CN115358650B - 一种洪涝灾害应急避险与物资实时调配方法 - Google Patents

一种洪涝灾害应急避险与物资实时调配方法 Download PDF

Info

Publication number
CN115358650B
CN115358650B CN202211303256.0A CN202211303256A CN115358650B CN 115358650 B CN115358650 B CN 115358650B CN 202211303256 A CN202211303256 A CN 202211303256A CN 115358650 B CN115358650 B CN 115358650B
Authority
CN
China
Prior art keywords
data
flood
model
time
generating
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
Application number
CN202211303256.0A
Other languages
English (en)
Other versions
CN115358650A (zh
Inventor
张炜
杨芳
张印
王汉岗
余顺超
李文
徐嫣
区文达
杨滨
丁武
胡豫英
张雪
谢滨绮
黄鹏飞
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.)
Pearl River Hydraulic Research Institute of PRWRC
Original Assignee
Pearl River Hydraulic Research Institute of PRWRC
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 Pearl River Hydraulic Research Institute of PRWRC filed Critical Pearl River Hydraulic Research Institute of PRWRC
Priority to CN202211303256.0A priority Critical patent/CN115358650B/zh
Publication of CN115358650A publication Critical patent/CN115358650A/zh
Application granted granted Critical
Publication of CN115358650B publication Critical patent/CN115358650B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06F2111/10—Numerical modelling
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Geometry (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Physics (AREA)
  • Alarm Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及智能决策技术领域，尤其涉及一种洪涝灾害应急避险与物资实时调配方法。所述方法包括以下步骤：获取原始采样数据；构建洪涝模拟模型；根据洪涝模拟模型生成洪涝动态模拟过程数据；根据洪涝动态模拟过程数据生成最大洪涝淹没水深栅格图；根据最大洪涝淹没水深栅格图构建洪涝淹没快速智能预测模型，并生成洪涝淹没模拟过程数据；根据洪涝淹没模拟过程数据生成受灾数据；根据受灾数据生成避险转移实时数据与调度决策数据；根据避险转移实时分析与调度决策分析构建物资调配模型，并根据物资调配模型生成物资调配实时数据与调度决策数据；本发明以洪涝模拟‑洪涝实时预测‑避险转移分析‑物资调配分析为核心技术流程，支撑洪涝应急防汛决策。

Description

一种洪涝灾害应急避险与物资实时调配方法
技术领域
本发明涉及智能决策技术领域，尤其涉及一种洪涝灾害应急避险与物资实时调配方法。
背景技术
洪涝灾害是我国最常见的自然灾害之一。综合提升洪涝灾害的防灾减灾救灾能力，是水安全保障重点建设任务。洪涝影响区的人员应急避险、应急物资调配是保障人民生命财产安全的重要非工程措施。传统的避险转移或物资调配多是静态的，根据的灾害影响包络范围，提前规划编制避险安置预案、物资安置预案、物资调配预案。
在实际应用时，静态预案由于缺乏灾害动态发展过程及供需因素考虑，指导效益有限，应用效果不佳。本发明结合基于水动力的洪涝预报模型、受灾区域避险转移模型、物资需求预测与调配模型，综合实现了洪涝受灾态势的实时模拟与研判，实现了预报受灾情景下避险转移与物资调配的实时化、动态化分析。技术成果为各类洪涝灾害应急决策场景提供有力技术支撑，并具有广泛实践意义。
发明内容
本发明为解决上述技术问题，提出一种洪涝灾害应急避险与物资实时调配方法；
在本发明的一个实施例中，包括以下步骤：
步骤S1：获取原始采样数据，并根据原始采样数据构建基础模型数据集，其中基础模型数据集包括一维河涌模型、二维地表模型以及地下管网排水模型；
步骤S2：根据基础模型数据集构建洪涝模拟模型；
步骤S3：根据洪涝模拟模型生成洪涝动态模拟过程数据；
步骤S4：根据洪涝动态模拟过程数据生成最大洪涝淹没水深栅格图；
步骤S5：根据最大洪涝淹没水深栅格图构建洪涝淹没快速智能预测模型，并根据洪涝淹没快速智能预测模型生成洪涝淹没模拟过程数据；
步骤S6：根据洪涝淹没模拟过程数据生成受灾数据；
步骤S7：根据受灾数据生成避险转移实时数据与调度决策数据；
步骤S8：根据避险转移实时分析与调度决策分析构建物资调配模型，并根据物资调配模型生成物资调配实时数据与调度决策数据，以执行物资调配。
本发明通过采集原始采样数据并根据原始采样数据进行分析构建基础模型数据集；根据基础模型数据集构建洪涝动态模拟过程数据；根据洪涝模拟模型生成洪涝动态模拟过程数据；根据洪涝动态模拟过程数据生成最大洪涝淹没水深栅格图；根据最大洪涝淹没水深栅格图构建洪涝淹没快速智能预测模型，并根据洪涝淹没快速智能预测模型生成洪涝淹没模拟过程数据；根据洪涝淹没模拟过程数据生成受灾数据；根据受灾数据生成避险转移实时分析与调度决策；根据避险转移实时分析与调度决策分析构建物资调配模型，并根据物资调配模型生成物资调配实时分析与调度决策，为发生洪涝灾害时，洪涝灾害应急避险调度决策以及物资调配提供技术支持，以提供高效、便捷的灾区救援。
在本发明的一个实施例中，步骤S1具体为：
获取原始采样数据，其中原始采样数据包括位置信息、基础地理信息数据、水工构筑物基础资料与调度方案数据、水文与历史灾害数据以及城市雨水管网数据，基础地理信息数据包括河流水系数据、河道地形数据、地表地形数据以及土地利用数据，土地利用数据包括房屋数据、道路数据以及铁路数据，水工构筑物基础资料与调度方案数据包括水闸数据、泵站数据、堤防数据、涵洞数据以及水利枢纽数据，水文与历史灾害资料包括历史实测降雨数据、历史洪涝淹没水位数据以及历史洪涝淹没范围数据，城市雨水管网数据包括管网数据以及排水口数据；
根据位置信息、地表地形数据、土地利用数据分析，采用综合单位线方法并进行产汇流计算，从而构建非建成区水文模型；
根据河流水系数据、河道地形数据以及水工构筑物基础资料与调度方案数据生成河网拓扑关系数据、河涌断面赋值数据、闸坝水工建筑物参数和调度规程数据；
根据河网拓扑关系数据、河涌断面赋值数据、闸坝水工建筑物参数和调度规程数据进行分析，从而构建一维河涌模型；
对地表地形数据进行不规则网格剖分，生成不规则网格地表地形数据；
将不规则网格地表地形数据、地表地形数据、道路数据、铁路数据、水闸数据、泵站数据、堤防数据以及水利枢纽数据进行加密网格，生成中间二维地表模型；
根据中间二维地表模型、位置信息、房屋数据、道路数据、堤防数据以及涵洞数据构建二维地表模型；
根据管网数据、排水口数据以及泵站数据构建地下管网排水模型；
本实施例通过根据基础地理信息数据分析构建非建成区水文模型、根据基础地理信息数据、水工构筑物基础资料与调度数据分析构建一维河涌模型、根据地表地形数据、水工构筑物基础资料与调度方案数据分析构建二维地表模型，根据城市雨水管网数据分析构建地下管网排水模型，从而实现根据多源多类型的原始采样数据构建基础模型数据集，为下一步构建洪涝模拟模型做好前提准备。
在本发明的一个实施例中，步骤S2具体为：
根据非建成区水文模型、一维河道模型、二维地表模型以及地下管网排水模型构建中间洪涝模拟模型；
根据水文与历史灾害资料对洪涝模拟模型进行参数率定、验证以及检验，生成洪涝模拟模型。
本实施例通过根据基础数据集分析构建中间洪涝模拟模型并通过对其进行参数率定、验证以及检验，从而生成洪涝模拟模型，为下一步生成洪涝动态模拟过程数据做好前提准备。
在本发明的一个实施例中，步骤S3具体为：
生成洪涝遭遇情景获取控件；
通过洪涝遭遇情景获取控件获取洪涝遭遇情景数据，其中洪涝遭遇情景数据包括洪水数据、潮水数据、溃漫堤数据以及调度数据；
根据洪涝遭遇情景数据进行生成洪涝灾害典型情景工况目录数据；
根据洪涝灾害典型情景工况目录数据对洪涝模拟模型进行生成洪涝动态模拟过程数据。
本实施例通过生成洪涝遭遇情景获取控件获取洪涝遭遇情景数据，并通过洪涝遭遇情景数据分析生成洪涝灾害典型情景工况目录数据，从而对洪涝模拟模型分析生成洪涝动态模拟过程数据，为下一步生成最大洪涝淹没水深栅格图做好前提准备。
在本发明的一个实施例中，步骤S4具体为：
根据洪涝动态模拟过程数据生成时空栅格数据；
根据时空栅格数据生成单栅格点数据集；
对单栅格点数据集进行组合，生成洪涝最大淹没水深栅格图。
本实施例通过根据洪涝动态模拟过程数据生成时空栅格数据并对时空栅格数据分析生成单栅格点数据集，从而组合生成洪涝最大淹没水深栅格图，为下一步生成洪涝淹没模拟过程数据做好前提准备。
在本发明的一个实施例中，步骤S5具体为：
生成暴雨数据获取控件；
通过暴雨数据获取控件获取暴雨数据，其中暴雨数据包括典型工况暴雨数据以及非典型工况暴雨数据；
根据典型工况暴雨数据生成时空降雨栅格图；
根据时空降雨栅格图、原始采样数据以及洪涝最大淹没水深栅格图构建中间智能预测模型；
根据非典型工况暴雨数据，生成非典型工况洪涝最大淹没水深栅格图；
根据非典型工况洪涝最大淹没水深栅格图对中间智能预测模型进行生成洪涝淹没快速智能预测模型；
根据洪涝淹没快速智能预测模型生成洪涝淹没模拟过程数据。
本实施例通过生成暴雨数据获取控件并通过暴雨数据获取控件获取暴雨数据；根据典型工况暴雨数据生成时空降雨栅格图；根据时空降雨栅格图、原始采样数据以及洪涝最大淹没水深栅格图构建中间智能预测模型；根据非典型工况暴雨数据，生成非典型工况洪涝最大淹没水深栅格图；根据非典型工况洪涝最大淹没水深栅格图对中间智能预测模型进行生成洪涝淹没快速智能预测模型；根据洪涝淹没快速智能预测模型生成洪涝淹没模拟过程数据，从而为下一步生成受灾数据做好前提准备。
在本发明的一个实施例中，步骤S6具体为：
获取常住人口数据、土地利用图层数据、安置点位置数据以及安置点容量数据，其中常住人口数据包括村庄人口数据以及社区常住人口，土地利用图层数据包括居住区数据以及工商业区数据；
根据常住人口数据、居住区数据以及工商业区数据生成人口空间分布图数据；
根据洪涝淹没模拟过程数据以及人口空间分布图数据生成受灾数据，其中受灾数据包括受灾区域数据以及受灾人口数据；
本实施例通过获取常住人口数据、土地利用图层数据、安置点位置数据以及安置点容量数据，并根据常住人口数据、居住区数据以及工商业区数据生成人口空间分布图数据；根据洪涝淹没模拟过程数据以及人口空间分布图数据生成受灾数据，从而为下一步生成避险转移实时分析与调度决策做好前提准备。
在本发明的一个实施例中，步骤S7具体为：
根据受灾数据通过避险转移实时分析计算公式进行计算，生成避险转移实时分析与调度决策数据，其中避险转移实时分析与调度决策数据包括推荐路线转移路线数据、预测转移耗时数据以及预测安置人员数据，其中避险转移实时分析计算公式包括约束条件，其中约束条件包括转移过程安全度约束条件、安置点容量约束以及最大路程及耗时约束；
其中避险转移实时分析计算公式具体为：
Figure DEST_PATH_IMAGE001
Figure DEST_PATH_IMAGE002
代表所有转移对象的转移耗时求和后的最小值，
Figure DEST_PATH_IMAGE003
代表从第一个到第
Figure DEST_PATH_IMAGE004
个村庄/社区，
Figure DEST_PATH_IMAGE005
代表从第一个到第
Figure DEST_PATH_IMAGE006
个社区网格单元，
Figure DEST_PATH_IMAGE007
代表单个转移对象的转移耗 时；
转移过程安全度约束条件具体为：
Figure DEST_PATH_IMAGE008
Figure DEST_PATH_IMAGE009
为第
Figure DEST_PATH_IMAGE010
个转移对象通过第
Figure DEST_PATH_IMAGE011
条路线进行转移时的安全系数；
Figure DEST_PATH_IMAGE012
为设定 的最低安全度系数；
Figure DEST_PATH_IMAGE013
Figure DEST_PATH_IMAGE014
代表第
Figure DEST_PATH_IMAGE015
个转移对象的转移路线，其是由第1到
Figure DEST_PATH_IMAGE016
个子路段组 成的集合；
Figure DEST_PATH_IMAGE017
代表已淹没路段；
Figure DEST_PATH_IMAGE018
代表淹没模拟成果中预报淹没路段；
安置点容量约束具体为：
Figure DEST_PATH_IMAGE019
Figure DEST_PATH_IMAGE020
为第
Figure DEST_PATH_IMAGE021
个转移对象的人数；
Figure DEST_PATH_IMAGE022
为第
Figure 870709DEST_PATH_IMAGE011
个安置区容纳总量；
Figure DEST_PATH_IMAGE023
为应急处置系数；
最大路程及耗时约束具体为：
Figure DEST_PATH_IMAGE024
Figure DEST_PATH_IMAGE025
其中，
Figure DEST_PATH_IMAGE026
为转移对象第
Figure DEST_PATH_IMAGE027
条路线的总长；
Figure DEST_PATH_IMAGE028
为转移路线中子路段长 度；
Figure DEST_PATH_IMAGE029
为允许最大耗时，
Figure DEST_PATH_IMAGE030
为转移对象第
Figure DEST_PATH_IMAGE031
条路线的耗时；
Figure DEST_PATH_IMAGE032
为转移 路线中子路段耗时；
Figure DEST_PATH_IMAGE033
为耗时系数；
Figure DEST_PATH_IMAGE034
为允许的最大耗时。
本实施例根据受灾数据通过避险转移实时分析计算公式进行计算，生成避险转移实时分析与调度决策数据，其中避险转移实时分析计算公式设置为所有群体的总体转移最短，通过设置多项约束条件，其中约束条件包括转移过程安全度约束条件、安置点容量约束以及最大路程及耗时约束，以获得更加精确以及更加稳定，能够适应多种灾害条件下的避险转移需求；本实施例充分考虑了现实条件中的约束问题，从而提供一种高效的避险转移实时分析与调度决策。
在本发明的一个实施例中，步骤S8具体为：
根据避险转移实时分析与调度决策数据通过安置点计算公式进行计算，构建物资调配模型；
其中安置点计算公式具体为：
Figure DEST_PATH_IMAGE035
Figure DEST_PATH_IMAGE036
为第
Figure 335319DEST_PATH_IMAGE027
个安置点所需物资供给总量；
Figure DEST_PATH_IMAGE037
为单个人所需供给量；
Figure DEST_PATH_IMAGE038
为第
Figure 318319DEST_PATH_IMAGE027
个安置点的预测安置人数；
Figure DEST_PATH_IMAGE039
为第
Figure 933102DEST_PATH_IMAGE027
个安置点已有物资量；
根据上式，则每个安置点的物资满足度可表述为：
Figure DEST_PATH_IMAGE040
Figure DEST_PATH_IMAGE041
为第
Figure 950736DEST_PATH_IMAGE027
个安置点的物资满足度；
Figure DEST_PATH_IMAGE042
为补充供给到第
Figure 242041DEST_PATH_IMAGE027
个安置 点的物资量；
Figure DEST_PATH_IMAGE043
为第
Figure 243495DEST_PATH_IMAGE027
个安置点已有物资量；
Figure DEST_PATH_IMAGE044
为第
Figure 160504DEST_PATH_IMAGE027
个安置点所需物资供给总 量；
根据物资调配模型通过物资调配分析公式进行计算，生成物资调配实时数据与调度决策数据，其中物资调配分析公式包括物资供应路径约束条件以及最大路程约束条件；
其中物资调配分析公式具体为：
Figure DEST_PATH_IMAGE045
Figure DEST_PATH_IMAGE046
或者S代表第
Figure 298224DEST_PATH_IMAGE027
个安置点的供给满足度,
Figure DEST_PATH_IMAGE047
代表 每个安置点的供给满足度求和后的最高值；
物资供应路径约束条件具体为：
Figure DEST_PATH_IMAGE048
Figure DEST_PATH_IMAGE049
代表第
Figure DEST_PATH_IMAGE050
个物资供应队的运送路线，其是由第1到
Figure DEST_PATH_IMAGE051
个 子路段组成的集合；
Figure DEST_PATH_IMAGE052
代表已淹没路段；
Figure DEST_PATH_IMAGE053
代表洪涝淹没模拟过程数 据中的预报淹没路段。
最大路程约束条件具体为：
Figure DEST_PATH_IMAGE054
Figure DEST_PATH_IMAGE055
为物资供应车的第
Figure 386528DEST_PATH_IMAGE031
条路线的总长；
Figure DEST_PATH_IMAGE056
为供应路线中子路段 长度；
Figure DEST_PATH_IMAGE057
为允许最大耗时。
本实施例根据避险转移实时分析与调度决策数据通过安置点计算公式进行计算，构建物资调配模型，并根据物资调配模型通过物资调配分析公式进行计算，生成物资调配实时数据与调度决策数据，其中安置点计算公式考虑了个体所需供给量、安置点的预测安置人数以及安置点的物资量从而生成更加准确的安置点所需物资供给量；通过设置安置点的物资供给满足度最高为目标对物资调配分析公式进行计算，为受灾时群众转移应急避灾提供了充足的物料支持数据，其中物资调配分析公式在物资供应路径约束条件以及最大路程约束条件的约束下充分考虑了安置点的供给满足度以及每个安置点的供给满足度求和后的最高值，以提供更加贴合实际约束条件、应急避险时物资调配以及群众需求的技术支持。
本发明结合多学科多类型模型，提出一种洪涝灾害应急避险与物资实时调配方法，解决静态预案中避险转移与物资调配方案不合理、缺乏动态考量的问题，实现洪涝灾害场景下的应急避险与物资调配实时分析调度，有效支撑防汛防灾应急决策。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1a是本发明一个实施例的洪涝灾害应急避险与物资实时调配方法的步骤流程图；
图1b是本发明一个实施例的洪涝灾害应急避险与物资实时调配方法的步骤流程图；
图2是本发明一个实施例的洪涝灾害应急避险与物资实时调配方法的洪涝淹没快速智能预测模型原理图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例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，本领域所属的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。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
本发明提供了一种洪涝灾害应急避险与物资实时调配方法，请参阅图1a至图2，所述方法包括以下步骤：
步骤S1：获取原始采样数据，并根据原始采样数据构建基础模型数据集，其中基础模型数据集包括一维河涌模型、二维地表模型以及地下管网排水模型；
步骤S2：根据基础模型数据集构建洪涝模拟模型；
步骤S3：根据洪涝模拟模型生成洪涝动态模拟过程数据；
步骤S4：根据洪涝动态模拟过程数据生成最大洪涝淹没水深栅格图；
步骤S5：根据最大洪涝淹没水深栅格图构建洪涝淹没快速智能预测模型，并根据洪涝淹没快速智能预测模型生成洪涝淹没模拟过程数据；
步骤S6：根据洪涝淹没模拟过程数据生成受灾数据；
步骤S7：根据受灾数据生成避险转移实时数据与调度决策数据；
步骤S8：根据避险转移实时分析与调度决策分析构建物资调配模型，并根据物资调配模型生成物资调配实时数据与调度决策数据，以执行物资调配。
具体地，例如根据具体工程研究区域，收集区域基础地理信息、水文、历史灾害、工程构筑物等多源多类型数据，构建基于水文、水动力、管网多模型耦合的洪涝模拟模型，实现各种典型来水及暴雨情景下，区域洪涝致灾过程的计算分析，输出典型情景下的洪涝动态模拟过程成果。
根据洪涝模拟模型输出的典型情景下的洪涝动态模拟过程成果，对成果进行栅格化处理并进行叠加生成最大洪涝淹没水深栅格图。基于典型工况下的暴雨、来水、潮位、最大洪涝淹没水深栅格图等数据，运用ConvLSTM神经网络进行洪涝淹没快速智能预测模型构建、运算与成果输出。
根据智能预测模型实时输出的洪涝淹没模拟成果，进行受灾人口预报分析。以受灾区域人口的整体转移时间最短为总目标，综合考虑安置容量、转移路线、转移路程等多维要素，构建避险转移模型，实现预测洪涝受灾情景下避险转移实时分析与调度决策。
在避险转移实时分析成果的基础上，以安置点人员物资供给度最高为总目标，综合考虑物资配给容量、配给速度等多维因素，构建物资调配模型，实现预测避险转移情景下的物资调配实时分析与调度决策。
本发明通过采集原始采样数据并根据原始采样数据进行分析构建基础模型数据集；根据基础模型数据集构建洪涝动态模拟过程数据；根据洪涝模拟模型生成洪涝动态模拟过程数据；根据洪涝动态模拟过程数据生成最大洪涝淹没水深栅格图；根据最大洪涝淹没水深栅格图构建洪涝淹没快速智能预测模型，并根据洪涝淹没快速智能预测模型生成洪涝淹没模拟过程数据；根据洪涝淹没模拟过程数据生成受灾数据；根据受灾数据生成避险转移实时分析与调度决策；根据避险转移实时分析与调度决策分析构建物资调配模型，并根据物资调配模型生成物资调配实时分析与调度决策，为发生洪涝灾害时，洪涝灾害应急避险调度决策以及物资调配提供技术支持，以提供高效、便捷的灾区救援。
在本发明的一个实施例中，步骤S1具体为：
获取原始采样数据，其中原始采样数据包括位置信息、基础地理信息数据、水工构筑物基础资料与调度方案数据、水文与历史灾害数据以及城市雨水管网数据，基础地理信息数据包括河流水系数据、河道地形数据、地表地形数据以及土地利用数据，土地利用数据包括房屋数据、道路数据以及铁路数据，水工构筑物基础资料与调度方案数据包括水闸数据、泵站数据、堤防数据、涵洞数据以及水利枢纽数据，水文与历史灾害资料包括历史实测降雨数据、历史洪涝淹没水位数据以及历史洪涝淹没范围数据，城市雨水管网数据包括管网数据以及排水口数据；
具体地，例如城市区域洪涝分析所需的资料包括基础地理信息、水文与洪水、防洪排涝（水）工程及构筑物、洪水调度方案及工程调度规则、土地利用、历史洪水等资料，资料收集具体求如下：基础地理信息资料包括计算范围内最近生成或更新的地形地貌、河流水系、河涌断面、水下地形、行政区划、居民地分布、交通道路等矢量信息和高程数据。基础底图的比例尺不小于 1：2000，河涌断面和河涌水下地形图比例尺不小于 1：2000，深海区海图比例尺不小于 1：25000，浅海区海图比例尺不小于 1：10000。基础地理信息应满足时效性、现实性要求。2）水文与洪水资料包括降雨、水位、流量、潮汐等实测资料，设计暴雨、设计洪水、设计潮位等设计资料，水文控制站水位~流量关系、水位~面积~容积关系等反映河涌、湖泊、水库、蓄滞洪区蓄泄特征的资料，排涝（水）分区相关资，相关水文站、水位站、潮位站和雨量站的空间位置信息等。水文资料应满足可靠性、一致性和代表性要求。3）防洪排涝（水）工程及构筑物资料包括水库、堤防、闸坝、泵站、排水管网、桥涵、地下设施等工程以及高出地面 0.5m 以上的线状地物的特征参数和空间位置信息等。工程及构筑物资料应满足现实性、时效性和准确性要求。4）洪水调度方案及工程调度规则包括各级防洪预案、洪水调度方案，防御洪水方案，水库、蓄滞洪区、泵站、分洪道、闸坝防洪调度运用规则等。洪水调度方案及工程调度规则应满足时效性和权威性要求。5）土地利用资料包括土地利用、遥感影像、洪水期间作物种类及其分布等。土地利用图的比例尺不小于 1：10000，遥感影像的分辨率不低于 2m。土地利用资料应满足现实性和时效性要求。6）历史洪水资料包括历史洪水（暴雨、风暴潮、溃坝等）水文特征（测站洪水过程、河涌沿程及淹没区实测水位或洪痕、淹没范围、淹没历时、洪水到达时间等）、堤坝溃决（漫溢）情况、洪水发生当时的工程和工程调度等资料。
根据位置信息、地表地形数据、土地利用数据构建非建成区水文模型，其中构建的步骤具体为采用综合单位线方法构建模型并进行产汇流计算；
根据河流水系数据、河道地形数据以及水工构筑物基础资料与调度方案数据生成河网拓扑关系数据、河涌断面赋值数据、闸坝水工建筑物参数和调度规程数据；
根据河网拓扑关系数据、河涌断面赋值数据、闸坝水工建筑物参数和调度规程数据进行分析，从而构建一维河涌模型；
对地表地形数据进行不规则网格剖分，生成不规则网格地表地形数据；
将不规则网格地表地形数据、地表地形数据、道路数据、铁路数据、水闸数据、泵站数据、堤防数据以及水利枢纽数据进行加密网格，生成中间二维地表模型；
根据中间二维地表模型、位置信息、房屋数据、道路数据、堤防数据以及涵洞数据构建二维地表模型；
根据管网数据、排水口数据以及泵站数据构建地下管网排水模型。
具体地，例如根据具体研究区域，收集区域的河流水系、河道地形、地表地形、土地利用等基础地理信息数据；收集水闸、泵站、堤防、水利枢纽等水工构筑物基础资料与调度方案资料；收集历史实测降雨、历史洪涝淹没水位、范围等水文与历史灾害资料；收集城市雨水管网数据；当缺乏重要的河道地形与地表地形资料时，开展河道断面地形测量、地表地形航飞测量任务。
构建非建成区水文模型：对研究区域中的非建成区进行水文分区划分。非建成区主要是山区，采用综合单位线构建模型，进行产汇流计算。
一维河涌模型构建：利用河涌以及水工数据，完成河网拓扑关系建立、河涌断面赋值、闸坝水工建筑物参数和调度规程的设定，并进行合理性审核。
二维地表模型构建：采用不规则网格进行地表网格剖分，根据计算区内地形以及水系、堤防、道路、铁路等分布和走向，自动加密网格以适应地形和地物的变化。对区域内房屋、道路及堤防的阻水作用，涵洞的过水作用进行概化。
地下管网排水模型构建：利用管网数据，检查管网拓扑关系，结合管网断面、排水口分布、泵站等水工建筑物参数和调度规程，并进行合理性审核。
防洪排涝调度模型构建：基于水库、闸坝、泵站等多要素联合调度的防洪排涝调度模型。
本实施例通过根据基础地理信息数据分析构建非建成区水文模型、根据基础地理信息数据、水工构筑物基础资料与调度数据分析构建一维河涌模型、根据地表地形数据、水工构筑物基础资料与调度方案数据分析构建二维地表模型，根据城市雨水管网数据分析构建地下管网排水模型，从而实现根据多源多类型的原始采样数据构建基础模型数据集，为下一步构建洪涝模拟模型做好前提准备。
在本发明的一个实施例中，步骤S2具体为：
根据非建成区水文模型、一维河道模型、二维地表模型以及地下管网排水模型构建中间洪涝模拟模型；
根据水文与历史灾害资料对洪涝模拟模型进行参数率定、验证以及检验，生成洪涝模拟模型。
具体地，例如多模型耦合：建成区的模型耦合应在一个时间步长内进行完全耦合，实时反映汇入或者漫溢等河涌与地表之间的水量交换，排水或者倒灌等管网与河涌；
在排水口处发生水量交换，汇入或者满管反灌等地表和管网检查井之间的水量交换。非建成区流域的产汇流计算模型可作为边界条件与建成区模型耦合，进而最终建立全流域/区域的洪涝模拟模型。
模型率定、验证与检验：按历史洪涝调查资料、各河道相关设计报告（初步设计阶段设计水面线计算成果）和数学模型相互辅证的方式，对流域洪涝模拟模型进行参数率定、验证和检验，其中，采用的实测资料主要是研究流域（区域）历史水浸点分布资料。
本实施例通过根据基础数据集分析构建中间洪涝模拟模型并通过对其进行参数率定、验证以及检验，从而生成洪涝模拟模型，为下一步生成洪涝动态模拟过程数据做好前提准备。
在本发明的一个实施例中，步骤S3具体为：
生成洪涝遭遇情景获取控件；
通过洪涝遭遇情景获取控件获取洪涝遭遇情景数据，其中洪涝遭遇情景数据包括洪水数据、潮水数据、溃漫堤数据以及调度数据；
根据洪涝遭遇情景数据生成洪涝灾害典型情景工况目录数据；
根据洪涝灾害典型情景工况目录数据对洪涝模拟模型进行生成洪涝动态模拟过程数据。
具体地，例如基于各种典型来水及暴雨情景下，区域洪涝致灾过程的计算分析，输出典型情景下的洪涝动态模拟过程成果。如下表格所示，为洪涝模型输出的某一时刻的模拟成果表。
Figure DEST_PATH_IMAGE058
本实施例通过生成洪涝遭遇情景获取控件获取洪涝遭遇情景数据，并通过洪涝遭遇情景数据分析生成洪涝灾害典型情景工况目录数据，从而对洪涝模拟模型分析生成洪涝动态模拟过程数据，为下一步生成最大洪涝淹没水深栅格图做好前提准备。
在本发明的一个实施例中，步骤S4具体为：
根据洪涝动态模拟过程数据生成时空栅格数据；
根据时空栅格数据生成单栅格点数据集；
对单栅格点数据集进行组合，生成洪涝最大淹没水深栅格图。
具体地，例如将输出的各典型情景下的洪涝动态模拟过程成果标记为矢量网格数据及每个网格水深数据；根据网格水深数据以及其淹没水深进行渲染，并将其转换为时空栅格数据，从而作为输入发送至ConvLSTM神经网络进行训练，以获得典型情景下的时空栅格数据，其中成果的栅格化操作的步骤具体为通过ArcGIS，SuperMap等GIS操作软件实现，亦可结合GDAL、DotSpatial等空间数据处理开源库，研发专门的格式转换程序进行实现；
根据典型情景下的时空栅格数据进行叠加分析，循环读取每个时刻栅格图层中的栅格点；将每个栅格点取每个时刻中最大的像元值（水深值）进行组合生成洪涝淹没水深栅格图；
具体地，例如具体地，例如将洪涝模型输出成果进行栅格化处理，生成洪涝淹没水深图，在信息化***中进行集成应用，成果栅格化处理集成后，用户可在***中直观看到每个时刻预测的动态淹没情况。
本实施例通过根据洪涝动态模拟过程数据生成时空栅格数据并对时空栅格数据分析生成单栅格点数据集，从而组合生成洪涝最大淹没水深栅格图，为下一步生成洪涝淹没模拟过程数据做好前提准备。
在本发明的一个实施例中，步骤S5具体为：
生成暴雨数据获取控件；
通过暴雨数据获取控件获取暴雨数据，其中暴雨数据包括典型工况暴雨数据以及非典型工况暴雨数据；
根据典型工况暴雨数据生成时空降雨栅格图；
根据时空降雨栅格图、原始采样数据以及洪涝最大淹没水深栅格图构建中间智能预测模型；
根据非典型工况暴雨数据，生成非典型工况洪涝最大淹没水深栅格图；
根据非典型工况洪涝最大淹没水深栅格图对中间智能预测模型进行生成洪涝淹没快速智能预测模型；
根据洪涝淹没快速智能预测模型生成洪涝淹没模拟过程数据。
具体地，例如将多个暴雨场景下的暴雨栅格图、洪涝最大淹没水深栅格图作为输出，将所有典型工况数据作为训练集，运用ConvLSTM神经网络进行训练并构建智能预测模型。模型原理图如附图2所示。ConvLSTM神经网络适用于时空序列栅格数据，本实施例中，其主要包含多尺度特征抽取子网络、多尺度淹没识别子网络。通过两个自网络的组成与黑箱化训练，实现用户定义暴雨情景下的最大洪涝淹没栅格图的快速预测与生成。
本实施例通过生成暴雨数据获取控件并通过暴雨数据获取控件获取暴雨数据；根据典型工况暴雨数据生成时空降雨栅格图；根据时空降雨栅格图、原始采样数据以及洪涝最大淹没水深栅格图构建中间智能预测模型；根据非典型工况暴雨数据，生成非典型工况洪涝最大淹没水深栅格图；根据非典型工况洪涝最大淹没水深栅格图对中间智能预测模型进行生成洪涝淹没快速智能预测模型；根据洪涝淹没快速智能预测模型生成洪涝淹没模拟过程数据，从而为下一步生成受灾数据做好前提准备。
在本发明的一个实施例中，步骤S6具体为：
获取常住人口数据、土地利用图层数据、安置点位置数据以及安置点容量数据，其中常住人口数据包括村庄人口数据以及社区常住人口，土地利用图层数据包括居住区数据以及工商业区数据；
根据常住人口数据、居住区数据以及工商业区数据生成人口空间分布图数据；
根据洪涝淹没模拟过程数据以及人口空间分布图数据生成受灾数据，其中受灾数据包括受灾区域数据以及受灾人口数据；
具体地，例如具体地，例如以总体转移耗时最小为目标，对区域内受灾点、安置点（避险点）进行避险转移分析。区域内要素信息如下表格所示。
Figure DEST_PATH_IMAGE059
本实施例通过获取常住人口数据、土地利用图层数据、安置点位置数据以及安置点容量数据，并根据常住人口数据、居住区数据以及工商业区数据生成人口空间分布图数据；根据洪涝淹没模拟过程数据以及人口空间分布图数据生成受灾数据，从而为下一步生成避险转移实时分析与调度决策做好前提准备。
在本发明的一个实施例中，步骤S7具体为：
根据受灾数据通过避险转移实时分析计算公式进行计算，生成避险转移实时分析与调度决策数据，其中避险转移实时分析与调度决策数据包括推荐路线转移路线数据、预测转移耗时数据以及预测安置人员数据，其中避险转移实时分析计算公式包括约束条件，其中约束条件包括转移过程安全度约束条件、安置点容量约束以及最大路程及耗时约束；
其中避险转移实时分析计算公式具体为：
Figure DEST_PATH_IMAGE060
例如，可以简化为：
Figure DEST_PATH_IMAGE061
Figure DEST_PATH_IMAGE062
代表所有转移对象的转移耗时求和后的最小值，
Figure 531071DEST_PATH_IMAGE021
代表从第一个 到第
Figure DEST_PATH_IMAGE063
个村庄/社区，
Figure DEST_PATH_IMAGE064
代表从第一个到第
Figure DEST_PATH_IMAGE065
个社区网格单元，
Figure DEST_PATH_IMAGE066
或
Figure DEST_PATH_IMAGE067
代表单个转 移对象的转移耗时；
转移过程安全度约束条件具体为：
Figure DEST_PATH_IMAGE068
Figure DEST_PATH_IMAGE069
为第
Figure 159760DEST_PATH_IMAGE027
个转移对象通过第
Figure 683145DEST_PATH_IMAGE011
条路线进行转移时的安全系数；
Figure DEST_PATH_IMAGE070
为设 定的最低安全度系数；
Figure DEST_PATH_IMAGE071
例如，可以简化为：
Figure DEST_PATH_IMAGE072
Figure DEST_PATH_IMAGE073
或
Figure DEST_PATH_IMAGE074
代表第
Figure 768782DEST_PATH_IMAGE031
个转移对象的转移路线，其是由第1到
Figure DEST_PATH_IMAGE075
个子路段组成的集合；
Figure DEST_PATH_IMAGE076
或
Figure DEST_PATH_IMAGE077
代表已淹没路段；
Figure DEST_PATH_IMAGE078
或
Figure DEST_PATH_IMAGE079
代表淹没模拟 成果中预报淹没路段；
安置点容量约束具体为：
Figure DEST_PATH_IMAGE080
例如，可以简化为：
Figure DEST_PATH_IMAGE081
Figure DEST_PATH_IMAGE082
或
Figure DEST_PATH_IMAGE083
为第
Figure 636506DEST_PATH_IMAGE021
个转移对象的人数；
Figure DEST_PATH_IMAGE084
或
Figure DEST_PATH_IMAGE085
为第
Figure 380471DEST_PATH_IMAGE011
个安置区 容纳总量；
Figure 492784DEST_PATH_IMAGE033
为应急处置系数；
最大路程及耗时约束具体为：
Figure DEST_PATH_IMAGE086
例如，可以简化为：
Figure DEST_PATH_IMAGE087
Figure DEST_PATH_IMAGE088
其中，
Figure DEST_PATH_IMAGE089
或
Figure DEST_PATH_IMAGE090
为转移对象第
Figure 14901DEST_PATH_IMAGE027
条路线的总长；
Figure DEST_PATH_IMAGE091
为转移路线中子 路段长度
Figure DEST_PATH_IMAGE092
或
Figure DEST_PATH_IMAGE093
为允许最大耗时，
Figure DEST_PATH_IMAGE094
或
Figure DEST_PATH_IMAGE095
为转移对象第
Figure 415926DEST_PATH_IMAGE027
条路线的 耗时；
Figure DEST_PATH_IMAGE096
或
Figure DEST_PATH_IMAGE097
为转移路线中子路段耗时；
Figure DEST_PATH_IMAGE098
为耗时系数；
Figure DEST_PATH_IMAGE099
或
Figure DEST_PATH_IMAGE100
为 允许的最大耗时。
具体地，例如对避险转移实时分析计算公式进行求解计算,生成输出成果，其中求解计算方法可选择模拟退火算法、遗传算法、禁忌搜索算法、粒子群算法或者其余智能优化算法，其模型输出成果包括各风险区/点的推荐避险转移路线、各转移单元的预测转移耗时以及各安置点的预测安置人员数量。
本实施例根据受灾数据通过避险转移实时分析计算公式进行计算，生成避险转移实时分析与调度决策数据，其中避险转移实时分析计算公式设置为所有群体的总体转移最短，通过设置多项约束条件，其中约束条件包括转移过程安全度约束条件、安置点容量约束以及最大路程及耗时约束，以获得更加精确以及更加稳定，能够适应多种灾害条件下的避险转移需求；本实施例充分考虑了现实条件中的约束问题，从而提供一种高效的避险转移实时分析与调度决策。
在本发明的一个实施例中，步骤S8具体为：
根据避险转移实时分析与调度决策数据通过安置点计算公式进行计算，构建物资调配模型；
其中安置点计算公式具体为：
Figure DEST_PATH_IMAGE101
例如，可以简化为：
Figure DEST_PATH_IMAGE102
Figure DEST_PATH_IMAGE103
为第
Figure 855260DEST_PATH_IMAGE031
个安置点所需物资供给总量；
Figure DEST_PATH_IMAGE104
为单个人所需供给量；
Figure DEST_PATH_IMAGE105
或
Figure DEST_PATH_IMAGE106
为第
Figure 805767DEST_PATH_IMAGE027
个安置点的预测安置人数；
Figure DEST_PATH_IMAGE107
为第
Figure 311835DEST_PATH_IMAGE031
个安置点已有物资量；
根据上式，则每个安置点的物资满足度可表述为：
Figure DEST_PATH_IMAGE108
Figure DEST_PATH_IMAGE109
Figure DEST_PATH_IMAGE110
或
Figure DEST_PATH_IMAGE111
为第
Figure 200157DEST_PATH_IMAGE027
个安置点的物资满足度；
Figure DEST_PATH_IMAGE112
或
Figure DEST_PATH_IMAGE113
为补充供给 到第
Figure 48376DEST_PATH_IMAGE027
个安置点的物资量；
Figure DEST_PATH_IMAGE114
为第
Figure 135280DEST_PATH_IMAGE027
个安置点已有物资量；
Figure DEST_PATH_IMAGE115
为第
Figure 546670DEST_PATH_IMAGE027
个安置点所需 物资供给总量；
根据物资调配模型通过物资调配分析公式进行计算，生成物资调配实时数据与调度决策数据，其中物资调配分析公式包括物资供应路径约束条件以及最大路程约束条件；
其中物资调配分析公式具体为：
Figure DEST_PATH_IMAGE116
Figure DEST_PATH_IMAGE117
Figure DEST_PATH_IMAGE118
或
Figure DEST_PATH_IMAGE119
代表第
Figure 171555DEST_PATH_IMAGE027
个安置点的供给满足度,
Figure DEST_PATH_IMAGE120
或
Figure DEST_PATH_IMAGE121
代表每个安置点的供给满足度求和后的最高值;
物资供应路径约束条件具体为：
Figure DEST_PATH_IMAGE122
Figure DEST_PATH_IMAGE123
Figure DEST_PATH_IMAGE124
或
Figure DEST_PATH_IMAGE125
代表第
Figure 483850DEST_PATH_IMAGE027
个物资供应队的运送路线，其是由 第1到
Figure 956420DEST_PATH_IMAGE075
个子路段组成的集合；
Figure DEST_PATH_IMAGE126
或
Figure DEST_PATH_IMAGE127
代表已淹没路段；
Figure DEST_PATH_IMAGE128
或
Figure DEST_PATH_IMAGE129
代表洪涝淹没模拟过程数据中的预报淹没路段。
最大路程约束条件具体为：
Figure DEST_PATH_IMAGE130
例如，可以简化为：
Figure DEST_PATH_IMAGE131
Figure DEST_PATH_IMAGE132
或
Figure DEST_PATH_IMAGE133
为物资供应车的第
Figure 194503DEST_PATH_IMAGE027
条路线的总长；
Figure DEST_PATH_IMAGE134
为供应路线中 子路段长度；
Figure DEST_PATH_IMAGE135
或
Figure DEST_PATH_IMAGE136
为允许最大耗时。
具体地，例如对上述计算公式进行求解计算，从而生成模型输出成果，其中求解计算方法可选择模拟退火算法、遗传算法、禁忌搜索算法、粒子群算法或其余智能优化算法，模型输出成果为根据物资总满足度自高至低进行排序的成果方案集，成果方案包括供应点各供应队的运算目标安置点、运送路线以及安置点的物资量及物资满足度;
根据成果方案集以及预设的经验条件进行分析与调整，生成预测洪涝淹没情景以及避险转移情景下的物资调配实时分析与调度决策。
具体地，例如以物资供给度为目标，对区域内安置点进行物资调配分析。区域内物资供应信息如下表格所示：
Figure DEST_PATH_IMAGE137
本实施例根据避险转移实时分析与调度决策数据通过安置点计算公式进行计算，构建物资调配模型，并根据物资调配模型通过物资调配分析公式进行计算，生成物资调配实时数据与调度决策数据，其中安置点计算公式考虑了个体所需供给量、安置点的预测安置人数以及安置点的物资量从而生成更加准确的安置点所需物资供给量；通过设置安置点的物资供给满足度最高为目标对物资调配分析公式进行计算，为受灾时群众转移应急避灾提供了充足的物料支持数据，其中物资调配分析公式在物资供应路径约束条件以及最大路程约束条件的约束下充分考虑了安置点的供给满足度以及每个安置点的供给满足度求和后的最高值，以提供更加贴合实际约束条件、应急避险时物资调配以及群众需求的技术支持。
本发明结合多学科多类型模型，提出一种洪涝灾害应急避险与物资实时调配方法，解决静态预案中避险转移与物资调配方案不合理、缺乏动态考量的问题，实现洪涝灾害场景下的应急避险与物资调配实时分析调度，有效支撑防汛防灾应急决策。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (5)

1.一种洪涝灾害应急避险与物资实时调配方法，其特征在于，包括以下步骤：
步骤S1：获取原始采样数据，并根据原始采样数据构建基础模型数据集，其中基础模型数据集包括一维河涌模型、二维地表模型以及地下管网排水模型；
步骤S2：根据基础模型数据集构建洪涝模拟模型；
步骤S3：根据洪涝模拟模型生成洪涝动态模拟过程数据；
步骤S4：根据洪涝动态模拟过程数据生成最大洪涝淹没水深栅格图数据；
步骤S5：根据最大洪涝淹没水深栅格图数据构建洪涝淹没快速智能预测模型，并根据洪涝淹没快速智能预测模型生成洪涝淹没模拟过程数据；
步骤S6：根据洪涝淹没模拟过程数据生成受灾数据；
步骤S7：根据受灾数据生成避险转移实时数据与调度决策数据；
步骤S8：根据避险转移实时数据与调度决策数据构建物资调配模型，并根据物资调配模型生成物资调配实时数据与调度决策数据，以执行物资调配；
其中步骤S3具体为：
生成洪涝遭遇情景获取控件；
通过洪涝遭遇情景获取控件获取洪涝遭遇情景数据，其中洪涝遭遇情景数据包括洪水数据、潮水数据、溃漫堤数据以及调度数据；
根据洪涝遭遇情景数据生成洪涝灾害典型情景工况目录数据；
根据洪涝灾害典型情景工况目录数据对洪涝模拟模型进行修正，生成洪涝动态模拟过程数据；
步骤S4具体为：
根据洪涝动态模拟过程数据生成时空栅格数据；
根据时空栅格数据生成单栅格点数据集；
对单栅格点数据集进行组合，生成最大洪涝淹没水深栅格图数据；
步骤S5具体为：
生成暴雨数据获取控件；
通过暴雨数据获取控件获取暴雨数据，其中暴雨数据包括典型工况暴雨数据以及非典型工况暴雨数据；
根据典型工况暴雨数据生成时空降雨栅格图；
根据时空降雨栅格图、原始采样数据以及最大洪涝淹没水深栅格图数据构建中间智能预测模型；
根据非典型工况暴雨数据，生成非典型工况洪涝最大淹没水深栅格图；
根据非典型工况洪涝最大淹没水深栅格图对中间智能预测模型进行修正，生成洪涝淹没快速智能预测模型；
根据洪涝淹没快速智能预测模型生成洪涝淹没模拟过程数据；
步骤S8具体为：
根据避险转移实时数据与调度决策数据通过安置点计算公式进行计算，构建物资调配模型；
其中安置点计算公式具体为：
Figure 767760DEST_PATH_IMAGE001
Figure 435502DEST_PATH_IMAGE002
为第
Figure 556910DEST_PATH_IMAGE003
个安置点所需物资供给总量；
Figure 550274DEST_PATH_IMAGE004
为单个人所需供给量；
Figure 773445DEST_PATH_IMAGE005
为第
Figure 244878DEST_PATH_IMAGE006
个安置点的预测安置人数；
Figure 237104DEST_PATH_IMAGE007
为第
Figure 401369DEST_PATH_IMAGE008
个安置点已有物资量；
计算每个安置点的物资满足度表述为：
Figure 594060DEST_PATH_IMAGE009
Figure 869184DEST_PATH_IMAGE010
为第
Figure 981496DEST_PATH_IMAGE006
个安置点的物资满足度；
Figure 51083DEST_PATH_IMAGE011
为补充供给到第
Figure 514426DEST_PATH_IMAGE006
个安置点的 物资量；
Figure 327661DEST_PATH_IMAGE007
为第
Figure 543747DEST_PATH_IMAGE006
个安置点已有物资量；
Figure 784236DEST_PATH_IMAGE002
为第
Figure 469295DEST_PATH_IMAGE006
个安置点所需物资供给总量；
根据物资调配模型通过物资调配分析公式进行计算，生成物资调配实时数据与调度决策数据，其中物资调配分析公式包括物资供应路径约束条件以及最大路程约束条件；
其中物资调配分析公式具体为：
Figure 86221DEST_PATH_IMAGE012
Figure 907547DEST_PATH_IMAGE013
代表第
Figure 69669DEST_PATH_IMAGE006
个安置点的物资满足度,
Figure 242024DEST_PATH_IMAGE014
代表每个安置 点的物资满足度求和后的最高值;
物资供应路径约束条件具体为：
Figure 397062DEST_PATH_IMAGE015
Figure 604052DEST_PATH_IMAGE016
代表第
Figure 920764DEST_PATH_IMAGE006
个物资供应队的运送路线，其是由第1到
Figure 564104DEST_PATH_IMAGE017
个子路段组 成的集合；
Figure 522833DEST_PATH_IMAGE018
代表已淹没路段；
Figure 584330DEST_PATH_IMAGE019
代表洪涝淹没模拟过程数据中的 预报淹没路段；
最大路程约束条件具体为：
Figure 337522DEST_PATH_IMAGE020
Figure 484470DEST_PATH_IMAGE021
为物资供应车的第
Figure 981310DEST_PATH_IMAGE022
条路线的总长；
Figure 373678DEST_PATH_IMAGE023
为供应路线中子路段长度；
Figure 563351DEST_PATH_IMAGE024
为允许最大耗时。
2.根据权利要求1所述方法，其特征在于，步骤S1具体为：
获取原始采样数据，其中原始采样数据包括位置信息、基础地理信息数据、水工构筑物基础资料与调度方案数据、水文与历史灾害数据以及城市雨水管网数据，基础地理信息数据包括河流水系数据、河道地形数据、地表地形数据以及土地利用数据，土地利用数据包括房屋数据、道路数据以及铁路数据，水工构筑物基础资料与调度方案数据包括水闸数据、泵站数据、堤防数据、涵洞数据以及水利枢纽数据，水文与历史灾害资料包括历史实测降雨数据、历史洪涝淹没水位数据以及历史洪涝淹没范围数据，城市雨水管网数据包括管网数据以及排水口数据；
根据位置信息、地表地形数据、土地利用数据分析，采用综合单位线方法并进行产汇流计算，从而构建非建成区水文模型；
根据河流水系数据、河道地形数据以及水工构筑物基础资料与调度方案数据生成河网拓扑关系数据、河涌断面赋值数据、闸坝水工建筑物参数和调度规程数据；
根据河网拓扑关系数据、河涌断面赋值数据、闸坝水工建筑物参数和调度规程数据进行分析，从而构建一维河涌模型；
对地表地形数据进行不规则网格剖分，生成不规则网格地表地形数据；
将不规则网格地表地形数据、地表地形数据、道路数据、铁路数据、水闸数据、泵站数据、堤防数据以及水利枢纽数据进行加密网格，生成中间二维地表模型；
根据中间二维地表模型、位置信息、房屋数据、道路数据、堤防数据以及涵洞数据构建二维地表模型；
根据管网数据、排水口数据以及泵站数据构建地下管网排水模型。
3.根据权利要求2所述方法，其特征在于，步骤S2具体为：
根据非建成区水文模型、一维河涌模型、二维地表模型以及地下管网排水模型构建中间洪涝模拟模型；
根据水文与历史灾害资料对洪涝模拟模型进行参数率定、验证以及检验，生成洪涝模拟模型。
4.根据权利要求2所述方法，其特征在于，步骤S6具体为：
获取常住人口数据、土地利用图层数据、安置点位置数据以及安置点容量数据，其中常住人口数据包括村庄人口数据以及社区常住人口数据，土地利用图层数据包括居住区数据以及工商业区数据；
根据常住人口数据、居住区数据以及工商业区数据生成人口空间分布图数据；
根据洪涝淹没模拟过程数据以及人口空间分布图数据生成受灾数据，其中受灾数据包括受灾区域数据以及受灾人口数据。
5.根据权利要求1所述方法，其特征在于，步骤S7具体为：
根据受灾数据通过避险转移实时分析计算公式进行计算，生成避险转移实时数据与调度决策数据，其中避险转移实时数据与调度决策数据包括推荐路线转移路线数据、预测转移耗时数据以及预测安置人员数据，其中避险转移实时分析计算公式包括约束条件，其中约束条件包括转移过程安全度约束条件、安置点容量约束以及最大路程及耗时约束；
其中避险转移实时分析计算公式具体为：
Figure 932015DEST_PATH_IMAGE025
Figure 232546DEST_PATH_IMAGE026
代表所有转移对象的转移耗时求和后的最小值，
Figure 737477DEST_PATH_IMAGE027
代表从第一个到第
Figure 98051DEST_PATH_IMAGE028
个村庄/社区，
Figure 468859DEST_PATH_IMAGE029
代表从第一个到第
Figure 41922DEST_PATH_IMAGE030
个社区网格单元，
Figure 932518DEST_PATH_IMAGE031
代表单个转移对象从 第一个到第
Figure 198414DEST_PATH_IMAGE032
个村庄/社区的转移耗时，
Figure 276092DEST_PATH_IMAGE033
代表单个转移对象从第一个到第
Figure 934737DEST_PATH_IMAGE034
个社 区网格单元中的从第一个到第
Figure 679839DEST_PATH_IMAGE032
个村庄/社区的转移耗时；
转移过程安全度约束条件具体为：
Figure 116637DEST_PATH_IMAGE035
Figure 947190DEST_PATH_IMAGE036
为第
Figure 862056DEST_PATH_IMAGE037
个转移对象通过第
Figure 727244DEST_PATH_IMAGE029
条路线进行转移时的安全系数；
Figure 584210DEST_PATH_IMAGE038
为设定 的最低安全度系数；
Figure 902059DEST_PATH_IMAGE039
Figure 886196DEST_PATH_IMAGE040
代表第
Figure 605890DEST_PATH_IMAGE008
个转移对象的转移路线，其是由第1到
Figure 384490DEST_PATH_IMAGE017
个子路段组成的 集合；
Figure 189635DEST_PATH_IMAGE041
代表已淹没路段；
Figure 459686DEST_PATH_IMAGE042
代表洪涝淹没模拟过程成果中预报淹没路 段；
安置点容量约束具体为：
Figure 33887DEST_PATH_IMAGE043
Figure 983388DEST_PATH_IMAGE044
为第
Figure 10250DEST_PATH_IMAGE027
个转移对象的人数；
Figure 336189DEST_PATH_IMAGE045
为第
Figure 14164DEST_PATH_IMAGE029
个安置区容纳总量；
Figure 400146DEST_PATH_IMAGE046
为应急处置系数；
最大路程及耗时约束具体为：
Figure 914304DEST_PATH_IMAGE047
Figure 43934DEST_PATH_IMAGE048
其中，
Figure 61569DEST_PATH_IMAGE049
为转移对象第
Figure 884031DEST_PATH_IMAGE050
条路线的总长；
Figure 370638DEST_PATH_IMAGE051
为转移路线中子路段长度；
Figure 38380DEST_PATH_IMAGE052
为允许最大耗时，
Figure 441680DEST_PATH_IMAGE053
为转移对象第i条路线的耗时；
Figure 169464DEST_PATH_IMAGE054
为转移路线 中子路段耗时；
Figure 392635DEST_PATH_IMAGE055
为耗时系数；
Figure 113335DEST_PATH_IMAGE056
为允许的最大耗时。
CN202211303256.0A 2022-10-24 2022-10-24 一种洪涝灾害应急避险与物资实时调配方法 Active CN115358650B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211303256.0A CN115358650B (zh) 2022-10-24 2022-10-24 一种洪涝灾害应急避险与物资实时调配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211303256.0A CN115358650B (zh) 2022-10-24 2022-10-24 一种洪涝灾害应急避险与物资实时调配方法

Publications (2)

Publication Number Publication Date
CN115358650A CN115358650A (zh) 2022-11-18
CN115358650B true CN115358650B (zh) 2023-01-10

Family

ID=84008707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211303256.0A Active CN115358650B (zh) 2022-10-24 2022-10-24 一种洪涝灾害应急避险与物资实时调配方法

Country Status (1)

Country Link
CN (1) CN115358650B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090677B (zh) * 2023-04-10 2023-06-20 湖南大学 考虑电力-通信-交通网络耦合的空地应急资源规划方法
CN116401473B (zh) * 2023-06-07 2023-08-15 上海维智卓新信息科技有限公司 疏散地点信息推荐方法、电子设备及存储介质
CN116957303B (zh) * 2023-09-20 2023-11-28 河海大学 面向洪涝灾害场景的应急响应调度决策方法及***
CN118153787A (zh) * 2024-05-11 2024-06-07 珠江水利委员会珠江水利科学研究院 一种雨潮灾害应急避险路径与物资调配优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104851360A (zh) * 2014-02-14 2015-08-19 杭州贵仁科技有限公司 一种洪水风险图的生成方法和***
CN111652777A (zh) * 2020-05-15 2020-09-11 长江勘测规划设计研究有限责任公司 洪灾应急避险方法
CN114240119A (zh) * 2021-12-10 2022-03-25 浙江水利水电学院 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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140056645A1 (en) * 2010-07-28 2014-02-27 Richard C. Hogan Flood Control Method
CN110532952B (zh) * 2019-08-30 2022-03-08 四川大学 基于gis定位技术的洪灾风险预警及撤离***
CN113902168B (zh) * 2021-09-08 2022-11-01 长江信达软件技术（武汉）有限责任公司 一种基于实时人群数据融合的洪灾应急疏散方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104851360A (zh) * 2014-02-14 2015-08-19 杭州贵仁科技有限公司 一种洪水风险图的生成方法和***
CN111652777A (zh) * 2020-05-15 2020-09-11 长江勘测规划设计研究有限责任公司 洪灾应急避险方法
CN114240119A (zh) * 2021-12-10 2022-03-25 浙江水利水电学院 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

Also Published As

Publication number Publication date
CN115358650A (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN115358650B (zh) 一种洪涝灾害应急避险与物资实时调配方法
Coles et al. Beyond ‘flood hotspots’: Modelling emergency service accessibility during flooding in York, UK
Gül et al. A combined hydrologic and hydraulic modeling approach for testing efficiency of structural flood control measures
Yin et al. Community-based scenario modelling and disaster risk assessment of urban rainstorm waterlogging
Paz et al. Large‐scale modelling of channel flow and floodplain inundation dynamics and its application to the Pantanal (Brazil)
CN116070918B (zh) 一种城市洪涝安全评估及洪涝灾害防治方法
Mani et al. Flood hazard assessment with multiparameter approach derived from coupled 1D and 2D hydrodynamic flow model
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
CN108896117A (zh) 一种遥感水文站监测河流径流的方法
Ahmad et al. Hydrological modelling and flood hazard mapping of Nullah Lai
Seenu et al. Visualisation of urban flood inundation using SWMM and 4D GIS
Mangukiya et al. Integrating 1D and 2D hydrodynamic models for semi-arid river basin flood simulation
Filipova Urban flooding in Gothenburg-A MIKE 21 study
Kobayashi et al. Development of a distributed rainfall‐run‐off/flood‐inundation simulation and economic risk assessment model
Athira et al. Flood modelling and inundation mapping of Meenachil River using HEC-RAS and HEC-HMS software
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
Hashimoto et al. Multi-scale flooding hazards evaluation using a nested flood simulation model: case study of Jamuna River, Bangladesh
Zaifoglu et al. Developing flood mitigation measures for the northern part of Nicosia
CN114528672B (zh) 基于3s技术的城市水文站网布设方法及***
Konan Urban Flood modelling and Floodplain Mapping using ArcGIS, HEC-HMS and HEC-RAS in Abidjan city, Côte D’Ivoire–West Africa: Case study of the watershed of Bonoumin-Rivièra Palmeraie
Мартинюк et al. Identification of areas with potential significant flood risk using specialized software in the Vistula river basin within Ukraine
Ali Floodplain Determination and Management Case study: Wadi Watir-Sinai
Stone et al. Geospatial database and preliminary flood hydrology model for the Lower Colorado Basin
Zhou et al. Flood submergence simulation and risk analysis based on GIS in plain area
Borrelli et al. Mapping Inundation Pathways to Provide Communities with Real-time Coastal Flood Forecasts: A Pilot Project with the National Weather Service

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