检测，能够实现对流域雨量预报站点的时段长获取，根据流域预报断面地理参数，如集雨面积、河道长度、河道比降等，确定适用于流域的计算时段长度，从而提高雨量预报的时效性和精度。通过对流域雨量预报站点进行时段序列分析，有助于揭示降雨和径流过程的时变特征，为后续的逐时段推算提供了基础，同时也为对比流域雨量预报数据提供了时序的参考依据。通过使用检测得到的流域雨量计算时段长对时段降雨过程序列数据以及时段洪水径流过程序列数据进行逐时段差异分析，以根据时段最大降雨与时段最大流量涨幅之间的时间差获取流域汇流时间，有助于理解雨洪过程中的时序差异，为后续的处理过程提供了指导。通过多次获取并计算流域汇流时间的算术平均，得到了流域综合汇流时间。这一步骤的效果在于通过对流域计算时段、降雨过程和洪水径流过程的综合分析，提供了关键的汇流时间信息，为后续预报提供了依据。然后，通过确定了流域综合汇流时间作为新计算时段长，并通过新计算时段长，进行了滑动平均降噪处理，得到了时段滑动平均降雨序列和时段滑动平均涨幅序列数据。随后，对这些数据进行多项式相关模型标定，得到了时段降雨径流相关关系模型。这一步骤的效果在于建立了时段降雨和径流之间的关系模型，为后续的预报提供了关键的数学工具。最后，通过对流域雨量预报站点进行场次暴雨预报分析，以确定流域场次暴雨中心预报站点位置，这个步骤的重要性在于通过对降雨情况的分析，识别出发生暴雨中心的具体位置，为进一步的预报提供基础数据。通过使用分析得到的流域场次暴雨中心预报站点位置数据结合各流域雨量站至预报断面距离、各流域雨量站至预报断面比降、流域雨量站至预报断面平均距离以及流域雨量站至预报断面平均比降对流域综合汇流时间进行修正分析，这样能够根据站点的不同特征参数以更加准确地修正流域综合汇流时间，从而提高了洪水预报的准确性。此外，还通过获取实测时段降雨序列数据，并基于时段降雨径流相关关系模型结合流域汇流修正时间进行相关拟合预报分析，能够通过利用历史数据建立的降雨与径流之间的相关关系模型对实测时段降雨序列数据进行预报，并使用流域汇流修正时间进行错后累计叠加，以预报更为准确的洪水涨幅序列数据，用于进一步的洪水预测和应对措施的制定，从而提高洪水涨幅的预报精度。
优选地，步骤S1包括以下步骤：
步骤S11：对流域雨量预报站点进行站点位置分析，得到预报站点位置分布信息数据；
步骤S12：根据预报站点位置分布信息数据对流域雨量预报站点进行预报断面参数采集处理，以得到流域预报断面地理参数，其中流域预报断面地理参数包括流域预报断面集雨面积参数、流域预报断面河道长度参数以及流域预报断面河道比降参数；
步骤S13：根据预报站点位置分布信息数据对流域预报断面集雨面积参数以及流域预报断面河道长度参数进行距离检测，得到各流域雨量站至预报断面距离；
步骤S14：根据预报站点位置分布信息数据对流域预报断面集雨面积参数以及流域预报断面河道比降参数进行比降检测，得到各流域雨量站至预报断面比降；
其中，比降检测的计算公式如下所示：
；
式中，为各流域雨量站至预报断面比降，/>为流域预报断面河道比降参数，/>为流域雨量站到预报断面的水位距离范围参数，/>为流域预报断面集雨面积参数，/>为流域预报断面的平均集雨面积参数，/>为集雨面积的影响度量参数，/>为流域雨量站到预报断面之间的径流量参数，/>为流域预报断面的平均径流量参数，/>为径流量的影响度量参数，/>为流域雨量站到预报断面的水位距离度量参数，/>为梯度运算符，/>为流域雨量站到预报断面的水位距离头差梯度，/>为水位距离头差的影响度量参数，/>为各流域雨量站至预报断面比降的修正值；
步骤S15：对各流域雨量站至预报断面距离以及各流域雨量站至预报断面比降进行算术平均计算，得到流域雨量站至预报断面平均距离以及流域雨量站至预报断面平均比降。
作为本发明的一个实施例，参考图2所示，为图1中步骤S1的详细步骤流程示意图，在本实施例中步骤S1包括以下步骤：
步骤S11：对流域雨量预报站点进行站点位置分析，得到预报站点位置分布信息数据；
本发明实施例通过使用地理信息系统工具（GIS）或其他空间分析方法对流域雨量预报站点进行位置分析，以获取流域雨量预报站点的关键地理信息，包括海拔、地形等，最终得到预报站点位置分布信息数据。
步骤S12：根据预报站点位置分布信息数据对流域雨量预报站点进行预报断面参数采集处理，以得到流域预报断面地理参数，其中流域预报断面地理参数包括流域预报断面集雨面积参数、流域预报断面河道长度参数以及流域预报断面河道比降参数；
本发明实施例通过使用预报站点位置分布信息数据中流域内各个雨量预报站点的位置对流域雨量预报站点进行采集处理，以获取预报站点以上流域到预报断面的集雨面积参数、河道长度参数、河道比降等地理参数，最终得到流域预报断面地理参数，其中流域预报断面地理参数包括流域预报断面集雨面积参数、流域预报断面河道长度参数以及流域预报断面河道比降参数。
步骤S13：根据预报站点位置分布信息数据对流域预报断面集雨面积参数以及流域预报断面河道长度参数进行距离检测，得到各流域雨量站至预报断面距离；
本发明实施例通过使用预报站点位置分布信息数据中流域内各个雨量预报站点的位置对流域预报断面集雨面积参数以及流域预报断面河道长度参数进行检测，以检测获取流域内各个雨量预报站点到预报断面的距离，最终得到各流域雨量站预报断面距离。
步骤S14：根据预报站点位置分布信息数据对流域预报断面集雨面积参数以及流域预报断面河道比降参数进行比降检测，得到各流域雨量站至预报断面比降；
本发明实施例通过结合预报站点位置分布信息数据中流域雨量站以及预报断面的度量参数、水位距离范围参数、流域预报断面的平均集雨面积参数、径流量参数、平均径流量参数、水位距离度量参数、水位距离头差梯度、相应参数的影响度量参数以及相关参数构成了一个合适的计算公式对流域预报断面集雨面积参数以及流域预报断面河道比降参数进行检测，以检测获取流域内各个雨量预报站点到预报断面的比降，最终得到各流域雨量站至预报断面比降。
其中，比降检测的计算公式如下所示：
；
式中，为各流域雨量站至预报断面比降，/>为流域预报断面河道比降参数，/>为流域雨量站到预报断面的水位距离范围参数，/>为流域预报断面集雨面积参数，/>为流域预报断面的平均集雨面积参数，/>为集雨面积的影响度量参数，/>为流域雨量站到预报断面之间的径流量参数，/>为流域预报断面的平均径流量参数，/>为径流量的影响度量参数，/>为流域雨量站到预报断面的水位距离度量参数，/>为梯度运算符，/>为流域雨量站到预报断面的水位距离头差梯度，/>为水位距离头差的影响度量参数，/>为各流域雨量站至预报断面比降的修正值；
本发明构建了一个比降检测的计算公式，用于对流域预报断面集雨面积参数以及流域预报断面河道比降参数进行比降检测，该比降检测的计算公式的目的是综合考虑集雨面积、径流量以及水位距离头差等因素，通过对水位距离范围内的积分操作，以计算得到各流域雨量站至预报断面的比降，这个比降值可以在水文预报和流域水文分析中提供有关水流速度和水位变化的重要信息。该公式充分考虑了各流域雨量站至预报断面比降，流域预报断面河道比降参数/>，流域雨量站到预报断面的水位距离范围参数/>，流域预报断面集雨面积参数/>，流域预报断面的平均集雨面积参数/>，集雨面积的影响度量参数/>，流域雨量站到预报断面之间的径流量参数/>，流域预报断面的平均径流量参数/>，径流量的影响度量参数/>，流域雨量站到预报断面的水位距离度量参数/>，梯度运算符/>，流域雨量站到预报断面的水位距离头差梯度/>，水位距离头差的影响度量参数/>，各流域雨量站至预报断面比降的修正值/>，根据各流域雨量站至预报断面比降/>与以上各参数之间的相互关联关系构成了一种函数关系：
；
该公式能够实现对流域预报断面集雨面积参数以及流域预报断面河道比降参数的比降检测过程，同时，通过各流域雨量站至预报断面比降的修正值的引入可以根据计算过程中出现的误差情况进行调整，从而提高了比降检测的计算公式的准确性和适用性。
步骤S15：对各流域雨量站至预报断面距离以及各流域雨量站至预报断面比降进行算术平均计算，得到流域雨量站至预报断面平均距离以及流域雨量站至预报断面平均比降。
本发明实施例通过使用简单的平均计算公式分别对各流域雨量站至预报断面距离以及各流域雨量站至预报断面比降进行算术平均计算，最终得到流域雨量站至预报断面平均距离以及流域雨量站至预报断面平均比降。
本发明首先通过对流域雨量预报站点进行站点位置分析，为了确保能够准确捕捉流域内各个关键位置的降雨情况。通过分析站点位置，可以获取流域雨量预报站点的关键地理信息，如海拔、地形等，为后续预报断面参数采集提供基础数据，这样有助于提高预报过程的准确性和可靠性，确保站点的位置布局符合流域特征。其次，通过使用预报站点位置分布信息数据对流域雨量预报站点进行预报断面参数采集处理，以获取预报站点以上流域到预报断面的集雨面积参数、河道长度参数、河道比降等地理参数，这些地理参数的采集对于后续过程至关重要，能够为后续的距离、比降检测提供输入数据，从而更准确地检测流域内的水文参数数据。然后，通过根据预报站点位置分布信息数据中流域内各个雨量预报站点的位置对流域预报断面集雨面积参数以及流域预报断面河道长度参数进行距离检测，以确定各个流域雨量站到预报断面的距离，这样能够充分了解不同站点到预报断面的地理距离，以便更好地理解降雨分布的空间变化，从而有助于改进后续预报过程的降雨分布空间，提高流域内各个站点的降雨预报准确性。接下来，通过根据预报站点位置分布信息数据中流域内各个雨量预报站点的位置对流域预报断面集雨面积参数以及流域预报断面河道比降参数进行比降检测，以确定各个流域雨量站到预报断面的比降，而比降是描述地势坡度的重要参数，对于后续过程和流域内径流过程的模拟至关重要，还有助于提高对地形特征的敏感性，增强对流域内水文过程的准确描述。最后，通过对各流域雨量站至预报断面距离以及各流域雨量站至预报断面比降进行算术平均计算，这有助于综合考虑整个流域的地理特征，为最终的雨量预报提供均衡的空间权衡。平均分析的结果可用于后续过程中修正汇流时间，从而提高整体的预报精度，确保预报结果更符合实际水文条件。
优选地，步骤S13包括以下步骤：
步骤S131：对预报站点位置分布信息数据进行空间插值处理，得到预报站点位置连续空间分布数据；
步骤S132：对预报站点位置连续空间分布数据进行流域边界标定，得到各流域雨量预报站点边界范围；
步骤S133：根据各流域雨量预报站点边界范围对预报站点位置连续空间分布数据进行流域划分处理，得到各流域雨量预报站点位置数据；
步骤S134：根据各流域雨量预报站点位置数据对流域预报断面集雨面积参数以及流域预报断面河道长度参数进行预报断面距离检测，得到各流域雨量站至预报断面距离；
其中，预报断面距离检测的计算公式如下所示：
；
式中，为各流域雨量站至预报断面距离，/>为各流域雨量预报站点位置数据中流域雨量站的度量参数，/>为各流域雨量预报站点位置数据中预报断面的度量参数，/>为各流域雨量预报站点位置数据中流域雨量站/>的空间横坐标参数，/>为各流域雨量预报站点位置数据中流域雨量站/>的空间纵坐标参数，/>为各流域雨量预报站点位置数据中预报断面/>的空间横坐标参数，/>为各流域雨量预报站点位置数据中预报断面/>的空间纵坐标参数，/>为流域雨量站到预报断面的空间距离调和平滑参数，/>为流域雨量站/>到预报断面/>之间的流域预报断面集雨面积参数，/>为面积的积分上限阈值，/>为面积的积分变量参数，/>为面积的权重调整参数，/>为流域雨量站/>到预报断面/>之间的流域预报断面河道长度参数，/>为河道长度的积分上限阈值，/>为河道长度的积分变量参数，/>为河道长度的权重调整参数，/>为各流域雨量站至预报断面距离的修正值。
作为本发明的一个实施例，参考图3所示，为图2中步骤S13的详细步骤流程示意图，在本实施例中步骤S13包括以下步骤：
步骤S131：对预报站点位置分布信息数据进行空间插值处理，得到预报站点位置连续空间分布数据；
本发明实施例首先通过收集预报站点位置分布信息数据，包括预报站点的经纬度或其他坐标信息，然后，通过使用空间插值算法（如克里金插值、反距离权重插值等算法）对收集的数据进行插值计算，以插值填补各个预报站点之间的空间间隔，最终得到预报站点位置连续空间分布数据。
步骤S132：对预报站点位置连续空间分布数据进行流域边界标定，得到各流域雨量预报站点边界范围；
本发明实施例通过使用边界检测方法对预报站点位置连续空间分布数据进行分析，以分析标定各个流域雨量预报站点的流域边界范围，最终得到各流域雨量预报站点边界范围。
步骤S133：根据各流域雨量预报站点边界范围对预报站点位置连续空间分布数据进行流域划分处理，得到各流域雨量预报站点位置数据；
本发明实施例通过使用标定出来的各流域雨量预报站点边界范围对预报站点位置连续空间分布数据进行流域划分，以确保每个流域雨量预报站点都被分配到相应的流域中，最终得到各流域雨量预报站点位置数据。
步骤S134：根据各流域雨量预报站点位置数据对流域预报断面集雨面积参数以及流域预报断面河道长度参数进行预报断面距离检测，得到各流域雨量站至预报断面距离；
本发明实施例通过结合各流域雨量预报站点位置数据中流域雨量站以及预报断面的度量参数、空间位置参数、空间距离调和平滑参数、面积以及河道长度的积分上限阈值、积分变量参数、权重调整参数以及相关参数构成一个合适的计算公式对流域预报断面集雨面积参数以及流域预报断面河道长度参数进行检测，以检测获取流域内各个雨量预报站点到预报断面的距离，最终得到各流域雨量站至预报断面距离。
其中，预报断面距离检测的计算公式如下所示：
；
式中，为各流域雨量站至预报断面距离，/>为各流域雨量预报站点位置数据中流域雨量站的度量参数，/>为各流域雨量预报站点位置数据中预报断面的度量参数，/>为各流域雨量预报站点位置数据中流域雨量站/>的空间横坐标参数，/>为各流域雨量预报站点位置数据中流域雨量站/>的空间纵坐标参数，/>为各流域雨量预报站点位置数据中预报断面/>的空间横坐标参数，/>为各流域雨量预报站点位置数据中预报断面/>的空间纵坐标参数，/>为流域雨量站到预报断面的空间距离调和平滑参数，/>为流域雨量站/>到预报断面/>之间的流域预报断面集雨面积参数，/>为面积的积分上限阈值，/>为面积的积分变量参数，/>为面积的权重调整参数，/>为流域雨量站/>到预报断面/>之间的流域预报断面河道长度参数，/>为河道长度的积分上限阈值，/>为河道长度的积分变量参数，/>为河道长度的权重调整参数，/>为各流域雨量站至预报断面距离的修正值。
本发明构建了一个预报断面距离检测的计算公式，用于对流域预报断面集雨面积参数以及流域预报断面河道长度参数进行距离检测，该距离检测的计算公式综合考虑了空间距离、集雨面积和河道长度等因素对流域雨量站与预报断面之间距离的影响，并通过权重调整和阈值设定，可以调节不同因素在计算距离时的影响程度，以更准确地描述实际情况。所以，该公式充分考虑了各流域雨量站至预报断面距离，各流域雨量预报站点位置数据中流域雨量站的度量参数/>，各流域雨量预报站点位置数据中预报断面的度量参数，各流域雨量预报站点位置数据中流域雨量站/>的空间横坐标参数/>，各流域雨量预报站点位置数据中流域雨量站/>的空间纵坐标参数/>，各流域雨量预报站点位置数据中预报断面/>的空间横坐标参数/>，各流域雨量预报站点位置数据中预报断面/>的空间纵坐标参数，流域雨量站到预报断面的空间距离调和平滑参数/>，流域雨量站/>到预报断面/>之间的流域预报断面集雨面积参数/>，面积的积分上限阈值/>，面积的积分变量参数/>，面积的权重调整参数/>，流域雨量站/>到预报断面/>之间的流域预报断面河道长度参数/>，河道长度的积分上限阈值/>，河道长度的积分变量参数/>，河道长度的权重调整参数/>，各流域雨量站至预报断面距离的修正值/>，根据各流域雨量站至预报断面距离/>与以上各参数之间的相互关联关系构成了一种函数关系：
；
该公式能够实现对流域预报断面集雨面积参数以及流域预报断面河道长度参数的距离检测过程，同时，通过各流域雨量站至预报断面距离的修正值的引入可以根据计算过程中出现的误差情况进行调整，从而提高了预报断面距离检测计算公式的准确性和适用性。
本发明首先通过对预报站点位置分布信息数据进行空间插值处理，能够实现对站点位置的连续空间分布数据的获取。这一处理过程通过数学插值方法，如克里金插值或反距离权重插值，填补了预报站点之间的空间间隔，从而得到更为连续且精细的空间分布数据，这样有助于提高对流域内降雨分布的准确性，为后续流域划分和参数计算提供更精细的基础数据。其次，通过对预报站点位置连续空间分布数据进行流域边界标定，能够实现各流域雨量预报站点的边界范围的提取，这一步骤通过考虑地理特征和流域分水岭，将站点划分到各自的流域，以得到了各流域的边界范围，这样有助于将预报过程更好地适应流域内地理复杂性，为后续流域划分和参数计算提供了准确的边界信息。然后，通过使用各流域雨量预报站点边界范围对预报站点位置连续空间分布数据进行流域划分处理，能够实现了对预报站点位置连续空间分布数据的流域划分，这一划分过程考虑了流域的地理分布，确保每个站点都被分配到相应的流域中，这样有助于更好地理解不同流域内的降雨特征，为后续参数计算提供了基础数据。最后，通过使用各流域雨量预报站点位置数据对流域预报断面集雨面积参数以及流域预报断面河道长度参数进行预报断面距离检测，有助于了解不同流域内站点之间的地理距离，为后续的参数计算提供准确的距离信息。通过这些距离数据，可以更好地获取流域雨量预报站点暴雨中心的距离数据，从而提高雨量预报的精确性。
优选地，步骤S2包括以下步骤：
步骤S21：根据流域预报断面地理参数对流域雨量预报站点的历史观测资料进行流域计算时段检测，得到流域雨量计算时段长；
本发明实施例通过使用流域预报断面地理参数（包括集雨面积、河道长度、河道比降等地理参数）对流域雨量预报站点的历史观测资料进行检测，以检测流域雨量预报站点的涨水阶段历时长，并选取涨水阶段历时长的1/4~1/3作为计算时段，最终得到流域雨量计算时段长。
步骤S22：对流域雨量预报站点进行雨量过程实测分析，得到流域雨量实测降雨过程数据以及流域实测洪水径流过程数据流域实测洪水径流过程数据；
本发明实施例通过使用雨量测试分析方法（如统计分析或水文模型）对流域雨量预报站点进行分析，以获取有关降雨和洪水径流过程的关键信息，最终得到流域雨量实测降雨过程数据以及流域实测洪水径流过程数据流域实测洪水径流过程数据。
步骤S23：对流域雨量实测降雨过程数据以及流域实测洪水径流过程数据流域实测洪水径流过程数据进行时段序列分析，以得到时段降雨过程序列数据以及时段洪水径流过程序列数据；
本发明实施例通过使用时序分析技术分别对流域雨量实测降雨过程数据以及流域实测洪水径流过程数据流域实测洪水径流过程数据进行分析，以分析推算相应的时段序列数据，最终得到时段降雨过程序列数据以及时段洪水径流过程序列数据。
步骤S24：根据流域雨量计算时段长对时段降雨过程序列数据以及时段洪水径流过程序列数据进行逐时段推算处理，得到逐时段降雨过程序列数据以及逐时段洪水径流过程序列数据；
本发明实施例通过使用选取的流域雨量计算时段长对时段降雨过程序列数据以及时段洪水径流过程序列数据进行逐时段推算，将时段数据转化为更高时空分辨率的逐时段数据，最终得到逐时段降雨过程序列数据以及逐时段洪水径流过程序列数据。
步骤S25：对逐时段降雨过程序列数据以及逐时段洪水径流过程序列数据进行最大化查找，得到时段最大降雨以及时段最大流量涨幅；对时段最大降雨以及时段最大流量涨幅的发生时间进行记录处理，以得到降雨过程时段最大降雨时间以及洪水径流过程时段最大流量涨幅时间；
本发明实施例通过分别从逐时段降雨过程序列数据以及逐时段洪水径流过程序列数据中查找出时段内的最大化数据，从而得到时段最大降雨以及时段最大流量涨幅。同时，记录时段最大降雨以及时段最大流量涨幅的发生时间，最终得到降雨过程时段最大降雨时间以及洪水径流过程时段最大流量涨幅时间。
步骤S26：对降雨过程时段最大降雨时间以及洪水径流过程时段最大流量涨幅时间进行差异分析，得到流域汇流时间；重复获取流域雨量预报站点的多场次雨量过程数据并进行流域汇流时间推算，得到多场次流域汇流时间；将多场次流域汇流时间进行算术平均计算，以得到流域综合汇流时间。
本发明实施例通过分析记录得到的降雨过程时段最大降雨时间以及洪水径流过程时段最大流量涨幅时间之间的差异情况，根据时段最大降雨与时段最大流量涨幅之间的时间差获取得到流域汇流时间。然后，通过选取流域雨量预报站点中多个场次的雨量过程数据，重复进行流域汇流时间的推算过程，从而得到多场次流域汇流时间。最后，通过将多场次流域汇流时间进行算术平均，最终得到流域综合汇流时间。
本发明首先通过使用流域预报断面地理参数对流域雨量预报站点的历史观测资料进行流域计算时段检测，能够实现对流域雨量预报站点的时段长获取，根据流域预报断面地理参数，如集雨面积、河道长度、河道比降等，确定适用于流域的计算时段长度。通过合理的时段长度选择，能够更准确地反映流域内降雨的时空分布特征，从而提高雨量预报的时效性和精度。同时，通过对流域雨量预报站点进行雨量过程实测分析，能够从流域雨量预报站点中获取相应的实测降雨过程数据和实测洪水径流过程数据，从而为后续分析过程提供了真实且具体的实测数据基础。其次，通过对流域雨量实测降雨过程数据以及流域实测洪水径流过程数据流域实测洪水径流过程数据进行时段序列分析，有助于揭示降雨和径流过程的时变特征，为后续的逐时段推算提供了基础，同时也为对比流域雨量预报数据提供了时序的参考依据。然后，通过使用检测得到的流域雨量计算时段长对时段降雨过程序列数据以及时段洪水径流过程序列数据进行逐时段推算处理，有助于将时段数据转化为更高时空分辨率的逐时段数据，为后续的最大化查找过程提供了数据基础，同时也增强了模型对流域内雨洪过程的细致刻画。接下来，通过对逐时段降雨过程序列数据以及逐时段洪水径流过程序列数据进行最大化查找，从中查找出相应的时段最大降雨以及时段最大流量涨幅，并通过记录时段最大降雨以及时段最大流量涨幅的发生时间，有助于了解洪雨过程的时空分布特征。这一步骤能够为后续的差异分析提供了重要的数据基础，从而帮助识别降雨和洪水过程的时序特点。最后，通过对记录的降雨过程时段最大降雨时间以及洪水径流过程时段最大流量涨幅时间进行差异分析，以根据时段最大降雨与时段最大流量涨幅之间的时间差获取流域汇流时间，有助于理解雨洪过程中的时序差异，为后续的处理过程提供了指导。通过多场次流域汇流时间的算术平均计算，得到了流域的综合汇流时间，从而为后续预报过程的时效性和准确性提供了关键参数。
优选地，步骤S21包括以下步骤：
步骤S211：根据流域预报断面地理参数对流域雨量预报站点的历史观测资料进行洪峰过程检测，得到流域雨量洪峰过程；
本发明实施例通过使用流域预报断面地理参数（包括集雨面积、河道长度、河道比降等地理参数）对流域雨量预报站点的历史观测资料进行检测，以检测流域雨量预报站点中存在的洪峰过程，最终得到流域雨量洪峰过程。
步骤S212：对流域雨量洪峰过程进行涨水历时记录处理，得到流域雨量洪峰涨水历时长；
本发明实施例通过使用时间记录方法对流域雨量洪峰过程进行处理，以记录流域雨量洪峰过程中涨水阶段的起始和结束时间之间的历时，最终得到流域雨量洪峰涨水历时长。
步骤S213：对流域雨量洪峰涨水历时长进行计算时段选取，得到流域雨量计算时段长。
本发明实施例通过考虑报讯时段长度选取流域雨量洪峰涨水历时长的1/4~1/3作为计算时段，最终得到流域雨量计算时段长。
本发明首先通过使用流域预报断面地理参数对流域雨量预报站点的历史观测资料进行洪峰过程检测，能够实现对流域内雨洪过程的有效监测。通过地理参数的综合利用，如集雨面积、河道长度、河道比降等，能够更准确地识别洪峰过程，为后续的洪峰涨水历时记录提供了精准的基础数据。然后，通过对流域雨量洪峰过程进行涨水历时记录处理，能够通过记录洪峰过程中水位的涨落情况，以形成洪峰涨水历时的详细数据，这有助于了解雨洪过程中水位的迅速上升和下降的时空分布特征，为后续时段计算和时序分析提供了关键信息。最后，通过对流域雨量洪峰涨水历时长进行计算时段选取，能够确定适用于流域的雨量计算时段长度。这一步骤的目的在于通过考虑洪水过程的峰形控制选择合适的时段，使计算能够更好地反映洪峰过程的时空特征，从而提高雨量预报的准确性和时效性。
优选地，步骤S3包括以下步骤：
步骤S31：确定流域综合汇流时间为新计算时段长；
本发明实施例通过流域特性和水文数据的综合分析确定流域综合汇流时间为新计算时段长。
步骤S32：根据新计算时段长对时段降雨过程序列数据进行时段水量滑动平均计算，得到时段滑动平均降雨序列数据；
本发明实施例通过使用确定的新计算时段长选择合适的滑动窗口大小和滑动步长对时段降雨过程序列数据进行滑动平均计算，以平滑时段降雨过程序列数据的波动性，最终得到时段滑动平均降雨序列数据。
步骤S33：对时段洪水径流过程序列数据进行逐时段推求处理，得到逐时段径流涨幅过程序列数据；
本发明实施例通过使用时间统计方法对时段洪水径流过程序列数据进行处理，以逐时段推求出径流涨幅的变化情况，最终得到逐时段径流涨幅过程序列数据。
步骤S34：根据新计算时段长对逐时段径流涨幅过程序列数据进行后错滑动平均计算，得到时段滑动平均涨幅序列数据；
本发明实施例通过使用确定的新计算时段长选择合适的滑动窗口大小和滑动步长向后错一个新计算时段长对逐时段径流涨幅过程序列数据进行滑动平均计算，以更精确地平滑逐时段径流涨幅过程序列数据的波动性，最终得到时段滑动平均涨幅序列数据。
步骤S35：将时段滑动平均降雨序列数据以及时段滑动平均涨幅序列数据输入到多项式相关关系方程中进行多项式相关模型标定，得到时段降雨径流相关关系模型。
本发明实施例通过将时段滑动平均降雨序列数据以及时段滑动平均涨幅序列数据输入到预设的多项式相关关系方程中使用最小二乘法拟合求得相应的多项式系数，并根据数据特点拟合多项式关系以标定降雨和径流之间的相关关系模型，最终得到时段降雨径流相关关系模型。
本发明首先通过确定了流域综合汇流时间作为新计算时段长，这是基于流域特性和水文数据的综合分析，这样能够直接影响到后续洪水预报和相关关系模型的精度与准确性。流域综合汇流时间的准确性能够更好地反映流域水文响应的时间特征，对于建立合理的相关关系模型和预测洪水过程至关重要。其次，通过使用新计算时段长对时段降雨过程序列数据进行时段水量滑动平均计算，从而获得了时段滑动平均降雨序列数据。这种计算方法有助于平滑降雨数据的波动性，提取出更为稳定和连续的降雨特征，为后续相关关系模型的构建提供了更可靠的数据基础。然后，通过对时段洪水径流过程序列数据进行逐时段推求处理，能够更全面地了解径流变化的过程和特征，为后续的模型建立提供了详实的数据支持。接下来，通过使用新计算时段长对逐时段径流涨幅过程序列数据进行后错滑动平均计算，能够更有效地平滑径流涨幅数据的波动，提取出更可靠和稳定的涨幅特征，为后续相关关系模型的构建提供了更加准确的输入数据。最后，通过将时段滑动平均降雨序列数据以及时段滑动平均涨幅序列数据输入到多项式相关关系方程中进行多项式相关模型标定，使得降雨和径流之间的关系得以量化和描述，从而为未来洪水预测和水文模拟提供了重要的数学工具和依据。
优选地，步骤S35中的多项式相关关系方程具体为：
；
式中，为时段滑动平均涨幅序列数据，/>为时段系数，/>为时段滑动平均降雨序列数据，/>、/>、/>均为多项式系数。
本发明构建了一个多项式相关关系方程，用于对时段滑动平均降雨序列数据以及时段滑动平均涨幅序列数据进行多项式相关模型标定，该多项式相关关系方程为二次多项式，可以建立降雨和径流之间的复杂相关关系，同时考虑了降雨的二次影响，其中的多项式系数需要通过拟合来确定，从而建立时段降雨径流的相关关系模型，该多项式相关关系方程的目的是通过时段滑动平均的数据建立一个拟合模型，以更好地理解和描述降雨和径流之间的相关关系。通过确定相应的多项式系数，可以使该方程更好地拟合实际数据，从而提供了一种理论工具，用于预测或分析未来的径流情况。该方程充分考虑了时段滑动平均涨幅序列数据，时段系数/>，时段滑动平均降雨序列数据/>，多项式系数/>、/>、/>，根据时段滑动平均涨幅序列数据/>与以上各参数之间的相互关联关系构成了一种函数关系，该方程能够实现对时段滑动平均降雨序列数据以及时段滑动平均涨幅序列数据的多项式相关模型标定过程，从而提高了多项式相关关系方程的准确性和稳定性。
优选地，步骤S4包括以下步骤：
步骤S41：对流域雨量预报站点进行场次暴雨预报分析，得到流域场次暴雨中心预报站点位置数据；
本发明实施例通过使用气象学知识检测每个流域雨量预报站点在短时间内场次的累计降雨量，并判断各个流域雨量预报站点的累计降雨量是否超过流域平均累计降雨量的20%，则认为该流域雨量预报站点为本场次降雨的暴雨中心，并确定成为场次暴雨中心的具体站点位置，最终得到流域场次暴雨中心预报站点位置数据。
步骤S42：根据流域场次暴雨中心预报站点位置数据对各流域雨量站至预报断面距离以及各流域雨量站至预报断面比降进行筛选分析，得到暴雨中心雨量站预报断面距离以及暴雨中心雨量站预报断面比降；
本发明实施例通过使用流域场次暴雨中心预报站点位置数据对各流域雨量站至预报断面距离以及各流域雨量站至预报断面比降进行分析，以筛选确定与暴雨中心相关雨量站的预报断面距离以及预报断面比降，最终得到暴雨中心雨量站预报断面距离以及暴雨中心雨量站预报断面比降。
步骤S43：根据暴雨中心雨量站预报断面距离以及暴雨中心雨量站预报断面比降结合流域雨量站至预报断面平均距离以及流域雨量站至预报断面平均比降构建汇流时间修正计算公式对流域综合汇流时间进行修正计算，得到流域汇流修正时间；
本发明实施例通过使用筛选得到的暴雨中心雨量站预报断面距离与流域雨量站至预报断面平均距离的比值并乘以流域雨量站至预报断面平均比降与暴雨中心雨量站预报断面比降的比值构建一个合适的汇流时间修正计算公式对流域综合汇流时间进行修正计算，最终得到流域汇流修正时间。另外，该汇流时间修正计算公式还能够使用本领域内任意一种汇流时间修正算法来代替修正计算的过程，并不局限于该汇流时间修正计算公式。
步骤S44：获取实测时段降雨序列数据，并根据时段降雨径流相关关系模型对实测时段降雨序列数据进行相关拟合预报分析，得到预报时段洪水流量变幅序列数据；
本发明实施例通过使用降雨测试工具获取实测时段降雨序列数据，并通过使用时段降雨径流相关关系模型对获取的实测时段降雨序列数据进行相关拟合预报，以预报计算洪水流量变幅序列，最终得到预报时段洪水流量变幅序列数据。
步骤S45：通过流域汇流修正时间对预报时段洪水流量变幅序列数据进行错后累计叠加，得到预报洪水流量涨幅序列数据。
本发明实施例通过将预报计算得到的预报时段洪水流量变幅序列数据错后一个流域汇流修正时间并进行累计叠加预报流量涨幅过程，以测量流域内洪水流量的变化情况，并用于进一步的防汛和应急响应，最终得到预报洪水流量涨幅序列数据。
本发明首先通过对流域雨量预报站点进行场次暴雨预报分析，以确定流域场次暴雨中心预报站点位置。这个步骤的重要性在于通过对降雨情况的分析，识别出发生暴雨中心的具体位置，为进一步的预报提供基础数据。这个过程涉及对历史数据、气象模型和地理特征的综合分析，以预测可能的暴雨中心，从而确定关键的预报站点位置，为后续分析提供基础数据。其次，通过使用分析得到的流域场次暴雨中心预报站点位置数据对各流域雨量站至预报断面距离以及各流域雨量站至预报断面比降进行筛选分析，以筛选确定与暴雨中心相关雨量站的预报断面距离以及预报断面比降，从而为后续的汇流时间修正提供了基础数据。然后，通过使用筛选出来的暴雨中心雨量站预报断面距离以及暴雨中心雨量站预报断面比降结合流域雨量站至预报断面平均距离以及流域雨量站至预报断面平均比降构建一个合适的汇流时间修正计算公式对流域综合汇流时间进行修正计算，这样能够根据站点的不同特征参数以更加准确地修正流域综合汇流时间，从而提高了洪水预报的准确性。接下来，通过获取实测时段降雨序列数据，并基于时段降雨径流相关关系模型进行相关拟合预报分析。这个步骤的关键在于利用历史数据建立的降雨与径流之间的相关关系模型对实测时段降雨序列数据进行预报，从而预报可能的洪水流量变幅序列，这个过程结合了水文统计学和降雨径流关系模型，以提供预报时段洪水流量变幅的预测数据。最后，通过使用流域汇流修正时间对预报时段洪水流量变幅序列数据进行错后累计叠加，从而提供更为准确的洪水涨幅序列数据，用于进一步的洪水预测和应对措施的制定。
优选地，步骤S41包括以下步骤：
步骤S411：对流域雨量预报站点进行场次暴雨降雨量检测，得到各个流域雨量预报站点的场次累计降雨量；
本发明实施例通过使用气象学知识检测每个流域雨量预报站点在短时间内场次的累计降雨量，以识别检测每个流域雨量预报站点在特定时段内的降雨情况，最终得到各个流域雨量预报站点的场次累计降雨量。
步骤S412：对各个流域雨量预报站点的场次累计降雨量进行平均计算，得到流域场次平均累计降雨量；
本发明实施例通过将各个流域雨量预报站点的场次累计降雨量整合在一起，并将整合后的场次累计降雨量进行平均计算，以获取整个流域在特定时段内的平均降雨情况，最终得到流域场次平均累计降雨量。
步骤S413：根据流域场次平均累计降雨量对各个流域雨量预报站点的场次累计降雨量进行比对预报分析，得到流域场次暴雨中心预报站点位置数据。
本发明实施例通过使用流域场次平均累计降雨量对各个流域雨量预报站点的场次累计降雨量进行比对，判断各个流域雨量预报站点的场次累计降雨量是否超过流域场次平均累计降雨量的20%，则认为该流域雨量预报站点为本场次降雨的暴雨中心，并确定成为场次暴雨中心的具体站点位置，最终得到流域场次暴雨中心预报站点位置数据。
本发明首先通过对流域雨量预报站点进行场次暴雨降雨量检测，旨在获取每个流域雨量预报站点的场次累计降雨量数据。这个步骤的关键在于利用各个流域雨量预报站点的观测数据，通过对短时间内降雨量的累积计算，识别出可能引发暴雨的区域。通过这个过程，可以得到每个流域雨量预报站点在特定时段内的降雨情况，为进一步的分析提供基础数据。然后，通过对各个流域雨量预报站点的场次累计降雨量进行平均计算，以获得整个流域在特定时段内的平均降雨情况。通过计算平均累计降雨量，可以得到流域整体的降雨趋势和特征，为后续分析提供了整体性的参考依据。最后，通过使用流域场次平均累计降雨量对各个流域雨量预报站点的场次累计降雨量进行比对预报分析，以获取流域场次暴雨中心预报站点位置数据。这一步骤的关键性在于通过对每个站点降雨量与流域平均降雨量的比对分析，确定可能成为场次暴雨中心的具体站点位置。这个过程综合考虑了各个站点降雨量的特征和整体流域的平均降雨情况，从而定位出可能引发暴雨的关键区域，为进一步预测暴雨中心提供了重要依据。
优选地，步骤S43中的汇流时间修正计算公式具体为：
；
式中，为流域汇流修正时间，/>为流域综合汇流时间，/>为暴雨中心雨量站预报断面距离，/>为流域雨量站至预报断面平均距离，/>为暴雨中心雨量站预报断面比降，/>为流域雨量站至预报断面平均比降。
本发明构建了一个汇流时间修正计算公式，用于对流域综合汇流时间进行修正计算，该汇流时间修正计算公式通过使用暴雨中心雨量站预报断面距离，即该站点到流域内其他雨量站点的距离，这个距离的考虑是为了量化暴雨中心站的影响程度，通过使用流域雨量站至预报断面平均距离，即所有雨量站点到其他雨量站点的平均距离，这个距离的考虑是为了反映整个流域的地理分布情况，还通过使用暴雨中心雨量站预报断面比降，即该站点上游流域的平均比降，这个比降的考虑是为了量化暴雨中心站上游流域的地形和地貌对降雨产生的影响，另外，还通过使用流域雨量站至预报断面平均比降，即所有雨量站点上游流域的平均比降，这个比降的考虑是为了反映整个流域上游的地形和地貌特征，这样可以更准确地修正流域的汇流时间，综合考虑了暴雨中心站点的影响以及整个流域的地理和地貌特征，这有助于提高对暴雨情景下洪水的预测准确性。该公式充分考虑了流域汇流修正时间，流域综合汇流时间/>，暴雨中心雨量站预报断面距离/>，流域雨量站至预报断面平均距离/>，暴雨中心雨量站预报断面比降/>，流域雨量站至预报断面平均比降/>，根据流域汇流修正时间/>与以上各参数之间的相互关联关系构成了一种函数关系/>，该公式能够实现对流域综合汇流时间的修正计算过程，从而提高了汇流时间修正计算公式的准确性和适用性。
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 (10)

1.一种基于时段水量平衡计算的洪水涨幅预报方法，其特征在于，包括以下步骤：
步骤S1：对流域雨量预报站点进行预报断面参数采集处理，以得到流域预报断面地理参数；对流域预报断面地理参数进行距离检测以及比降检测，得到各流域雨量站至预报断面距离以及比降；对各流域雨量站至预报断面距离及比降进行算术平均计算，得到流域雨量站至预报断面平均距离以及流域雨量站至预报断面平均比降；
步骤S2：根据流域预报断面地理参数对流域雨量预报站点的历史观测资料进行流域计算时段检测，得到流域雨量计算时段长；对流域雨量预报站点进行时段序列分析，得到时段降雨过程序列数据以及时段洪水径流过程序列数据；根据流域雨量计算时段长对时段降雨过程序列数据以及时段洪水径流过程序列数据进行逐时段差异分析，得到流域汇流时间；重复获取流域雨量预报站点多个场次的流域汇流时间进行算术平均计算，以得到流域综合汇流时间；
步骤S3：确定流域综合汇流时间为新计算时段长；根据新计算时段长对时段降雨过程序列数据以及时段洪水径流过程序列数据进行滑动平均降噪处理，得到时段滑动平均降雨序列数据以及时段滑动平均涨幅序列数据；对时段滑动平均降雨序列数据以及时段滑动平均涨幅序列数据进行多项式相关模型标定，得到时段降雨径流相关关系模型；
步骤S4：对流域雨量预报站点进行场次暴雨预报分析，得到流域场次暴雨中心预报站点位置数据；根据流域场次暴雨中心预报站点位置数据结合各流域雨量站至预报断面距离、各流域雨量站至预报断面比降、流域雨量站至预报断面平均距离以及流域雨量站至预报断面平均比降对流域综合汇流时间进行修正分析，得到流域汇流修正时间；获取实测时段降雨序列数据，并根据时段降雨径流相关关系模型以及流域汇流修正时间对实测时段降雨序列数据进行相关拟合预报分析，得到预报洪水流量涨幅序列数据。
2.根据权利要求1所述的基于时段水量平衡计算的洪水涨幅预报方法，其特征在于，步骤S1包括以下步骤：
步骤S11：对流域雨量预报站点进行站点位置分析，得到预报站点位置分布信息数据；
步骤S12：根据预报站点位置分布信息数据对流域雨量预报站点进行预报断面参数采集处理，以得到流域预报断面地理参数，其中流域预报断面地理参数包括流域预报断面集雨面积参数、流域预报断面河道长度参数以及流域预报断面河道比降参数；
步骤S13：根据预报站点位置分布信息数据对流域预报断面集雨面积参数以及流域预报断面河道长度参数进行距离检测，得到各流域雨量站至预报断面距离；
步骤S14：根据预报站点位置分布信息数据对流域预报断面集雨面积参数以及流域预报断面河道比降参数进行比降检测，得到各流域雨量站至预报断面比降；
其中，比降检测的计算公式如下所示：
；
式中，为各流域雨量站至预报断面比降，/>为流域预报断面河道比降参数，/>为流域雨量站到预报断面的水位距离范围参数，/>为流域预报断面集雨面积参数，/>为流域预报断面的平均集雨面积参数，/>为集雨面积的影响度量参数，/>为流域雨量站到预报断面之间的径流量参数，/>为流域预报断面的平均径流量参数，/>为径流量的影响度量参数，/>为流域雨量站到预报断面的水位距离度量参数，/>为梯度运算符，/>为流域雨量站到预报断面的水位距离头差梯度，/>为水位距离头差的影响度量参数，/>为各流域雨量站至预报断面比降的修正值；
步骤S15：对各流域雨量站至预报断面距离以及各流域雨量站至预报断面比降进行算术平均计算，得到流域雨量站至预报断面平均距离以及流域雨量站至预报断面平均比降。
3.根据权利要求2所述的基于时段水量平衡计算的洪水涨幅预报方法，其特征在于，步骤S13包括以下步骤：
步骤S131：对预报站点位置分布信息数据进行空间插值处理，得到预报站点位置连续空间分布数据；
步骤S132：对预报站点位置连续空间分布数据进行流域边界标定，得到各流域雨量预报站点边界范围；
步骤S133：根据各流域雨量预报站点边界范围对预报站点位置连续空间分布数据进行流域划分处理，得到各流域雨量预报站点位置数据；
步骤S134：根据各流域雨量预报站点位置数据对流域预报断面集雨面积参数以及流域预报断面河道长度参数进行预报断面距离检测，得到各流域雨量站至预报断面距离；
其中，预报断面距离检测的计算公式如下所示：
；
式中，为各流域雨量站至预报断面距离，/>为各流域雨量预报站点位置数据中流域雨量站的度量参数，/>为各流域雨量预报站点位置数据中预报断面的度量参数，/>为各流域雨量预报站点位置数据中流域雨量站/>的空间横坐标参数，/>为各流域雨量预报站点位置数据中流域雨量站/>的空间纵坐标参数，/>为各流域雨量预报站点位置数据中预报断面/>的空间横坐标参数，/>为各流域雨量预报站点位置数据中预报断面/>的空间纵坐标参数，/>为流域雨量站到预报断面的空间距离调和平滑参数，/>为流域雨量站/>到预报断面/>之间的流域预报断面集雨面积参数，/>为面积的积分上限阈值，/>为面积的积分变量参数，/>为面积的权重调整参数，/>为流域雨量站/>到预报断面/>之间的流域预报断面河道长度参数，/>为河道长度的积分上限阈值，/>为河道长度的积分变量参数，/>为河道长度的权重调整参数，/>为各流域雨量站至预报断面距离的修正值。
4.根据权利要求1所述的基于时段水量平衡计算的洪水涨幅预报方法，其特征在于，步骤S2包括以下步骤：
步骤S21：根据流域预报断面地理参数对流域雨量预报站点的历史观测资料进行流域计算时段检测，得到流域雨量计算时段长；
步骤S22：对流域雨量预报站点进行雨量过程实测分析，得到流域雨量实测降雨过程数据以及流域实测洪水径流过程数据；
步骤S23：对流域雨量实测降雨过程数据以及流域实测洪水径流过程数据进行时段序列分析，以得到时段降雨过程序列数据以及时段洪水径流过程序列数据；
步骤S24：根据流域雨量计算时段长对时段降雨过程序列数据以及时段洪水径流过程序列数据进行逐时段推算处理，得到逐时段降雨过程序列数据以及逐时段洪水径流过程序列数据；
步骤S25：对逐时段降雨过程序列数据以及逐时段洪水径流过程序列数据进行最大化查找，得到时段最大降雨以及时段最大流量涨幅；对时段最大降雨以及时段最大流量涨幅的发生时间进行记录处理，以得到降雨过程时段最大降雨时间以及洪水径流过程时段最大流量涨幅时间；
步骤S26：对降雨过程时段最大降雨时间以及洪水径流过程时段最大流量涨幅时间进行差异分析，得到流域汇流时间；重复获取流域雨量预报站点的多场次雨量过程数据并进行流域汇流时间推算，得到多场次流域汇流时间；将多场次流域汇流时间进行算术平均计算，以得到流域综合汇流时间。
5.根据权利要求4所述的基于时段水量平衡计算的洪水涨幅预报方法，其特征在于，步骤S21包括以下步骤：
步骤S211：根据流域预报断面地理参数对流域雨量预报站点的历史观测资料进行洪峰过程检测，得到流域雨量洪峰过程；
步骤S212：对流域雨量洪峰过程进行涨水历时记录处理，得到流域雨量洪峰涨水历时长；
步骤S213：对流域雨量洪峰涨水历时长进行计算时段选取，得到流域雨量计算时段长。
6.根据权利要求1所述的基于时段水量平衡计算的洪水涨幅预报方法，其特征在于，步骤S3包括以下步骤：
步骤S31：确定流域综合汇流时间为新计算时段长；
步骤S32：根据新计算时段长对时段降雨过程序列数据进行时段水量滑动平均计算，得到时段滑动平均降雨序列数据；
步骤S33：对时段洪水径流过程序列数据进行逐时段推求处理，得到逐时段径流涨幅过程序列数据；
步骤S34：根据新计算时段长对逐时段径流涨幅过程序列数据进行后错滑动平均计算，得到时段滑动平均涨幅序列数据；
步骤S35：将时段滑动平均降雨序列数据以及时段滑动平均涨幅序列数据输入到多项式相关关系方程中进行多项式相关模型标定，得到时段降雨径流相关关系模型。
7.根据权利要求6所述的基于时段水量平衡计算的洪水涨幅预报方法，其特征在于，步骤S35中的多项式相关关系方程具体为：
；
式中，为时段滑动平均涨幅序列数据，/>为时段系数，/>为时段滑动平均降雨序列数据，/>、/>、/>均为多项式系数。
8.根据权利要求1所述的基于时段水量平衡计算的洪水涨幅预报方法，其特征在于，步骤S4包括以下步骤：
步骤S41：对流域雨量预报站点进行场次暴雨预报分析，得到流域场次暴雨中心预报站点位置数据；
步骤S42：根据流域场次暴雨中心预报站点位置数据对各流域雨量站至预报断面距离以及各流域雨量站至预报断面比降进行筛选分析，得到暴雨中心雨量站预报断面距离以及暴雨中心雨量站预报断面比降；
步骤S43：根据暴雨中心雨量站预报断面距离以及暴雨中心雨量站预报断面比降结合流域雨量站至预报断面平均距离以及流域雨量站至预报断面平均比降构建汇流时间修正计算公式对流域综合汇流时间进行修正计算，得到流域汇流修正时间；
步骤S44：获取实测时段降雨序列数据，并根据时段降雨径流相关关系模型对实测时段降雨序列数据进行相关拟合预报分析，得到预报时段洪水流量变幅序列数据；
步骤S45：通过流域汇流修正时间对预报时段洪水流量变幅序列数据进行错后累计叠加，得到预报洪水流量涨幅序列数据。
9.根据权利要求8所述的基于时段水量平衡计算的洪水涨幅预报方法，其特征在于，步骤S41包括以下步骤：
步骤S411：对流域雨量预报站点进行场次暴雨降雨量检测，得到各个流域雨量预报站点的场次累计降雨量；
步骤S412：对各个流域雨量预报站点的场次累计降雨量进行平均计算，得到流域场次平均累计降雨量；
步骤S413：根据流域场次平均累计降雨量对各个流域雨量预报站点的场次累计降雨量进行比对预报分析，得到流域场次暴雨中心预报站点位置数据。
10.根据权利要求8所述的基于时段水量平衡计算的洪水涨幅预报方法，其特征在于，步骤S43中的汇流时间修正计算公式具体为：
；
式中，为流域汇流修正时间，/>为流域综合汇流时间，/>为暴雨中心雨量站预报断面距离，/>为流域雨量站至预报断面平均距离，/>为暴雨中心雨量站预报断面比降，/>为流域雨量站至预报断面平均比降。
CN202311742377.XA 2023-12-18 2023-12-18 一种基于时段水量平衡计算的洪水涨幅预报方法 Active CN117421564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311742377.XA CN117421564B (zh) 2023-12-18 2023-12-18 一种基于时段水量平衡计算的洪水涨幅预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311742377.XA CN117421564B (zh) 2023-12-18 2023-12-18 一种基于时段水量平衡计算的洪水涨幅预报方法

Publications (2)

Publication Number Publication Date
CN117421564A CN117421564A (zh) 2024-01-19
CN117421564B true CN117421564B (zh) 2024-03-26

Family

ID=89525158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311742377.XA Active CN117421564B (zh) 2023-12-18 2023-12-18 一种基于时段水量平衡计算的洪水涨幅预报方法

Country Status (1)

Country Link
CN (1) CN117421564B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260159A (zh) * 2020-02-26 2020-06-09 刘祖敏 一种气象水文耦合洪水测报法
KR20220080463A (ko) * 2020-12-07 2022-06-14 홍익대학교 산학협력단 도시 돌발홍수 예경보 시스템 및 그 방법
CN114943051A (zh) * 2022-05-16 2022-08-26 广东省水文局梅州水文分局 一种基于综合降雨因子的洪峰预报方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260159A (zh) * 2020-02-26 2020-06-09 刘祖敏 一种气象水文耦合洪水测报法
KR20220080463A (ko) * 2020-12-07 2022-06-14 홍익대학교 산학협력단 도시 돌발홍수 예경보 시스템 및 그 방법
CN114943051A (zh) * 2022-05-16 2022-08-26 广东省水文局梅州水文分局 一种基于综合降雨因子的洪峰预报方法

Also Published As

Publication number Publication date
CN117421564A (zh) 2024-01-19

Similar Documents

Publication Publication Date Title
Jian et al. Towards hydrological model calibration using river level measurements
Bourennane et al. Using multiple external drifts to estimate a soil variable
Cappelaere et al. Hydrologic process simulation of a semiarid, endoreic catchment in Sahelian West Niger. 2. Model calibration and uncertainty characterization
CN113281754B (zh) 一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法
Pastorek et al. Commercial microwave links for urban drainage modelling: The effect of link characteristics and their position on runoff simulations
CN111915158A (zh) 一种基于Flood Area模型的暴雨灾害天气风险评估方法、装置及设备
CN110553631B (zh) 一种关于水位流量关系的水位测量系列误差分析方法
CN117421564B (zh) 一种基于时段水量平衡计算的洪水涨幅预报方法
CN117408173B (zh) 一种基于机器学习的水文流量整编智能模型构建方法
Wang et al. Spatial Variation of Extreme Rainfall Observed From Two Century‐Long Datasets
US6832166B2 (en) Method and system for analyzing the effect of inflow and infiltration on a sewer system
Nielsen et al. Merging weather radar data and opportunistic rainfall sensor data to enhance rainfall estimates
Hamilton et al. The role of the hydrographer in rating curve development
JP4399122B2 (ja) 雨水流入予測装置
KR101703809B1 (ko) 기지 유량 전이를 이용한 미계측 유역 장기유출량 산정방법
Egli et al. Seasonal development of spatial snow-depth variability across different scales in the Swiss Alps
CN115271506A (zh) 一种区域降雨表征长系列构建分析一体化方法
KR101755521B1 (ko) 레이더 폴리곤 기법을 이용한 면적강우량 측정장치 및 이를 이용한 면적강우량 측정방법
Baydaroğlu et al. Coping with Information Extraction from In-Situ Data Acquired in Natural Streams
Zhang et al. The baseflow correlation method with multiple gauged sites
CN115907061A (zh) 一种基于改进单位线的水文预报方法
Shi et al. Application and comparing of IDW and Kriging interpolation in spatial rainfall information
CN115545344B (zh) 山洪小流域雨量站网布局优化方法
Wang et al. Spatial Variation of Extreme Rainfall Observed from Two Century-long Datasets
CN117556643B (zh) 一种洪水预警预报方法及预报系统

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