CN113610264A - 精细化电网台风洪涝灾害预测模型 - Google Patents
精细化电网台风洪涝灾害预测模型 Download PDFInfo
- Publication number
- CN113610264A CN113610264A CN202110692390.3A CN202110692390A CN113610264A CN 113610264 A CN113610264 A CN 113610264A CN 202110692390 A CN202110692390 A CN 202110692390A CN 113610264 A CN113610264 A CN 113610264A
- Authority
- CN
- China
- Prior art keywords
- model
- runoff
- water
- equation
- grid
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 172
- 238000000034 method Methods 0.000 claims abstract description 123
- 239000002689 soil Substances 0.000 claims abstract description 80
- 238000011160 research Methods 0.000 claims abstract description 23
- 238000004519 manufacturing process Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012937 correction Methods 0.000 claims abstract description 4
- 238000007670 refining Methods 0.000 claims abstract 2
- 238000004364 calculation method Methods 0.000 claims description 62
- 230000008569 process Effects 0.000 claims description 62
- 238000001704 evaporation Methods 0.000 claims description 33
- 238000003860 storage Methods 0.000 claims description 33
- 230000008020 evaporation Effects 0.000 claims description 31
- 238000001764 infiltration Methods 0.000 claims description 22
- 230000008595 infiltration Effects 0.000 claims description 22
- 238000009825 accumulation Methods 0.000 claims description 19
- 238000001556 precipitation Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 17
- 239000003673 groundwater Substances 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000014759 maintenance of location Effects 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 11
- 238000011144 upstream manufacturing Methods 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 230000004907 flux Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 229920006395 saturated elastomer Polymers 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000004146 energy storage Methods 0.000 claims description 4
- KHOITXIGCFIULA-UHFFFAOYSA-N Alophen Chemical compound C1=CC(OC(=O)C)=CC=C1C(C=1N=CC=CC=1)C1=CC=C(OC(C)=O)C=C1 KHOITXIGCFIULA-UHFFFAOYSA-N 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000001970 hydrokinetic effect Effects 0.000 claims 1
- 239000010410 layer Substances 0.000 description 27
- 230000005068 transpiration Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 8
- 238000009736 wetting Methods 0.000 description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 239000002352 surface water Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 239000004576 sand Substances 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 102000010637 Aquaporins Human genes 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- JOJYUFGTMHSFEE-YONYXQDTSA-M Cytarabine ocfosphate Chemical compound [Na+].O[C@H]1[C@H](O)[C@@H](COP([O-])(=O)OCCCCCCCCCCCCCCCCCC)O[C@H]1N1C(=O)N=C(N)C=C1 JOJYUFGTMHSFEE-YONYXQDTSA-M 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000005442 atmospheric precipitation Substances 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- JTJMJGYZQZDUJJ-UHFFFAOYSA-N phencyclidine Chemical class C1CCCCN1C1(C=2C=CC=CC=2)CCCCC1 JTJMJGYZQZDUJJ-UHFFFAOYSA-N 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000000859 sublimation Methods 0.000 description 1
- 230000008022 sublimation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q50/06—Energy or water supply
-
- 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
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computer Security & Cryptography (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种精细化电网洪涝灾害预测模型。本发明包括降雨模型、产流模型、蒸散发与径流模型和管网汇流模型;降雨模型对数值天气预报数据进行降尺度处理和订正,输出的是研究区域1km网格距的未来3天逐小时降水预报;产流模型输入研究区域1km网格距的未来3天逐小时降水预报、土壤CN值、DEM数据和土地覆盖类型数据,输出产流量;蒸散发与径流模型,进行蒸散发计算和径流量计算,输入区域风速风向数据、产流量、DEM数据和土地覆盖类型数据,经水量平衡方程计算得到径流量;将径流量输入管网汇流模型,得到地表汇流量、河道汇流量和地下汇流量,三种汇流量之和即为区域内总汇流量,通过历史台风洪涝灾害数据,对积水深度进行阈值划分,确定预警等级。本发明提高了台风洪涝预测准确率。
Description
技术领域
本发明涉及洪涝灾害预测领域,具体地说是一种精细化电网台风洪涝灾害预测模型。
背景技术
台风是一种强烈大气漩涡(低压***),气压上升猛烈,因此有旺盛的降水云系发展,能带来一日100mm-300mm的特大暴雨。台风在登陆以后,其风力会迅速减弱,但降水强度仍要维持一段时间,深入内陆后,往往就由于长时间的降水而引发洪涝,遇到山地则引发滑坡、泥石流,山洪暴发。台风灾害中的伤亡人员大多是由于其降水引发的洪涝所致。台风洪涝通常是指由于台风导致的强降雨,使江河洪水泛滥,淹没田地和城乡,造成电力设施或其它财产损失和人员伤亡的一种灾害,是影响电网安全运行的主要自然致灾因素。台风洪涝对发、输、变、配、用电等各个环节都可能造成严重影响,极端情况下甚至会造成大面积停电事故,给社会生产和人民生活造成重大损失。
随着我国台风洪涝问题的不断突出,建立适合我国水文水力条件的台风洪涝模型已成为国内学者研究的热点。与欧美发达国家相比,我国台风洪涝模型的发展起步较晚,研究成果也相对滞后。如何正确选择现有成熟的流域水文水力模型加以改进、应用,在解决工程问题的同时,也为开发具有自主知识产权的模型软件提供技术支持,是新形势下我国台风洪涝管理体系面对的挑战之一。自上世纪60年代起,欧美发达国家开发了一系列台风洪涝模型,这些模型广泛应用于城市雨水管道及相关构筑物的规划和设计中,以满足城市排水、防洪、环境治理、交通运输、工程管理等各方面的要求。
尽管国外暴雨模型种类较多,且每个模型各有特点,可适用于不同研究区域。但是这些模型有的是商业软件,需要支付高昂的费用,这对许多研究者而言并不经济可行。在美国,许多由联邦政府或地方政府开发的计算机模型可以免费供公众下载使用,有的软件甚至可以获得源代码对模型进行定制。
流域水文模型是针对流域上发生的水文过程进行模拟所建立的数学模型。美国农业部水土保持局(Soil Conservation Service,SCS)于1954年开发的SCS模型,是目前应用最为广泛的流域水文模型之一。SCS模型能够客观反映土壤类型、土地利用方式及前期土壤含水量对降雨径流的影响,其显著特点是模型结构简单、所需输入参数少,是一种较好的小型集水区径流计算方法。近年来,SCS模型在水土保持与防洪、城市水文及无资料流域的多种水文问题等诸多方面得到应用,并取得了较好的效果。
SCS模型最初是针对小流域水文过程设计的模型,对大、中尺度流域水文过程的模拟计算没有涉及。国外学者对SCS模型进行改进,以适应大、中尺度流域的径流计算,获得了较好的研究成果。
SCS模型的建立基于水平衡方程以及两个基本假设,即比例相等假设和初损值-当时可能最大潜在滞留量关系假设。水平衡方程是对水循环现象定量研究的基础,用于描述各水文要素间的定量关系。比例相等假设是指地表径流Q与总的降雨量P及入渗量和当时可能最大滞留量比值相等。
P=Ia+F+Q
式中:
P——总降雨量(mm);
Ia——初损值(mm),主要指截流、表层蓄水等;
F——累积下渗量(不包括Ia)(mm);
Q——直接径流量(mm)。
自开发成功以来,SCS模型被广泛应用于美国及其他国家,且在近年来发展迅速。对 SCS模型的研究报道总结后发现,近年来国外关于SCS模型应用研究可划分为以下3个方面。
(1)地表径流估算。KarlAuerswald等利用回归方法得出研究区域的CN值再计算径流量。 Hrimali等采用RS和GIS技术并结合SCS-CN法计算模拟地表径流。Bhuyan等根据前5天的降雨量判断土壤湿润状况,在此基础上对CN值进行修订,进而预测模拟地表径流量。Geetha 等综合考虑CN的季节性变化和日存储的蒸散估计变量,利用SCS-CN方法研究模拟径流量的产生。上述针对地表径流的计算方法,都是对CN值进行修定并计算径流量。虽然这些方法的精度有所提高,但并不具有较强的推广性,即针对特定流域所建立的CN值方法很难推广应用到更小或者更大的流域尺度上。
(2)模型参数改进。在这方面较成功的研究包括Mishra和Singh及Sahu等的报道。Mishra 和Singh综合考虑了蒸散量,改进了初损估计值方法,对大尺度降雨径流进行估算。Sahu 等综合考虑了降水强度和前5d的降雨量,对SCS-CN中的初损值进行了改进。这些针对模型参数改进的研究,并没有对CN值参数进行修定,而仅仅是通过判断研究区属于哪种土壤湿润状况,然后根据查找表来确定CN值;通过引入蒸散量的参数及对初损值进行改进,是对大尺度径流计算的一种有益尝试,模型参数修改实质上并未解决大尺度地表径流计算精度的问题。
(3)SCS与其他模型集成。Pandey等利用Arc-ViewSWAT2000(AVSWAT2000)工具对SCS-CN进行改进,能满足日、月、季节性地表径流的估算。Mishra等利用SCS-CN与USLE(通用土壤流失方程)结合,扩展了SCS-CN模型对流域产沙模型的估算,研究了中尺度(大范围)的降雨-产沙量,对产沙量的计算精度得到提高。
总的说来,目前关于SCS模型与其他模型集成方面的研究还很少。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在的缺陷,提供一种综合考虑降水、产流、汇流和排水等多方面而构建的精细化台风洪涝预测模型,以提高台风洪涝预测准确率。
为此,本发明采用如下的技术方案:精细化电网洪涝灾害预测模型,其包括降雨模型、产流模型、蒸散发与径流模型和管网汇流模型;
所述的降雨模型对数值天气预报数据进行降尺度处理和订正,输出的是研究区域1km 网格距的未来3天逐小时降水预报,作为下一阶段的输入数据;
所述的产流模型输入研究区域1km网格距的未来3天逐小时降水预报、土壤CN值、DEM 数据和土地覆盖类型数据,输出产流量;
所述的蒸散发与径流模型,进行蒸散发计算和径流量计算,输入区域风速风向数据、产流量、DEM数据和土地覆盖类型数据,经水量平衡方程计算得到径流量;
所述的管网汇流模型包括地表汇流模块、河道汇流模块和地下汇流模块,所述的径流量分别作为地表汇流模块、河道汇流模块和地下汇流模块的输入量;
所述的地表汇流模块包括谢才公式和平面一维圣维南方程,通过谢才公式计算得到格点流量,然后通过平面一维圣维南方程得到地表汇流量;
所述的河道汇流模块通过马斯京根法联立汇流水量平衡方程和槽蓄方程,得到马斯京根演算方程,经马斯京根演算方程得到河道汇流量;
所述的地下汇流模块,对于地下径流汇流过程采用集总式的指数型退水曲线进行模拟,得到地下汇流量;
通过所述降雨模型、产流模型、蒸散发与径流模型、管网汇流模型,最终得到区域内总汇流量,并且通过历史台风洪涝灾害数据,对积水深度进行阈值划分,确定预警等级。
进一步地,所述的降尺度处理选择基于深度学习的DeepSD模型,DeepSD模型是由多层的SRCNN堆积而成,SRCNN降尺度是利用卷积神经网络提取高维特征并进行数据重构,从而实现降尺度。
进一步地,所述的SRCNN将深度学习与传统稀疏编码之间的关系作为依据,将3层网络划分为图像块提取、非线性映射以及最终的重建。
进一步地,所述SRCNN的具体流程为:
输入数据:先将低分辨率图像使用双三次差值放大至目标尺寸,此时仍然称放大至目标尺寸后的图像为低分辨率图像;
图像块提取:密集提取斑点,然后用一组预先训练好的基数表示,这相当于通过一组滤波器对图像进行卷积,每个滤波器都是一个基数;
在SRCNN中,将这些基数的优化应用到网络的优化中,形式上,SRCNN的第一层表示为:
F1=max(0,W1*Y+B1),
其中,W1和B1分别代表滤波器和偏置,设卷积核的大小为f1×f1,则这里W1的大小为c×f1×f1×n1,其中c是输入图像的通道数,f1是滤波器的空间大小,n1是滤波器的数量;直观地讲,W1对图像应用n1个卷积,每个卷积的核大小为c×f1×f1,输出由n1个特征图组成,B1是一个n1维向量,其每个元素与一个滤波器相关联,最后将其输入一个ReLU 函数;
非线性映射:将第一层输出的向量输入到第二层,将n1维度的向量映射为n2维度,其具体操作为:
F2=max(0,W2*F1(Y)+B2),
W2的大小为n1×1×1×n2,B2是一个n2维度的向量;
重建:SRCNN定义了一个卷积层来产生最终的高分辨率图像:
F(Y)=W3*F2(Y)+B3,
设卷积核的大小为f3×f3,则此处W3的大小为n2×f3×f3×c,B3是一个c维度的向量。
进一步地,所述的产流模型采用SCS产流模型,所述的产流模型采用SCS产流模型,所述的SCS产流模型在集水区的实际入渗量F与实际径流量Q之比等于该集水区的潜在入渗量S与潜在径流之比的假定基础上建立;
比例相等假设是指地表径流R与总的降雨量P及入渗量和当时可能最大滞留量比值相等,
式中,S表示当时可能最大滞留量,单位为mm;
初损值与当时可能最大滞留量关系假设表示如下:
Ia=λS,
式中:λ为区域参数,主要取决于地理和气候因子,表达为:
λ=atp,
其中,a:Horton常数,tp:降水时刻到地表径流形成的时段,λ的取值范围为0.1≤λ≤0.3,
推导出如下结论:
为计算S,引入一个参数CN作为土壤最大蓄水能力的指标:
式中,S:土壤最大蓄水能力;CN:曲线数值,是一个无量纲参数,理论取值范围是 0~100,实际应用中取值范围是40~98。
进一步地,所述的蒸散发计算与径流模型中,在中等大气稳定度、风速剖面假设为对数型条件下,潜在蒸散发基本方程表示如下:
λE为潜热通量密度,MJd-1m-2;E为蒸发深度的速率,mm/d;Δ为饱和水气压与温度的关系曲率,Hnet为净辐射量,G为地表热通量密度,MJd-1m-2;ρair为空气密度,P为大气压,γc为植被冠层阻抗,s/m;γa为空气动力阻抗,s/m;γ为湿度常数,ez为高度z处水汽压,表示饱和水汽压。
进一步地,所述的蒸散发计算与径流模型中,地下水径流的水量平衡方程如下所示:
式中,Pday、Qday、Ea分别为日降雨量、日径流量、日蒸发量,GWt为模拟期间累积地下径流量,SW0、SWt为模拟始、末时期土壤持水量。
进一步地,所述的地表汇流模块,在坡面洪水演算过程中,如果不考虑下游河道顶托,坡面洪水采用运动波概化,运动波采用平面一维圣维南方程模拟,格点流量按照谢才公式计算,网格间洪水传播采用平面一维圣维南方程模拟,并估算二维网格内涝水深和单宽流量:
式中:h为地面水平均深度,m;q为单宽流量,r为净雨,S0为地表坡度,n为地表曼宁糙率系数,x代表流向,t表示积水的径流时长;
联立上两个式,得到平面一维圣维南方程的数值解法:
式中:i表示当前栅格的空间位置,q(i,Δt)表示当前栅格向下游栅格Δt时段泄流的单宽流量,j表示上游相邻栅格,∑jqup(j,Δt)表示上游相邻栅格Δt时段来水的单宽流量之和;
自中心点寻找p最大值指向的网格编号值k值,计算网格矩阵中心栅格流向dir,流向所指向的网格每被其它单元格指向1次,其累积汇流量便加1,由此计算各网格累积汇流量;依据D8算法,坡面洪水由累积汇流量低的网格沿着水流的流向,向累积汇流量高的网格演算;该方法确定的累积汇流量栅格数据作为坡面栅格汇流演算的级别矩阵。
进一步地,所述的河道汇流模块中,马斯京根模型是简化的圣维南方程组,依据河段上游洪水流量推求下游洪水流量的方法,作为河道汇流模块理论方程,方程包含汇流水量平衡方程和槽蓄方程:
式中:W为某河段的时段槽蓄水量,t为时间,I为某河段的时段入流水量,Q为某河段的时段出流量,K为稳定流状态下的河段洪水传播时间,x为流量比重因子;
马斯京根法汇流水量平衡方程和槽蓄方程为:
联立并求解马斯京根法汇流水量平衡方程和槽蓄方程差分方程,得到马斯京根演算方程为:
式中:C0、C1、C2为马斯京根法待定参数。
进一步地,所述的地下汇流模块重点模拟网格-流域台风洪涝过程,构建台风洪涝灾害间的水文水动力联系,对地下径流汇流过程采用集总式的指数型退水曲线进行模拟,退水曲线的基本方程由浅水方程和线性蓄量方程组成,两方程分别为:
将线性蓄量方程代入浅水方程,获取退水方程:
Q(t)=Q(0)E-βt
其中,Q(0)为退水开始时的流量,Q(t)为时刻t的退水流量,β为退水指数,设α为蓄量常数,有β=α-1。
本发明具有的有益效果如下:通过质量控制及深度学习技术,对上海模式和EC模式数据产品进行降尺度处理和订正,得到1km精度的未来72小时逐小时降水预报数据,提高气象预测的预测精度;
建立了城市管网模型,模拟城市排水***,代替无法获得却又必须考量的城市排水系数;
综合考虑了降水、产流、汇流和排水等多方面,构建出精细化台风洪涝预测模型,提高了台风洪涝预测准确率,为电网部门排险、抢修及物资的配送提供指导意见,也有助于解决在抢修途中遇到的道路选择及其他问题。
附图说明
图1为本发明精细化台风洪涝预测模型的流程图;
图2为本发明SRCNN框架图;
图3为本发明应用例中黑格比台风路径图;
图4-5、8-9均为利用本发明精细化台风洪涝预测模型进行的积水深度预测图;
图6-7、10-11均为利用本发明精细化台风洪涝预测模型进行的预警等级预测图。
具体实施方式
以下结合说明书附图对本发明作进一步详细说明。
技术术语解释
台风洪涝:台风暴雨期间,由于短时强降水或持续降水,城市排涝能力不足,会造成雨水在低洼处汇集,未能及时排掉,造成洪涝灾害,严重危害周边人民群众的安危和电网配电设施的安全,是影响电网安全运行的主要自然致灾因素。
数值天气预报:是指根据大气实际情况,在一定的初值和边值条件下,通过大型计算机做数值计算,求解描写天气演变过程的流体力学和热力学的方程组,预测未来一定时段的大气运动状态和天气现象。
水量平衡:水循环的数量表示在给定任意尺度的时域空间中,水的运动(包括相变) 有连续性,在数量上保持着收支平衡。平衡的基本原理是质量守恒定律。水量平衡是水文现象和水文过程分析研究的基础,也是水资源数量和质量计算及评价的依据。
在构建台风洪涝预测模型时,首先需要做好降水预测,目前主要是利用数值天气预报产品,例如EC模式和上海模式,但由于上海模式和EC模式的数据空间分辨率分别为9km和12.5km,在针对电网进行精细化预测时需要降尺度到空间分辨率1km。目前降尺度技术主要包括动力降尺度、统计降尺度、动力降尺度和统计降尺度相结合等三种,具备以下特征和缺点:
动力降尺度是将大尺度数据作为小尺度模式的输入和边界条件,即将大尺度数据作为高精度大气模式的初始条件和边界条件,如要增加模式分辨率,需改进动力模式本身的各个环节,而改善模式的物理过程和参数化方案提高预报准确率很难。动力降尺度具有计算量大的问题。
统计降尺度则是由模式输出与气象要素之间的统计关系,建立要素预报模型,做出对要素的定量预报。该方法的基本原理在于采用统计经验的方法,利用观测资料建立预报因子和要素之间的线性或非线性统计关系,并用独立的观测资料检验这种关系。
为了更加高效、准确的实现降尺度,选择基于深度学习的DeepSD模型,DeepSD是由多层的SRCNN堆积而成,SRCNN降尺度则是利用了卷积神经网络提取高维特征并进行数据重构,从而实现降尺度。SRCNN将深度学习与传统稀疏编码之间的关系作为依据,将3层网络划分为图像块提取(Patch extraction and representation)、非线性映射(Non-linearmapping)以及最终的重建(Reconstruction)。
SRCNN的具体流程为:
输入数据(input):先将低分辨率图像使用双三次差值放大至目标尺寸,此时仍然称放大至目标尺寸后的图像为低分辨率图像(Low-resolution image),即图中的输入(input);
图像块提取(Patch extraction and representation):在图像修复领域,一个流行的策略是密集提取斑点,然后用一组预先训练好的基数来表示,如PCA、DCT、Haar等。这相当于通过一组滤波器对图像进行卷积,每个滤波器都是一个基数。在SRCNN中,将这些基数的优化应用到网络的优化中。
SRCNN算法的优点有:
a)结构简单,与其他现有方法相比具有优越的正确性;
b)滤波器和层的数量适中,即使在CPU上运行速度也比较快。
实验证明,该网络的复原质量可以在大的数据集或者大的模型中进一步提高。SRCNN 的表现优于其他模型。
城市台风洪涝灾害所采用的模型有很多,一般为SWMM模型或SCS模型。
SWMM(storm water management model,暴雨洪水管理模型)是一个动态的降水-径流模拟模型,主要用于模拟城市某一单一降水事件或长期的水量和水质模拟。其径流模块部分综合处理各子流域所发生的降水,径流和污染负荷。其汇流模块部分则通过管网、渠道、蓄水和处理设施、水泵、调节闸等进行水量传输。该模型可以跟踪模拟不同时间步长任意时刻每个子流域所产生径流的水质和水量,以及每个管道和河道中水的流量、水深及水质等情况。
SWMM主要用于处理城市区域径流产生的各种水文过程,包括:
1.时变降水量;
2.地表水蒸发;
3.积雪与融雪;
4.洼地对降水的截留;
5.不饱和土壤的降水下渗;
6.降水下渗对地下水的补给;
7.地下水与排水管道的交换水量;
8.非线性水库法计算坡面汇流量;
9.模拟各种使降水和径流量减少或延缓的各种微影响(LID)过程。
空间的变异性是通过将研究区域划分为具有相同集水性质的子流域而体现的,其每个子流域由透水区域和不透水区域组成。坡面水流可以在不同透水区域、子流域和排水***的入口之间流动。
SWMM同时还包括一套设置灵活的水力学模块,该模块能用来模拟径流和外来水流在管道、渠道、蓄水和处理单元以及分水建筑物等在排水管道中的流动。其功能主要包括:
1.处理无大小限制的排水网;
2.除了能模拟自然河道中的水流,还可以模拟各种形状的封闭式管道和明渠管道中的水流;
3.模拟蓄水和处理单元、分流阀、水泵、堰和排水孔口等一些特殊部分;
4.接受外部水流和水质数据的输入,包括地表径流、地下水流交换、由降雨决定的渗透和入渗、晴天排污入流和用户自定义入流;
5.应用动力波或者完整的动力波方程进行汇流计算;
6.模拟各种形式的水流,例如回水、溢流、逆流和地面积水等;
7.应用用户自定义的动态控制规则来模拟水泵、孔口开度、堰顶胸墙高度。
除能模拟径流的产汇流外,SWMM还能模拟伴随着产汇流过程产生的水污染负荷量,用户可选择以下任意数量的水质项目进行模拟:
1.晴天时不同类型土地利用污染物的堆积;
2.暴雨对特定土地利用污染物的冲刷;
3.降雨沉积物中的污染物;
4.晴天由于街道的清扫对污染物的减少量;
5.由于最优管理措施(BMP)对冲刷负荷的减少量;
6.排水管网中任意地点晴天排污的入流和用户自定义的外部入流;
7.排水管网中水质项目的演算;
8.由于储水单元中的处理设施或者在管道和渠道中由于自然净化作用而引起水质项目污染负荷的减少。
SCS模型综合考虑了流域降雨、土壤类型、土地利用方式及管理水平、前期土壤湿润状况与径流之间的关系。它是基于集水区的实际入渗量(F)与实际径流量(Q)之比等于集水区的潜在入渗量(S),与潜在径流之比相等的假定基础上建立的。
比例相等假设是指地表径流R与总的降雨量P及入渗量和当时可能最大滞留量比值相等。
式中,S:当时可能最大滞留量,单位为mm。
由上述可知:SWMM模型需要大量实测数据,大量未知的物理参数,且需要城市管网数据,十分不便。SCS模型需要的数据最少,但未考虑城市管网等因素,结果的偏差会很大。因此本发明对城市管网进行建模,并将其与SCS模型结合,力求得到需求参数少且精度高的预测结果。
综上,为了解决数据插值精度和管网下渗量的模拟问题,本发明采用SRCNN进行降尺度、利用汇流水量平衡方程和蓄量方程进行管网模型建模。并建立了一个综合考虑了降雨、土地覆盖类型数据、雨水蒸散发、城市管网下渗等多个因素的城市洪涝预警模型,开展台风洪涝预警预报。
精细化电网台风洪涝灾害预测模型主要由四个子模型组成:降雨模型、产流模型、蒸散发与径流模型、管网汇流模型,最终输出区域积水深度数据以及预警等级数据,流程图如图1所示。
5.1降雨模型
降雨模型的输入主要是数值天气预报数据(上海模式和EC模式),输出是格点降雨量。输入数据的物理意义是未来72小时内的逐小时累积降雨量。为了实现精细化,输入数据的空间分辨率为9km(上海模式)和12.5km(EC模式),需要降尺度到空间分辨率1km。
为了更加高效、准确的实现降尺度,选择基于深度学习的DeepSD模型,DeepSD是由多层的SRCNN堆积而成,SRCNN降尺度则是利用了卷积神经网络提取高维特征并进行数据重构,从而实现降尺度。如图2,SRCNN将深度学习与传统稀疏编码之间的关系作为依据,将3层网络划分为图像块提取(Patch extraction and representation)、非线性映射 (Non-linear mapping)以及最终的重建(Reconstruction)。
SRCNN的具体流程为:
输入数据(input):先将低分辨率图像使用双三次差值放大至目标尺寸,此时仍然称放大至目标尺寸后的图像为低分辨率图像(Low-resolution image),即图中的输入(input)。
图像块提取(Patch extraction and representation):在图像修复领域,一个流行的策略是密集提取斑点,然后用一组预先训练好的基数来表示,如PCA、DCT、Haar等。这相当于通过一组滤波器对图像进行卷积,每个滤波器都是一个基数。在SRCNN中,将这些基数的优化涉及到网络的优化中。形式上,SRCNN的第一层表示为:
F1=max(0,W1*Y+B1)
其中W1和B1分别代表滤波器和偏置。这里W1的大小为c×f1×f1×n1,其中c是输入图像的通道数,f1是滤波器的空间大小,n1是滤波器的数量。直观地讲,W1对图像应用 n1个卷积,每个卷积的核大小为c×f1×f1,输出由n1个特征图组成。B1是一个n1维向量,其每个元素与一个滤波器相关联。最后将其输入一个ReLU函数。
非线性映射(Non-linear mapping):将第一层输出的向量输入到第二层,将n1维度的向量映射为n2维度。其具体操作为:
F2=max(0,W2*F1(Y)+B2)
W2的大小为n1×1×1×n2,B2是一个n2维度的向量。
重建(Reconstruction):在传统的方法中,预测的重叠高分辨斑点通常被平均化,以产生最终的完整图像。平均化可以被视为一组特征图上的预设过滤器。与此类似,SRCNN定义了一个卷积层来产生最终的高分辨率图像:
F(Y)=W3*F2(Y)+B3
其中,W3的大小为n2×f3×f3×c,B3是一个c维度的向量。
SRCNN算法的优点有:
a)结构简单,与其他现有方法相比具有优越的正确性。
b)滤波器和层的数量适中,即使在CPU上运行速度也比较快。
c)实验证明,该网络的复原质量可以在大的数据集或者大的模型中进一步提高。在图像的超分辨率效果上,SRCNN的表现优于其他模型。
在该降尺度方法中,为了捕捉大尺度的气候信息忽略掉的区域小尺度信息,还考虑到区域因素以及地形因素。具体实现过程为:构建三层卷积神经网络,前两层用于提取地形地貌以及原始数据的高维空间特征(即找寻大尺度气候模式输出变量和地形信息中对于小尺度气象要素相关性较高的特征),第三层卷积神经网络进行数据重构(即构建高维空间特征与小尺度气象要素之间的非线性关系并实现转变)。
在利用降尺度模型得到精度1km的格点降雨量后,将其保存为NETCDF格式,作为下一阶段的输入数据。
5.2产流模型
美国水土保持局通过大量资料分析,得出SCS水文模型(Soil ConservationService,SCS),综合考虑了流域降雨、土壤类型、土地利用方式及管理水平、前期土壤湿润状况与径流之间的关系。它是基于集水区的实际入渗量(F)与实际径流量(Q)之比等于集水区该场降雨前的潜在入渗量(S),与潜在径流之比相等的假定基础上建立的。
比例相等假设是指地表径流R与总的降雨量P及入渗量和当时可能最大滞留量比值相等。
式中,S:当时可能最大滞留量,单位为mm
初损值——当时可能最大滞留量关系假设可表示如下:
Ia=λS
式中,λ:区域参数,主要取决于地理和气候因子。可表达为:
λ=atp
其中,a:Horton常数;
tp:降水时刻到地表径流形成的时段;
λ的取值范围为0.1≤λ≤0.3;
可以推导出如下结论:
为了计算S,引入一个参数CN作为土壤最大蓄水能力的指标:
式中,S:土壤最大蓄水能力;
CN:曲线数值,是一个无量纲参数,理论取值范围是0~100,实际应用中取值范围是40~98,主要根据美国国家工程手册第4章列出CN值查算表进行计算。
上述公式表明,集水区的径流量取决于降雨量与降雨前集水区的土壤最大蓄水量,而土壤最大蓄水量又与集水区的土壤质地、土地利用方式和降雨前的土壤湿润状况有关(AMC);曲线数值法通过一个经验性的综合反映上述因素,只要求出CN值,即可求得R。SCS水文模型把前期土壤湿润程度以此次降雨前5天雨量为依据分为3级:
表1前期土壤湿润成都等级划分(单位:mm)
按不同的AMC等级给出CN值查算表,下表为AMC II条件下的CN值:
表2CN值查算表
当流域湿润情况不是AMC II时可先从表求得CN值,然后按下表换算为AMC I或AMC III条件下的CN值:
表3不同AMC等级的CN值换算表
表中的土壤分类A、B、C、D是在美国调查了4000多处土壤后得出的结果。它与一般土壤学上的土壤分类不同,习惯称为SCS土壤分类,定义如下:
表4 SCS土壤分类定义
A | 后层沙,厚层黄土,团粒化粉沙土 |
B | 薄层黄土,沙土壤 |
C | 粘壤土,薄层沙壤土,有机质含量低的土壤,粘质含量高的土壤 |
D | 吸水后显著膨胀的土壤,塑性大的粘土,某些盐渍土 |
每次降雨之后,已知降雨量P,根据所在流域的土地利用方式、处理情况、水文条件以及土壤类别,查表2得到CN值,根据AMC及表4对CN值进行调整,调整后的CN 值代入公式,计算得到S值,从而得到产流量。
若要分时段计算净雨量,则可以计算由降雨开始到t1时刻为止的降雨量P1的净雨量 R1,再计算由降雨开始到t2时刻为止的降雨量P2的净雨量R2,则时段t1至t2的净雨量为R2-R1。
5.3蒸散发与径流模型
在考虑地表径流之前,需要进行蒸散发计算。区域蒸散发是降水的主要消耗方式,是水文循环中参数最多、过程最为复杂的重要组成环节。相应的,区域蒸散发研究的理论与研究方法诸多,主要有以气象科学和水文科学理论为基础的SPAC理论、互补相关理论等方法,利用遥感技术的全遥感模型、统计经验模型、特值空间法模型、基于能量平衡理论的单层模型和双层模型以及Penman-Monteith模型。Penman最初根据端流扩散-热能量平衡综合理论推导出湿润下垫面条件下的蒸散发公式基础上,Monteith于1963年引进表面阻力因素推导出了Penman-Monteith(P-M)公式计算蒸发量。这里,依赖气象数据和植被-土壤数据完善、对下垫面空间离散化、能够运用遥感技术对数据分类、处理的优势,釆用***粮农组织推荐的Penman-Monteith(P-M)模型,进行区域蒸散发建模实验,包括潜在蒸散发的计算和实际蒸散发的计算。潜在蒸散发表示大片植被或水面在水分充足情况下的蒸散发率。
植被冠层蒸腾、土壤蒸发是潜在蒸散发的主要贡献者,P-M模型综合考虑土壤蒸发和植物蒸腾的计算,结合了作物的生理特征、气象条件、空气动力学参数、下垫面湿度等蒸散发的影响因素特征,理论依据充足和计算精度较高,能较为清晰的了解蒸散发的机理过程及其影响机制。P-M模型的难点在于表面阻抗的准确计算在粗糙和复杂下垫面时比较困难,从而使P-M公式在复杂下垫面上的应用大受限植,而本发明对流域根据土壤、植被类型划分为子流域-水文响应单元的离散化方式正是弱化了这一缺点。在中等大气稳定度、风速剖面假设为对数型条件下,潜在蒸散发基本方程表示如下:
λE为潜热通量密度(MJd-1m-2),E为蒸发深度的速率(mm/d),Δ为饱和水气压与温度的关系曲率,Hnet为净辐射量,G为地表热通量密度(MJd-1m-2),ρair为空气密度,P为大气压,γc为植被冠层阻抗(s/m),γa为空气动力阻抗(s/m),γ为湿度常数,为高度z处饱和水汽压,k1为单位转换因子,由Jenden提出的平均温度关系公式计算。植被的生理特征、气象条件、空气动力学因子等对蒸散发的影响,P-M模型由分别针对性的研究。
1)地表热通量与净辐射量的计算
地表热通量为地表单位时间、单位空间上热交换能量,是地表水热平衡及地表入射能量再分配过程的重要分量。在单位时间内,土壤释放能量和热储存量或许很大,但日与日之间土壤热通量趋于平衡,则以日为时间步长计算蒸散发量。地表净辐射是种种能量交流的起点,但地面在接收太阳辐射的能量的同时也因为本身的有效辐射、散射等过程而亏损能量。下垫面所接受的所有太阳福射能与所支出的辐射能之差为净辐量。
2)空气动力阻抗与气象因子的计算
P-M模型引入了空气动力学阻抗,用于反映大气因素对热量和水汽传输、散失的影响。空气动力学阻抗是因空气瑞流引起的输送阻抗,一般因下垫面条件的差异而导致分速轮廓线表达函数的差异。在假设下垫面均匀,冠层以上风速呈对数分布情况下,风速测量的高度为zw(cm)相对湿度和气温测量的高度为zp(cm),风速剖面的水平位移为d(cm),动量传递的粗糙度为zom(cm),水蒸气输移的粗糙度为zov,uz为在高度处的风速(m/s),k为常数。则动力阻力计算方程可以表示为:
研究表明水蒸气输移所需作用力仅为动量传递的一个分量,Stricker和Brutsaert建议分量系数为0.1。而动量传递的粗糙程度zom与植被平均冠层高度hc由一定的函数关系,公式表示为:
相对湿度对蒸散发的影响可以通过空气实际蒸汽压与饱和蒸汽压的比例函数表示:
Rh=e/e0
式中,Rh为模拟日相对湿度,由气象站数据获得,e、e0分别为饱和蒸汽压与实际蒸汽压。饱和蒸汽压即最大的热力学稳定蒸汽压,可以通过空气温度函数计算为:
式中,Tmean为模拟日均气温。通过以上两式即可以计算实际蒸汽压。在计算饱和蒸汽压曲线方程的基础上,微分即可得饱和蒸汽压曲线的斜率,如公式表示:
Δ=4098*e0/(Tmean+237.3)2
3)冠层阻抗计算
冠层阻抗是植物表面蒸腾作用中水汽交换与能量交换的重要指数,冠层阻力能否参数化是蒸散发模型的关键之一。不同类型的植被,叶片气孔分布位置与排列构造相异,而冠层阻抗可看成冠层内各个层次、不同部位叶片气孔阻抗的累计结果。研究表明,叶面积指数在蒸腾作用中体现了植物有效接收光辖射能和气体交换的最大叶片表面积,植被冠层阻抗通过单一叶片最小表面阻抗与冠层叶面积指数的的比值表示,如下公式:
式中,rc为冠层阻抗,LAI为叶面积指数,rθ即为单一叶片最小有效气孔阻抗(s/m),可以通过最大有效叶片传导率的倒数函数计算(m/s)。其中,Morison的研究中发现,当二氧化碳浓度在300和660ppmv时,二氧化碳浓度变化对叶片传导率影响显著,进而影响冠层阻抗。将这一二氧化碳效应引入方程,得到修正的冠层阻抗方程为:
实际蒸散发是在确定潜在蒸散发的基础上计算的,主要包括冠层截留水分蒸发,植被散发,升华和土壤蒸发等过程。其中,植物散发采用5.3节的第2)部分计算。
实际蒸散发过程中,首先被蒸发的是流域冠层的自由水分。当冠层初始存储自由水高于模拟日的潜在蒸发时,流域模拟日的实际蒸发量为冠层自由蒸发量;当冠层存储水分不足以支持模拟日的全额蒸发量时,在发生植被散发和土壤蒸发过程。
计算土壤蒸发时,首先将土壤划分为不同深度的土壤剖面层。依据不同深度的土壤,蒸发需求不同的原则,确定土壤最大蒸发量的分布,公式表示为:
其中,Esoil,z表示深度为z的土壤剖面蒸发能力(mm),E′s为模拟日最大土壤蒸发量(mm),Z为土壤剖面深度。这种计算土壤蒸发的方法,是基于地表下10mm深的土壤剖面满足50%的土壤蒸发需求,地表下100mm深的土壤层满足95%的蒸发量需求的假设。土壤剖面的蒸散发需求Esoil,ly由土壤剖面上层的蒸发能力Esoil,zl、下层的蒸发能力 Esoil,zu差值获得,公式为:
Esoil,ly=Esoil,zl-Esoil,zu
引入土壤蒸发补偿系数esco,调整土壤不同深度蒸发需求的动态分布,如下所示:
Esoil,ly=Esoil,zl-Esoil,zu*esco
土壤补偿系数esco取值范围为0~1.0,esco越小代表分配更多的蒸发需求给较深的土壤。结合土壤含水量的调整作用,土壤层蒸发需求方程如下:
流域实际蒸发量为流域内冠层水分蒸发、散发和土壤蒸发的综合。一般要求实际蒸发量不高于签发蒸散发量。
蒸散发计算完毕之后,可开始进行径流的计算。
基于水文循环过程机理的分析可知,不同的水文模型依据不同的尺度把水循环划分为不同水文过程环节,其最主要的差别在于对地下水环节划分的差异。地下水计算涉及参数繁多,基于不同的模拟应用目的、原理及方法划分为不同的层次,如壤中流、浅层地下水与深层地下水等的划分,过程机理复杂,准确估算难度大,要求高。应快速估算非点源污染的要求,不过分探究地下水的垂直运动,将地表以下的水文运动都归结为地下水运动,基于此将流域水循环看作在各离散单元中大气降水、蒸散发、地表水和地下水等四水之间水量输移与能量交换的循环往复过程。那么,遵循水循环运动物质与能量守恒规律,模型设计在流域各离散单元内构建水平衡方程,在己获取降水、径流与蒸散发损失数据基础上的求差,计算地下水径流量。综合考虑模型时间尺度与空间尺度,在各流域离散单元以日为时间步长模拟蒸散发、降雨径流过程,但因为地下水涉及到入渗、壤中流等水分的输移交换,根据经验方法采用累计时间间隔月的处理方法计算地下水径流,则水量平衡方程如下所示:
式中,Pday、Qday、Ea分别为日降雨量、日径流量、日蒸发量,GWt为模拟期间累积地下径流量,SW0、SWt为模拟始、末时期土壤持水量。
5.4管网汇流模型
本发明的管网汇流模型主要分为地表汇流模块、河道汇流模块和地下汇流模块三个部分。
1)地表汇流模块
模块采用分布式模型,在分布式水文模型中,栅格汇流演算顺序一般由随机抽样法和分级确定法确定。随机抽样法是通过随机抽样完成网格与其上游网格间的汇流计算。该方法步骤简单,但计算量较大。而分级确定法的思路是首先确定栅格汇流的级别,然后确定栅格演算的顺序。分级确定法步骤较多,但计算量较小。选定D8算法作为栅格演算级别划分的方法。D8算法又称为最大坡降法,最早由O'Callaghan(1984)提出。该方法的基本思想是基于填洼之后的DEM数据,利用一个3×3大小的网格矩阵,自DEM数据左上角至右下角遍历计算网格矩阵中心点(坐标为(i,j))。计算中心点至其余8个点的距离权落差p:
其中:h代表网格高程;k是中心网格周边8个网格编号,中心网格左侧网格编号为1,顺时针依次将其它网格编号标记为2^k-1。
累积汇流量为0的栅格位于流域边界处,汇流过程中与其它栅格间只有水量流出,没有水量流入,是汇流级别最低的栅格。这些栅格可以作为坡面汇流连续演算的起始栅格。对起始栅格进行编号,组成向量,向量内逐栅格向下游栅格进行汇流计算,计算下游栅格演算时段内的平均水深和单宽流量。所有累积汇流量为0的栅格逐时段完成汇流演算后,演算累积汇流量为1的栅格相应汇流过程。此时,累积汇流量为0的栅格各演算时段的出流条件可作为累积汇流量为1的栅格相应时段的入流条件。对照现场调查和基于D8算法提取的河道,设定坡面累积汇流量等级阈值为800,坡面汇流演算按照累积汇流量等级逐次演算至河道处(阈值)为止。河道上游栅格的入流条件即为坡面向河道汇流的径流边界条件。
坡面洪水演算过程中,如果不考虑下游河道顶托,坡面洪水采用运动波概化。运动波采用平面一维圣维南方程模拟,网格泄流量按照谢才公式计算。网格间洪水传播采用平面一维圣维南方程模拟,并估算二维网格内涝水深和单宽流量:
式中:h为地面水平均深度(m),q为单宽流量,r为净雨,S0为地表坡度,n为地表曼宁糙率系数,x代表流向。
联立上两个式,得到平面一维圣维南方程的数值解法:
式中:i表示当前栅格的空间位置,q(i,Δt)表示当前栅格向下游栅格Δt时段泄流的单宽流量,j表示上游相邻栅格,∑jqup(j,Δt)表示上游相邻栅格Δt时段来水的单宽流量之和。
自中心点寻找p最大值指向的网格编号值k值,计算网格矩阵中心栅格流向dir。流向所指向的网格每被其它单元格指向1次,其累积汇流量便加1,由此计算各网格累积汇流量。依据D8算法,坡面洪水由累积汇流量较低的网格沿着水流的流向,向累积汇流量较高的网格演算。因此,该方法确定的累积汇流量栅格数据可作为坡面栅格汇流演算的级别矩阵。
2)河道汇流模块
马斯京根模型是简化的圣维南方程组,依据河段上游洪水流量推求下游洪水流量的方法,可作为河道汇流模块理论方程。方程包含汇流水量平衡方程和槽蓄方程:
式中:W为某河段的时段槽蓄水量,t为时间,I为某河段的时段入流水量,Q为某河段的时段出流量,K为稳定流状态下的河段洪水传播时间,x为流量比重因子。
马斯京根法汇流水量平衡方程和槽蓄方程差分方程为:
联立并求解马斯京根法汇流水量平衡方程和槽蓄方程差分方程,得到马斯京根演算方程为:
式中:C0、C1、C2为马斯京根法待定参数,可由下式计算:
3)地下汇流模块——管网模型
需要说明的是,管网汇流模块中对管道排水信息的数值概化。对于台风监测体系中的台风洪涝模型,包括乡镇等基本不包含管网基础设施的区域,也包含城市中心区等建有完整的排水——泵站——河流的管网体系设施的区域。因此,对于管网汇流的总结,主要是根据行政区划信息以及土地利用类型,对统一化的网格,设置合适的区域排水系数。排水系数设置基本原则如下:
默认排水系数为5cm/h,对于农村等农田为主的区域,其排水系数折算80%;对于城镇等不透水层为主的区域,其排水系数折算为100%。
城市管网复杂,缺少准确资料,难以精确定位和矢量化地下排水管网。所述的地下汇流模块重点模拟网格-流域台风洪涝过程,构建台风洪涝灾害间的水文水动力联系,对地下径流汇流过程采用集总式的指数型退水曲线进行模拟,退水曲线的基本方程由浅水方程和线性蓄量方程组成,两方程分别为:
将线性蓄量方程代入浅水方程,获取退水方程:
Q(t)=Q(0)e-βt
其中,Q(0)为退水开始时的流量,Q(t)为时刻t的退水流量,β为退水指数,设α为蓄量常数,有β=α-1。
最终,得到城市复杂地表环境的产汇流模型。现有城市水文水动力模型中,地表产流和汇流过程模拟主要包含两种方法。第一种方法认为地表产汇流模型模拟的重点是为河道和管网汇流过程提供流量和水位边界条件。坡面产汇流过程追求迅速、高效,多采用水文学方法模拟。但该方法无法在较小空间尺度模拟内涝过程,不能用于评价海绵城市建设措施防治内涝灾害的效果。第二种方法是将地表下渗过程和水动力过程进行耦合,将下渗水量作为网格水动力演算过程中的流出水量,融入坡面水动力演算过程。该过程可定量模拟台风洪涝形成过程中网格处的内涝水深、单宽流量等要素,满足台风洪涝灾害成灾的时空演变过程分析。缺点是该方法采用平面二维圣维南方程组进行网格水深、单宽流量求解,运算过程复杂、结果不确定性高。因此,从模型研发目的出发,对第二种方法进行改造。即坡面台风洪涝演算在二维网格上进行,网格处地表净雨采用SCS-CN模型和地表超渗产流进行模拟;坡面网格间水动力过程采用平面一维圣维南方程组沿着D8算法确定的汇流演算方向进行模拟,网格地表净雨作为一维圣维南方程组的水源项参与坡面水动力过程演算;河道演算以坡面网格入流过程为流量边界条件,采用马斯京根法模拟。改造后的方法既可分析平面二维台风洪涝灾害孕灾过程,又可简化计算,规避二维圣维南方程组台风洪涝演算的不确定性。
现有城市水文水动力模型中,地下产流和汇流过程均侧重模拟管网汇流,对地下水的自然汇流过程并未做充分讨论。将SCS-CN模型、地表超渗产流模型计算出的网格地下净雨量在研究区进行逐时段综合,计算时段地下净雨深。依据水量平衡原理,计算地下水退水起始流量。将洪水起涨点和地下水退水起始点间连线作为地下水起涨过程线。自地下水退水起始点开始,采用指数退水曲线模拟地下水退水过程。地下水起涨过程和退水过程在时程上叠加即为出口断面地下水径流过程。
通过上述降雨模型、产流模型、蒸散发与径流模型、管网汇流模型,最终得到区域积水深度结果,并且通过历史台风洪涝灾害数据,对积水深度进行阈值划分,确定预警等级。
应用例
以2020年从浙江过境的2004号台风黑格比作为验证对象,进行服务效果检验分析。
2004号台风“黑格比”,其路径见图3。
“黑格比”的前身是2020年7月31日在吕宋岛以东生成的扰动92W,于8月1日8时被联合台风警报中心给予低压编号03W,当日20时获得日本气象厅命名,随后一路向西北方向移动,强度逐渐加强,分别于8月3日5时和14时许被中央气象台升格为强热带风暴和台风,并于8月4日凌晨3时30分前后以近巅峰强度在浙江省乐清市沿海登陆,登陆时中心附近最大风力有13级(38m/s),随后其纵穿浙江省,9时在浙江省内减弱为强热带风暴,17时减弱为热带风暴,随后台风纵穿江苏省,于8月5日5时减弱为热带低压, 6时许由江苏盐城移入黄海海面并再度增强为热带风暴。8月6日早上5时,由于“黑格比”变性为温带气旋,中央气象台对其停止编号。
图4为应用本发明台风洪涝灾害预警模型进行的8月4日08时积水深度预测;图5为应用本发明台风洪涝灾害预警模型进行的8月4日20时积水深度预测。
上述两张图为积水深度预测图,根据积水深度的不同来指定不同的内涝等级,内涝等级分别为:无风险(无积水)、微风险(积水深度小于5cm)、低风险(积水深度在5cm-10cm之间)、中风险(积水深度在10cm-25cm之间)、高风险(积水深度在25cm以上),下同。
由上述两张积水深度图可见,8月4日上午的预测结果与台风登陆路径是吻合的,纵穿江苏省,并从盐城附近转进黄海。于8月4日晚17点之后减弱为热带风暴。沿途导致山东大部、江苏东部大面积降水,降水区域与积水深度区域吻合。
图6为应用本发明台风洪涝灾害预警模型进行的8月4日08时预警等级预测;图7为应用本发明台风洪涝灾害预警模型进行的8月4日20时预警等级预测。
8月5日,台风依旧在山东附近,而江浙以南已无大雨,这与8月5日的积水深度预测结果也是一致的。
图8为应用本发明台风洪涝灾害预警模型进行的8月5日08时积水深度预测;图9为应用本发明台风洪涝灾害预警模型进行的8月5日20时积水深度预测。
图10为应用本发明台风洪涝灾害预警模型进行的8月5日08时预警等级预测;图11为应用本发明台风洪涝灾害预警模型进行的8月5日20时预警等级预测。
通过预警等级的结果和积水深度的预测结果与2004号台风的实际时间、路径和引起的城市内涝数据对比,可以验证,台风洪涝灾害预警模型对2004号黑格比台风所引发的强降雨导致的城市内涝,预测准确、及时,时空范围契合,没有误报和漏报。
此处所描述的具体实施例仅用以解释发明的一部分实施例,而不是全部的实施例,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其他实施例,都属于本发明保护的范围。
Claims (10)
1.精细化电网洪涝灾害预测模型,其特征在于,包括降雨模型、产流模型、蒸散发与径流模型和管网汇流模型;
所述的降雨模型对数值天气预报数据进行降尺度处理和订正,输出的是研究区域1km网格距的未来3天逐小时降水预报,作为下一阶段的输入数据;
所述的产流模型输入研究区域1km网格距的未来3天逐小时降水预报、土壤CN值、DEM数据和土地覆盖类型数据,输出产流量;
所述的蒸散发与径流模型,进行蒸散发计算和径流量计算,输入区域风速风向数据、产流量、DEM数据和土地覆盖类型数据,经水量平衡方程计算得到径流量;
所述的管网汇流模型包括地表汇流模块、河道汇流模块和地下汇流模块,所述的径流量分别作为地表汇流模块、河道汇流模块和地下汇流模块的输入量;
所述的地表汇流模块包括谢才公式和平面一维圣维南方程,通过谢才公式计算得到格点流量,然后通过平面一维圣维南方程得到地表汇流量;
所述的河道汇流模块通过马斯京根法联立汇流水量平衡方程和槽蓄方程,得到马斯京根演算方程,经马斯京根演算方程得到河道汇流量;
所述的地下汇流模块,对于地下径流汇流过程采用集总式的指数型退水曲线进行模拟,得到地下汇流量;
通过所述降雨模型、产流模型、蒸散发与径流模型、管网汇流模型,最终得到区域内总汇流量,并且通过历史台风洪涝灾害数据,对积水深度进行阈值划分,确定预警等级。
2.根据权利要求1所述的精细化电网洪涝灾害预测模型,其特征在于,所述的降尺度处理选择基于深度学习的DeepSD模型,DeepSD模型是由多层的SRCNN堆积而成,SRCNN降尺度是利用卷积神经网络提取高维特征并进行数据重构,从而实现降尺度。
3.根据权利要求1所述的精细化电网洪涝灾害预测模型,其特征在于,所述的SRCNN将深度学习与传统稀疏编码之间的关系作为依据,将3层网络划分为图像块提取、非线性映射以及最终的重建。
4.根据权利要求3所述的精细化电网洪涝灾害预测模型,其特征在于,所述SRCNN的具体流程为:
输入数据:先将低分辨率图像使用双三次差值放大至目标尺寸,此时仍然称放大至目标尺寸后的图像为低分辨率图像;
图像块提取:密集提取斑点,然后用一组预先训练好的基数表示,这相当于通过一组滤波器对图像进行卷积,每个滤波器都是一个基数;
在SRCNN中,将这些基数的优化应用到网络的优化中,形式上,SRCNN的第一层表示为:
F1=max(0,W1*Y+B1),
其中,W1和B1分别代表滤波器和偏置,卷积核的大小规定为f1×f1,这里W1的大小为c×f1×f1×n1,其中c是输入图像的通道数,f1是滤波器的空间大小,n1是滤波器的数量;直观地讲,W1对图像应用n1个卷积,每个卷积的核大小为c×f1×f1,输出由n1个特征图组成,B1是一个n1维向量,其每个元素与一个滤波器相关联,最后将其输入一个ReLU函数;
非线性映射:将第一层输出的向量输入到第二层,将n1维度的向量映射为n2维度,其具体操作为:
F2=max(0,W2*F1(Y)+B2),
W2的大小为n1×1×1×n2,B2是一个n2维度的向量;
重建:SRCNN定义了一个卷积层来产生最终的高分辨率图像:
F(Y)=Q3*F2(Y)+B3,
其中,卷积核的大小规定为f3×f3,W3的大小为n2×f3×f3×c,B3是一个c维度的向量。
5.根据权利要求1-4任一项所述的精细化电网洪涝灾害预测模型,其特征在于,所述的产流模型采用SCS产流模型,所述的SCS产流模型在集水区的实际入渗量F与实际径流量Q之比等于该集水区的潜在入渗量S与潜在径流之比的假定基础上建立;
比例相等假设是指地表径流R与总的降雨量P及入渗量和当时可能最大滞留量比值相等,
式中,S表示当时可能最大滞留量,单位为mm;
初损值与当时可能最大滞留量关系假设表示如下:
Ia=λS,
式中:λ为区域参数,主要取决于地理和气候因子,表达为:
λ=atp,
其中,a:Horton常数,tp:降水时刻到地表径流形成的时段,λ的取值范围为0.1≤λ≤0.3,推导出如下结论:
为计算S,引入一个参数CN作为土壤最大蓄水能力的指标:
式中,S:土壤最大蓄水能力;CN:曲线数值,是一个无量纲参数,理论取值范围是0~100,实际应用中取值范围是40~98。
8.根据权利要求6所述的精细化电网洪涝灾害预测模型,其特征在于,所述的地表汇流模块,在坡面洪水演算过程中,如果不考虑下游河道顶托,坡面洪水采用运动波概化,运动波采用平面一维圣维南方程模拟,格点流量按照谢才公式计算,网格间洪水传播采用平面一维圣维南方程模拟,并估算二维网格内涝水深和单宽流量:
式中:h为地面水平均深度,m;q为单宽流量,r为净雨,S0为地表坡度,n为地表曼宁糙率系数,x代表流向,t表示水的径流时长;
联立上面两个公式,得到平面一维圣维南方程的数值解法:
式中:i表示当前栅格的空间位置,q(i,Δt)表示当前栅格向下游栅格Δt时段泄流的单宽流量,j表示上游相邻栅格,∑jqup(j,Δt)表示上游相邻栅格Δt时段来水的单宽流量之和;
自中心点寻找p最大值指向的网格编号值k值,计算网格矩阵中心栅格流向dir,流向所指向的网格每被其它单元格指向1次,其累积汇流量便加1,由此计算各网格累积汇流量;依据D8算法,坡面洪水由累积汇流量低的网格沿着水流的流向,向累积汇流量高的网格演算;该方法确定的累积汇流量栅格数据作为坡面栅格汇流演算的级别矩阵。
9.根据权利要求6所述的精细化电网洪涝灾害预测模型,其特征在于,所述的河道汇流模块中,马斯京根模型是简化的圣维南方程组,依据河段上游洪水流量推求下游洪水流量的方法,作为河道汇流模块理论方程,方程包含汇流水量平衡方程和槽蓄方程:
式中:W为某河段的时段槽蓄水量,t为时间,I为某河段的时段入流水量,Q为某河段的时段出流量,K为稳定流状态下的河段洪水传播时间,x为流量比重因子;
马斯京根法汇流水量平衡方程和槽蓄方程为:
联立并求解马斯京根法汇流水量平衡方程和槽蓄方程,得到马斯京根演算方程为:
式中:C0、C1、C2为马斯京根法待定参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110692390.3A CN113610264B (zh) | 2021-06-22 | 2021-06-22 | 一种精细化电网台风洪涝灾害预测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110692390.3A CN113610264B (zh) | 2021-06-22 | 2021-06-22 | 一种精细化电网台风洪涝灾害预测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113610264A true CN113610264A (zh) | 2021-11-05 |
CN113610264B CN113610264B (zh) | 2023-11-07 |
Family
ID=78303597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110692390.3A Active CN113610264B (zh) | 2021-06-22 | 2021-06-22 | 一种精细化电网台风洪涝灾害预测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610264B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114416907A (zh) * | 2022-01-20 | 2022-04-29 | 河海大学 | 一种基于scs模型的面向应急服务山洪灾害风险制图方法 |
CN115267142A (zh) * | 2022-09-27 | 2022-11-01 | 深圳市深水水务咨询有限公司 | 基于数据分析的水土流失动态监测预警***及方法 |
CN115293469A (zh) * | 2022-10-10 | 2022-11-04 | 山脉科技股份有限公司 | 一种城市防洪排涝风险预测方法 |
CN116050618A (zh) * | 2023-01-28 | 2023-05-02 | 北京恒润安科技有限公司 | 基于一维管网及二维地形模型耦合的城市内涝预报*** |
CN116070918A (zh) * | 2023-04-06 | 2023-05-05 | 珠江水利委员会珠江水利科学研究院 | 一种城市洪涝安全评估及洪涝灾害防治方法 |
TWI806321B (zh) * | 2021-12-28 | 2023-06-21 | 財團法人國家實驗研究院 | 淹水評估方法及其運算裝置 |
CN116468269A (zh) * | 2023-04-10 | 2023-07-21 | 广州市城市规划勘测设计研究院 | 一种洪涝高风险区识别方法、装置、设备及存储介质 |
CN116722544A (zh) * | 2023-08-02 | 2023-09-08 | 北京弘象科技有限公司 | 分布式光伏短期预测方法、装置、电子设备及存储介质 |
CN117195603A (zh) * | 2023-11-07 | 2023-12-08 | 北京四象爱数科技有限公司 | 基于高分辨率遥感要素的洪涝灾害推演方法、设备及介质 |
CN117275186A (zh) * | 2023-10-13 | 2023-12-22 | 国网安徽省电力有限公司电力科学研究院 | 一种基于电网设施周边防灾产汇流模型*** |
CN118095139A (zh) * | 2024-04-17 | 2024-05-28 | 中国水利水电科学研究院 | 一种考虑淹没来源的洪涝识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182543A (zh) * | 2018-01-17 | 2018-06-19 | 福建四创软件有限公司 | 一种精细化网格内涝水淹预报方法 |
CN111651885A (zh) * | 2020-06-03 | 2020-09-11 | 南昌工程学院 | 一种智慧型海绵城市洪涝预报方法 |
-
2021
- 2021-06-22 CN CN202110692390.3A patent/CN113610264B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182543A (zh) * | 2018-01-17 | 2018-06-19 | 福建四创软件有限公司 | 一种精细化网格内涝水淹预报方法 |
CN111651885A (zh) * | 2020-06-03 | 2020-09-11 | 南昌工程学院 | 一种智慧型海绵城市洪涝预报方法 |
Non-Patent Citations (1)
Title |
---|
俄有浩;霍治国;: "长江中下游地区暴雨特征及洪涝淹没风险分析", 生态学杂志, no. 04, pages 213 - 222 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI806321B (zh) * | 2021-12-28 | 2023-06-21 | 財團法人國家實驗研究院 | 淹水評估方法及其運算裝置 |
CN114416907A (zh) * | 2022-01-20 | 2022-04-29 | 河海大学 | 一种基于scs模型的面向应急服务山洪灾害风险制图方法 |
CN115267142A (zh) * | 2022-09-27 | 2022-11-01 | 深圳市深水水务咨询有限公司 | 基于数据分析的水土流失动态监测预警***及方法 |
CN115267142B (zh) * | 2022-09-27 | 2022-12-02 | 深圳市深水水务咨询有限公司 | 基于数据分析的水土流失动态监测预警***及方法 |
CN115293469A (zh) * | 2022-10-10 | 2022-11-04 | 山脉科技股份有限公司 | 一种城市防洪排涝风险预测方法 |
CN115293469B (zh) * | 2022-10-10 | 2022-12-27 | 山脉科技股份有限公司 | 一种城市防洪排涝风险预测方法 |
CN116050618A (zh) * | 2023-01-28 | 2023-05-02 | 北京恒润安科技有限公司 | 基于一维管网及二维地形模型耦合的城市内涝预报*** |
CN116070918A (zh) * | 2023-04-06 | 2023-05-05 | 珠江水利委员会珠江水利科学研究院 | 一种城市洪涝安全评估及洪涝灾害防治方法 |
CN116468269A (zh) * | 2023-04-10 | 2023-07-21 | 广州市城市规划勘测设计研究院 | 一种洪涝高风险区识别方法、装置、设备及存储介质 |
CN116468269B (zh) * | 2023-04-10 | 2023-10-20 | 广州市城市规划勘测设计研究院 | 一种洪涝高风险区识别方法、装置、设备及存储介质 |
CN116722544A (zh) * | 2023-08-02 | 2023-09-08 | 北京弘象科技有限公司 | 分布式光伏短期预测方法、装置、电子设备及存储介质 |
CN116722544B (zh) * | 2023-08-02 | 2023-10-20 | 北京弘象科技有限公司 | 分布式光伏短期预测方法、装置、电子设备及存储介质 |
CN117275186A (zh) * | 2023-10-13 | 2023-12-22 | 国网安徽省电力有限公司电力科学研究院 | 一种基于电网设施周边防灾产汇流模型*** |
CN117275186B (zh) * | 2023-10-13 | 2024-07-02 | 国网安徽省电力有限公司电力科学研究院 | 一种基于电网设施周边防灾产汇流模型*** |
CN117195603A (zh) * | 2023-11-07 | 2023-12-08 | 北京四象爱数科技有限公司 | 基于高分辨率遥感要素的洪涝灾害推演方法、设备及介质 |
CN117195603B (zh) * | 2023-11-07 | 2024-01-12 | 北京四象爱数科技有限公司 | 基于高分辨率遥感要素的洪涝灾害推演方法、设备及介质 |
CN118095139A (zh) * | 2024-04-17 | 2024-05-28 | 中国水利水电科学研究院 | 一种考虑淹没来源的洪涝识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113610264B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113610264B (zh) | 一种精细化电网台风洪涝灾害预测*** | |
Jia et al. | Development of the WEP-L distributed hydrological model and dynamic assessment of water resources in the Yellow River basin | |
Hou et al. | Spatial simulation of the ecological processes of stormwater for sponge cities | |
CN103675232B (zh) | 一种基于土壤冻融过程的流域涵蓄水能力测算方法 | |
CN107832931A (zh) | 一种平原水网地区内涝风险的模块化分析方法 | |
Wu et al. | Simulation of soil loss processes based on rainfall runoff and the time factor of governance in the Jialing River Watershed, China | |
Akter et al. | Possibilities of urban flood reduction through distributed-scale rainwater harvesting | |
CN113011685A (zh) | 一种无径流资料地区内陆湖泊水位变化模拟预测方法 | |
CN113742910A (zh) | 基于中小流域洪水预报的水库来水量预警预报方法及*** | |
CN102354348A (zh) | 流域尺度土壤湿度遥感数据同化方法 | |
CN112036093A (zh) | 一种陆面水文耦合模型 | |
Song et al. | The response of river network structure to urbanization: A multifractal perspective | |
CN109409694A (zh) | 基于实测值的地块海绵城市绩效考核指标计算方法 | |
CN115169069A (zh) | 基于大数据的城市内涝预测方法 | |
Chen et al. | Watershed environmental hydrology (WEHY) model: Model application | |
Wade et al. | A model-based assessment of the effects of projected climate change on the water resources of Jordan | |
Udo et al. | Climate change impacts on runoff regimes at a river basin scale in Central Vietnam | |
Osman et al. | Flood modeling of Sungai Pinang Watershed under the impact of urbanization | |
CN114781718B (zh) | 基于水文-水动力集成模型的洪水高效预警方法及其应用 | |
Javadinejad | The 2008 Morpeth flood: continuous simulation model for the Wansbeck catchment | |
Ju et al. | An eco-hydrological model for modelling hydrological processes in a riparian wetland with the unclosed boundary | |
Wichakul et al. | Development of a flow routing model including inundation effect for the extreme flood in the Chao Phraya River Basin, Thailand 2011 | |
CN112288194A (zh) | 基于mike模型构建的城市下垫面产汇流形成过程分析方法 | |
Guo et al. | Daily runoff simulation in Poyang Lake Intervening Basin based on remote sensing data | |
Dau et al. | ASSESSMENT OF POTENTIAL IMPACTS OF CLIMATE AND SOCIO-ECONOMIC CHANGES ON FUTURE WATER SECURITY IN THE HIMALAYAS, INDIA. |
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 |