CN115330239A - 基于swmm模型的农业面源污染风险评估关键源区识别方法 - Google Patents

基于swmm模型的农业面源污染风险评估关键源区识别方法 Download PDF

Info

Publication number
CN115330239A
CN115330239A CN202211020694.6A CN202211020694A CN115330239A CN 115330239 A CN115330239 A CN 115330239A CN 202211020694 A CN202211020694 A CN 202211020694A CN 115330239 A CN115330239 A CN 115330239A
Authority
CN
China
Prior art keywords
factor
area
sub
calculating
swmm
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
CN202211020694.6A
Other languages
English (en)
Inventor
赵起超
曹淑钧
金永涛
方小云
杨秀峰
段龙方
檀海兵
赵龙海
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.)
Aolai Guoxin Beijing Testing & Detection Technology Co ltd
North China Institute of Aerospace Engineering
Original Assignee
Aolai Guoxin Beijing Testing & Detection Technology Co ltd
North China Institute of Aerospace Engineering
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 Aolai Guoxin Beijing Testing & Detection Technology Co ltd, North China Institute of Aerospace Engineering filed Critical Aolai Guoxin Beijing Testing & Detection Technology Co ltd
Priority to CN202211020694.6A priority Critical patent/CN115330239A/zh
Publication of CN115330239A publication Critical patent/CN115330239A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—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
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Multimedia (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于SWMM模型的农业面源污染风险评估关键源区识别方法，包括如下步骤：对高分辨率遥感影像进行预处理并对土地利用进行分类操作；采用数字高程数据进行水文分析，确定流域范围，并划分子流域；SWMM模型构建，主要包括流域概化、建立模型雨量站属性、子汇水区属性、管渠属性、土地利用属性、污染物属性；计算单位面积总氮因子、总磷因子、总化学需氧量因子以及降雨径流因子；计算风险指数，采用自然间断点分级法进行分级，识别关键源区。所述方法能够有效识别关键源区，且方法更简单，速度更快。

Description

基于SWMM模型的农业面源污染风险评估关键源区识别方法
技术领域
本发明涉及农业面源污染风险评估技术领域，尤其涉及一种基于SWMM模型的农业面源污染风险评估关键源区识别方法。
背景技术
农业面源污染量大、面广、空间差异性大等特点，不能像点源那样得到集中处置与管理，治理的难度和代价要更高。随着地理信息***和技术的快速发展，多学科交叉研究成了研究农业面源污染的热点，将技术和农业面源污染研究相结合，定量研究农业面源污染的污染物负荷的空间分布和潜在的风险分布，根据农业面源污染的风险因子确定农业面源污染控制的关键区域，开展分级分区管理，这样可以提高农业面源污染管理的效率，推进农业环境保护工作。
当前农业面源污染风险评价方法有输出系数法、面源污染定量模型法、指标体系法。输出系数法结构简单，所需要收集资料较少，可直接评估面源污染物的负荷量，但是在区域尺度上需要大量实测资料。面源污染定量模型主要有SWAT模型、GWLF模型和HSPF模型等，需要参数较多，区域差异性大，在农业方面的数据积累不够丰富，增加了地面基础信息的获取难度。指标体系法可综合分析影响农业面源污染物流失的主要因子，有更好的适应性，能够为农业面源污染风险提供一个更为合理的评价框架，灵活性较强。但多因子评价法未考虑因子选取不全面，污染源分类少等问题。
尽管国内外学者对面源污染问题开展了广泛深入的研究，并取得显著成果，但其形成、迁移、转化以及产生负荷的过程机理研究还不完全清楚，没有集中统一的面源污染评价指标、定量化评价方法，仍不能满足不同类型区域农业面源污染的需求。目前多采用SWAT模型进行面源污染负荷模拟，进而识别关键源区，但SWAT模型参数需求较多，数据要求精度更高，获取难度较大。SWMM模型于20世纪70年代由美国环保署推出，常被用来预测管网淤积、管网污水污染源探测、洪涝灾害分析领域，Pathirana等以巴西案例为研究，通过开发二维排水模型与SWMM实现1-D/2-D耦合来用于评估城市排水网络优化规划中的洪水灾害成本。马俊花等应用某小区合流制排水管网进行SWMM模拟找出其主要溢流瓶颈节点，对管网优化后二次模拟证实优化改造有效性。还未曾有学者研究将SWMM模型应用于面源污染风险评价中。
发明内容
本发明所要解决的技术问题是如何提供一种能够有效识别关键源区，且方法更简单，速度更快的农业面源污染风险评估关键源区识别方法。
为解决上述技术问题，本发明所采取的技术方案是：一种基于SWMM模型的农业面源污染风险评估关键源区识别方法，其特征在于包括如下步骤：
对高分辨率遥感影像进行预处理并对土地利用进行分类操作；
采用数字高程数据进行水文分析，确定流域范围，并划分子流域；
SWMM模型构建，主要包括流域概化、建立模型雨量站属性、子汇水区属性、管渠属性、土地利用属性、污染物属性；
计算单位面积总氮因子、总磷因子、总化学需氧量因子以及降雨径流因子；
计算风险指数，采用自然间断点分级法进行分级，识别关键源区。
进一步的技术方案在于，所述步骤SWMM模型构建的步骤中：
ArcGIS和SWMM之间没有直接的数据接口，SWMM模型输入数据需要.inp文件，而ArcGIS生成文件为.shp文件，所以SWMM不能直接获取ArcGIS图层数据，二者数据需要一个数据格式的转换，由.shp转换为.inp，才能将.shp文件中的图层分析数据转化为.inp文件格式在SWMM中体现，进而进行模型构建；
流域范围内设置同一降雨时间序列：将河网概化为SWMM模型中的管渠，在河道流入点、流出点、河道交汇处和断面发生突变的地方设置节点，将汇入泾河处的节点设置为SWMM模型中流域的排出口；
在利用GIS划分的子流域的基础上，结合流域内河网分布、地面地形和土地利用类型进一步划分子汇水区，每个子汇水区的径流量指定一个出流节点或者流出到其他子汇水区；
根据流域土地利用类型，在子汇水区内剔除水域部分，将其划分为林地、耕地、草地、裸地和居住区五大类，对每一种土地利用类型分别设置相应的污染物累计函数和冲刷函数。
进一步的技术方案在于，所述步骤计算单位面积总氮因子、总磷因子、总化学需氧量因子以及降雨径流因子的具体方法包括：
以总氮负荷与子流域面积之比计算单位面积总氮因子值，进行标准化量纲处理，公式如下式(1)：
Figure BDA0003813916040000031
式(1)中，Qi是评价因子的第i级的标准化值；xi是评价因子第i级编码值；xmax是评价因子第大编码值；xmin是评价因子第小编码值。
2)以总磷负荷与子流域面积之比计算单位面积总磷因子值，进行标准化量纲处理。
3)以总化学需氧量负荷与子流域面积之比计算单位面积总化学需氧量因子值，进行标准化量纲处理。
4)以最大重现期的降雨径流量作为降雨径流因子值，进行标准化量纲处理。
进一步的技术方案在于，所述步骤计算风险指数，采用自然间断点分级法进行分级，识别关键源区的具体方法包括：
根据专家打分法对选取面源污染风险评估模型因子赋予权重；
计算风险评价指数PNPI，采用自然间断点分级法Jenks进行风险分级，分为五个等级，确定关键源区，按下式(2)计算风险评价指数：
Figure BDA0003813916040000032
式(2)中，PNPI表示面源污染风险指数；Pi表示第i个评价指标；Wi表示第i种评级指标的权重。
采用上述技术方案所产生的有益效果在于：本发明通过使用参数需求较少的SWMM模型并结合风险指数法进行分级，有效识别关键源区，方法更简单，能够快速分析研究单元的面源污染情况，进行风险评估，识别关键源区。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例所述方法的流程图。
具体实施方式
下面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的一部分实施例，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。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
总体的，如图1所示，本发明实施例公开了一种基于SWMM模型的农业面源污染风险评估关键源区识别方法，包括以下步骤：
步骤S1，对高分辨率遥感影像进行预处理并对土地利用进行分类操作；
步骤S2，采用数字高程数据进行水文分析，确定流域范围，并划分子流域；
步骤S3，SWMM模型构建，主要包括流域概化、建立模型雨量站属性、子汇水区属性、管渠属性、土地利用属性、污染物属性；
步骤S4，计算单位面积总氮因子、总磷因子、总化学需氧量因子、降雨径流因子；
步骤S5，计算风险指数，采用自然间断点分级法(Jenks)进行分级，识别关键源区。
进一步的，所述步骤S1具体包括如下步骤：
S1-1)对高分辨率影像辐射定标得到地表反射率影像；
S1-2)对辐射定标后的地表反射率影像进行大气校正；
S1-3)采用影像自带的.rpb文件对遥感影像进行正射校正操作；
S1-4)采用数据融合方法对高分辨率的多光谱影像和全色影像进行融合处理；
S1-5)采用流域范围矢量文件对融合影像进行裁剪操作；
S1-6)对裁剪后影像进行土地利用分类，分为水域、耕地、裸地、居民区、林地、草地六类。
进一步的，所述步骤S2具体包括如下步骤：
S2-1)对数字高程数据进行填洼处理，减少其他洼地及数据精度产生的假洼地对水流方向的计算影响，保障栅格流向计算的稳定性；
S2-2)对填洼处理后的数字高程数据进行流向计算，利用流向分析工具输出区域的流向栅格数据图；
S2-3)根据水流方向计算各格网处的汇流量。在确定了各格网处的流向的基础上，计算汇流入每个格网的上游格网数，即汇流量；
S2-4)对汇流量栅格进行重分类和筛选，以汇流面积为15000个格网为阈值提取河网；
S2-5)根据流量栅格图识别的河道，确定出流点位置，采用分水岭算法划分流域范围；
S2-6)以河网交汇点作为节点，采用分水岭算法，以河网数据和汇流量栅格作为数据输入划分子流域。
进一步的，所述步骤S3具体包括如下步骤：
S3-1)ArcGIS和SWMM之间没有直接的数据接口，SWMM模型输入数据需要.inp文件，而ArcGIS生成文件为.shp文件，所以SWMM不能直接获取ArcGIS图层数据，二者数据需要一个数据格式的转换，由.shp转换为.inp，才能将.shp文件中的图层分析数据转化为.inp文件格式在SWMM中体现，进而进行模型构建；
S3-2)流域范围内设置同一降雨时间序列。将河网概化为SWMM模型中的管渠，在河道流入点、流出点、河道交汇处和断面发生突变的地方设置节点，将汇入泾河处的节点设置为SWMM模型中流域的排出口；
S3-3)在利用GIS划分的子流域的基础上，结合流域内河网分布、地面地形和土地利用类型进一步划分子汇水区，每个子汇水区的径流量指定一个出流节点或者流出到其他子汇水区；
S3-4)根据流域土地利用类型，在子汇水区内剔除水域部分，将其划分为林地、耕地、草地、裸地和居住区五大类，对每一种土地利用类型分别设置相应的污染物累计函数和冲刷函数。
进一步的，所述步骤S4具体包括如下步骤：
S4-1)以总氮负荷与子流域面积之比计算单位面积总氮因子值，进行标准化量纲处理，公式如下式(1)：
Figure BDA0003813916040000061
式(1)中，Qi是评价因子的第i级的标准化值；Xi是评价因子第i级编码值；Xmax是评价因子第大编码值；Xmin是评价因子第小编码值。
S4-2)以总磷负荷与子流域面积之比计算单位面积总磷因子值，进行标准化量纲处理。
S4-3)以总化学需氧量负荷与子流域面积之比计算单位面积总化学需氧量因子值，进行标准化量纲处理。
S4-4)以最大重现期的降雨径流量作为降雨径流因子值，进行标准化量纲处理。
进一步的，所述步骤S5中具体包括
S5-1)根据专家打分法对选取面源污染风险评估模型因子赋予权重；
S5-2)计算风险评价指数(PNPI)，采用自然间断点分级法(Jenks)进行风险分级，分为五个等级，确定关键源区，按下式(2)计算风险评价指数：
Figure BDA0003813916040000062
式(2)中，PNPI表示面源污染风险指数；Pi表示第i个评价指标；Wi表示第i种评级指标的权重。
综上，本发明所述方法运用SWMM模型估算面源污染污染物负荷结合多因子综合评价法与面源污染风险指数法(PNPI)进行面源污染风险评估，识别关键源区，方法更简单，能够快速分析研究单元的面源污染情况，进行风险评估，识别关键源区。

Claims (6)

1.一种基于SWMM模型的农业面源污染风险评估关键源区识别方法，其特征在于包括如下步骤：
对高分辨率遥感影像进行预处理并对土地利用进行分类操作；
采用数字高程数据进行水文分析，确定流域范围，并划分子流域；
SWMM模型构建，主要包括流域概化、建立模型雨量站属性、子汇水区属性、管渠属性、土地利用属性、污染物属性；
计算单位面积总氮因子、总磷因子、总化学需氧量因子以及降雨径流因子；
计算风险指数，采用自然间断点分级法进行分级，识别关键源区。
2.如权利要求1所述的基于SWMM模型的农业面源污染风险评估关键源区识别方法，其特征在于所述步骤对高分辨率遥感影像进行预处理并对土地利用进行分类操作的具体方法如下:
对高分辨率影像辐射定标得到地表反射率影像；
对辐射定标后的地表反射率影像进行大气校正；
采用影像自带的.rpb文件对遥感影像进行正射校正操作；
采用数据融合方法对高分辨率的多光谱影像和全色影像进行融合处理；
采用流域范围矢量文件对融合影像进行裁剪操作；
对裁剪后影像进行土地利用分类，分为水域、耕地、裸地、居民区、林地、草地六类。
3.如权利要求1所述的基于SWMM模型的农业面源污染风险评估关键源区识别方法，其特征在于所述步骤采用数字高程数据进行水文分析，确定流域范围，并划分子流域的具体方法如下：
对数字高程数据进行填洼处理；
对填洼处理后的数字高程数据进行流向计算，利用流向分析工具输出区域的流向栅格数据图；
根据水流方向计算各格网处的汇流量，在确定了各格网处的流向的基础上，计算汇流入每个格网的上游格网数，即汇流量；
对汇流量栅格进行重分类和筛选，以汇流面积为15000个格网为阈值提取河网；
根据流量栅格图识别的河道，确定出流点位置，采用分水岭算法划分流域范围；
以河网交汇点作为节点，采用分水岭算法，以河网数据和汇流量栅格作为数据输入划分子流域。
4.如权利要求1所述的基于SWMM模型的农业面源污染风险评估关键源区识别方法，其特征在于所述步骤SWMM模型构建的步骤中：
ArcGIS和SWMM之间没有直接的数据接口，SWMM模型输入数据需要.inp文件，而ArcGIS生成文件为.shp文件，所以SWMM不能直接获取ArcGIS图层数据，二者数据需要一个数据格式的转换，由.shp转换为.inp，才能将.shp文件中的图层分析数据转化为.inp文件格式在SWMM中体现，进而进行模型构建；
流域范围内设置同一降雨时间序列：将河网概化为SWMM模型中的管渠，在河道流入点、流出点、河道交汇处和断面发生突变的地方设置节点，将汇入泾河处的节点设置为SWMM模型中流域的排出口；
在利用GIS划分的子流域的基础上，结合流域内河网分布、地面地形和土地利用类型进一步划分子汇水区，每个子汇水区的径流量指定一个出流节点或者流出到其他子汇水区；
根据流域土地利用类型，在子汇水区内剔除水域部分，将其划分为林地、耕地、草地、裸地和居住区五大类，对每一种土地利用类型分别设置相应的污染物累计函数和冲刷函数。
5.如权利要求1所述的基于SWMM模型的农业面源污染风险评估关键源区识别方法，其特征在于所述步骤计算单位面积总氮因子、总磷因子、总化学需氧量因子以及降雨径流因子的具体方法包括：
以总氮负荷与子流域面积之比计算单位面积总氮因子值，进行标准化量纲处理，公式如下式(1)：
Figure FDA0003813916030000021
式(1)中，Qi是评价因子的第i级的标准化值；xi是评价因子第i级编码值；xmax是评价因子第大编码值；xmin是评价因子第小编码值。
2)以总磷负荷与子流域面积之比计算单位面积总磷因子值，进行标准化量纲处理。
3)以总化学需氧量负荷与子流域面积之比计算单位面积总化学需氧量因子值，进行标准化量纲处理。
4)以最大重现期的降雨径流量作为降雨径流因子值，进行标准化量纲处理。
6.如权利要求1所述的基于SWMM模型的农业面源污染风险评估关键源区识别方法，其特征在于所述步骤计算风险指数，采用自然间断点分级法进行分级，识别关键源区的具体方法包括：
根据专家打分法对选取面源污染风险评估模型因子赋予权重；
计算风险评价指数PNPI，采用自然间断点分级法Jenks进行风险分级，分为五个等级，确定关键源区，按下式(2)计算风险评价指数：
Figure FDA0003813916030000031
式(2)中，PNPI表示面源污染风险指数；Pi表示第i个评价指标；Wi表示第i种评级指标的权重。
CN202211020694.6A 2022-08-24 2022-08-24 基于swmm模型的农业面源污染风险评估关键源区识别方法 Pending CN115330239A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211020694.6A CN115330239A (zh) 2022-08-24 2022-08-24 基于swmm模型的农业面源污染风险评估关键源区识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211020694.6A CN115330239A (zh) 2022-08-24 2022-08-24 基于swmm模型的农业面源污染风险评估关键源区识别方法

Publications (1)

Publication Number Publication Date
CN115330239A true CN115330239A (zh) 2022-11-11

Family

ID=83925301

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211020694.6A Pending CN115330239A (zh) 2022-08-24 2022-08-24 基于swmm模型的农业面源污染风险评估关键源区识别方法

Country Status (1)

Country Link
CN (1) CN115330239A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116384630A (zh) * 2023-03-31 2023-07-04 西北农林科技大学 基于机理模型的交汇区农业面源污染负荷估算方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116384630A (zh) * 2023-03-31 2023-07-04 西北农林科技大学 基于机理模型的交汇区农业面源污染负荷估算方法
CN116384630B (zh) * 2023-03-31 2024-01-23 西北农林科技大学 基于机理模型的交汇区农业面源污染负荷估算方法

Similar Documents

Publication Publication Date Title
CN116070918B (zh) 一种城市洪涝安全评估及洪涝灾害防治方法
CN112182234A (zh) 流域防洪规划数据知识图谱构建方法
CN111414671A (zh) 小流域暴雨推求洪水的方法
CN109271465A (zh) 一种基于云计算的水文数据分析及展示方法
CN114841601A (zh) 一种排口水污染动态溯源分析方法及***
CN115330239A (zh) 基于swmm模型的农业面源污染风险评估关键源区识别方法
CN114462254A (zh) 基于流向的分布式水文模型并行计算方法
CN114169266A (zh) 一种河流污染源解析和污染物运移计算方法及***
Gourbesville et al. Decision support system architecture for real-time water management
CN117012004B (zh) 一种城市内涝风险预警方法及***
Liu et al. Urban waterlogging control: A novel method to urban drainage pipes reconstruction, systematic and automated
CN112287613A (zh) 针对流域水环境控制断面的污染物削减方法
Chen et al. Development and application of a multi-centre cloud platform architecture for water environment management
CN116523189A (zh) 一种考虑水文特征的墒情站点规划方法、装置及存储介质
Wang et al. Growth diffusion-limited aggregation for basin fractal river network evolution model
Gautam Flow routing with Semi-distributed hydrological model HEC-HMS in case of Narayani River Basin.
CN112580131A (zh) 一种基于gis和swmm模型子汇水区快速搜索连接方法
Li et al. High-Resolution Flood Numerical Model and Dijkstra Algorithm Based Risk Avoidance Routes Planning
Kherde et al. Integrating Geographical Information Systems (GIS) with Hydrological Modelling—Applicability and Limitations
Brakebill et al. A hydrologic network supporting spatially referenced regression modeling in the Chesapeake Bay watershed
Zhang et al. Intelligent flood disaster forecasting based on improved neural network algorithm
Vergnes et al. Assessing climate change impact on French groundwater resources using a spatially distributed hydrogeological model
Yan et al. Mapping runoff based on hydro-stochastic approach for the Huaihe River Basin, China
CN116341910A (zh) 一种多模型耦合的洪水风险评估方法
Wei et al. Integrated Decision Support System for Sponge City Management: A Case Study of the National Demonstration Area of Guangming District, Shenzhen

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