CN110728353A - 一种基于bp人工神经网络的城市积涝水位预报方法 - Google Patents

一种基于bp人工神经网络的城市积涝水位预报方法 Download PDF

Info

Publication number
CN110728353A
CN110728353A CN201910852987.2A CN201910852987A CN110728353A CN 110728353 A CN110728353 A CN 110728353A CN 201910852987 A CN201910852987 A CN 201910852987A CN 110728353 A CN110728353 A CN 110728353A
Authority
CN
China
Prior art keywords
forecast
hours
forecasting
current
rainfall
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
CN201910852987.2A
Other languages
English (en)
Inventor
刘建勇
涂小萍
姚日升
胡波
顾思南
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.)
Ning Boshiqixiangtai
Original Assignee
Ning Boshiqixiangtai
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 Ning Boshiqixiangtai filed Critical Ning Boshiqixiangtai
Priority to CN201910852987.2A priority Critical patent/CN110728353A/zh
Publication of CN110728353A publication Critical patent/CN110728353A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

本发明公开了一种基于BP人工神经网络的城市积涝水位预报方法，特点是获取当前预报组的各个历史样本的预报对象和预报因子并进行归一化处理后，作为当前预报时效对应的预报模型的训练样本集，构造当前预报时效对应的待训练的预报模型，通过训练样本集对待训练的预报模型进行训练最终得到当前预报时效对应的训练后的预报模型，采用以上方法得到每个预报时效对应的训练后的预报模型，再通过将当前预报因子输入对应的当前预报模型，得到当前预报组中每个积涝预报点在当前起报时刻对应的每个预报时效的积涝水位预报值；优点是利用BP人工神经网络模型的自我学习能力得到训练后的预报模型，输出积涝水位预报结果较为准确。

Description

一种基于BP人工神经网络的城市积涝水位预报方法
技术领域
本发明涉及一种积涝水位预报方法，尤其是一种基于BP人工神经网络的城市积涝水位预报方法。
背景技术
城市内涝是指由于强降水或连续性降水超过城市排水能力致使城市内产生积水灾害的现象。造成内涝的客观原因是降雨强度大、范围集中，降雨强度比较大、时间比较长也有可能形成积水。地势比较高的地区不容易形成积水，而地势比较低洼的地区，就容易形成内涝。国内一些城市排水管网欠账比较多，管道老化，排水标准比较低，有的地方排水设施就不健全、不完善，排水***建设滞后是造成内涝的一个重要原因。另外，城市大量的硬质铺装，如柏油路、水泥路面，降雨时水渗透性不好，也容易形成这段路面的积水。由于城市中植被稀疏，水塘较少，无法贮存雨水，导致出现“汇水”的现象形成积水。
当前已有的方法主要采用构建暴雨洪水管理模型(Storm Water ManagementModel，SWMM)，并对模型中的参数进行率定，从而模拟城市遭暴雨时可能出现的城市积涝位置和深度。城市暴雨内涝数学模型以城市地表与明渠、河道水流运动为主要模拟对象，其基本控制方程以平面二维非恒定流的基本方程为骨架(解以扬等，水科学进展，2005)。SWMM的构建不仅涉及到降水数据，还需要丰富的地理数据(地形、地貌、地物、排水等)作支撑，模型的使用过程中存在数据难以获取、处理过程复杂、数据概化不合理、参数率定困难等问题。目前已有一些有关城市积涝的发明专利，这些专利多结合地理信息***(GeographicInformation System，GIS)来模拟暴雨产生的内涝区域和水深，并利用GIS***来呈现暴雨的积涝区域和深度，而数字高程模型(Digital Elevation Model，DEM)是GIS中暴雨积涝分析中所涉及的最重要的信息之一；还有一些发明专利基于BP人工神经网络来进行各种水位的预测。
发明内容
本发明所要解决的技术问题是提供一种预报精度及准确度较高的基于BP人工神经网络的城市积涝水位预报方法。
本发明解决上述技术问题所采用的技术方案为：一种基于BP人工神经网络的城市积涝水位预报方法，包括以下步骤：
⑴定义待预报积涝水位的城市区域为目标区域，获取目标区域内的积涝预报点的数量并记为N个，将N个积涝预报点预先分成M个预报组，从M个预报组中任意选取一个预报组作为当前预报组，将当前预报组中的积涝预报点的数量记为Ncur个；
⑵定义N个积涝预报点对应的径流汇集区为雨量观测区，获取雨量观测区内全部雨量观测站的数量并记为K个；获取对目标区域内的N个积涝预报点有影响的潮河水位观测点的数量并记为L个；
定义任意一个历史整点起报时刻为0小时，定义位于该历史整点起报时刻之前的多个观测时刻为历史过去观测时刻：-120小时、-48小时、-24小时、-12小时、-6小时、-3小时、-2小时和-1小时，定义位于该历史整点起报时刻之后的多个观测时刻为历史未来预报时刻：1小时、2小时、3小时、6小时、12小时、24小时和48小时，在历史整点起报时刻中获取符合如下条件的特定整点起报时刻：①特定整点起报时刻的未来48小时内，N个积涝预报点中至少有1个积涝预报点出现积水，N个积涝预报点记录有特定整点起报时刻的积水深度和特定整点起报时刻的所有历史未来预报时刻的积水深度；②K个雨量观测站在特定整点起报时刻的每两个相邻的历史过去观测时刻之间的过去时间段和在历史未来预报时刻的每两个相邻的历史未来预报时刻之间的未来时间段均记录有时段雨量值；③在特定整点起报时刻的L个潮河水位观测点均记录有水位观测值；定义特定整点起报时刻的资料为历史样本，并定义特定整点起报时刻为历史样本起报时刻，将全部历史样本的数量记为Cs个，100≤Cs≤1000，历史样本起报时刻的集合T如下：T＝{T1，T2，...，Ti，...，TCs}，Ti表示该集合中的任意一个历史样本起报时刻，1≤i≤Cs；
⑶定义与历史样本起报时刻对应的预报时效的集合如下：1小时、2小时、3小时、6小时、12小时、24小时和48小时，定义LT为与历史样本起报时刻对应的预报时效的集合中的当前预报时效，LT的初值取为1小时；
⑷获取LT对应的当前待训练预报模型的参数如下：定义当前待处理的历史样本为当前历史样本，Tj为T中当前历史样本起报时刻，j的初始值为1，从当前历史样本获取当前预报组中Ncur个积涝预报点在Tj+LT时刻的积水深度并定义为LT对应的待训练预报模型中与当前历史样本对应的预报对象，然后从当前历史样本获取LT对应的待训练预报模型中的与当前历史样本对应的一组预报因子；
⑸将与当前历史样本对应的预报对象和与当前历史样本对应的一组预报因子进行归一化处理，判断是否满足j＝Cs，若否则令j＝j+1，其中，“＝”为赋值符号，对步骤⑷中的j进行更新，重复执行步骤⑷，若是则将归一化后的与Cs个历史样本对应的预报对象和归一化后的与Cs个历史样本对应的Cs组预报因子组成LT对应的当前待训练预报模型的当前训练样本集，并执行步骤⑹；
⑹采用前向3层网络的BP人工神经网络模型构造LT对应的当前待训练预报模型，训练精度的取值范围设定为0.001～0.01，最大训练次数的取值范围设定为5000～10000次；
将当前训练样本集的数据输入当前待训练预报模型对当前待训练预报模型进行训练，判断在未超出最大训练次数的情况下是否满足训练精度，若是则得到当前待训练预报模型的网络权值，并得到与LT对应的训练后的预报模型；若否则确定不对当前预报组在LT以后的预报时效的积涝水位进行预报；
判断LT是否等于48小时，若否则将LT取为LT在与历史样本起报时刻对应的预报时效的集合中的下一个预报时效，重复执行步骤⑷，若是则执行步骤⑺；
⑺定义当前起报时刻为T0，T0为整点时刻，定义与T0对应的预报时效集合如下：1小时、2小时、3小时、6小时、12小时、24小时和48小时，定义LT1为T0对应的预报时效的集合中的当前预报时效，LT1的初值取为1小时；
⑻定义与LT1的取值相同的LT对应的训练后的预报模型为当前预报模型，获取当前预报模型的当前预报因子；
⑼将当前预报模型的当前预报因子进行归一化处理，将归一化处理后的当前预报因子输入到当前预报模型，将当前预报模型的输出结果进行反归一化处理即可得到Ncur个积涝预报点在LT1的积涝水位预报值；
⑽判断LT1＝48小时是否成立，若否则将LT1赋值为LT1在T0对应的预报时效的集合中的下一个预报时效，重复执行步骤⑻，若是则完成对当前预报组中的Ncur个积涝预报点的积涝水位预报。
所述的步骤⑴中将N个积涝预报点预先分成M个预报组的过程如下：根据目标区域内的N个积涝预报点在多个历史时刻的积涝水位数据，采用模糊聚类法分组，再根据同一预报组中的所有积涝预报点需要位于同一个城市片区内且地理位置相连的原则，将N个积涝预报点预先分成M个预报组。采用模糊聚类法，同时结合同一组积涝预报点需要位于同一个城市片区内且地理位置相连的原则，将积涝预报点分组，同一组积涝预报点的在构建模型和预报时均同时参与运算，减小了计算量并体现了同一组积涝预报点的积水深度的互动作用，以提高预报效果；也可根据现有人为分组经验，按照地理位置相连且相互之间的积涝水位数据接近的原则进行预先分组。
所述的步骤⑷中从当前历史样本获取LT对应的待训练预报模型中的与当前历史样本对应的一组预报因子的具体过程如下：
⑷-1获取K个雨量观测站中的每个雨量观测站在Tj的过去时间段：-120～-48小时、-48～-24小时、-24～-12小时和-12～-6小时内的时段雨量值，随后获取K个雨量观测站在上述的每个过去时间段内时段雨量值的平均值并将该平均值作为雨量观测区在上述的每个过去时间段的区域面雨量；
⑷-2获取K个雨量观测站中的每个雨量观测站在Tj的过去时间段：-6～-3小时、-3～-2小时、-2～-1小时和-1～0小时内的时段雨量值，随后获取K个雨量观测站在上述的每个过去时间段内时段雨量值的平均值并将该平均值作为雨量观测区在对应的过去时间段的站点平均雨量，将上述的过去时间段的站点平均雨量与雨量观测区内存在雷达反演雨量的对应时间段内的雷达反演雨量的区域平均值进行平均作为雨量观测区在对应的过去时间段的区域面雨量，将雨量观测区在其余不存在雷达反演雨量的对应过去时间段内的站点平均雨量直接作为雨量观测区在相应的过去时间段的区域面雨量；
⑷-3定义Tj的未来时间段为：0～1小时、1～2小时、2～3小时、3～6小时、6～12小时、12～24小时、24～48小时，获取K个雨量观测站中的每个雨量观测站在Tj+LT以前的未来时间段内的时段雨量值，随后获取K个雨量观测站在Tj+LT以前的未来时间段内的时段雨量值的平均值，并将该平均值作为雨量观测区在对应的未来时间段的区域面雨量；
⑷-4获取L个潮河水位观测点在Tj的水位观测值；
⑷-5获取N个积涝预报点在Tj的积水深度和在Tj+LT以前的每个未来预报时刻的积水深度。预报因子的获得充分考虑了前期降雨的累积效应和后期降雨预报结果，在雨量取值的时间段上，采用起报时刻往前、往后的雨量累积的时间分辨率由高变低的分布，并在临近的时间段内还要结合雷达反演雨量来提高区域面雨量的计算精度；充分利用河网水位观测信息，以体现地表存水量和潮河水位顶托的影响使训练得到的预报模型的预报精度更高。
所述的步骤⑸中将与当前历史样本对应的预报对象和与当前历史样本对应的一组预报因子中任意一个数据x0进行归一化，得到归一化后的数据x1的过程如下：其中，xmin代表x0对应的同类数据中的最小值，xmax代表x0对应的同类数据中的最大值。
所述的步骤⑹中所述的当前待训练预报模型包括输入层、输出层和位于输入层与输出层之间的隐含层，两个相邻层之间的网络节点采用Sigmoid函数:f(x)＝1/(1+e-x)连接，其中，e为自然常数，网络权值的初值全部赋为0或随机数，输入层的节点数为Cn，Cn＝Scur，Scur表示LT对应的待训练预报模型中的每组预报因子中预报因子的数量，将输出层节点数记为Cm，Cm＝Ncur，将隐含层节点数记为Cl，
Figure BDA0002197439330000052
学习因子的取值范围设定为0.85～0.95，动量因子的取值范围设定为0.6～0.8。
所述的学习因子为0.9，所述的动量因子为0.7，所述的训练精度为0.001，所述的最大训练次数为5000次。
所述的步骤⑻中获取当前预报模型的当前预报因子的具体过程如下：
⑻-1获取K个雨量观测站中的每个雨量观测站在T0的过去时间段：-120～-48小时、-48～-24小时、-24～-12小时和-12～-6小时内的时段雨量值，随后获取K个雨量观测站在上述的每个过去时间段内时段雨量值的平均值并将该平均值作为雨量观测区在上述的每个过去时间段的区域面雨量；
⑻-2获取K个雨量观测站中的每个雨量观测站在T0的过去时间段：-6～-3小时、-3～-2小时、-2～-1小时和-1～0小时内的时段雨量值，随后获取K个雨量观测站在上述的每个过去时间段内时段雨量值的平均值并将该平均值作为雨量观测区在上述的过去时间段的站点平均雨量，如果上述时间段有雨量观测区内雷达反演雨量区域平均值，则将雨量观测区在上述的过去时间段的站点平均雨量与雨量观测区在对应的过去时间段的雷达反演雨量的区域平均值进行平均，得到雨量观测区在上述的每个过去时间段的区域面雨量；如果上述时间段没有雨量观测区内雷达反演雨量区域平均值，则将雨量观测区在上述的过去时间段的站点平均雨量作为雨量观测区在上述的每个过去时间段的区域面雨量；
⑻-3定义T0的未来时间段为：0～1小时、1～2小时、2～3小时、3～6小时、6～12小时、12～24小时、24～48小时，从气象部门的天气预报资料中获取K个雨量观测站在T0+LT1以前的未来时间段内的时段雨量值，随后获取K个雨量观测站在T0+LT1以前的未来时间段内的时段雨量值的平均值，并将该平均值作为雨量观测区在对应的未来时间段的区域面雨量；
⑻-4获取L个潮河水位观测点在T0的水位观测值；
⑻-5获取N个积涝预报点在T0的积水深度和在T0+LT1以前的每个预报时刻的积水深度预报值。
所述的步骤⑼对当前预报模型的当前预报因子中任意一个数据x0′进行归一化，得到归一化后的数据x1′的过程如下：
Figure BDA0002197439330000061
其中，xmin′代表x0′对应的同类数据中的最小值，xmax′代表x0′对应的同类数据中的最大值。
所述的步骤⑼中将当前预报模型的输出结果记为xp′，将Ncur个积涝预报点在LT1的积涝水位预报值记为xp，则有xp＝xp′(xpmax′-xpmin′)+xpmin′，其中，xpmin′代表xp′对应的同类数据中的最小值，xpmax′代表xp′对应的同类数据中的最大值。
与现有技术相比，本发明的优点在于首先将目标区域内的积涝预报点预先分成多个预报组，任意选取一个预报组作为当前预报组，随后获取各个历史样本的预报对象和预报因子并进行归一化处理后，作为当前预报时效对应的预报模型的训练样本集，采用前向3层网络的BP人工神经网络模型构造当前预报时效对应的待训练的预报模型，通过训练样本集对待训练的预报模型进行训练最终得到当前预报时效对应的训练后的预报模型，采用以上方法得到每个预报时效对应的训练后的预报模型，再通过将当前预报因子输入对应的当前预报模型，得到当前预报组中每个积涝预报点在当前起报时刻对应的每个预报时效的积涝水位预报值，采用以上方法获取每个预报组的积涝水位预报结果，最终完成对目标区域内所有积涝预报点的积涝水位预报；采用前向3层网络的BP人工神经网络模型构造每个预报时效对应的待训练预报模型并利用BP人工神经网络模型的自我学习能力，通过对输入的历史数据的反复训练学习获得模型参数，得到训练后的预报模型，从而对当前起报时刻的当前预报因子输入到对应的预报模型后，输出较为准确的积涝水位预报结果。
附图说明
图1为本发明的步骤流程图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
实施例一：一种基于BP人工神经网络的城市积涝水位预报方法，包括以下步骤：
⑴定义待预报积涝水位的城市区域为目标区域，获取目标区域内的积涝预报点的数量并记为N个，将N个积涝预报点预先分成M个预报组，从M个预报组中任意选取一个预报组作为当前预报组，将当前预报组中的积涝预报点的数量记为Ncur个；其中，将N个积涝预报点预先分成M个预报组的过程如下：根据目标区域内的N个积涝预报点在多个历史时刻的积涝水位数据，采用模糊聚类法分组，再根据同一预报组中的所有积涝预报点需要位于同一个城市片区内且地理位置相连的原则，将N个积涝预报点预先分成M个预报组。采用模糊聚类法，同时结合同一组积涝预报点需要位于同一个城市片区内且地理位置相连的原则，将积涝预报点分组，同一组积涝预报点的在构建模型和预报时均同时参与运算，减小了计算量并体现了同一组积涝预报点的积水深度的互动作用，以提高预报效果；也可根据现有人为分组经验，按照地理位置相连且相互之间的积涝水位数据接近的原则进行预先分组。
⑵定义N个积涝预报点对应的径流汇集区为雨量观测区，获取雨量观测区内全部雨量观测站的数量并记为K个；获取对目标区域内的N个积涝预报点有影响的潮河水位观测点的数量并记为L个；
定义任意一个历史整点起报时刻为0小时，定义位于该历史整点起报时刻之前的多个观测时刻为历史过去观测时刻：-120小时、-48小时、-24小时、-12小时、-6小时、-3小时、-2小时和-1小时，定义位于该历史整点起报时刻之后的多个观测时刻为历史未来预报时刻：1小时、2小时、3小时、6小时、12小时、24小时和48小时，在历史整点起报时刻中获取符合如下条件的特定整点起报时刻：①特定整点起报时刻的未来48小时内，N个积涝预报点中至少有1个积涝预报点出现积水，N个积涝预报点记录有特定整点起报时刻的积水深度和特定整点起报时刻的所有历史未来预报时刻的积水深度；②K个雨量观测站在特定整点起报时刻的每两个相邻的历史过去观测时刻之间的过去时间段和在历史未来预报时刻的每两个相邻的历史未来预报时刻之间的未来时间段均记录有时段雨量值；③在特定整点起报时刻的L个潮河水位观测点均记录有水位观测值；定义特定整点起报时刻的资料为历史样本，并定义特定整点起报时刻为历史样本起报时刻，将全部历史样本的数量记为Cs个，100≤Cs≤1000，历史样本起报时刻的集合T如下：T＝{T1，T2，...，Ti，...，TCs}，Ti表示该集合中的任意一个历史样本起报时刻，1≤i≤Cs。
⑶定义与历史样本起报时刻对应的预报时效的集合如下：1小时、2小时、3小时、6小时、12小时、24小时和48小时，定义LT为与历史样本起报时刻对应的预报时效的集合中的当前预报时效，LT的初值取为1小时。
⑷获取LT对应的当前待训练预报模型的参数如下：定义当前待处理的历史样本为当前历史样本，Tj为T中当前历史样本起报时刻，j的初始值为1，从当前历史样本获取当前预报组中Ncur个积涝预报点在Tj+LT时刻的积水深度并定义为LT对应的待训练预报模型中与当前历史样本对应的预报对象，然后从当前历史样本获取LT对应的待训练预报模型中的与当前历史样本对应的一组预报因子，具体过程如下：
⑷-1获取K个雨量观测站中的每个雨量观测站在Tj的过去时间段：-120～-48小时、-48～-24小时、-24～-12小时和-12～-6小时内的时段雨量值，随后获取K个雨量观测站在上述的每个过去时间段内时段雨量值的平均值并将该平均值作为雨量观测区在上述的每个过去时间段的区域面雨量；
⑷-2获取K个雨量观测站中的每个雨量观测站在Tj的过去时间段：-6～-3小时、-3～-2小时、-2～-1小时和-1～0小时内的时段雨量值，随后获取K个雨量观测站在上述的每个过去时间段内时段雨量值的平均值并将该平均值作为雨量观测区在对应的过去时间段的站点平均雨量，将上述的过去时间段的站点平均雨量与雨量观测区内存在雷达反演雨量的对应时间段内的雷达反演雨量的区域平均值进行平均作为雨量观测区在对应的过去时间段的区域面雨量，将雨量观测区在其余不存在雷达反演雨量的对应过去时间段内的站点平均雨量直接作为雨量观测区在相应的过去时间段的区域面雨量；
⑷-3定义Tj的未来时间段为：0～1小时、1～2小时、2～3小时、3～6小时、6～12小时、12～24小时、24～48小时，获取K个雨量观测站中的每个雨量观测站在Tj+LT以前的未来时间段内的时段雨量值，随后获取K个雨量观测站在Tj+LT以前的未来时间段内的时段雨量值的平均值，并将该平均值作为雨量观测区在对应的未来时间段的区域面雨量；
⑷-4获取L个潮河水位观测点在Tj的水位观测值；
⑷-5获取N个积涝预报点在Tj的积水深度和在Tj+LT以前的每个未来预报时刻的积水深度。
⑸将与当前历史样本对应的预报对象和与当前历史样本对应的一组预报因子进行归一化处理，对与当前历史样本对应的预报对象和与当前历史样本对应的一组预报因子中任意一个数据x0进行归一化，得到归一化后的数据x1的过程如下：
Figure BDA0002197439330000091
其中，xmin代表x0对应的同类数据中的最小值，xmax代表x0对应的同类数据中的最大值；
判断是否满足j＝Cs，若否则令j＝j+1，其中，“＝”为赋值符号，对步骤⑷中的j进行更新，重复执行步骤⑷，若是则将归一化后的与Cs个历史样本对应的预报对象和归一化后的与Cs个历史样本对应的Cs组预报因子组成LT对应的当前待训练预报模型的当前训练样本集，并执行步骤⑹。
⑹采用前向3层网络的BP人工神经网络模型构造LT对应的当前待训练预报模型，训练精度设定为0.001，最大训练次数设定为5000次；其中当前待训练预报模型包括输入层、输出层和位于输入层与输出层之间的隐含层，两个相邻层之间的网络节点采用Sigmoid函数:f(x)＝1/(1+e-x)连接，其中，e为自然常数，网络权值的初值全部赋为0或随机数，输入层的节点数为Cn，Cn＝Scur，Scur表示LT对应的待训练预报模型中的每组预报因子中预报因子的数量，将输出层节点数记为Cm，Cm＝Ncur，将隐含层节点数记为Cl，学习因子设定为0.9，动量因子设定为0.7；
将当前训练样本集的数据输入当前待训练预报模型对当前待训练预报模型进行训练，判断在未超出最大训练次数的情况下是否满足训练精度，若是则得到当前待训练预报模型的网络权值，并得到与LT对应的训练后的预报模型；若否则确定不对当前预报组在LT以后的预报时效的积涝水位进行预报；
判断LT是否等于48小时，若否则将LT取为LT在与历史样本起报时刻对应的预报时效的集合中的下一个预报时效，重复执行步骤⑷，若是则执行步骤⑺。
⑺定义当前起报时刻为T0，T0为整点时刻，定义与T0对应的预报时效集合如下：1小时、2小时、3小时、6小时、12小时、24小时和48小时，定义LT1为T0对应的预报时效的集合中的当前预报时效，LT1的初值取为1小时。
⑻定义与LT1的取值相同的LT对应的训练后的预报模型为当前预报模型，获取当前预报模型的当前预报因子，具体过程如下：
⑻-1获取K个雨量观测站中的每个雨量观测站在T0的过去时间段：-120～-48小时、-48～-24小时、-24～-12小时和-12～-6小时内的时段雨量值，随后获取K个雨量观测站在上述的每个过去时间段内时段雨量值的平均值并将该平均值作为雨量观测区在上述的每个过去时间段的区域面雨量；
⑻-2获取K个雨量观测站中的每个雨量观测站在T0的过去时间段：-6～-3小时、-3～-2小时、-2～-1小时和-1～0小时内的时段雨量值，随后获取K个雨量观测站在上述的每个过去时间段内时段雨量值的平均值并将该平均值作为雨量观测区在上述的过去时间段的站点平均雨量，如果上述时间段有雨量观测区内雷达反演雨量区域平均值，则将雨量观测区在上述的过去时间段的站点平均雨量与雨量观测区在对应的过去时间段的雷达反演雨量的区域平均值进行平均，得到雨量观测区在上述的每个过去时间段的区域面雨量；如果上述时间段没有雨量观测区内雷达反演雨量区域平均值，则将雨量观测区在上述的过去时间段的站点平均雨量作为雨量观测区在上述的每个过去时间段的区域面雨量；
⑻-3定义T0的未来时间段为：0～1小时、1～2小时、2～3小时、3～6小时、6～12小时、12～24小时、24～48小时，从气象部门的天气预报资料中获取K个雨量观测站在T0+LT1以前的未来时间段内的时段雨量值，随后获取K个雨量观测站在T0+LT1以前的未来时间段内的时段雨量值的平均值，并将该平均值作为雨量观测区在对应的未来时间段的区域面雨量；其中，在实际情况中，如果在气象部门的天气预报资料中不是针对雨量观测站位置的雨量预报，而是网格化的格点雨量预报值，则使用双线性插值方法来将其插值到K个雨量观测站并作为对应雨量观测站在各个未来时间段内的时段雨量值；
⑻-4获取L个潮河水位观测点在T0的水位观测值；
⑻-5获取N个积涝预报点在T0的积水深度和在T0+LT1以前的每个预报时刻的积水深度预报值。
⑼将当前预报模型的当前预报因子进行归一化处理，将归一化处理后的当前预报因子输入到当前预报模型，将当前预报模型的输出结果进行反归一化处理即可得到Ncur个积涝预报点在LT1的积涝水位预报值，对当前预报模型的当前预报因子中任意一个数据x0′进行归一化，得到归一化后的数据x1′的过程如下：
Figure BDA0002197439330000111
其中，xmin′代表x0′对应的同类数据中的最小值，xmax′代表x0′对应的同类数据中的最大值；将当前预报模型的输出结果记为xp′，将Ncur个积涝预报点在LT1的积涝水位预报值记为xp，则有xp＝xp′(xpmax′-xpmin′)+xpmin′，其中，xpmin′代表xp′对应的同类数据中的最小值，xpmax′代表xp′对应的同类数据中的最大值。
⑽判断LT1＝48小时是否成立，若否则将LT1赋值为LT1在T0对应的预报时效的集合中的下一个预报时效，重复执行步骤⑻，若是则完成对当前预报组中的Ncur个积涝预报点的积涝水位预报。
实施例二：其余部分与实施例一相同，其不同之处在于步骤⑹中训练精度设定为0.005，最大训练次数设定为8000次，学习因子设定为0.85，动量因子设定为0.6。
实施例三：其余部分与实施例一相同，其不同之处在于步骤⑹中训练精度设定为0.01，最大训练次数设定为10000次，学习因子设定为0.95，动量因子设定为0.8。

Claims (9)

1.一种基于BP人工神经网络的城市积涝水位预报方法，其特征在于包括以下步骤：
⑴定义待预报积涝水位的城市区域为目标区域，获取目标区域内的积涝预报点的数量并记为N个，将N个积涝预报点预先分成M个预报组，从M个预报组中任意选取一个预报组作为当前预报组，将当前预报组中的积涝预报点的数量记为Ncur个；
⑵定义N个积涝预报点对应的径流汇集区为雨量观测区，获取雨量观测区内全部雨量观测站的数量并记为K个；获取对目标区域内的N个积涝预报点有影响的潮河水位观测点的数量并记为L个；
定义任意一个历史整点起报时刻为0小时，定义位于该历史整点起报时刻之前的多个观测时刻为历史过去观测时刻：-120小时、-48小时、-24小时、-12小时、-6小时、-3小时、-2小时和-1小时，定义位于该历史整点起报时刻之后的多个观测时刻为历史未来预报时刻：1小时、2小时、3小时、6小时、12小时、24小时和48小时，在历史整点起报时刻中获取符合如下条件的特定整点起报时刻：①特定整点起报时刻的未来48小时内，N个积涝预报点中至少有1个积涝预报点出现积水，N个积涝预报点记录有特定整点起报时刻的积水深度和特定整点起报时刻的所有历史未来预报时刻的积水深度；②K个雨量观测站在特定整点起报时刻的每两个相邻的历史过去观测时刻之间的过去时间段和在历史未来预报时刻的每两个相邻的历史未来预报时刻之间的未来时间段均记录有时段雨量值；③在特定整点起报时刻的L个潮河水位观测点均记录有水位观测值；定义特定整点起报时刻的资料为历史样本，并定义特定整点起报时刻为历史样本起报时刻，将全部历史样本的数量记为Cs个，100≤Cs≤1000，历史样本起报时刻的集合T如下：T＝{T1，T2，...，Ti，...，TCs}，Ti表示该集合中的任意一个历史样本起报时刻，1≤i≤Cs；
⑶定义与历史样本起报时刻对应的预报时效的集合如下：1小时、2小时、3小时、6小时、12小时、24小时和48小时，定义LT为与历史样本起报时刻对应的预报时效的集合中的当前预报时效，LT的初值取为1小时；
⑷获取LT对应的当前待训练预报模型的参数如下：定义当前待处理的历史样本为当前历史样本，Tj为T中当前历史样本起报时刻，j的初始值为1，从当前历史样本获取当前预报组中Ncur个积涝预报点在Tj+LT时刻的积水深度并定义为LT对应的待训练预报模型中与当前历史样本对应的预报对象，然后从当前历史样本获取LT对应的待训练预报模型中的与当前历史样本对应的一组预报因子；
⑸将与当前历史样本对应的预报对象和与当前历史样本对应的一组预报因子进行归一化处理，判断是否满足j＝Cs，若否则令j＝j+1，其中，“＝”为赋值符号，对步骤⑷中的j进行更新，重复执行步骤⑷，若是则将归一化后的与Cs个历史样本对应的预报对象和归一化后的与Cs个历史样本对应的Cs组预报因子组成LT对应的当前待训练预报模型的当前训练样本集，并执行步骤⑹；
⑹采用前向3层网络的BP人工神经网络模型构造LT对应的当前待训练预报模型，训练精度的取值范围设定为0.001～0.01，最大训练次数的取值范围设定为5000～10000次；
将当前训练样本集的数据输入当前待训练预报模型对当前待训练预报模型进行训练，判断在未超出最大训练次数的情况下是否满足训练精度，若是则得到当前待训练预报模型的网络权值，并得到与LT对应的训练后的预报模型；若否则确定不对当前预报组在LT以后的预报时效的积涝水位进行预报；
判断LT是否等于48小时，若否则将LT取为LT在与历史样本起报时刻对应的预报时效的集合中的下一个预报时效，重复执行步骤⑷，若是则执行步骤⑺；
⑺定义当前起报时刻为T0，T0为整点时刻，定义与T0对应的预报时效集合如下：1小时、2小时、3小时、6小时、12小时、24小时和48小时，定义LT1为T0对应的预报时效的集合中的当前预报时效，LT1的初值取为1小时；
⑻定义与LT1的取值相同的LT对应的训练后的预报模型为当前预报模型，获取当前预报模型的当前预报因子；
⑼将当前预报模型的当前预报因子进行归一化处理，将归一化处理后的当前预报因子输入到当前预报模型，将当前预报模型的输出结果进行反归一化处理即可得到Ncur个积涝预报点在LT1的积涝水位预报值；
⑽判断LT1＝48小时是否成立，若否则将LT1赋值为LT1在T0对应的预报时效的集合中的下一个预报时效，重复执行步骤⑻，若是则完成对当前预报组中的Ncur个积涝预报点的积涝水位预报。
2.根据权利要求1所述的一种基于BP人工神经网络的城市积涝水位预报方法，其特征在于所述的步骤⑴中将N个积涝预报点预先分成M个预报组的过程如下：根据目标区域内的N个积涝预报点在多个历史时刻的积涝水位数据，采用模糊聚类法分组，再根据同一预报组中的所有积涝预报点需要位于同一个城市片区内且地理位置相连的原则，将N个积涝预报点预先分成M个预报组。
3.根据权利要求1所述的一种基于BP人工神经网络的城市积涝水位预报方法，其特征在于所述的步骤⑷中从当前历史样本获取LT对应的待训练预报模型中的与当前历史样本对应的一组预报因子的具体过程如下：
⑷-1获取K个雨量观测站中的每个雨量观测站在Tj的过去时间段：-120～-48小时、-48～-24小时、-24～-12小时和-12～-6小时内的时段雨量值，随后获取K个雨量观测站在上述的每个过去时间段内时段雨量值的平均值并将该平均值作为雨量观测区在上述的每个过去时间段的区域面雨量；
⑷-2获取K个雨量观测站中的每个雨量观测站在Tj的过去时间段：-6～-3小时、-3～-2小时、-2～-1小时和-1～0小时内的时段雨量值，随后获取K个雨量观测站在上述的每个过去时间段内时段雨量值的平均值并将该平均值作为雨量观测区在对应的过去时间段的站点平均雨量，将上述的过去时间段的站点平均雨量与雨量观测区内存在雷达反演雨量的对应时间段内的雷达反演雨量的区域平均值进行平均作为雨量观测区在对应的过去时间段的区域面雨量，将雨量观测区在其余不存在雷达反演雨量的对应过去时间段内的站点平均雨量直接作为雨量观测区在相应的过去时间段的区域面雨量；
⑷-3定义Tj的未来时间段为：0～1小时、1～2小时、2～3小时、3～6小时、6～12小时、12～24小时、24～48小时，获取K个雨量观测站中的每个雨量观测站在Tj+LT以前的未来时间段内的时段雨量值，随后获取K个雨量观测站在Tj+LT以前的未来时间段内的时段雨量值的平均值，并将该平均值作为雨量观测区在对应的未来时间段的区域面雨量；
⑷-4获取L个潮河水位观测点在Tj的水位观测值；
⑷-5获取N个积涝预报点在Tj的积水深度和在Tj+LT以前的每个未来预报时刻的积水深度。
4.根据权利要求1所述的一种基于BP人工神经网络的城市积涝水位预报方法，其特征在于所述的步骤⑸中将与当前历史样本对应的预报对象和与当前历史样本对应的一组预报因子中任意一个数据x0进行归一化，得到归一化后的数据x1的过程如下：
Figure FDA0002197439320000031
其中，xmin代表x0对应的同类数据中的最小值，xmax代表x0对应的同类数据中的最大值。
5.根据权利要求1所述的一种基于BP人工神经网络的城市积涝水位预报方法，其特征在于所述的步骤⑹中所述的当前待训练预报模型包括输入层、输出层和位于输入层与输出层之间的隐含层，两个相邻层之间的网络节点采用Sigmoid函数:f(x)＝1/(1+e-x)连接，其中，e为自然常数，网络权值的初值全部赋为0或随机数，输入层的节点数为Cn，Cn＝Scur，Scur表示LT对应的待训练预报模型中的每组预报因子中预报因子的数量，将输出层节点数记为Cm，Cm＝Ncur，将隐含层节点数记为Cl，
Figure FDA0002197439320000041
学习因子的取值范围设定为0.85～0.95，动量因子的取值范围设定为0.6～0.8。
6.根据权利要求5所述的一种基于BP人工神经网络的城市积涝水位预报方法，其特征在于所述的学习因子为0.9，所述的动量因子为0.7，所述的训练精度为0.001，所述的最大训练次数为5000次。
7.根据权利要求1所述的一种基于BP人工神经网络的城市积涝水位预报方法，其特征在于所述的步骤⑻中获取当前预报模型的当前预报因子的具体过程如下：
⑻-1获取K个雨量观测站中的每个雨量观测站在T0的过去时间段：-120～-48小时、-48～-24小时、-24～-12小时和-12～-6小时内的时段雨量值，随后获取K个雨量观测站在上述的每个过去时间段内时段雨量值的平均值并将该平均值作为雨量观测区在上述的每个过去时间段的区域面雨量；
⑻-2获取K个雨量观测站中的每个雨量观测站在T0的过去时间段：-6～-3小时、-3～-2小时、-2～-1小时和-1～0小时内的时段雨量值，随后获取K个雨量观测站在上述的每个过去时间段内时段雨量值的平均值并将该平均值作为雨量观测区在上述的过去时间段的站点平均雨量，如果上述时间段有雨量观测区内雷达反演雨量区域平均值，则将雨量观测区在上述的过去时间段的站点平均雨量与雨量观测区在对应的过去时间段的雷达反演雨量的区域平均值进行平均，得到雨量观测区在上述的每个过去时间段的区域面雨量；如果上述时间段没有雨量观测区内雷达反演雨量区域平均值，则将雨量观测区在上述的过去时间段的站点平均雨量作为雨量观测区在上述的每个过去时间段的区域面雨量；
⑻-3定义T0的未来时间段为：0～1小时、1～2小时、2～3小时、3～6小时、6～12小时、12～24小时、24～48小时，从气象部门的天气预报资料中获取K个雨量观测站在T0+LT1以前的未来时间段内的时段雨量值，随后获取K个雨量观测站在T0+LT1以前的未来时间段内的时段雨量值的平均值，并将该平均值作为雨量观测区在对应的未来时间段的区域面雨量；
⑻-4获取L个潮河水位观测点在T0的水位观测值；
⑻-5获取N个积涝预报点在T0的积水深度和在T0+LT1以前的每个预报时刻的积水深度预报值。
8.根据权利要求1所述的一种基于BP人工神经网络的城市积涝水位预报方法，其特征在于所述的步骤⑼对当前预报模型的当前预报因子中任意一个数据x0′进行归一化，得到归一化后的数据x1′的过程如下：其中，xmin′代表x0′对应的同类数据中的最小值，xmax′代表x0′对应的同类数据中的最大值。
9.根据权利要求8所述的一种基于BP人工神经网络的城市积涝水位预报方法，其特征在于所述的步骤⑼中将当前预报模型的输出结果记为xp′，将Ncur个积涝预报点在LT1的积涝水位预报值记为xp，则有xp＝xp′(xpmax′-xpmin′)+xpmin′，其中，xpmin′代表xp′对应的同类数据中的最小值，xpmax′代表xp′对应的同类数据中的最大值。
CN201910852987.2A 2019-09-10 2019-09-10 一种基于bp人工神经网络的城市积涝水位预报方法 Pending CN110728353A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910852987.2A CN110728353A (zh) 2019-09-10 2019-09-10 一种基于bp人工神经网络的城市积涝水位预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910852987.2A CN110728353A (zh) 2019-09-10 2019-09-10 一种基于bp人工神经网络的城市积涝水位预报方法

Publications (1)

Publication Number Publication Date
CN110728353A true CN110728353A (zh) 2020-01-24

Family

ID=69218092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910852987.2A Pending CN110728353A (zh) 2019-09-10 2019-09-10 一种基于bp人工神经网络的城市积涝水位预报方法

Country Status (1)

Country Link
CN (1) CN110728353A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011113185A (ja) * 2009-11-25 2011-06-09 Toshiba Corp アンダーパス冠水予測通知装置
US20140156232A1 (en) * 2012-11-30 2014-06-05 International Business Machines Corporation Methods, systems and computer program storage devices for generating a flooding forecast
CN107274005A (zh) * 2017-05-19 2017-10-20 安徽四创电子股份有限公司 基于大数据的分形算法的城市雨洪灾害预警方法及***
CN108761576A (zh) * 2018-05-28 2018-11-06 国网山西省电力公司电力科学研究院 一种x波段气象雷达与雨量站数据融合方法及***
US20180373993A1 (en) * 2017-06-23 2018-12-27 University Of Alaska Fairbanks Method Of Predicting Streamflow Data
CN109272146A (zh) * 2018-08-23 2019-01-25 河海大学 一种基于深度学习模型和bp神经网络校正的洪水预测方法
CN109978235A (zh) * 2019-03-04 2019-07-05 宁波市气象服务中心 一种基于样本学习的积涝水位预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011113185A (ja) * 2009-11-25 2011-06-09 Toshiba Corp アンダーパス冠水予測通知装置
US20140156232A1 (en) * 2012-11-30 2014-06-05 International Business Machines Corporation Methods, systems and computer program storage devices for generating a flooding forecast
CN107274005A (zh) * 2017-05-19 2017-10-20 安徽四创电子股份有限公司 基于大数据的分形算法的城市雨洪灾害预警方法及***
US20180373993A1 (en) * 2017-06-23 2018-12-27 University Of Alaska Fairbanks Method Of Predicting Streamflow Data
CN108761576A (zh) * 2018-05-28 2018-11-06 国网山西省电力公司电力科学研究院 一种x波段气象雷达与雨量站数据融合方法及***
CN109272146A (zh) * 2018-08-23 2019-01-25 河海大学 一种基于深度学习模型和bp神经网络校正的洪水预测方法
CN109978235A (zh) * 2019-03-04 2019-07-05 宁波市气象服务中心 一种基于样本学习的积涝水位预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈冰廉等: ""基于人工神经网络的洪涝预报方法研究"", 《广西气象》 *

Similar Documents

Publication Publication Date Title
CN104298841B (zh) 一种基于历史数据的洪水预报方法和***
CN107316095B (zh) 一种耦合多源数据的区域气象干旱等级预测方法
CN113610264B (zh) 一种精细化电网台风洪涝灾害预测***
Dutta et al. A mathematical model for flood loss estimation
CN114372685B (zh) 一种基于swmm模型的城市暴雨内涝风险评估方法
CN111339711B (zh) 一种小流域设计洪水推求方法
CN114240119A (zh) 基于数字孪生的国土空间全域全要素防洪防涝***及预警方法
CN112785024B (zh) 一种基于流域水文模型的径流计算和预测方法
Engeland et al. A comparison of low flow estimates in ungauged catchments using regional regression and the HBV-model
CN112528563B (zh) 一种基于svm算法的城市内涝预警方法
CN115169069A (zh) 基于大数据的城市内涝预测方法
CN116432828A (zh) 一种缺资料流域径流量智能预测方法
CN110276477A (zh) 一种基于分层贝叶斯网络和增量学习的洪水预报方法
CN115936422A (zh) 一种基于尺度优化的生态风险评价方法及***
Zhao et al. Modeling hydrologic responses using multi-site and single-site rainfall generators in a semi-arid watershed
CN117648878A (zh) 一种基于1d-cnn算法的洪水快速演进及淹没模拟方法
CN110728353A (zh) 一种基于bp人工神经网络的城市积涝水位预报方法
Soomlek et al. Using backpropagation neural networks for flood forecasting in PhraNakhon Si Ayutthaya, Thailand
CN111539596A (zh) 一种流域灰色基础设施的调蓄能力评价方法
Fava et al. Integration of information technology systems for flood forecasting with hybrid data sources
Guan et al. Rain fall predict and comparing research based on Arcgis and BP neural network
Richer et al. Snowmelt runoff analysis and modeling for the Upper Cache la Poudre River Basin, Colorado
CN116911194B (zh) 基于城市时变增益模型和rnn耦合的城市内涝模拟方法
Singh et al. Rainfall-runoff estimation using SCS-CN and GIS approach in the Kuakhai watershed of the Mahanadi Basin of Bhubaneswar Odisha
Mendoza-Lugo et al. Reliability analysis of the ancient Nezahualcoyotl’s dike: Investigating failure due to overflow using an improved hydrological model.

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200124

RJ01 Rejection of invention patent application after publication