CN113723024B - 一种适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法 - Google Patents
一种适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法 Download PDFInfo
- Publication number
- CN113723024B CN113723024B CN202111004462.7A CN202111004462A CN113723024B CN 113723024 B CN113723024 B CN 113723024B CN 202111004462 A CN202111004462 A CN 202111004462A CN 113723024 B CN113723024 B CN 113723024B
- Authority
- CN
- China
- Prior art keywords
- model
- flood
- river
- data
- simulation
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000008569 process Effects 0.000 title claims abstract description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 86
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims description 21
- 230000008878 coupling Effects 0.000 claims description 15
- 238000010168 coupling process Methods 0.000 claims description 15
- 238000005859 coupling reaction Methods 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005086 pumping Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 241000282461 Canis lupus Species 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000008213 purified water Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Geometry (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Quality & Reliability (AREA)
- Mathematical Optimization (AREA)
- Game Theory and Decision Science (AREA)
- Fluid Mechanics (AREA)
- Genetics & Genomics (AREA)
- Operations Research (AREA)
Abstract
本发明公开了一种适用于滨海地区的“溪流”‑“河道”‑“河口”分布式洪水过程模拟方法,步骤如下:首先获取***基本信息数据,对复杂流域***进行概化;然后建立流域暴雨洪水的多源异构数据立体监测***,进行多源数据融合;其次构建同时考虑流域内堰坝、水库等水工程的高分辨率“溪流”‑“河道”‑“河口”分布式洪水模拟模型;最后基于多源融合数据完成模型率定和验证,对关键断面和易涝地区进行动态实时模拟。采用本发明方法能够实现从溪流到河口的分布式洪水模拟,有望提高滨海地区洪水预报的有效性、科学性和计算精度,完善洪水模拟和预测理论和方法。
Description
技术领域
本发明属于洪水预报领域,具体涉及一种适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法。
背景技术
受气候变化、下垫面和人类活动等诸多因素的影响,近几年我国滨海地区的局部灾害性暴雨、突发性洪水、超强台风等极端水文气象事件频率增多,强度增加,严重威胁人民生命财产安全,制约经济社会发展。若要减少洪水带来的经济损失提高洪水资源利用水平,洪水预报是非工程措施中最为重要的一个基础环节,有效的预报结果可以指导库闸堰坝湖进行错峰削峰以减少损失,在防洪减灾工作中发挥着重要作用。因此,实现高分辨、高精度洪水模拟至关重要。现状监测多以单点信息采集为主,缺乏多源数据智能融合应用;二是滨海地区洪水期常常遭遇风暴潮或天文大潮,洪潮叠加/组合更易造成严重的洪涝灾害,严重影响洪水模拟精度。现阶段以大数据和人工智能为核心的信息技术改变了传统交流传播方式,通过多源立体监测,人工智能与高分辨率卫星相结合能够提升监测精细化、智能化程度。因此,解决暴雨和洪水模拟不准的问题,一方面亟需充分利用人工智能技术,研究流域暴雨洪水多源监测建设与融合技术,另一方面需要建立同时考虑流域内库闸堰坝等水工程和河口风暴潮顶托作用的高分辨率洪水模拟模型。
发明内容
针对传统滨海地区洪水模拟由于数据缺少、数值模型耦合难度大、模型之间的互馈机制不够清晰、计算效率低下等众多因素,通常仅仅给出流域内重要断面的洪水信息(点),影响防汛的及时性和有效性等缺陷,本发明提出一种适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法,实现从溪流到河口的全流域精细化实时模拟,为动态洪水预警、灾害防御和应急转移等提供实时精细化的技术支持。
本发明采用以下技术方案:
一种适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法,包括以下步骤:
步骤1,获取***基本信息数据,对复杂流域***进行概化,所述复杂流域***包括河道水系、水库、泵闸站控制工程、水文站、雨量站、潮位站;
步骤2,建立流域暴雨洪水的多源异构数据立体监测***,所述多源异构数据立体监测***包括基于雨量站、高分辨率遥感卫星的降雨和遥感影像立体监测***;并进一步分别对高分辨率遥感卫星的多源降雨和遥感影像数据进行融合;
步骤3,按照流域特性将流域划分为溪流、河道以及河口,所述溪流为山区干支流,河道为平原河网,河口为风暴潮,进一步构建同时考虑流域内水库、泵闸站水工程影响的高分辨率“溪流”-“河道”-“河口”分布式洪水模拟模型,所述分布式洪水模拟模型包括山区干支流洪水模拟模型、风暴潮模拟模型和平原河网洪水模拟模型;
步骤4,基于多源融合数据完成分布式洪水模拟模型率定和验证,对关键断面的洪峰流量、洪量、峰现时间、洪水水位以及易涝地区的淹没水深、淹没范围进行动态实时模拟。
上述技术方案中,进一步地,所述步骤2中,遥感卫星集合包括但不限于TRMM、CMORPH、GPM的三级产品IMERGE以及PERSIANN-CCS;基于高分辨率卫星遥感影像的立体(淹没信息)监测***,包括但不限于MODIS地表反射率产品、ETM+、Lansat-8、OLI、GF-1、WFV4、Sentinel-1、SAR高分辨率遥感影像。
进一步地,所述步骤2中的多源降雨数据融合,包括以下步骤:
步骤2-1-1采用分位点映射法进行多源降雨数据偏差校正;
步骤2-1-2将偏差校正之后的多源数据同时作为深度学习模型的输入,以基于雨量站获取的地面实测数据作为模型输出,以损伤函数最小作为数据融合模型的训练准则,进行模型的训练和验证,确定模型结构和参数,实现数据融合。
进一步地,所述步骤2中多源遥感影像数据融合包括以下步骤:
步骤2-2-1根据不同数据模态,按照其灾前灾后水体遥感影像信息构建相应的图卷积网络模型进行模态内特征学习;
步骤2-2-2基于高斯-博努利受限玻尔兹曼机对多模态特征进行关联生成关联共享特征,融合实现高分辨率的淹没水深、淹没范围信息提取。
进一步地,所述步骤3中构建高分辨率“溪流”-“河道”-“河口”分布式洪水模拟模型,包括以下步骤:
步骤3-1构建山区干支流洪水模拟模型,具体步骤包括以下:
步骤3-1-1基于产汇流机理,采用DHSVM分布式水文模型对各个水库进行产汇流模拟;
步骤3-1-2构建和求解水库群多目标联合优化调度模型,进行水库泄流计算;
步骤3-1-3水库泄流经马斯京根法由支流计算汇流至干流河道,然后按照一维水动力模型进行洪水演算,模拟关键断面流量、水位。
步骤3-2构建风暴潮模拟模型。具体步骤包括以下:
步骤3-2-1按照台风路径基于自组织映射神经网络进行台风分类;
步骤3-2-2针对同一类台风基于历史实测“台风-气象-潮位”观测数据:台风观测数据为台风本身特性如中心气压、中心风速、移动速度、大风半径、行进方向及测站距台风中心距离;气象观测数据为台风影响期间测站当地的气象特性如气压、风向风速、降雨;潮汐观测数据为天文潮位;
步骤3-2-3以“台风-气象-潮位”观测数据为输入因子,考虑到风暴潮增水本身趋势上的影响,同时将增水值作为输入因子,基于深度学习模型如传统循环神经网络模型、长短时记忆网络模型、门控循环单元神经网络模型建立与增水值的数学关系,实现风暴潮模拟。
步骤3-3构建平原河网洪水模拟模型。以上游山区出流作为上游来水边界、以风暴潮模拟潮位作为下游出流边界,划分行蓄洪区,对平原地区基于水文水动力耦合模型进行洪水模拟。具体基于分布式水文模型进行产流计算;河道的洪水演进采用水动力模型,包括零维模型、一维水动力学模型、二维水动力学模型,其中一维水动力学模型模拟河道洪水演进过程;二维水动力学模型构建模拟易涝区淹没情况包括淹没水深、淹没范围。同时考虑闸泵站工程对洪水过程影响,构建和求解闸泵站控制工程群多目标联合优化调度模型。
进一步地,所述步骤3-1-2中的水库群多目标联合优化调度模型,具体构建以调度期间各库前运行最高水位最低和最大削峰准则为目标,以水量平衡、水库水位库容限制、水库泄流能力限制、水库初末库容限制、下游防洪断面流量限制为约束条件的水库联合防洪优化调度模型。求解方法可采用多目标优化算法包括但不限于多目标遗传算法(NSGA-II),多目标粒子群算法(MOPSO),多目标灰狼优化算法(MOGWO)等。
进一步地,所述步骤3-3中闸泵站控制工程群多目标联合优化调度模型,具体构建以平原河网行蓄洪区启用损失最小化和干流主要控制站点最高水位最小化为目标,以防洪控制断面水量平衡、河道堤防安全行洪限制、泵闸边界水力限制、闸开启孔数限制、闸门开启方式限制为约束条件的闸泵站控制工程联合防洪优化调度模型。求解方法可采用多目标优化算法包括但不限于NSGA-II,MOPSO,MOGWO等。
进一步地,所述步骤3-3中水文水动力耦合模型通过区间产汇流模型与干流一维水动力学模型进行耦合、一维水动力学模型之间的耦合,一维水动力学与二维水动力学模型之间的耦合等实现水文水动力模型的耦合。其中,区间产汇流模型与干流一维水动力学模型耦合通过将水文模型的产流接入到一维水动力学模型指定河道断面的方式实现,一维水动力学模型之间的耦合采用节点概化方式实现,一维水动力学与二维水动力学模型之间的耦合采用构建虚拟堰水流联通模型的方式实现。
进一步地,所述步骤4中“溪流”-“河道”-“河口”分布式洪水模拟模型需要率定的模型参数包括:一类是分布式水文模型参数,主要包括常量参数、植被参数及土壤参数;一类是水力学模型参数,主要包括零维模型的水位容积关系、一维和二维模型的河道糙率等;同时考虑基于深度学习的风暴潮模型参数,主要包括神经网络层数、神经元个数、隐藏层节点数量、学习率。
所述“溪流”-“河道”-“河口”分布式洪水模拟模型的率定和验证为:选择有代表性的丰水年、平水年及枯水年的区域水情,采用多场次地区实测洪水资料对模型进行检验,利用相应时段融合降雨数据和实测站点数据作为模型的输入,以洪峰流量、洪量、峰现时间、洪水水位、淹没范围作为评价指标进行模型评估。
本发明与现有技术相比,具有以下有益效果:
(1)融合多源数据能够显著提高预报精度,有效延长预见期,且能提供预报的不确定性信息,帮助决策者定量考虑风险信息;
(2)针对以雨量站和雷达为基础的陆面观测***的覆盖范围有限,通过人工智能快速挖掘高分辨率卫星的暴雨洪水水情信息,将降雨、水位、淹没位置、淹没范围等信息作为补充数据输入分布式洪水模型进行模型率定验证,可有效解决实测数据不足的问题;
(3)构建耦合分布式水文学模型、一二维水动力学数值模型以及河口风暴潮模型的分布式洪水模拟模型,能够实现从溪流到河口的全流域精细化实时模拟;
(4)考虑山塘、堰坝、水库等水工程对洪水过程的影响,能够提高模拟的精细化程度和精度;
(5)建立基于深度学习的风暴潮模拟模型,能够克服传统风暴潮预报操作复杂、模型精度欠缺的缺陷,提高运行效率。
附图说明
图1是本发明的方法流程图;
图2是本发明的分布式模拟模型构建图;
图3是本发明中的风暴潮模型构建图(以长短时记忆网络模型为例);
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,一种适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法,具体包括以下步骤:
步骤1,获取***基本信息数据,对复杂流域***进行概化,所述复杂流域***包括河道水系、水库、泵闸站、水文站、雨量站、潮位站;
步骤2,建立流域暴雨洪水的多源异构数据立体监测***,进行多源异构数据融合。
多源异构数据立体监测***包括基于雨量站、高分辨率遥感卫星的降雨和遥感影像立体监测***,遥感卫星集合包括但不限于TRMM、CMORPH、GPM的三级产品IMERGE以及PERSIANN-CCS;基于高分辨率卫星遥感影像的立体(淹没信息)监测***,包括但不限于MODIS地表反射率产品、ETM+、Lansat-8、OLI、GF-1、WFV4、Sentinel-1、SAR高分辨率遥感影像。
多源降雨数据融合,包括以下步骤:
步骤2-1-1采用分位点映射法进行多源降雨数据偏差校正;
步骤2-1-2将偏差纠正之后的多源数据同时作为深度学习模型如传统循环神经网络模型、长短时记忆网络模型、门控循环单元神经网络的输入,以基于雨量站获取的地面实测数据作为模型输出,以损伤函数最小作为数据融合模型的训练准则,进行模型训练和验证,确定模型结构和参数,实现数据融合。
多源遥感影像数据融合包括以下步骤:
步骤2-2-1根据不同数据模态,按照其灾前灾后水体遥感影像信息构建相应的图卷积网络模型进行模态内特征学习;
步骤2-2-2基于高斯-博努利受限玻尔兹曼机对多模态特征进行关联生成关联共享特征,融合实现高分辨率的淹没水深、淹没范围信息提取。
步骤3,构建同时考虑流域内水库、泵闸站水工程影响的高分辨率“溪流”-“河道”-“河口”分布式洪水模拟模型。
具体包括以下步骤:
步骤3-1按照流域特性进行划分构建模型,主要分为山区干支流(溪流)、平原河网(河道)以及风暴潮(河口);
步骤3-2构建山区干支流洪水模拟模型,具体步骤包括以下:
步骤3-2-1基于产汇流机理,采用DHSVM分布式水文模型对各个水库进行产汇流模拟;
步骤3-2-2构建和求解水库群多目标联合优化调度模型,进行水库泄流计算;具体构建以调度期间各库前运行最高水位最低和最大削峰准则为目标,以水量平衡、水库水位库容限制、水库泄流能力限制、水库初末库容限制、下游防洪断面流量限制为约束条件的水库联合防洪优化调度模型。求解方法可采用多目标优化算法包括但不限于多目标遗传算法(NSGA-II),多目标粒子群算法(MOPSO),多目标灰狼优化算法(MOGWO)等。
步骤3-2-3水库泄流经马斯京根法由支流计算汇流至干流河道,然后按照一维水动力模型进行洪水演算,模拟关键断面流量、水位。
步骤3-3如图3所示,构建风暴潮模拟模型。具体步骤包括以下:
步骤3-3-1按照台风路径基于自组织映射神经网络进行台风分类;
步骤3-3-2针对同一类台风基于历史实测“台风-气象-潮位”观测数据:台风观测数据为台风本身特性如中心气压、中心风速、移动速度、大风半径、行进方向及测站距台风中心距离;气象观测数据为台风影响期间测站当地的气象特性如气压、风向风速、降雨;潮汐观测数据为天文潮位;
步骤3-3-3以“台风-气象-潮位”观测数据为输入因子,考虑到风暴潮增水本身趋势上的影响,同时将增水值作为输入因子,基于深度学习模型如传统循环神经网络模型、长短时记忆网络模型、门控循环单元神经网络模型建立与增水值的数学关系,实现风暴潮模拟。
步骤3-4构建平原河网洪水模拟模型。以上游山区出流作为上游来水边界、以风暴潮模拟潮位作为下游出流边界,划分行蓄洪区,对平原地区基于水文水动力耦合模型进行洪水模拟。具体基于分布式水文模型进行产流计算;河道的洪水演进采用水动力模型,包括零维模型、一维水动力学模型、二维水动力学模型,其中一维河道水动力模型模拟河道洪水演进过程;二维模型构建模拟易涝区淹没情况包括淹没水深、淹没范围。同时考虑闸泵站工程对洪水过程影响,构建和求解闸泵站控制工程群多目标联合优化调度模型。其中。不同维度的水动力模型构建具体包括如下:
①零维模型。对于水塘、小的湖泊零维区域,对洪水行为的影响主要表现在水量的交换,动量交换可以忽略,反映洪水行为的指标是水位,水位的变化规律必须遵循水量守恒原理,流入区域的净水量等于区域内的蓄量增量,利用水量平衡原理可得:
式中,Q为流量,m3/s;A(z)为蓄洪区内水面面积,m2;Z为水位,m;t为时间,s。
②一维水动力学模型。一维水流模型可以方便快速地进行长河段的洪水演进预报,能够模拟河道水面线,同时在处理河道上的一些建筑物时非常灵活方面。本发明基于垂向积分的水量和动量守恒方程,即一维明渠非恒定渐变流圣维南方程组作为一维水动力模型,考虑全流域耦合求解要求,采用Preissmann隐式差分格式进行方程求解。
式中:x为距离,m;t为时间,s;A为过水断面面积,m2;B为河道水面宽,m;Q为流量,m3/s;Z为水位,m;K为流量模数,反映河道的实际过流能力;q为旁侧入流流量,单位长度上的支流流量,m3/s;Vx为旁侧入流沿河长方向的速度(m/s);α为动量校正系数。
③二维水动力学模型。二维水流模型能够进行大范围水流运动的模拟,提供更加丰富的计算信息,如流场分布、淹没面积、淹没范围等。采用二维水动力模型模拟水面在道路、河道等不同地形情况下的漫流过程,描述平面二维水流运动的基本方程组为:
式中,x、y分别为自变量时间及平面坐标;h=Z-Zd为水深,Z为水位,Zd为河床高程;u、v为沿x和y方向的流速;n为糙率系数,f为柯氏系数;Ex、Ey分别为X和Y方向上的离散系数;q为包括取排水在内的源项;f为柯氏力系数;g为重力加速度。
所述闸泵站控制工程群多目标联合优化调度模型,具体构建以平原河网行蓄洪区启用损失最小化和干流主要控制站点最高水位最小化为目标,以防洪控制断面水量平衡、河道堤防安全行洪限制、泵闸边界水力限制、闸开启孔数限制、闸门开启方式限制为约束条件的闸泵站控制工程联合防洪优化调度模型。求解方法可采用多目标优化算法包括但不限于NSGA-II,MOPSO,MOGWO等。
水文水动力耦合模型通过区间产汇流模型与干流一维河道模型进行耦合、一维河道之间的耦合,一维水动力学与二维水动力学模型之间的耦合等实现水文水动力模型的耦合。其中,区间产汇流模型与干流一维河道模型耦合通过将水文模型的产流接入到一维河道指定断面的方式实现,一维河道之间的耦合采用节点概化方式实现,一维水动力学与二维水动力学模型之间的耦合采用构建虚拟堰水流联通模型的方式实现。
步骤4,基于多源融合数据完成分布式洪水模拟模型率定和验证,对关键断面的洪峰流量、洪量、峰现时间、洪水水位以及易涝地区的淹没水深、淹没范围进行动态实时模拟。
所述“溪流”-“河道”-“河口”分布式洪水模拟模型需要率定的模型参数包括:一类是分布式水文学模型参数,主要包括常量参数、植被参数及土壤参数;一类是水力学模型参数,主要包括零维模型的水位容积关系、一维模型和二维模型的河道糙率等;同时考虑基于深度学***水年及枯水年的区域水情,采用多场次地区实测洪水资料对模型进行检验,利用相应时段融合降雨数据和实测站点数据作为模型的输入,以洪峰流量、洪量、峰现时间、洪水水位、淹没范围作为评价指标进行模型评估。
Claims (5)
1.一种适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法,其特征在于,包括以下步骤:
步骤1,获取***基本信息数据,对复杂流域***进行概化,所述复杂流域***包括河道水系、水库、泵闸站、水文站、雨量站、潮位站;
步骤2,建立流域暴雨洪水的多源异构数据立体监测***,所述多源异构数据立体监测***包括基于雨量站、高分辨率遥感卫星的降雨和遥感影像立体监测***;并进一步分别对高分辨率遥感卫星的多源降雨和遥感影像数据进行融合;
步骤3,按照流域特性将流域划分为溪流、河道以及河口,所述溪流为山区干支流,河道为平原河网,河口为风暴潮,进一步构建同时考虑流域内水库、泵闸站水工程影响的高分辨率“溪流”-“河道”-“河口”分布式洪水模拟模型,所述分布式洪水模拟模型包括山区干支流洪水模拟模型、风暴潮模拟模型和平原河网洪水模拟模型;
步骤4,基于多源融合数据完成分布式洪水模拟模型率定和验证,对关键断面的洪峰流量、洪量、峰现时间、洪水水位以及易涝地区的淹没水深、淹没范围进行动态实时模拟;
所述步骤2中的多源降雨数据融合,包括以下步骤:
步骤2-1-1 采用分位点映射法进行多源降雨数据偏差校正;
步骤2-1-2 将偏差校正之后的多源数据同时作为深度学习模型的输入,以基于雨量站获取的地面实测数据作为模型输出,以损伤函数最小作为数据融合模型的训练准则,进行模型的训练和验证,确定模型结构和参数,实现数据融合;
所述步骤2中多源遥感影像数据融合包括以下步骤:
步骤2-2-1 根据不同数据模态,按照其灾前灾后水体遥感影像信息构建相应的图卷积网络模型进行模态内特征学习;
步骤2-2-2 基于高斯-博努利受限玻尔兹曼机对多模态特征进行关联生成关联共享特征,融合实现高分辨率的淹没水深、淹没范围信息提取;
所述步骤3中构建高分辨率“溪流”-“河道”-“河口”分布式洪水模拟模型,包括以下步骤:
步骤3-1 构建山区干支流洪水模拟模型,具体步骤包括以下:
步骤3-1-1基于产汇流机理,采用DHSVM分布式水文模型对各个水库进行产汇流模拟;
步骤3-1-2 构建和求解水库群多目标联合优化调度模型,进行水库泄流计算;
步骤3-1-3 水库泄流经马斯京根法由支流计算汇流至干流河道,然后按照一维水动力模型进行洪水演算,模拟关键断面过流量、水位;
步骤3-2 构建风暴潮模拟模型,具体步骤包括以下:
步骤3-2-1 按照台风路径基于自组织映射神经网络进行台风分类;
步骤3-2-2 针对同一类台风基于历史实测“台风-气象-潮位”观测数据:台风观测数据为中心气压、中心风速、移动速度、大风半径、行进方向及测站距台风中心距离;气象观测数据为台风影响期间的气压、风向风速、降雨;潮汐观测数据为天文潮位;
步骤3-2-3 以“台风-气象-潮位”观测数据为输入因子,考虑到风暴潮增水本身趋势上的影响,同时将前期增水值作为输入因子,基于深度学习模型建立与增水值的数学关系,实现风暴潮模拟;
步骤3-3 构建平原河网洪水模拟模型,以上游山区出流作为上游来水边界、以风暴潮模拟潮位作为下游出流边界,划分行蓄洪区,对平原地区基于水文水动力耦合模型进行洪水模拟;具体基于分布式水文模型进行产流计算;河道的洪水演进采用水动力模型,包括零维模型、一维水动力学模型、二维水动力学模型,其中一维水动力学模型模拟河道洪水演进过程;二维水动力学模型构建模拟易涝区淹没情况包括淹没水深、淹没范围;同时考虑闸泵站工程对洪水过程影响,构建和求解闸泵站控制工程群多目标联合优化调度模型。
2.如权利要求1所述的适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法,其特征在于,所述步骤3-1-2中的水库群多目标联合优化调度模型,是以调度期间各库前运行最高水位最低和最大削峰准则为目标,以水量平衡、水库水位库容限制、水库泄流能力限制、水库初末库容限制、下游防洪断面流量限制为约束条件的水库联合防洪优化调度模型。
3.如权利要求1所述的适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法,其特征在于,所述步骤3-3中闸泵站控制工程群多目标联合优化调度模型是以平原河网行蓄洪区启用损失最小化和干流主要控制站点最高水位最小化为目标,以防洪控制断面水量平衡、河道堤防安全行洪限制、泵闸边界水力限制、闸开启孔数限制、闸门开启方式限制为约束条件的闸泵站控制工程联合防洪优化调度模型。
4.如权利要求1所述的适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法,其特征在于,所述步骤3-3中水文水动力耦合模型通过区间产汇流模型与干流一维水动力学模型进行耦合、一维水动力学模型之间的耦合,一维水动力学与二维水动力学模型之间的耦合实现水文水动力模型的耦合;其中,区间产汇流模型与干流一维水动力学模型耦合通过将水文模型的产流接入到一维水动力学模型指定的河道断面的方式实现,一维水动力学模型之间的耦合采用节点概化方式实现,一维水动力学与二维水动力学模型之间的耦合采用构建虚拟堰水流联通模型的方式实现。
5.如权利要求1所述的适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法,其特征在于,所述步骤4中“溪流”-“河道”-“河口”分布式洪水模拟模型的率定和验证可选择有代表性的丰水年、平水年及枯水年的区域水情,采用多场次地区实测洪水资料对模型进行检验,利用相应时段融合降雨数据和实测站点数据作为模型的输入,以洪峰流量、洪量、峰现时间、洪水水位、淹没范围作为评价指标进行模型评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111004462.7A CN113723024B (zh) | 2021-08-30 | 2021-08-30 | 一种适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111004462.7A CN113723024B (zh) | 2021-08-30 | 2021-08-30 | 一种适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723024A CN113723024A (zh) | 2021-11-30 |
CN113723024B true CN113723024B (zh) | 2024-04-05 |
Family
ID=78679060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111004462.7A Active CN113723024B (zh) | 2021-08-30 | 2021-08-30 | 一种适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723024B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114611290B (zh) * | 2022-03-11 | 2023-03-10 | 三峡大学 | 一种基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法 |
CN114462322B (zh) * | 2022-04-12 | 2022-07-05 | 长江勘测规划设计研究有限责任公司 | 基于迁移学习机制的流域超标准洪水模拟发生器构建方法 |
CN115563908B (zh) * | 2022-11-10 | 2024-04-23 | 中国长江三峡集团有限公司 | 一种水库洪峰预测方法及装置 |
CN115879326B (zh) * | 2023-02-23 | 2023-05-12 | 湖南大学 | 考虑暴雨时空分异的配电网与流域网应急联动决策方法 |
CN116882851B (zh) * | 2023-09-08 | 2023-11-28 | 浙江远算科技有限公司 | 基于多尺度耦合仿真的水库群防洪***评估方法与设备 |
CN116976227B (zh) * | 2023-09-22 | 2023-12-08 | 河海大学 | 一种基于lstm机器学习的风暴增水预报方法及*** |
CN117332908B (zh) * | 2023-12-01 | 2024-02-13 | 长江水利委员会水文局 | 一种耦合集合预报的梯级水库多目标优化调度方法及*** |
CN117408173B (zh) * | 2023-12-16 | 2024-03-01 | 长江水利委员会水文局长江中游水文水资源勘测局 | 一种基于机器学习的水文流量整编智能模型构建方法 |
CN117852723B (zh) * | 2024-03-04 | 2024-05-28 | 安徽金海迪尔信息技术有限责任公司 | 一种大型水库工程生态调度方案的确定方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007011582A (ja) * | 2005-06-29 | 2007-01-18 | Information & Science Techno-System Co Ltd | 洪水予測システム |
CN102289570A (zh) * | 2011-07-23 | 2011-12-21 | 浙江大学 | 基于降雨-径流-洪水演进计算的洪水预报方法 |
CN108614915A (zh) * | 2018-03-28 | 2018-10-02 | 长江勘测规划设计研究有限责任公司 | 基于情景驱动的水文模型自由组建策略方法 |
CN111159848A (zh) * | 2019-12-04 | 2020-05-15 | 天津大学 | 一种暴雨高水位高潮位极端环境下的洪水风险模拟方法 |
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 |
CN112381285A (zh) * | 2020-11-12 | 2021-02-19 | 中国科学院空天信息创新研究院 | 一种基于遥感的洪涝淹没预测方法 |
CN112507419A (zh) * | 2020-11-19 | 2021-03-16 | 长江勘测规划设计研究有限责任公司 | 无资料、多碍洪构筑物的山区性河流洪水过程模拟方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AR109623A1 (es) * | 2018-02-16 | 2019-01-09 | Pescarmona Enrique Menotti | Proceso y sistema de análisis y gestión hidrológica para cuencas |
-
2021
- 2021-08-30 CN CN202111004462.7A patent/CN113723024B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007011582A (ja) * | 2005-06-29 | 2007-01-18 | Information & Science Techno-System Co Ltd | 洪水予測システム |
CN102289570A (zh) * | 2011-07-23 | 2011-12-21 | 浙江大学 | 基于降雨-径流-洪水演进计算的洪水预报方法 |
CN108614915A (zh) * | 2018-03-28 | 2018-10-02 | 长江勘测规划设计研究有限责任公司 | 基于情景驱动的水文模型自由组建策略方法 |
CN111159848A (zh) * | 2019-12-04 | 2020-05-15 | 天津大学 | 一种暴雨高水位高潮位极端环境下的洪水风险模拟方法 |
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 |
CN112381285A (zh) * | 2020-11-12 | 2021-02-19 | 中国科学院空天信息创新研究院 | 一种基于遥感的洪涝淹没预测方法 |
CN112507419A (zh) * | 2020-11-19 | 2021-03-16 | 长江勘测规划设计研究有限责任公司 | 无资料、多碍洪构筑物的山区性河流洪水过程模拟方法 |
Non-Patent Citations (1)
Title |
---|
基于流溪河模型的中小河流洪水预报方法;陈洋波;覃建明;王幻宇;董礼明;陈华;;水利水电技术;20170720(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113723024A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113723024B (zh) | 一种适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法 | |
CN110298076A (zh) | 一种基于gis和swmm的城市内涝智能建模及分析方法 | |
CN113610264B (zh) | 一种精细化电网台风洪涝灾害预测*** | |
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 | |
CN107832931A (zh) | 一种平原水网地区内涝风险的模块化分析方法 | |
CN106168991A (zh) | 一种基于水动力数值模拟的感潮河网潮位预报方法 | |
CN108269199B (zh) | 一种面向对象的小水库群时空分布式出流计算方法 | |
CN112036093A (zh) | 一种陆面水文耦合模型 | |
CN113505546A (zh) | 一种洪水风险预测*** | |
CN112052545B (zh) | 一种基于元胞自动机的城市地表径流与管网汇流耦合方法 | |
CN114942596B (zh) | 一种城市防洪排水智能控制*** | |
CN108614915A (zh) | 基于情景驱动的水文模型自由组建策略方法 | |
CN110232479A (zh) | 一种城市水库防洪补偿优化调度方法 | |
CN112528563A (zh) | 一种基于svm算法的城市内涝预警方法 | |
CN117236501A (zh) | 地下水资源管理与海水入侵防控方法及*** | |
CN113919125A (zh) | 一种基于区域产汇流耦合模型***的防洪预报调度方法 | |
CN116562448B (zh) | 一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法 | |
Ramachandra et al. | Spatial decision support system for assessing micro, mini and small hydel potential | |
CN116882741A (zh) | 一种超标准洪水灾害动态定量评估方法 | |
CN109299428A (zh) | 应用运动波的水流计算方法及*** | |
CN109446599A (zh) | 应用于大区域水流的计算方法和计算*** | |
CN115859855B (zh) | 基于静水平衡原理的河网汇水域提取方法 | |
Chang et al. | Combination of machine-learning method and sediment transport model to forecast sediment budget in watershed | |
Velasco et al. | Proposed Angat river water impounding and flood mitigation project | |
Son et al. | Inland flooding responses to the inclusion of estuarine discharges in the storm surge modelling |
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 |