CN115169069A - 基于大数据的城市内涝预测方法 - Google Patents

Abstract

本发明涉及内涝防汛技术领域，本发明为基于大数据的城市内涝预测方法，包括以下步骤，收集资料，建立数据库，收集目标城市基础地理信息、水文及洪水资料、社会经济资料、往期内涝灾害资料、构筑物资料以及工程调度资料等，收集历年城市内涝数据，包括历年的降雨预报和实测降雨、内涝时间和空间分布，淹没深度，淹没范围等，建立城市的内涝大数据；模型概化，具体包括区域下垫面的概化、源头设施的概化、管网概化以及河湖概化；参数率定、模拟目标城市模型；建立多模型并耦合；建立水文模型；建立基于大数据算法的城市内涝模型；预警分析；本发明可以实时地、稳定地、精确地模拟出目标城市水流状态，从而给本发明的预测预警提供了坚实的体系支撑。

Description

基于大数据的城市内涝预测方法

技术领域

本发明涉及内涝防汛技术领域，具体为基于大数据的城市内涝预测方法。

背景技术

沿海城市，逢每年7-9月台风暴雨季节，影响城市的台风数量多、频率高、降雨强、影响广，加上城市自身防洪排涝体系不完善，城市内涝时有发生，若恰逢潮汐水位上涨，内涝灾害将更为严重，部分沿海城市三面环山，一面向海，外河受潮位影响顶托内河，极易形成排水不畅导致城市内涝；城市排水管网较多，管道老化，排水标准比较低，部分排水设施不健全，排水***建设滞后也是造成城市内涝的一个重要原因，另外，大量的硬质铺装，如柏油路、水泥路面，降雨时水渗透性不好，不容易入渗，也容易形成这段路面的积水；另外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，而且热岛效应的出现，导致暴雨出现的概率增加，降水集中，同样也容易使城市发生内涝风险，为了有效进行城市内涝风险预测，所以亟需提供出基于大数据的城市内涝预测方法。

发明内容

本发明的目的在于提供基于大数据的城市内涝预测方法，以解决现上述问题，本发明是通过以下技术方案实现的：

本发明为基于大数据的城市内涝预测方法，包括如下步骤：

步骤S1：收集资料，建立数据库，收集目标城市基础地理信息、水文及洪水资料、社会经济资料、往期内涝灾害资料、构筑物资料以及工程调度资料等，收集历年城市内涝数据，包括历年的降雨预报和实测降雨、内涝时间和空间分布，淹没深度，淹没范围等，建立城市的内涝大数据；

步骤S2：模型概化，将模型计算所需相关资料进行模型数字化，具体包括以下四个部分：

区域下垫面的概化，依据目标城市地形特点，以区域路网形成的地块结合排水分区的划分确定基本下垫面模拟单元；

源头设施的概化，根据目标城市实际建设情况和建设类别进行分析，确定建设项目的实际调蓄能力；

管网概化，通过收集到的排水管网的相关资料信息结合实际现场实地勘察对变管径节点、流向改变节点、支管起始和汇入处节点进行保留，对于其余节点结合划分的排水区和管径的长度进行简化，删除部分细小支管，酌情保留或增加节点；

河湖概化，针对目标城市内所有湖体、主要内河、内河闸门以及雨水泵站现状进行分析；

步骤S3：参数率定、模拟目标城市模型，采用人工试错法进行模型参数的率定，并结合S2的概化数据模拟出目标城市的模型；

步骤S4：建立多模型并耦合，分别建立多个模型，并分别进行管网与地表、管网与河道、地面与河道的耦合；

步骤S5，建立水文模型，根据目标城市的降雨量、下渗量、蒸发量、产流以及汇流量等数据构建目标城市的水文模型；

步骤S6，基于大数据算法建立模型，建立基于大数据算法的城市内涝模型，根据降雨预报信息，计算输出城市不同内涝点的淹没水深和淹没历时等信息；

步骤S7，预警分析，进行目标城市模型降雨情景输出，根据不同时段的降雨预报或者不同预警级别的降雨量，基于大数据的城市内涝模型，进行城市内涝预测，为城市内涝预警和应急处置提供支撑，进行目标城市内涝风险预测预警。

优选的：所述S3的模型模拟以及耦合过程使用软件IFMS Urban。

优选的：所述S1的基础地理信息包括等高线、高程点、DEM数据、行政区划、居民点、道路交通、土地利用以及河流水系。

优选的：所述地理信息可通过卫星遥感影像获取，且遥感影像的空间分辨率要求为0.5米以上，至少包括R、G、B三个波段，包括WorldView-2遥感卫星数据、中国高景一号遥感卫星数据。

优选的：所述S4的耦合算法包括垂向耦合算法和水平耦合算法。

优选的：所述S3的模型率定常用的误差指标有Nash-Sutcliffe效率系数 (纳什效率系数)和相关参数两种，本发明采用纳什效率系数作为模型参数率定的评价指标，纳什效率系数的计算公式如下：

式中：Q0(t)—在t时刻实测值；

Qm(t)—在t时刻模拟值；

—实测值的平均值；

T—时间序列长度，其中ENS的取值范围：-∞＜ENS＜1，ENS 值越接近于1，曲线吻合程度越高。

与现有技术相比，本发明的有益效果是：

通过借助卫星遥感技术获取目标城市基础地理信息等，借助IFMS Urban 模拟出目标城市各模型，其中分别将管网与地表、管网与河道、地面与河道进行耦合，同时建立基于大数据算法的模型，输出目标城市模型降雨情景，获取管网***排水数据以及地表溢流数据并进行目标城市内涝预警分析，通过云端实时获取目标城市短期降雨量，从而进行目标城市降雨模拟过程，从而进行预测预警分析，其中耦合算法包括水平耦合和垂向耦合，且水平耦合包括侧向耦合和正向耦合，通过将不同模型进行耦合，模型之间有机地整合在一起，使本发明可以实时地、稳定地、精确地模拟出目标城市水流状态，从而给本发明的预测预警提供了坚实的体系支撑。

附图说明

图1为本发明福州晋安站不同重现期的24小时雨型图；

图2为本发明10年一遇设计降雨内涝风险分布图；

图3为本发明20年一遇设计降雨内涝风险分布图；

图4为本发明30年一遇设计降雨内涝风险分布图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明基于大数据的城市内涝预测方法，包括如下步骤：

步骤S1：收集资料，建立数据库，收集目标城市基础地理信息、水文及洪水资料、社会经济资料、往期内涝灾害资料、构筑物资料以及工程调度资料等，收集历年城市内涝数据，包括历年的降雨预报和实测降雨、内涝时间和空间分布，淹没深度，淹没范围等，建立城市的内涝大数据；

步骤S2：模型概化，将模型计算所需相关资料进行模型数字化，具体包括以下四个部分：

区域下垫面的概化，依据目标城市地形特点，以区域路网形成的地块结合排水分区的划分确定基本下垫面模拟单元；

源头设施的概化，根据目标城市实际建设情况和建设类别进行分析，确定建设项目的实际调蓄能力；

管网概化，通过收集到的排水管网的相关资料信息结合实际现场实地勘察对变管径节点、流向改变节点、支管起始和汇入处节点进行保留，对于其余节点结合划分的排水区和管径的长度进行简化，删除部分细小支管，酌情保留或增加节点；

河湖概化，针对目标城市内所有湖体、主要内河、内河闸门以及雨水泵站现状进行分析；

步骤S3：参数率定、模拟目标城市模型，采用人工试错法进行模型参数的率定，并结合S2的概化数据模拟出目标城市的模型，模型参数主要包括产流过程参数、汇流过程参数以及水质过程参数；

步骤S4：建立多模型并耦合，分别建立多个模型，并分别进行管网与地表、管网与河道、地面与河道的耦合；

步骤S5，建立水文模型，根据目标城市的降雨量、下渗量、蒸发量、产流以及汇流量等数据构建目标城市的水文模型；

步骤S6，基于大数据算法建立城市内涝模型，建立基于大数据算法的城市内涝模型，根据降雨预报信息，计算输出城市不同内涝点的淹没水深和淹没历时等信息；

步骤S7，预警分析，进行目标城市模型降雨情景输出，根据不同时段的降雨预报或者不同预警级别的降雨量，基于大数据的城市内涝模型，进行城市内涝预测，为城市内涝预警和应急处置提供支撑，进行目标城市内涝风险预测预警。

S3的模型率定常用的误差指标有Nash-Sutcliffe效率系数(纳什效率系数)和相关参数两种，本发明采用纳什效率系数作为模型参数率定的评价指标，纳什效率系数的计算公式如下：

式中：Q0(t)—在t时刻实测值；

Qm(t)—在t时刻模拟值；

—实测值的平均值；

T—时间序列长度，其中ENS的取值范围：-∞＜ENS＜1，ENS 值越接近于1，曲线吻合程度越高。

福州市地处闽江下游的入海口，城市内涝时有发生，若恰逢闽江高潮水位，内涝灾害将更为严重，福州市目前易内涝的原因主要为三面环山，一面向海，外河受潮位影响顶托内河，极易形成排水不畅导致城市内涝，本发明以福州为例，输出不同降雨情境下，福州城市内涝风险分布。

实施例

如图1福州晋安站不同重现期的24小时雨型所示，依据福州不同重现期的2h-24h设计降雨雨型，在模型中进行不同降雨的输入，进行模拟，可以得到模型模拟步长为1s的(1a、2a、3a、5a、10a、20a、50a、100a)降雨下的地表产汇流、管网汇流、地表径流淹没数据。

依据不同重现期降雨情景的模拟结果，模型可以输出管网***排水能力分布数据，主要包括管段充满度分布和管网***节点溢流分布，通过模拟计算并统计最大值计算结果，按照管道计算的超载情况提取各情景(1a、2a、3a、5a、10a、20a、50a、100a)的管道充满度结果数据以及节点溢流量结果数据。

根据模型模拟结果，提取地表二维淹没计算结果数据，主要为每个二维网格的淹没深度，通过模拟计算并统计最大值计算结果，按照地表二维计算情况提取各情景(1a、2a、3a、5a、10a、20a、50a、100a)的地表二维网格淹没水深结果数据作为内涝积水风险图绘制的数据支撑。

内涝防治效果评估，经过对降雨情况、管网***排水情况及地表溢流情况的分析，模型可结合防涝平台给出内涝防治效果评估，福州市内涝风险评估的计算过程是在排水管网模型和下垫面分析的基础上结合福州市的内涝防治标准，选择10年、20年、30年一遇设计降雨对试点区内涝淹没情况进行模拟计算，根据模拟计算结果对内涝风险分布进行统计，其结果如图2-4所示。

根据不同暴雨重现期下降雨模型分析结果，结合城市地表积水时间和积水深度，内涝风险评估采用双因子评估方法，将内涝风险总体划分为三类：内涝低风险区、内涝中风险区和内涝高风险区，内涝风险划分标准见下表。

以上内容是结合具体实施方式对本发明作进一步详细说明，不能认定本发明具体实施只局限于这些说明，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明的构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明所提交的权利要求书确定的保护范围。

Claims (6)

1.基于大数据的城市内涝预测方法，其特征在于，包括如下步骤：

步骤S1：收集资料，建立数据库，收集目标城市基础地理信息、水文及洪水资料、社会经济资料、往期内涝灾害资料、构筑物资料以及工程调度资料等，收集历年城市内涝数据，包括历年的降雨预报和实测降雨、内涝时间和空间分布，淹没深度，淹没范围等，建立城市的内涝大数据；

步骤S2：模型概化，将模型计算所需相关资料进行模型数字化，具体包括以下四个部分：

区域下垫面的概化，依据目标城市地形特点，以区域路网形成的地块结合排水分区的划分确定基本下垫面模拟单元；

源头设施的概化，根据目标城市实际建设情况和建设类别进行分析，确定建设项目的实际调蓄能力；

管网概化，通过收集到的排水管网的相关资料信息结合实际现场实地勘察对变管径节点、流向改变节点、支管起始和汇入处节点进行保留，对于其余节点结合划分的排水区和管径的长度进行简化，删除部分细小支管，酌情保留或增加节点；

河湖概化，针对目标城市内所有湖体、主要内河、内河闸门以及雨水泵站现状进行分析；

步骤S3：参数率定、模拟目标城市模型，采用人工试错法进行模型参数的率定，并结合S2的概化数据模拟出目标城市的模型；

步骤S4：建立多模型并耦合，分别建立多个模型，并分别进行管网与地表、管网与河道、地面与河道的耦合；

步骤S5，建立水文模型，根据目标城市的降雨量、下渗量、蒸发量等数据构建目标城市的水文模型；

步骤S6，基于大数据算法建立模型，建立基于大数据算法的城市内涝模型，根据降雨预报信息，计算输出城市不同内涝点的淹没水深和淹没历时等信息；

步骤S7，预警分析，进行目标城市模型降雨情景输出，根据不同时段的降雨预报或者不同预警级别的降雨量，基于大数据的城市内涝模型，进行城市内涝预测，为城市内涝预警和应急处置提供支撑，进行目标城市内涝风险预测预警。

2.根据权利要求1所述的基于大数据的城市内涝预测方法，其特征在于：所述S3的模型模拟以及耦合过程使用软件IFMS Urban。

3.根据权利要求1所述的基于大数据的城市内涝预测方法，其特征在于：所述S1的基础地理信息包括等高线、高程点、DEM数据、行政区划、居民点、道路交通、土地利用以及河流水系。

4.根据权利要求3所述的基于大数据的城市内涝预测方法，其特征在于：所述地理信息可通过卫星遥感影像获取，且遥感影像的空间分辨率要求为0.5米以上，至少包括R、G、B三个波段，包括WorldView-2遥感卫星数据、中国高景一号遥感卫星数据。

5.根据权利要求1所述的基于大数据的城市内涝预测方法，其特征在于：所述S4的耦合算法包括垂向耦合算法水平耦合算法。

6.根据权利要求1所述的基于大数据的城市内涝预测方法，其特征在于：所述S3的模型率定常用的误差指标有Nash-Sutcliffe效率系数(纳什效率系数)和相关参数两种，本发明采用纳什效率系数作为模型参数率定的评价指标，纳什效率系数的计算公式如下：

式中：Q0(t)—在t时刻实测值；

Qm(t)—在t时刻模拟值；

—实测值的平均值；

T—时间序列长度，其中ENS的取值范围：-∞＜ENS＜1，ENS值越接近于1，曲线吻合程度越高。

Images