TWI592890B - 二維淹水潛勢圖的產生方法 - Google Patents

二維淹水潛勢圖的產生方法 Download PDF

Info

Publication number
TWI592890B
TWI592890B TW105120373A TW105120373A TWI592890B TW I592890 B TWI592890 B TW I592890B TW 105120373 A TW105120373 A TW 105120373A TW 105120373 A TW105120373 A TW 105120373A TW I592890 B TWI592890 B TW I592890B
Authority
TW
Taiwan
Prior art keywords
rainfall
event
map
generating
events
Prior art date
Application number
TW105120373A
Other languages
English (en)
Other versions
TW201801024A (zh
Inventor
吳祥禎
張哲豪
許至璁
高英勛
黃思瑋
Original Assignee
安研科技股份有限公司
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 安研科技股份有限公司 filed Critical 安研科技股份有限公司
Priority to TW105120373A priority Critical patent/TWI592890B/zh
Priority to CN201610576022.1A priority patent/CN107545090A/zh
Application granted granted Critical
Publication of TWI592890B publication Critical patent/TWI592890B/zh
Publication of TW201801024A publication Critical patent/TW201801024A/zh

Links

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
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

二維淹水潛勢圖的產生方法
本發明係關於一種淹水情境模擬的技術，特別有關一種二維淹水潛勢圖的產生方法。
目前的淹水災害訊息提供系統儲存某一地理區域歷史淹水數據於其資料庫中，使用者可以透過查詢的動作，瞭解該地理區域歷次淹水的情形。然而，使用者無法透過該淹水災害訊息提供系統即時瞭解現在時間淹水的情形，該淹水災害訊息提供系統無法有效提供即時的淹水預報。
是以，如何讓使用者能夠即時、準確地預測某一地理區域可能會發生的淹水情境，是本領域的重點。
本發明的一個目的在於提供一種二維淹水潛勢圖的產生方法，其能夠透過衍生出大量的模擬降雨事件，反饋充實資料庫之資料量，提升淹水預測準確性。。
為達成上述目的，本發明提供一種二維淹水潛勢圖的產生方法，包含如下步驟：從地理區域的歷史降雨事件中擷取降雨事件，每一降雨事件包含降雨延時、雨量及雨型這些參數； 對該地理區域之歷史降雨事件中的各個降雨事件進行統計分析，得出該地理區域之降雨事件的統計分析結果；依據該地理區域之降雨事件的統計分析結果，來模擬產生降雨事件的組體圖；利用該降雨事件的組體圖，在該地理區域之不同位置或不同範圍模擬降雨，產生多組不同的降雨情境模擬資料；以及利用此多組不同的降雨情境模擬資料，配合該地理區域的水文和地文資料，進行淹水區域模擬，分別產生多個二維淹水潛勢圖，並將其存入二維淹水潛勢圖資料庫中。
本發明的一個實施例中，該降雨事件定義為一個連續降雨期間的降雨，該降雨事件的組體圖包含一或多個降雨事件。
本發明的一個實施例中，該降雨事件的降雨延時定義為該降雨事件的持續時間。
本發明的一個實施例中，該降雨事件的雨型定義為降雨雨量隨時間的分佈或其模擬函數。
本發明的一個實施例中，依據該地理區域之降雨事件的統計分析結果，來模擬產生該降雨事件的組體圖的步驟包含：依據該地理區域之降雨事件的統計分析結果，模擬雨型、降雨延時、雨量與降雨事件間隔時間，從而生成該降雨事件的組體圖。
本發明的一個實施例中，在依據該地理區域之降雨事件的統計分析結果，來模擬產生該降雨事件的組體圖的步驟中係利用蒙地卡羅模擬方法來產生該降雨事件的組體圖。
本發明另一方面提供一種二維淹水潛勢圖的產生方法，包含如下步驟：從地理區域的歷史降雨事件中擷取降雨事件，每一降雨事件包含降雨延時、雨量及雨型這些參數，該降雨事件的降雨延時定義為該降雨事件的持續時間，該降雨事件的雨型定義為降雨雨量隨時間的分佈；對該地理區域之歷史降雨事件中的各個降雨事件進行統計分析，得出該地理區域之降雨事件的統計分析結果；依據該地理區域之降雨事件的統計分析結果，模擬雨型、降雨延時、雨量與降雨事件間隔時間，從而生成降雨事件的組體圖；利用該降雨事件的組體圖，在該地理區域之不同位置或不同範圍模擬降雨，產生多組不同的降雨情境模擬資料；以及利用此多組不同的降雨情境模擬資料，配合該地理區域的水文和地文資料，進行淹水區域模擬，分別產生多個二維淹水潛勢圖，並將其存入二維淹水潛勢圖資料庫中。
本發明的一個實施例中，該降雨事件定義為一個連續降雨期間的降雨，該降雨事件的組體圖包含一或多個降雨事件。
本發明的一個實施例中，在依據該地理區域之降雨事件的統計分析結果，來模擬產生該降雨事件的組體圖的步驟中係利用蒙地卡羅模擬方法來產生該降雨事件的組體圖。
本發明實施例中，可以透過地理區域的降雨資料蒐集，整合降雨特性統計分析，利用蒙地卡羅模擬方法所發展之降雨特性模擬機制，在考量多雨量站空間變異性的情況下，衍生大 量降雨事件。這些大量的降雨事件可以模擬產生眾多的淹水潛勢圖，從而充實資料庫之資料量，提升淹水預測準確性。
S10~S16‧‧‧步驟
S20~S24‧‧‧步驟
S30~S32‧‧‧步驟
S71~S81‧‧‧步驟
第1圖顯示本發明實施例中二維淹水潛勢圖資料庫的優化方法的流程示意圖。
第2圖顯示本發明實施例中二維淹水潛勢圖的產生方法的流程示意圖。
第3A圖顯示本發明實施例中降雨事件的雨量的一個例子。
第3B圖顯示本發明實施例中模擬的雨型的一個例子。
第3C圖顯示本發明實施例中降雨事件的組體圖的一個例子。
第4圖顯示本發明實施例中水位資料的一個例子。
第5圖顯示本發明實施例中淹水情境的一個例子。
第6圖顯示本發明實施例中模擬水位與觀測水位的一個示例。
第7圖顯示本發明實施例中在二維淹水潛勢圖資料庫中搜尋淹水圖資的流程示意圖。
第8圖顯示本發明另一實施例中在二維淹水潛勢圖資料庫中搜尋淹水圖資的流程示意圖。
為使本發明的目的、技術方案及效果更加清楚、明確，以下參照圖式並舉實施例對本發明進一步詳細說明。
本發明實施例中，針對二維淹水潛勢圖資料庫的建置，先期透過地理區域(如集水區，watershed)的降雨事件模擬演算各種淹水狀況後，將計算結果存至專屬資料庫(二維淹水潛勢圖資料庫)內。
本發明實施例中，針對二維淹水潛勢圖資料庫的圖資搜尋方面，採用巨量資料搜尋技術，透過將地理區域內各測站的觀測水位與淹水圖資進行最佳特徵條件的匹配，找出最佳的淹水潛勢圖。
本發明實施例中，由於經由資料的更新與不斷學習，使得二維淹水潛勢圖資料庫隨著時間增加，成為巨量資料的等級。而巨量資料庫的產生，亦可成為搜尋最佳的淹水潛勢圖之基礎。
請參閱第1圖，其顯示本發明實施例中二維淹水潛勢圖資料庫的優化方法的流程示意圖，該方法包含如下步驟：
步驟S10：從地理區域的歷史降雨事件，模擬產生降雨事件的組體圖。
本發明實施例可以針對一個地理區域模擬該區域的淹水情形，在模擬該區域的淹水情形之前，需先取得該區域的降雨資料。在這方面，可以從氣象資訊提供單位(例如中央氣象局)取得此地理區域的歷史降雨事件。
在此，一個降雨事件定義為一個連續降雨期間的降雨，一個降雨事件的組體圖可以包含一或多個降雨事件。
舉例來說，在梅雨季節或颱風期間，可能會有多次降雨，一次連續性的降雨可視為一個降雨事件，而一個降雨事件的組體圖可代表一個梅雨季節或一個颱風的降雨情形。
可以對該地理區域的歷史降雨事件進行統計分析，得出該地理區域的降雨規律，並據此來模擬產生降雨事件的組體圖，利用模擬方式可以產生大量的降雨事件的組體圖，從而在後續步驟模擬出大量的淹水潛勢圖，有效增加資料庫的樣本數。
步驟S12：利用該降雨事件的組體圖，進行該地理區域的淹水模擬，以產生二維淹水潛勢圖，並將其存入資料庫中。
每個模擬出的降雨事件的組體圖可以用來模擬該地理區域的淹水狀況，此過程中，需配合該地理區域的水文和地文資料，水位資料例如河川的水位和流速等，地文資料例如等高線圖或街道和建物位置等。
二維淹水潛勢圖即代表採用該降雨事件的組體圖，利用二維水理模式進行該地理區域的模擬得出的淹水情境。模擬產生的二維淹水潛勢圖儲存於資料庫中，後續可以透過在資料庫中進行搜圖，來預測該地理區域可能的淹水情形。
步驟S14：根據該地理區域內各個測站之即時觀測水位，從該資料庫中，搜尋出最佳淹水潛勢圖。
在此步驟中，可以對地理區域內各個測站的即時觀測水位與資料庫中每個二維淹水潛勢圖的模擬水位進行差異分析，比較不同時間點觀測水位與模擬水位之間的差異程度及變化 趨勢，來找出最佳淹水潛勢圖，即代表該地理區域後續可能的淹水情形。
前述最佳淹水潛勢圖的搜尋過程，可以透過特定的演算法來實現，此演算法可參下文描述。
步驟S16：將新的降雨事件加入該地理區域的歷史降雨事件中，並重覆步驟S10至S14。
該地理區域後續會有新的降雨事件，本發明實施例可以考慮該地理區域內新的降雨事件，從而增加該資料庫的樣本數，提升淹水潛勢搜尋的準確度。
具體來說，該地理區域內新的降雨事件可以加入其歷史降雨事件中，並透過步驟S10模擬產生降雨事件的組體圖，此時可以產生與先前不同的降雨事件的組體圖；透過步驟S12產生相應的新的二維淹水潛勢圖，從而擴增資料庫之資料量；並且在步驟S14進行淹水潛勢搜圖時，可以找出更準確的淹水潛勢圖。
本發明實施例中，可以隨著地理區域內新的降雨事件的增加，而擴大資料庫，成為巨量資料的等級，而此巨量資料庫亦成為搜尋最佳的淹水潛勢圖之基礎。隨著資料庫之資料量的增加，也可預期可以找出更準確的淹水潛勢圖。
在二維淹水潛勢圖資料庫的建置方面，先期可以模擬地理區域(如集水區，watershed)的降雨事件，衍生大量降雨事件。具體例如，可以透過地理區域的降雨資料蒐集，整合降雨特性統計分析，利用蒙地卡羅模擬方法所發展之降雨特性模擬機 制，在考量多雨量站空間變異性的情況下，衍生大量降雨事件。將各種降雨情境分別模擬指定區域的二維淹水模擬，其成果繪製成淹水潛勢圖，並存放於資料庫，作為淹水潛勢資料搜尋的基礎。
本發明實施例並提出一種二維淹水潛勢圖的產生方法，請參閱第2圖，其顯示本發明實施例中二維淹水潛勢圖的產生方法的流程示意圖，該方法包含如下步驟。需注意的是，上述步驟S10中，降雨事件的組體圖的產生可對應於本方法的步驟S20~S24；上述步驟S12中，二維淹水潛勢圖的產生可對應於本方法的步驟S30~S32。
步驟S20：從地理區域的歷史降雨事件中擷取降雨事件，每一降雨事件包含降雨延時、雨量及雨型這些參數。
地理區域的歷史降雨事件中通常包含一個以上的降雨事件，降雨事件即一個連續降雨期間的降雨，舉例來說，梅雨季節或颱風期間可能有多次降雨，每次降雨可視為一個降雨事件。
在此，一個降雨事件的降雨延時定義為該降雨事件的持續時間；一個降雨事件的雨型定義為降雨雨量隨時間的分佈或其模擬函數；一個降雨事件的雨量定義為該降雨事件的總雨量
步驟S22：對該地理區域之歷史降雨事件中的各個降雨事件進行統計分析，得出該地理區域之降雨事件的統計分析結果。
可以對該地理區域的歷史降雨事件進行統計分析，得出該地理區域的降雨規律。舉例來說，針對某一地理區域，可 以歸納出其每次降雨的雨量，得出一個降雨雨量的機率分佈；歸納出其每次降雨的持續時間，得出一個降雨持續時間的機率分佈；歸納出其每次降雨的雨型出現的機率。
而在後續步驟，在模擬該地理區域的降雨事件時，可以考慮其降雨雨量的機率分佈、降雨持續時間的機率分佈及/或每次降雨的雨型出現的機率等，或其任意組合。這樣，在模擬降雨事件時，可以更貼近該地理區域的降雨情況。例如，沙漠與森林的降雨形態是全然不同的。
步驟S24：依據該地理區域之降雨事件的統計分析結果，來模擬產生降雨事件的組體圖。
可以對地理區域之降雨事件的統計分析結果進行量化，例如以機率分佈作為量化方式，這樣可以方便對該地理區域的降雨事件進行模擬，方便產生降雨事件的組體圖。
可以整合降雨特性(即，降雨事件之降雨延時、雨量及雨型)的統計分析，利用蒙地卡羅模擬方法所發展之降雨特性模擬機制，來衍生大量降雨事件。
此步驟可以包含：依據該地理區域之降雨事件的統計分析結果，模擬雨型、降雨延時、雨量與降雨事件間隔時間，從而生成降雨事件的組體圖。此步驟可以利用蒙地卡羅模擬方法來產生該降雨事件的組體圖。
舉例來說，第3A圖中顯示的兩個降雨事件(即，降雨事件1和降雨事件2)，其可分別透過第3B圖中顯示的依據統計分 析結構模擬的雨型，產生兩個降雨事件的雨量分佈，從而模擬出如第3C圖所示的包含了兩個降雨事件的一個降雨事件組體圖。
步驟S30：利用該降雨事件的組體圖，在該地理區域之不同位置或不同範圍模擬降雨，產生多組不同的降雨情境模擬資料。
步驟S24中所模擬出的降雨事件的組體圖，可以在考量多雨量站空間變異性的情況下，衍生出另外的降雨情境。也就是說，依據該降雨事件的組體圖的降雨，可以落在地理區域的不同位置或不同範圍，從而可以生成多組不同的降雨情境模擬資料。
舉例來說，可以將模擬的降雨下在一條河川的上游，也可以將其下在該河川的下游，降雨落在地理區域的不同位置或不同範圍，可以作為不同的降雨情境模擬資料，這也會使得後續的淹水區域模擬產生不同的結果。
步驟S32：利用此多組不同的降雨情境模擬資料，配合該地理區域的水文和地文資料，進行淹水區域模擬，分別產生多個二維淹水潛勢圖，並將其存入二維淹水潛勢圖資料庫中。
每個模擬出的多組不同的降雨情境模擬資料，配合地理區域的水文和地文資料，可以用來模擬該地理區域的淹水狀況，可以利用二維水理模式進行該地理區域的模擬得出的淹水情境。如第4圖所示，其顯示某一地理區域的水文資料；如第5圖所示，其顯示某一地理區域的模擬淹水情境。模擬產生的二維淹水 潛勢圖儲存於資料庫中，後續可以透過搜圖來預測該地理區域可能的淹水情形。
本發明實施例中，可以透過地理區域的降雨資料蒐集，整合降雨特性統計分析，利用蒙地卡羅模擬方法所發展之降雨特性模擬機制，在考量多雨量站空間變異性的情況下，衍生大量降雨事件。這些大量的降雨事件可以模擬產生眾多的淹水潛勢圖，從而充實資料庫之資料量，提升淹水預測準確性。
在二維淹水潛勢圖資料庫的圖資搜尋方面，本發明實施例應用資料探勘(Data mining)，從二維淹水潛勢圖庫中，搜尋最佳淹水圖資，以取得適合的淹水預報資訊。資料庫在初步建置後，加上即時地理區域內之測站測得之觀測水位資訊作為特徵因子，與資料庫中採用不同水文水理情境條件所產生之的淹水情境進行比對，搜尋最匹配之淹水圖資。
在淹水圖資搜尋上，本發明實施例對地理區域內各個測站的即時觀測水位與資料庫中每個二維淹水潛勢圖的模擬水位進行差異分析，篩選與比對原則是比較不同時間點觀測水位與模擬水位之間的差異程度及變化趨勢，從而找出最佳淹水潛勢圖。從第6圖顯示的觀測水位與模擬水位，可以直觀地理解到觀測水位與模擬水位的差異程度和變化趨勢。
本發明實施例並提出一種在二維淹水潛勢圖資料庫中搜尋淹水圖資的方法，請參閱第7圖，其顯示本發明實施例中在二維淹水潛勢圖資料庫中搜尋淹水圖資的流程示意圖，該方法包 含如下步驟。需注意的是，上述步驟S14中，從資料庫中搜尋出最佳淹水潛勢圖可對應於本方法的全部步驟。
步驟S71：蒐集集水區(或地理區域)內不同測站(測站數目為Ngage)之即時觀測水位。在此步驟，並檢視資料有效性，剔除無效之資料。
步驟S72：設定資料匹配時間Tb,i(i=1到NTb，NTb為匹配資料時間數目)。
步驟S73：計算每一測站從時間點(t *-T b )至現在時間t *的觀測水位與淹水潛勢圖庫中所有淹水情境之模擬水位的尺度差異指標(Index of difference in scale)，如下式： if[θ i -max(θ l,min)]=0,I=0；othrewise I=1 θ max=max{θ 1,θ 2,θ 3}其中DS i 代表該尺度差異指標，Hobs,t及Hsim,t分別為該觀測水位及該模擬水位，t*及Tb為現在時間點及往前匹配資料時間長度，Hobs,P及Hsim,P分別為觀測及模擬水位最大值。
步驟S74：計算所有測站之尺度差異指標平均值。
步驟S75：將尺度差異指標平均值由小至大排序，選取前nbest組淹水情境。
步驟S76：計算每一測站從時間點(t*-T b )至現在時間t *的觀測水位與nbest組淹水情境之模擬水位的時間趨勢差異指標(Index of difference in time)，如下式： if[θ l -max(θ l )]=0,I=0；othrewise I=1 θ max=max{θ 4,θ 5,θ 6}其中DT i 代表該時間趨勢差異指標。
步驟S77：計算所有測站之時間趨勢差異指標平均值。
步驟S78：選取nbest組淹水情境中時間趨勢差異指標平均值最小者，即為資料匹配時間Tb,i之代表淹水潛勢圖Fmap(Tb,i)。
步驟S79：計算所有測站於現在時間點t*觀測水位 與在代表淹水潛勢圖Fmap(Tb,i)相同時間點的模擬水位的 平均誤差值，如下式： 其中Ngage為集水區內測站數目。
步驟S80：逐步設定資料匹配時間Tb,i+1，並重覆步驟 S73~S79，算得各代表淹水潛勢圖Fmap(Tb,i+1)之平均誤差值； 選取各資料匹配時間Tb,i所得平均誤差值最小者之代表淹水潛勢圖為最佳淹水潛勢圖。
請參閱第8圖，其顯示本發明另一實施例中在二維淹水潛勢圖資料庫中搜尋淹水圖資的流程示意圖。第8圖之實施例與第7圖之實施例的差異在於，第8圖之實施例還包含：
步驟S81：利用所有測站所的觀測水位來修正該最佳淹水潛勢圖。在此步驟中，可以利用地理區域或集水區內之測站所觀測到的觀測水位來修正依據步驟S71~S80所獲得的最佳淹水潛勢圖，得出地理區域進一步精確的淹水情況。
本發明實施例中，在淹水圖資搜尋方面，採用比較不同時間點觀測水位與模擬水位之間的差異程度及變化趨勢的原則，將地理區域內各測站的觀測水位與淹水圖資進行最佳特徵條件的匹配，來找出最佳的淹水潛勢圖，此方式可以提升淹水潛勢圖的搜尋準確性。
本發明已用較佳實施例揭露如上，然其並非用以限定本發明，本發明所屬技術領域中具有通常知識者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
S20~S24‧‧‧步驟
S30~S32‧‧‧步驟

Claims (7)

  1. 一種二維淹水潛勢圖的產生方法，包含如下步驟：從地理區域的歷史降雨事件中擷取降雨事件，每一降雨事件包含降雨延時、雨量及雨型這些參數；對該地理區域之歷史降雨事件中的各個降雨事件進行統計分析，得出該地理區域之降雨事件的統計分析結果；依據該地理區域之降雨事件的統計分析結果，模擬雨型、降雨延時、雨量與降雨事件間隔時間，從而生成該降雨事件的組體圖，該降雨事件定義為一個連續降雨期間的降雨，該降雨事件的組體圖包含一或多個降雨事件；利用該降雨事件的組體圖，在該地理區域之不同位置或不同範圍模擬降雨，產生多組不同的降雨情境模擬資料；以及利用此多組不同的降雨情境模擬資料，配合該地理區域的水文和地文資料，進行淹水區域模擬，分別產生多個二維淹水潛勢圖，並將其存入二維淹水潛勢圖資料庫中。
  2. 如申請專利範圍第1項所述之二維淹水潛勢圖的產生方法，其中該降雨事件的降雨延時定義為該降雨事件的持續時間。
  3. 如申請專利範圍第1項所述之二維淹水潛勢圖的產生方法，其中該降雨事件的雨型定義為降雨雨量隨時間的分佈或降雨雨量隨時間之分佈的模擬函數。
  4. 如申請專利範圍第1項所述之二維淹水潛勢圖的產生方法，其中在依據該地理區域之降雨事件的統計分析結果，來模擬 產生該降雨事件的組體圖的步驟中係利用蒙地卡羅模擬方法來產生該降雨事件的組體圖。
  5. 一種二維淹水潛勢圖的產生方法，包含如下步驟：從地理區域的歷史降雨事件中擷取降雨事件，每一降雨事件包含降雨延時、雨量及雨型這些參數，該降雨事件的降雨延時定義為該降雨事件的持續時間，該降雨事件的雨型定義為降雨雨量隨時間的分佈；對該地理區域之歷史降雨事件中的各個降雨事件進行統計分析，得出該地理區域之降雨事件的統計分析結果；依據該地理區域之降雨事件的統計分析結果，模擬雨型、降雨延時、雨量與降雨事件間隔時間，從而生成降雨事件的組體圖；利用該降雨事件的組體圖，在該地理區域之不同位置或不同範圍模擬降雨，產生多組不同的降雨情境模擬資料；以及利用此多組不同的降雨情境模擬資料，配合該地理區域的水文和地文資料，進行淹水區域模擬，分別產生多個二維淹水潛勢圖，並將其存入二維淹水潛勢圖資料庫中。
  6. 如申請專利範圍第5項所述之二維淹水潛勢圖的產生方法，其中該降雨事件定義為一個連續降雨期間的降雨，該降雨事件的組體圖包含一或多個降雨事件。
  7. 如申請專利範圍第5項所述之二維淹水潛勢圖的產生方法，其中在依據該地理區域之降雨事件的統計分析結果，來模擬 產生該降雨事件的組體圖的步驟中係利用蒙地卡羅模擬方法來產生該降雨事件的組體圖。
TW105120373A 2016-06-28 2016-06-28 二維淹水潛勢圖的產生方法 TWI592890B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW105120373A TWI592890B (zh) 2016-06-28 2016-06-28 二維淹水潛勢圖的產生方法
CN201610576022.1A CN107545090A (zh) 2016-06-28 2016-07-21 二维淹水潜势图的产生方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW105120373A TWI592890B (zh) 2016-06-28 2016-06-28 二維淹水潛勢圖的產生方法

Publications (2)

Publication Number Publication Date
TWI592890B true TWI592890B (zh) 2017-07-21
TW201801024A TW201801024A (zh) 2018-01-01

Family

ID=60048534

Family Applications (1)

Application Number Title Priority Date Filing Date
TW105120373A TWI592890B (zh) 2016-06-28 2016-06-28 二維淹水潛勢圖的產生方法

Country Status (2)

Country Link
CN (1) CN107545090A (zh)
TW (1) TWI592890B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI798583B (zh) * 2020-09-01 2023-04-11 中華電信股份有限公司 加速模擬軟體的模擬結果的產生的電子裝置和方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
MY185446A (en) * 2011-07-11 2021-05-19 Univ Sains Malaysia A method for predicting a landslide disaster
CN103033856B (zh) * 2012-12-06 2014-11-19 南京信息工程大学 基于水文气象一致性地区分析的雨量频率估计方法
CN104851360B (zh) * 2014-02-14 2018-02-16 浙江贵仁信息科技股份有限公司 一种洪水风险图的生成方法和系统
CN105426346B (zh) * 2015-11-15 2018-01-12 北京工业大学 基于水利雨型峰值的城市长历时设计暴雨雨型制作方法

Also Published As

Publication number Publication date
CN107545090A (zh) 2018-01-05
TW201801024A (zh) 2018-01-01

Similar Documents

Publication Publication Date Title
Turner et al. Examining global electricity supply vulnerability to climate change using a high-fidelity hydropower dam model
Tang et al. Flood susceptibility assessment based on a novel random Naïve Bayes method: A comparison between different factor discretization methods
Bao et al. Coupling ensemble weather predictions based on TIGGE database with Grid-Xinanjiang model for flood forecast
Xu et al. Integrating the system dynamic and cellular automata models to predict land use and land cover change
Guthrie Real options analysis of climate-change adaptation: investment flexibility and extreme weather events
Xu et al. HighAir: A hierarchical graph neural network-based air quality forecasting method
Suárez-Almiñana et al. Linking Pan-European data to the local scale for decision making for global change and water scarcity within water resources planning and management
Grouillet et al. Sensitivity analysis of runoff modeling to statistical downscaling models in the western Mediterranean
Kwak et al. Impact of climate change on hydrological droughts in the upper Namhan River basin, Korea
KR101463493B1 (ko) 추계학적 태풍모의를 적용한 전지구 기후모델의 보완방법
Ajeeb et al. The prediction of urban growth trends and patterns using spatio-temporal CA-MC model in Seremban Basin
He et al. Potential geographical distribution and its multi-factor analysis of Pinus massoniana in China based on the maxent model
TWI592890B (zh) 二維淹水潛勢圖的產生方法
TWI578256B (zh) 在二維淹水潛勢圖資料庫中搜尋淹水圖資的方法
Kodja et al. Assessment of the Performance of Rainfall-Runoff Model GR4J to Simulate Streamflow in Ouémé Watershed at Bonou’s outlet (West Africa
Solaiman Uncertainty estimation of extreme precipitations under climate change: A non-parametric approach
Ye et al. Parameter identification and calibration of the Xin’anjiang model using the surrogate modeling approach
TWI598840B (zh) 二維淹水潛勢圖資料庫的優化方法
JP6178121B2 (ja) 模擬降雨データ生成装置、生成方法およびプログラム
Ahmed et al. Performance assessment of different bias correction methods in statistical downscaling of precipitation
Isikwue et al. Classical and bayesian Markov chain Monte Carlo (mcmc) modeling of extreme rainfall (1979-2014) in makurdi, Nigeria
Chen et al. Establishing a numerical modeling framework for hydrologic engineering analyses of extreme storm events
Levy et al. Assessment of select climate change impacts on US national security
Amirabadizadeh et al. Assessment of impacts of future climate change on water resources of the Hulu Langat basin using the swat model
CN116540300B (zh) 概率性海啸灾害分析方法