CN117688790B - 基于多维实时监测与大数据分析的内涝积淹点预判方法 - Google Patents
基于多维实时监测与大数据分析的内涝积淹点预判方法 Download PDFInfo
- Publication number
- CN117688790B CN117688790B CN202410157151.1A CN202410157151A CN117688790B CN 117688790 B CN117688790 B CN 117688790B CN 202410157151 A CN202410157151 A CN 202410157151A CN 117688790 B CN117688790 B CN 117688790B
- Authority
- CN
- China
- Prior art keywords
- drainage
- rainfall
- time
- waterlogging
- pipeline
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 238000007405 data analysis Methods 0.000 title claims abstract description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 52
- 238000012876 topography Methods 0.000 claims abstract description 12
- 230000000903 blocking effect Effects 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims description 36
- 230000000630 rising effect Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000009435 building construction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000012351 Integrated analysis Methods 0.000 abstract description 2
- 238000011835 investigation Methods 0.000 abstract 1
- 238000009825 accumulation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Sewage (AREA)
Abstract
本发明公开了基于多维实时监测与大数据分析的内涝积淹点预判方法,本发明涉及雨水监测技术领域。具体包括以下步骤:S1、收集城市地形和排水系统的数据;S2、构建三维模型M;S3、依据实际调查情况修正三维模型M;S4、在降雨时实时采集数据;S5、分析各管线的具体堵塞几率并排序分级;S6、模拟堵塞发生条件,预测未来一段时间内管线堵塞情况和易产生内涝积淹的区域;S7、预测河水反灌入排水管线的时间;可判断易产生堵塞的支流几率,对于地势低易产生内涝的区域堵塞几率越高,则越容易出现内涝积淹,再对河道水位与排水管线的分析,还可预测河水反灌时间,进而分析影响排水管线排水能力的时间,多方面统合分析,可更准确的预测出内涝积淹点。
Description
技术领域
本发明涉及技术领域,具体为基于多维实时监测与大数据分析的内涝积淹点预判方法。
背景技术
内涝是指由于排水系统不畅或降雨过大,导致地面积水无法及时排出而形成的积淹现象。内涝可能会对交通、居民生活和城市设施造成影响,甚至引发洪灾。为了防止内涝,需要加强城市排水系统建设,合理规划城市排水布局,以及加强降雨监测和预警系统。
目前设有较多种预测方法来预测降雨发生城市内涝,如中国专利 CN114254561A公开的一种内涝预测方法、系统及存储介质,此类预测方法一般都是通过对城市地形进行建模,对降雨量进行检测,并进行水文分析,判断水流向,并对内涝进行预测;
但是城市中影响排水的地形因素较为复杂,建筑施工、道路施工、地铁建设等均会对地形造成影响,简单的建模预测误差较大,同时城市地下复杂的排水管线,且在实际降雨中,一些狭窄的排水管线还容易堵塞,此类特殊因素对内涝积淹的影响很大,但是缺乏有效的预测方法。
发明内容
针对现有技术的不足,本发明提供了基于多维实时监测与大数据分析的内涝积淹点预判方法,解决了城市中地形变化快,简单的建模预测误差较大,同时城市地下复杂的排水管线中一些管线容易堵塞,此类特殊因素对内涝积淹的影响很大,但是缺乏有效的预测方法的问题。
为实现以上目的,本发明通过以下技术方案予以实现:基于多维实时监测与大数据分析的内涝积淹点预判方法,具体包括以下步骤:
S1、收集城市地形和排水系统的数据,包括地势高低、排水管网的覆盖范围和流向、城市内涝历史数据,以及排水系统连接河道部分的管线水位高度数据;
S2、利用采集的数据结合地理信息系统构建三维模型M进行城市易产生内涝积淹点的初步预测;
S3、依据日常降雨积水情况对预测结果进行验证和调整,结合现场调查地形和排水系统实际情况对三维模型M进行修正;
S4、在降雨时,实时采集降雨量数据X、排水管线各采集点排水流量数据Y和河道水位Z;
S5、监测排水流量实时变化和雨量变化,计算分析排水管线可能堵塞区域,结合预测的易产生内涝积淹点的区域,筛除无关区域的排水管线,剩余可能堵塞区域的排水管线结合历史堵塞数据以及各管线具体排水能力,分析各管线的具体堵塞几率进行排序并划分等级,并在三维模型M内进行区域标记;
S6、依据历史堵塞发生的雨势雨量数据,计算发生堵塞的雨量和时间,模拟堵塞发生条件,获取气象局对未来一段时间内雨势的预测,预测未来一段时间内管线堵塞情况和易产生内涝积淹的区域;
S7、通过获取的河道水位上涨数据,结合降雨量和未来一段时间内雨势的预测,分析河道水位上涨趋势,结合易产生内涝积淹区域的河道旁排水管线的水位高度,预测河水反灌入排水管线的时间,进行风险提醒。
优选的,所述S6中设雨量R是时间t的函数,那么单位时间内雨量变化值ΔR(t)可以表示为R(t)的导数,即:
ΔR(t)=dR/dt;
其中,dR表示雨量的微小变化量,dt表示时间的微小变化量。
优选的,设单位时间内排水管线排水流量变化值为ΔP(t),设x表示需要计算的排水管线的序号,A(t)表示排水管线初步判断的堵塞百分比:
Ax(t)=ΔP(t)/ΔR(t)×100%;
若Ax(t)小于1,表示该排水支流管线可能存在异常排水。
优选的,将Ax(t)小于1的各点排水支流管线历史堵塞次数相对于总管线堵塞次数比例设置堵塞次数百分比,堵塞次数越多堵塞次数百分比Bx(t)占比越大:
Bx(t)=(H/L)×100%;
H表示该支流管线堵塞次数,L表示所有支流管线总堵塞次数。
优选的,将Ax(t)小于1的各点排水支流管线具体排水能力相对于主管线排水能力比例设置排水能力百分比,具体排水能力越小排水能力百分比Cx(t)占比越大:
Cx(t)=(M/D)×100%;
D表示该支流管线最大排水流量,M表示该支流管线下流汇聚的主管线的最大排水流量。
优选的,将堵塞百分比、堵塞次数百分比和排水能力百分比进行加成,获取对应管线堵塞总几率Fx(t):
Fx(t)=Ax(t)+Bx(t)+Cx(t);
对Fx(t)进行排序,并对排序的管线堵塞总几率Fx(t)划分三个等级,设立阈值I和J,其中I<J,对比Fx(t)与阈值I和J输出结果F值:
;
F的1、2、3等级分别表示风险等级高中低三级。
优选的,所述S6中在三维模型M内依照堵塞几率等级进行颜色区分标记,并按照顺序进行数字标记。
优选的,所述S4中对三维模型M进行修正的项目包括建筑施工区域标记、地势更新、排水系统更新。
优选的,通过预测的雨势大小S来预测雨量变化值ΔR(t),具体包括以下步骤:
(1)观察历史数据:首先,通过观察历史雨势大小S和雨量变化值ΔR(t)的数据来分析两者之间的关系;
(2)建立模型并修正:根据观察到的历史数据,建立一个关系模型W来描述雨势大小S与雨量变化值ΔR(t)之间的关系,并依据本次雨水前期数据代入关系模型W对其参数进行修正;
(3)预测雨量变化值:建立模型后利用获取的气象局预测的雨势大小S代入关系模型W中,得到对应的预测雨量变化值ΔR(t)。
优选的,通过分析河道水位上涨速度Sg与雨量变化值ΔR(t)的关系,获取以下计算公式:
Sg=k×ΔR(t);
其中,k通过分析河道水位上涨速度Sg与雨量变化值ΔR(t)的规律获取的常数;
气象局预测的雨势大小S代入关系模型W中,得到对应的预测雨量变化值ΔR(t),然后计算在雨势S下到达危险水位Gw所需的时间;假设初始时刻河道水位为Go,危险水位为Gw,假设雨量变化ΔR(t)在时间t内保持恒定,则到达危险水位Gw所需的时间T为:
T=(Gw-Go)/Sg;
将Sg的表达式代入上式,得到:
T=(Gw-Go)/(k×ΔR(t))。
有益效果
本发明提供了基于多维实时监测与大数据分析的内涝积淹点预判方法。与现有技术相比具备以下有益效果:
1、该基于多维实时监测与大数据分析的内涝积淹点预判方法,通过采集各项数据,对城市地表地形和地下排水管线布局进行建模,并实地考察定期更新,再对雨势和雨水量进行分析,同时对排水管线的各支流堵塞情况进行分析和预测,可判断易产生堵塞的支流几率,对于地势低易产生内涝的区域堵塞几率越高,则越容易出现内涝积淹,再对河道水位与排水管线的分析,还可预测河水反灌时间,进而分析影响排水管线排水能力的时间,多方面统合分析,可更准确的预测出内涝积淹点。
2、该基于多维实时监测与大数据分析的内涝积淹点预判方法,通过对雨量变化和排水管线排水流量的变化进行分析,判断处排水异常可能存在堵塞的排水管线支流,再结合历史堵塞数据和支流排水能力大小,多方面分析可更好的分析出排水管线支流堵塞的几率,预测结果更精确。
3、该基于多维实时监测与大数据分析的内涝积淹点预判方法,通过历史数据分析雨势大小和雨量变化值的关系并建立模型,并利用本次雨水的数据进行参数修正,方便利用本次雨水未来一段时间的预测雨势来预测雨水变化量,并通过对本次雨水雨量变化值与造成的河道水位变化参数获取计算公式,最终可通过预测的雨势来预测河道水位达到危险高度的时间,进而可预测出河水倒灌进排水管线的时间,有利于分析出增加内涝积淹点数量和积淹程度的时间。
附图说明
图1为本发明的总流程示意图;
图2为本发明实施例二的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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。
本发明提供三种技术方案:
图1示出了第一种实施方式:基于多维实时监测与大数据分析的内涝积淹点预判方法,具体包括以下步骤:
S1、收集城市地形和排水系统的数据,包括地势高低、排水管网的覆盖范围和流向、城市内涝历史数据,以及排水系统连接河道部分的管线水位高度数据;
S2、利用采集的数据结合地理信息系统构建三维模型M进行城市易产生内涝积淹点的初步预测;
S3、依据日常降雨积水情况对预测结果进行验证和调整,结合现场调查地形和排水系统实际情况对三维模型M进行修正,对三维模型M进行修正的项目包括建筑施工区域标记、地势更新、排水系统更新;
S4、在降雨时,实时采集降雨量数据X(以毫米/小时为单位进行记录和存储)、排水管线各采集点排水流量数据Y(以立方米/秒为单位进行记录和存储)和河道水位Z(以米为单位进行记录和存储);
S5、监测排水流量实时变化和雨量变化,计算分析排水管线可能堵塞区域,结合预测的易产生内涝积淹点的区域,筛除无关区域的排水管线,剩余可能堵塞区域的排水管线结合历史堵塞数据以及各管线具体排水能力,分析各管线的具体堵塞几率进行排序并划分等级,并在三维模型M内进行区域标记;
S6、依据历史堵塞发生的雨势雨量数据,计算发生堵塞的雨量和时间,模拟堵塞发生条件,获取气象局对未来一段时间内雨势的预测,预测未来一段时间内管线堵塞情况和易产生内涝积淹的区域;
S7、通过获取的河道水位上涨数据,结合降雨量和未来一段时间内雨势的预测,分析河道水位上涨趋势,结合易产生内涝积淹区域的河道旁排水管线的水位高度,预测河水反灌入排水管线的时间,进行风险提醒。
通过采集各项数据,对城市地表地形和地下排水管线布局进行建模,并实地考察定期更新,再对雨势和雨水量进行分析,同时对排水管线的各支流堵塞情况进行分析和预测,可判断易产生堵塞的支流几率,对于地势低易产生内涝的区域堵塞几率越高,则越容易出现内涝积淹,再对河道水位与排水管线的分析,还可预测河水反灌时间,进而分析影响排水管线排水能力的时间,多方面统合分析,可更准确的预测出内涝积淹点。
图2示出了第二种实施方式,与第一种实施方式的主要区别在于:步骤S6中设雨量R是时间t的函数,那么单位时间内雨量变化值ΔR(t)可以表示为R(t)的导数,即:
ΔR(t)=dR/dt;
其中,dR表示雨量的微小变化量,dt表示时间的微小变化量。
设单位时间内排水管线排水流量变化值为ΔP(t),设x表示需要计算的排水管线的序号,A(t)表示排水管线初步判断的堵塞百分比:
Ax(t)=ΔP(t)/ΔR(t)×100%;
若Ax(t)小于1,表示该排水支流管线可能存在异常排水。
将Ax(t)小于1的各点排水支流管线历史堵塞次数相对于总管线堵塞次数比例设置堵塞次数百分比,堵塞次数越多堵塞次数百分比Bx(t)占比越大:
Bx(t)=(H/L)×100%;
H表示该支流管线堵塞次数,L表示所有支流管线总堵塞次数。
将Ax(t)小于1的各点排水支流管线具体排水能力相对于主管线排水能力比例设置排水能力百分比,具体排水能力越小排水能力百分比Cx(t)占比越大:
Cx(t)=(M/D)×100%;
D表示该支流管线最大排水流量,M表示该支流管线下流汇聚的主管线的最大排水流量。
将堵塞百分比、堵塞次数百分比和排水能力百分比进行加成,获取对应管线堵塞总几率Fx(t):
Fx(t)=Ax(t)+Bx(t)+Cx(t);
对Fx(t)进行排序,并对排序的管线堵塞总几率Fx(t)划分三个等级,设立阈值I和J,其中I<J,对比Fx(t)与阈值I和J输出结果F值:
;
F的1、2、3等级分别表示风险等级高中低三级。
步骤S6中在三维模型M内依照堵塞几率等级进行颜色区分标记,并按照顺序进行数字标记。
上述步骤对雨量、排水流量、堵塞情况等多个因素进行了综合考量,举例说明如下:
在某市选取一个区域,并在其中一条排水管线上选取三条支流管线:管线1、管线2和管线3,根据雨量变化、排水流量变化以及历史堵塞情况来评估每条管线的排水状况:
首先,测量每条管线上的雨量变化R(t)和排水流量变化ΔP(t),并计算出每条管线的堵塞百分比A1(t)、A2(t)和A3(t),以及堵塞次数百分比B1(t)、B2(t)和B3(t),还有排水能力百分比C1(t)、C2(t)和C3(t);
然后,根据公式计算每条管线的堵塞总几率Fx(t),即F1(t)、F2(t)和F3(t)。
假设得到了以下结果:
1、F1(t)=0.8;
2、F2(t)=1.2;
3、F3(t)=0.5;
现在将对Fx(t)进行排序,并划分三个等级,设立阈值I和J,其中I<J。假设设定阈值I=0.6,阈值J=1.0;
根据这些阈值,可以得出以下结果:
管线1的Fx(t)大于阈值I但小于阈值J,因此属于风险等级中(F=2)。
管线2的Fx(t)大于阈值J,因此属于风险等级高(F=1)。
管线3的Fx(t)小于阈值I,因此属于风险等级低(F=3)。
这样,就可以根据排水管线的堵塞总几率Fx(t)来评估管线的风险等级进行降雨积淹点预测,还便于后期采取相应的措施来维护和管理排水系统。
通过对雨量变化和排水管线排水流量的变化进行分析,判断处排水异常可能存在堵塞的排水管线支流,再结合历史堵塞数据和支流排水能力大小(即支流截面积大小),多方面分析可更好的分析出排水管线支流堵塞的几率,预测结果更精确。
第三种实施方式,与第二种实施方式的主要区别在于:通过预测的雨势大小S来预测雨量变化值ΔR(t),具体包括以下步骤:
(1)观察历史数据:首先,通过观察历史雨势大小S和雨量变化值ΔR(t)的数据来分析两者之间的关系;
(2)建立模型并修正:根据观察到的历史数据,建立一个关系模型W来描述雨势大小S与雨量变化值ΔR(t)之间的关系,并依据本次雨水前期数据代入关系模型W对其参数进行修正;
(3)预测雨量变化值:建立模型后利用获取的气象局预测的雨势大小S代入关系模型W中,得到对应的预测雨量变化值ΔR(t)。
通过分析河道水位上涨速度Sg与雨量变化值ΔR(t)的关系,获取以下计算公式:
Sg=k×ΔR(t);
其中,k通过分析河道水位上涨速度Sg与雨量变化值ΔR(t)的规律获取的常数;
气象局预测的雨势大小S代入关系模型W中,得到对应的预测雨量变化值ΔR(t),然后计算在雨势S下到达危险水位Gw所需的时间;假设初始时刻河道水位为Go,危险水位为Gw,假设雨量变化ΔR(t)在时间t内保持恒定,则到达危险水位Gw所需的时间T为:
T=(Gw-Go)/Sg;
将Sg的表达式代入上式,得到:
T=(Gw-Go)/(k×ΔR(t))。
通过历史数据分析雨势大小和雨量变化值的关系并建立模型,并利用本次雨水的数据进行参数修正,方便利用本次雨水未来一段时间的预测雨势来预测雨水变化量,并通过对本次雨水雨量变化值与造成的河道水位变化参数获取计算公式,最终可通过预测的雨势来预测河道水位达到危险高度的时间,进而可预测出河水倒灌进排水管线的时间,有利于分析出增加内涝积淹点数量和积淹程度的时间。
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.基于多维实时监测与大数据分析的内涝积淹点预判方法,其特征在于:具体包括以下步骤:
S1、收集城市地形和排水系统的数据,包括地势高低、排水管网的覆盖范围和流向、城市内涝历史数据,以及排水系统连接河道部分的管线水位高度数据;
S2、利用采集的数据结合地理信息系统构建三维模型M进行城市易产生内涝积淹点的初步预测;
S3、依据日常降雨积水情况对预测结果进行验证和调整,结合现场调查地形和排水系统实际情况对三维模型M进行修正;
S4、在降雨时,实时采集降雨量数据X、排水管线各采集点排水流量数据Y和河道水位Z;
S5、监测排水流量实时变化和雨量变化,计算分析排水管线可能堵塞区域,结合预测的易产生内涝积淹点的区域,筛除无关区域的排水管线,剩余可能堵塞区域的排水管线结合历史堵塞数据以及各管线具体排水能力,分析各管线的具体堵塞几率进行排序并划分等级,并在三维模型M内进行区域标记;
S6、依据历史堵塞发生的雨势雨量数据,计算发生堵塞的雨量和时间,模拟堵塞发生条件,获取气象局对未来一段时间内雨势的预测,预测未来一段时间内管线堵塞情况和易产生内涝积淹的区域;
S7、通过获取的河道水位上涨数据,结合降雨量和未来一段时间内雨势的预测,分析河道水位上涨趋势,结合易产生内涝积淹区域的河道旁排水管线的水位高度,预测河水反灌入排水管线的时间,进行风险提醒;
所述S6中设雨量R是时间t的函数,那么单位时间内雨量变化值ΔR(t)可以表示为R(t)的导数,即:
ΔR(t)=dR/dt;
其中,dR表示雨量的微小变化量,dt表示时间的微小变化量;
设单位时间内排水管线排水流量变化值为ΔP(t),设x表示需要计算的排水管线的序号,A(t)表示排水管线初步判断的堵塞百分比:
Ax(t)=ΔP(t)/ΔR(t)×100%;
若Ax(t)小于1,表示排水支流管线可能存在异常排水;
将Ax(t)小于1的各点排水支流管线历史堵塞次数相对于总管线堵塞次数比例设置堵塞次数百分比,堵塞次数越多堵塞次数百分比Bx(t)占比越大:
Bx(t)=(H/L)×100%;
H表示该支流管线堵塞次数,L表示所有支流管线总堵塞次数;
将Ax(t)小于1的各点排水支流管线具体排水能力相对于主管线排水能力比例设置排水能力百分比,具体排水能力越小排水能力百分比Cx(t)占比越大:
Cx(t)=(M/D)×100%;
D表示该支流管线最大排水流量,M表示该支流管线下流汇聚的主管线的最大排水流量;
将堵塞百分比、堵塞次数百分比和排水能力百分比进行加成,获取对应管线堵塞总几率Fx(t):
Fx(t)=Ax(t)+Bx(t)+Cx(t);
对Fx(t)进行排序,并对排序的管线堵塞总几率Fx(t)划分三个等级,设立阈值I和J,其中I<J,对比Fx(t)与阈值I和J输出结果F值:
;
F的1、2、3等级分别表示风险等级高中低三级。
2.根据权利要求1所述的基于多维实时监测与大数据分析的内涝积淹点预判方法,其特征在于:所述S6中在三维模型M内依照堵塞几率等级进行颜色区分标记,并按照顺序进行数字标记。
3.根据权利要求1所述的基于多维实时监测与大数据分析的内涝积淹点预判方法,其特征在于:所述S4中对三维模型M进行修正的项目包括建筑施工区域标记、地势更新、排水系统更新。
4.根据权利要求1所述的基于多维实时监测与大数据分析的内涝积淹点预判方法,其特征在于:通过预测的雨势大小S来预测雨量变化值ΔR(t),具体包括以下步骤:
(1)观察历史数据:首先通过观察历史雨势大小S和雨量变化值ΔR(t)的数据来分析两者之间的关系;
(2)建立模型并修正:根据观察到的历史数据,建立一个关系模型W来描述雨势大小S与雨量变化值ΔR(t)之间的关系,并依据本次雨水前期数据代入关系模型W对其参数进行修正;
(3)预测雨量变化值:建立模型后利用获取的气象局预测的雨势大小S代入关系模型W中,得到对应的预测雨量变化值ΔR(t)。
5.根据权利要求4所述的基于多维实时监测与大数据分析的内涝积淹点预判方法,其特征在于:通过分析河道水位上涨速度Sg与雨量变化值ΔR(t)的关系,获取以下计算公式:
Sg=k×ΔR(t);
其中,k通过分析河道水位上涨速度Sg与雨量变化值ΔR(t)的规律获取的常数;
气象局预测的雨势大小S代入关系模型W中,得到对应的预测雨量变化值ΔR(t),然后计算在雨势S下到达危险水位Gw所需的时间;假设初始时刻河道水位为Go,危险水位为Gw,假设雨量变化ΔR(t)在时间t内保持恒定,则到达危险水位Gw所需的时间T为:
T=(Gw-Go)/Sg;
将Sg的表达式代入上式,得到:
T=(Gw-Go)/(k×ΔR(t))。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410157151.1A CN117688790B (zh) | 2024-02-04 | 2024-02-04 | 基于多维实时监测与大数据分析的内涝积淹点预判方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410157151.1A CN117688790B (zh) | 2024-02-04 | 2024-02-04 | 基于多维实时监测与大数据分析的内涝积淹点预判方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117688790A CN117688790A (zh) | 2024-03-12 |
CN117688790B true CN117688790B (zh) | 2024-04-26 |
Family
ID=90139501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410157151.1A Active CN117688790B (zh) | 2024-02-04 | 2024-02-04 | 基于多维实时监测与大数据分析的内涝积淹点预判方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117688790B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738355A (zh) * | 2019-09-19 | 2020-01-31 | 河源职业技术学院 | 一种基于神经网络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 |
CN116908942A (zh) * | 2023-06-28 | 2023-10-20 | 北京恒润安科技有限公司 | 一种基于降水预报的城市内涝告警装置及方法 |
-
2024
- 2024-02-04 CN CN202410157151.1A patent/CN117688790B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738355A (zh) * | 2019-09-19 | 2020-01-31 | 河源职业技术学院 | 一种基于神经网络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 |
CN116908942A (zh) * | 2023-06-28 | 2023-10-20 | 北京恒润安科技有限公司 | 一种基于降水预报的城市内涝告警装置及方法 |
Non-Patent Citations (1)
Title |
---|
基于城市暴雨内涝数学模型的福州内涝灾害风险评估;陈靖;张容焱;解以扬;李培彦;张长灿;段丽瑶;;暴雨灾害;20200215(第01期);第89-95页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117688790A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Silvennoinen et al. | Monetary value of urban green space as an ecosystem service provider: A case study of urban runoff management in Finland | |
Belay et al. | Impacts of land use/land cover and climate changes on soil erosion in Muga watershed, Upper Blue Nile basin (Abay), Ethiopia | |
CN110428586A (zh) | 基于前期降雨和上下游拓扑关系的农村基层洪涝预警方法 | |
CN112651659B (zh) | 一种调水工程对工程区左岸区域防洪风险评估方法 | |
CN114360214B (zh) | 一种特大规模冰川泥石流预警方法 | |
CN111062125B (zh) | 海绵型综合管廊水文效应评估方法 | |
Joshi et al. | Rainfall-Runoff Simulation in Cache River Basin, Illinois, Using HEC-HMS | |
Duke et al. | Incorporating ancillary data to refine anthropogenically modified overland flow paths | |
CN113095694B (zh) | 一种适用于多地貌类型区的降雨输沙模型构建方法 | |
CN113642794B (zh) | 一种结合降雨和土壤水观测的山洪预报方法 | |
CN112163346B (zh) | 一种基于透水-不透水格局的面源污染迁移能力估算方法 | |
KR20190027567A (ko) | 데이터마이닝과 공간분석에 기반한 하천수 클로로필-a 농도 예측 방법 | |
CN113701060A (zh) | 一种基于排水模型的城市排水管网智能诊断方法 | |
CN114511990A (zh) | 泥石流概率测算方法、泥石流多要素协同监测预警方法 | |
Nandalal et al. | Event based modeling of a watershed using HEC-HMS | |
CN117113038B (zh) | 城市水土流失黄泥水事件溯源方法及系统 | |
CN107273686B (zh) | 雨洪径流氮磷输出负荷预测方法 | |
CN117688790B (zh) | 基于多维实时监测与大数据分析的内涝积淹点预判方法 | |
CN116126963A (zh) | 非线性多源异构排水模型诊断入流入渗方法 | |
CN115619045A (zh) | 一种河口潮差预报方法和系统 | |
Haque et al. | Event-based analysis of wetland hydrologic response in the Prairie Pothole Region | |
Mátyás et al. | Using numerical modeling error analysis methods to indicate changes in a watershed | |
CN117689216B (zh) | 一种基于数字孪生的水利工程运维管理系统 | |
CN113779491B (zh) | 泥石流隐患易发性分析方法 | |
Gérard et al. | Prediction of sediment build-up from analysis of physical network data |
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 |