Nothing Special   »   [go: up one dir, main page]

CN115391712A - 一种城市洪涝风险预测方法 - Google Patents

一种城市洪涝风险预测方法 Download PDF

Info

Publication number
CN115391712A
CN115391712A CN202210538490.5A CN202210538490A CN115391712A CN 115391712 A CN115391712 A CN 115391712A CN 202210538490 A CN202210538490 A CN 202210538490A CN 115391712 A CN115391712 A CN 115391712A
Authority
CN
China
Prior art keywords
area
rainfall
model
depression
flood risk
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
CN202210538490.5A
Other languages
English (en)
Inventor
任黎
朱佳晨
宋姝萍
李卓蔓
高家琛
徐健
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202210538490.5A priority Critical patent/CN115391712A/zh
Publication of CN115391712A publication Critical patent/CN115391712A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • 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)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Atmospheric Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Hydrology & Water Resources (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种城市洪涝风险预测方法，包括以下步骤：基于待预测城市的历史雷达回波图，通过GIS对雷达回波图进行预处理及重分类计算，构建待预测城市的降雨量预测模型；构建基于SWMM的待预测城市的洪涝风险预测模型；将降雨量预测模型洪涝风险模型耦合得到洪涝风险预测模型；将降雨量预测模型输出的降雨量预测值经预处理后作为洪涝风险模型的降雨量输入值；将待预测城市的实时雷达回波图输入到洪涝风险预测模型，得到待预测城市的洪涝风险分析结果。本发明预测识别速度快，结果精准度高，通过洪涝风险预测模型能够预测出降雨的主要落区的位置，对主要降雨段的雨量估算精度较高，并依据雨量来分析洪涝风险。

Description

一种城市洪涝风险预测方法
技术领域
本发明涉及水利工程技术领域，尤其涉及一种城市洪涝风险预测方法。
背景技术
城市化的飞速发展使得城市下垫面不透水面积显著增加，局地突发性暴雨常常引发城市内发生严重的洪涝灾害，威胁人民的生命安全，且带来巨大的财产损失，同时也制约了城市的发展。现阶段内涝预警发布存在预警精度不高、预见期短、机制不健全等问题，直接制约内涝预警的精准性和时效性。因此，开展城市洪涝风险快速识别关键技术研究有利于构建一套综合调度指标(涵盖预测雨量、预测流量、实测雨量、实测流量)和调度原则，提升城市水系科学调度水平。
发明内容
发明目的：本发明旨在提供一种识别快速、结果精准的城市洪涝风险预测方法。
技术方案：本发明的一种城市洪涝风险预测方法，包括以下步骤：
(1)基于待预测城市的历史雷达回波图，通过GIS对雷达回波图进行预处理及重分类计算，构建待预测城市的降雨量预测模型；
(2)收集待预测城市的基础数据，并对收集的基础数据进行预处理；
(3)根据步骤(2)中预处理后的基础数据，构建基于SWMM的待预测城市的洪涝风险预测模型；对城市的节点管网进行概化并对子汇水区进行划分与数据计算，构建流域产流模型与管网汇流模型，并通过ArcGIS软件简化当地河道数据，将简化的河道数据导入SWMM中，进行节点管网逻辑、拓扑关系之间的检查与校核，构建河道汇流子模型；提取洼地和溢流点，并计算每一个洼地对应的子汇水区面积；通过最短路径提取工具提取得到连通洼地各溢流点间的汇流路径；洼地汇流路径概化为管渠，将提取出来的洼地子汇水区概化为地表汇水区域，从而构建得到地表洼地汇流模型；将河道汇流子模型与地表洼地汇流模型耦合得到待预测城市的洪涝风险模型；
(4)将降雨量预测模型洪涝风险模型耦合得到洪涝风险预测模型；步骤 (1)中得到的降雨量预测模型输出的降雨量预测值经预处理后作为步骤(3) 中的洪涝风险模型的降雨量输入值；
(5)将待预测城市的实时雷达回波图输入到洪涝风险预测模型，得到待预测城市的洪涝风险分析结果。
进一步地，步骤(1)中，构建待预测城市的降雨量预测模型的方法为：基于多场次降雨的历史雷达回波图，通过GIS对雷达回波图进行预处理及重分类计算，将其分为高反射率区、中反射率区和低反射率区域；提取各云层类型的特征值以及降雨类型的识别规律；根据雷达回波图各反射率的光谱特征，构建降雨类型识别指标体系。
其中，高反射率区范围为35-70dBZ，中反射率区为25-35dBZ，低反射率区域为0-25dBZ；构建的降雨类型识别指标体系如下：
(1)(高反射率区面积+中反射率区面积)/回波图总面积≤0.1，层状云降雨；
(2)(高反射率区面积+中反射率区面积)/回波图总面积≥0.3，对流云降雨；
(3)0.1<(高反射率区面积+中反射率区面积)/回波图总面积<0.3且亮度梯度<0.15，以层状云为主的混合云降雨；
(4)0.1<(高反射率区面积+中反射率区面积)/回波图总面积<0.3且亮度梯度≥0.15，以对流云为主的混合云降雨。
步骤(1)中还包括进行降雨的预报、反演及精度分析，通过雷达回波图总结出采用金字塔光流法进行云的运动矢量计算；最后结合实测降雨数据对预测出来的降雨数据进行了落区精度评估和量级精度评估。
进一步地，步骤(2)中，对城市DEM数据、河道数据、降雨数据、下垫面类型数据进行收集预处理，并对流域下垫面通过软件自动解译提取，对流域的下垫面土地利用类型进行解译分析，从而进一步计算流域下垫面的不透水率。
进一步地，步骤(3)中，流域产流模型中分别计算各子汇水区的降雨产流，子汇水区包括透水区、有洼蓄不透水区和无洼蓄不透水区，流域地表总产流量的公式表示为：
R＝R1+R2+R3
式中，R为总产流量，单位mm；R1为透水区域的产流量，单位为mm； R2为有洼蓄不透水区的地表产流量，单位mm；R3为无洼蓄不透水区的地表产流量，单位为mm。
进一步的，SWMM模型采用非线性水库法，通过水量平衡方程、曼宁方程，对透水区和不透水区进行汇流计算。
进一步的，步骤(2)中管网汇流模型的构建中，采用动力波法进行模拟 SWMM模型中管网汇流的方法。
更进一步地，步骤(3)中，子汇水区的参数包括不透水率，其通过预处理后的遥感影像数据解译分析待预测城市流域下垫面土地利用类型，并根据下垫面土地利用类型计算流域下垫面的不透水率。
更进一步地，步骤(3)中，子汇水区的参数还包括坡度值曼宁系数、洼蓄水深度、下渗率，其中通过DEM数据处理后提取得到坡度值；通过代入 SWMM模型中并反复调参确定曼宁系数、洼蓄水深度和下渗率的最终取值。
进一步地，步骤(3)中，洼地的提取方法为：通过ArcGIS中水文分析中的填洼工具对高精度的DEM数据设置不同的填充阈值并进行两次计算，分别得到第一次计算结果和第二次计算结果，然后通过Minus工具用第二次计算结果中全部填洼的DEM图层与第一次计算结果中得到的填充阈值为0.1m的 DEM图层相减，即提取出容易积水的低洼区域，最后再计算洼地体积，洼地体积公式表示为：
V洼＝S洼×hmean
式中，V洼为洼地体积，单位为m3；S洼为洼地面积，单位为m2；hmean为提取的洼地范围内所有像元的深度平均值，单位为m。
更进一步地，步骤(3)中，洼地对应的子汇水区的提取方法为：首先找到洼地的最低点，再结合水流的流动方向，在整个大流域范围内确定该最低点上游区域所有流过该最低点的栅格以完成子汇水区的提取。
更进一步地，步骤(3)中，洼地溢流点的提取方法为：先计算出DEM数据中水流的流动方向，然后再根据水流方向计算出其汇流累积量的大小，以得出洼地溢流点的位置。
进一步地，步骤(3)中，包括对已构建的洪涝风险预测模型的参数测试，在模型中输入20年一遇的设计降雨数据进行模拟，根据模拟结果与设计流量过程线对比，若两条曲线相差较大，重新调整参数进行模拟，直到模拟得到的流量过程线和设计流量过程线较接近且两组数据的纳什系数接近1。
有益效果：与现有技术相比，本发明具有如下显著优点：
(1)客观、快速、准确地判断云层类型，降雨量预测模型准确度高；
(2)预测识别速度快，结果精准度高，通过洪涝风险预测模型能够预测出降雨的主要落区的位置，对主要降雨段的雨量估算精度较高，并依据雨量来分析洪涝风险。
附图说明
图1为清洋河流域土地利用分布情况图；
图2为清洋河流域透水不透水分布情况图；
图3为T＝1h情况下10a一遇设计暴雨过程图；
图4为T＝24h情况下10a一遇和20a一遇设计暴雨过程图；
图5为清洋河流域管网概化图；
图6为研究区节点管网河道概化图；
图7为图6中A处流域出水口的放大图；
图8为模型网络结构示意图，(a)DEM单元网格，(b)洼地溢流点和子汇水区，(c)，水流的流动路径(d)，雨水在地表流动情况剖面图；
图9为清洋河流域洼地、溢流点及汇流路径分布图；
图10为清洋河流域各洼地汇水区的坡度图；
图11为清洋河流域不透水率图；
图12为洼地系统在SWMM中概化后的模型；
图13为瞬时单位线法计算的流量过程与SWMM模型模拟的流量过程；
图14为洪涝风险快速识别模型和精细化洪涝模型10a一遇降雨模拟情况图；
图15为2020年8月12日场次降雨21:42的雷达回波图
图16为2020年8月12日场次降雨21:48的雷达回波图；
图17为2020年8月12日场次降雨21:54的雷达回波图；
图18为“2020.08.12”降雨预测图(1h总降雨)；
图19为“2020.8.12”北京市预测降雨与实测降雨分布图(上：开始6min、下：最后6min)；
图20为2020年8.12预测积水点空间分布与实际积水点对应情况；
图21为T1场次降雨模拟积水情况；
图22为T2场次降雨模拟积水情况；
图23为T3场次降雨模拟积水情况；
图24为T4场次降雨模拟积水情况。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
实施例1
本实施例提供一种城市洪涝风险预测方法，具体包括以下步骤：
S1构建待预测城市的降雨量预测模型：
降雨量预测模型用于自动识别类型云层，其中为客观、快速、准确地判断云层类型，基于多场次降雨的雷达回波图，通过GIS对雷达回波图进行预处理及重分类计算等，将其分为高反射率区(35-70dBZ)、中反射率区(25-35dBZ) 和低反射率区域(0-25dBZ)，并提取出四种云层类型的特征值，总结得出降雨类型的识别规律，从而为临近期降雨临近预报提供快速准确的降雨类型输入。根据雷达回波图各反射率的光谱特征，构建降雨类型识别指标体系如下：
(1)(高反射率区面积+中反射率区面积)/回波图总面积≤0.1，层状云降雨；
(2)(高反射率区面积+中反射率区面积)/回波图总面积≥0.3，对流云降雨；
(3)0.1<(高反射率区面积+中反射率区面积)/回波图总面积<0.3且亮度梯度<0.15，以层状云为主的混合云降雨；
(4)0.1<(高反射率区面积+中反射率区面积)/回波图总面积<0.3且亮度梯度≥0.15，以对流云为主的混合云降雨。
对以上构建的降雨量预测模型进行降雨的预报、反演及精度分析，以对模型预测的降雨落区精度评估和量级精度评估。
降雨的预报、反演及精度分析具体为：通过雷达回波图总结出采用金字塔光流法进行云的运动矢量计算：基于金字塔光流法的雷达降雨临近预报主要由云的运动矢量计算和降雨外推插值预报两部分组成：
将LK光流方法与图像序列金字塔相结合，构建金字塔光流法，LK光流法的线性方程如下所示：
Ix(q)·u+Iy(q)·v＝-It(q)，q∈Ω
式中，Ix，Iy，It分别为q点对应的降雨对x，y，t的偏导；
计算光流速度时，先通过在前像素点q的邻域Ω内按照某一个具体确定的窗口函数加权平方求和，然后进行极小值的计算，接着通过最小二乘法，借助高斯函数将该点所占的权重比例分配到领域Ω上的其它点，计算公式如下：
Figure BDA0003649282450000041
式中，*为卷积；Kρ为标准偏移ρ的高斯核；
接着利用回波反射率与降雨强度间的关系对城市汛期的降雨进行临近期降雨量的预报反演，天气雷达反演降雨信息的原理是通过反射率因子Z与降雨强度R的关系式进行反推计算。选取多个不同的场次降雨，利用总结出的云层类型判别阈值来确定各场降雨的类型。
Z＝A×Rb
式中，Z为雷达反射因子；R为降雨强度；A，b为反演参数.，不同类型云层参数A和b的取值情况参考前人的研究成果。
最后结合实测降雨数据对预测出来的降雨数据进行了落区精度评估和量级精度评估。
S2基础数据收集及预处理：
对城市DEM数据、河道数据、降雨数据、下垫面类型数据进行收集预处理，并对流域下垫面通过软件自动解译提取、以及人工目视解译，对流域的下垫面土地利用类型进行解译分析，从而进一步计算流域下垫面的不透水率。
S3构建基于SWMM的待预测城市的洪涝风险预测模型：
对城市的节点管网进行概化并对子汇水区进行划分与数据计算，构建流域产流模型与管网汇流模型，之后通过ArcGIS软件简化当地河道数据；将处理好的河道数据导入SWMM中，并进行节点管网逻辑、拓扑关系之间的检查与校核，构建河道汇流子模型。提取洼地和溢流点，并计算每一个洼地对应的子汇水区面积；通过最短路径提取工具提取得到连通洼地各溢流点间的汇流路径；洼地汇流路径概化为管渠，将提取出来的洼地子汇水区概化为地表汇水区域，从而构建得到地表洼地汇流模型；将河道汇流子模型与地表洼地汇流模型耦合得到待预测城市的洪涝风险模型。
S301河道汇流子模型：
SWMM模型属于分布式流域水文模型，该模型降雨产流计算的基本单元为各子汇水区；考虑到不同下垫面的地表特性，产流计算时将流域内的各子汇水区分成不透水区域和透水区域两类，而不透水区域又分为有洼蓄不透水区和无洼蓄不透水区。
降雨流过有洼蓄不透水区域时经地表填洼后形成净雨，计算时要除去蒸发量和洼蓄量产流量，计算公式：
R2＝P-E-D
式中，R2为有洼蓄不透水区域的地表产流量，单位为mm；P为降雨量，单位为mm；E为蒸发量，单位为mm；D为地表洼蓄量，单位为mm。
无洼蓄不透水区域要考虑蒸发的影响，计算产流量时要用降雨量减去蒸发损失，产流量计算公式：
R3＝P-E
式中，R3为无洼蓄不透水区的地表产流量，单位为mm；P为降雨量，单位为mm；E为蒸发量，单位为mm。
降雨在透水区域产流时要减去地表洼蓄量和蒸发损失量，同时还要减去土壤的下渗量，其计算产流量的公式为：
R1＝(i-f)×Δt
式中，R1为透水区域的产流量，单位为mm；i为降雨强度，单位为mm/h； f为入渗强度，单位为mm/h；Δt为时间间隔，单位为h。
SWMM模型中的入渗量计算涵盖了三种模型，分别为：霍顿模型(Horton 模型)、格林-安普特模型(Green-Ampt模型)和径流曲线数模型(SCS模型)，其中霍顿模型计算时考虑了土壤下渗率随着时间的增加而减少，另外，该模型参数较少，操作简单，对小流域研究区的适用性较强，较为适用于城市地区。
霍顿下渗公式为：
ft＝fc+(f0-fc)×e-kt
式中，ft为t时刻的土壤下渗率，单位为mm/h；fc为土壤的稳定下渗率，单位为mm/h；f0为土壤的初始下渗率，单位为mm/h；k为下渗衰减系数；t为土壤下渗时间，单位为h。
每个子汇水区都是由透水区、有洼蓄不透水区和有洼蓄不透水区三种类型的地表组成，降雨经过这三种地表类型的损失并不相同，所以需要将每种类型的地表产流分别进行计算，然后再将其相加得到流域地表总产流量，公式表示为：
R＝R1+R2+R3
式中，R为总产流量，单位mm；R1为透水区域的产流量，单位为mm； R2为有洼蓄不透水区的地表产流量，单位mm；R3为无洼蓄不透水区的地表产流量，单位为mm。
SWMM模型采用非线性水库法，通过水量平衡方程、曼宁方程，对透水区和不透水区进行汇流计算方法：
水量平衡方程为：
Figure BDA0003649282450000061
式中，V为地表汇水量，单位为m3；d为子汇水区水深，单位为m；t为时间，单位为s；A为子汇水区面积，单位为m2；i为净雨强度，单位为mm/s； Q为子汇水区出口流量，单位为m3/s。
曼宁方程为：
Figure RE-GDA0003853799780000062
式中，Q为子汇水区的出流量，单位为m3/s；W为子汇水区的特征宽度，单位为m；S为子汇水区的平均坡度；N为曼宁系数。
将水量平衡方程和曼宁方程联立，用有限差分法求解可得：
Figure RE-GDA0003853799780000063
式中，t为时间步长，单位为s；d1为时间t开始初期的水深值，单位为m； d2为t结束末期的水深值，单位为m。
用霍顿公式求出i值，再对上式用迭代法进行求解得到d2值，再将其代入曼宁方程可求得时段末的出流量Q2。
SWMM模型中涵盖了三种管网汇流的方法，包括：恒定流法、动力波法和运动波法。动力波法能够模拟较为复杂的水流情况，能够较好地解决排水管网中逆流情况，对不同形状、不同尺寸的地下排水管网都具有很好的普适性。一般来说，城市区域排水管网较复杂，所以本文在计算时采用动力波法进行模拟。
动力波法的原理是求解完整的圣维南方程组进行汇流计算。圣维南方程组包含三个方程，分别是管道连续性方程、管道动量方程和节点控制方程。
管道连续性方程：
Figure BDA0003649282450000064
式中，Q为管网内的流量，单位为m3/s；S为管网断面面积，单位为m2；t 为时间，单位为s；l为距离，单位为m。
管道动量方程：
Figure BDA0003649282450000065
式中，H为管道内水深，单位为m；g为重力加速度，一般取9.8m/s2；Sf为管道内的阻力系数。
节点控制方程：
Figure BDA0003649282450000071
式中，Qt为节点的进出流量，单位为m3/s；Ask为节点底面积，单位为m。
S302构建得到地表洼地汇流模型
首先借助ArcGIS中水文分析中的填洼工具，对高精度的DEM数据(平面分辨率为2m，垂向高度为0.1m)设置不同的填充阈值进行两次计算，然后借助Minus工具用第二步中全部填洼的DEM图层与第一步中得到的填充阈值为 0.1m的DEM图层相减，便可提取出容易积水的低洼区域，最后再计算洼地体积，并进行初步删选处理。洼地体积的计算公式如下所示：
V洼＝S洼×hmean
式中，V洼为洼地体积，单位为m3；S洼为洼地面积，单位为m2；hmean为提取的洼地范围内所有像元的深度平均值，单位为m。
之后对提水区、洼地的溢流点进行提取。首先找到出水点，也就是该洼地集水区的最低点。再结合水流的流动方向，在整个大流域范围内确定该出水点上游区域所有流过该出水口的栅格以完成提水区的提取。
洼地溢流点需要先计算出DEM数据中水流的流动方向，然后再根据水流方向计算出其汇流累积量的大小，以得出洼地溢流点的位置。
然后生成洼地的汇流路径。提取出洼地和溢流点后，即可通过最短路径提取工具提取得到连通洼地各溢流点间的汇流路径。借助GIS空间分析里的成本路径工具，经过最短路径函数的计算，得到从起点到终点的最小成本路径。
最后利用SWMM模型中把溢流点概化为调蓄池(其中，调蓄池的底面积为洼地面积；调蓄池的高为洼地平均深度)，把洼地汇流路径概化为管渠，将提取出来的洼地子汇水区概化为地表汇水区域，从而构建得到基本的“溢流点- 汇流路径-子汇水区域”模型。同时，借助ArcGIS中的比例工具计算洼地的深度作为模拟积水深度。
S303洪涝风险模型的合理分析
首先通过当地水文资料对河道流量过程进行验证。之后对内涝积水深度进行验证采用河道流量验证后产汇流模型中的参数，在洪涝风险快速识别模型中输入10a一遇最大1h降雨数据进行模拟，得到模型模拟积水深度结果，根据城市的积水风险点台账，与精细化洪涝模型模拟情况相比较，以验证模型模拟的可靠性。
S4降雨量预测模型与洪涝风险模型耦合得到洪涝风险预测模型
将步骤S1中得到的降雨量预测模型输出的降雨量预测值经预处理后作为步骤S3中的洪涝风险模型的降雨量输入值；将降雨量预测模型与洪涝风险模型耦合得到洪涝风险预测模型。
S5将待预测城市的实时雷达回波图输入到洪涝风险预测模型，得到待预测城市的洪涝风险分析结果。
实施例2
本实施例将实施例1中的方法应用于北京市清洋河流域，用于构建流域尺度的城市洪涝风险快速识别模型来预测城市内涝积水情况。
S1构建待预测城市的降雨量预测模型：
构建方法与实施例1相同，其中选取了北京地区2019年7月22日、7月 29日，2020年7月31日、8月12日四场降雨48景雷达反射率资料对构建的降雨量预测模型进行降雨的预报、反演及精度分析。
本实施例的雷达回波图数据来源于中国天气网。该雷达位于北京市亦庄地区，数据时间分辨率为6min，有效半径为230km，空间分辨率为1km×1°，数据详情如表1。本文的实测降雨数据来源于北京市气象部门，涉及460个雨量站，实测降雨数据时间分辨率为5min，雨量时间尺度为1h。
表1雷达回波数据简表
Figure RE-GDA0003890303790000081
表2对缺测数据采用两种不同方式处理后情况对比表
Figure RE-GDA0003853799780000082
在原始代雷缺达失图缺失的情况下，用临近的影像图进行替代。表2分析了四场降雨用雷达回波图预测降雨时缺失中间一景影像时，用前一景图替代后一景图和后一景图替代前一景图的情况。综合比较两种处理情况下的偏差BIAS、均方根误差RMSE、相关系数r、和相对误差计算结果后，T1～T3场次中后一景影像图替代前一景影像图的精度更高，所以当预报中有图像缺失时选用后一种方法进行处理。
临近期降雨预报：基于气象雷达回波图和金字塔光流法对2019年和2020 年汛期的四场降雨进行了临近期预报，预测期为1h，时间分辨率6min。根据提取了反射率大于等于25dBZ的雷达回波图区域和反演降雨强度大于等于 1.54mm/h的预测数据区域进行落区精度分析，四场降雨的落区预测的平均精度为60.0％；提取预测准确的区域内站点实测结果和反演结果进行量级精度分析，量级预测的平均精度为62.79％。
S2基础数据收集及预处理：
通过对各种类型的数据资料进行收集整理，并进行数据前期预处理，得到基础资料如表3所示。
表3清洋河流域模型构建基础资料
Figure BDA0003649282450000091
(1)影像数据预处理
本发明基于没有云层覆盖的Rapid Eye影像数据，通过软件自动解译提取、以及人工目视解译，对清洋河流域的下垫面土地利用类型进行解译分析，从而进一步计算流域下垫面的不透水率。通过图像前期预处理、软件自动提取、以及人工修正等步骤提取出清洋河流域的下垫面分布情况。
(2)下垫面类型计算提取
根据影像上不同地物的属性特征使用易康软件进行提取计算，将清洋河流域分为建设用地、道路、水系等16种类型的下垫面。
表4清洋河流域各类地物面积比例统计
Figure BDA0003649282450000092
Figure BDA0003649282450000101
(3)清洋河下垫面分类结果统计
用上述方法对清洋河流域下垫面类型进行提取(表4)。其中，不透水面积为17.96km2，占59.27％；透水面积为12.34km2，占40.73％。基于遥感影像提取得到清洋河流域各种地物类型分布情况如图1所示，透水不透水分布情况如图2所示。
由于短历时降雨预报的数据精度高于长历时降雨预报的数据精度，所以按照防汛应急管理的实际情况，本文模拟分析积水情况时采用10年一遇的1h短历时设计暴雨；而河道汇水时汇流过程较复杂，汇流面积大且汇流时间长，所以模拟分析河道流量时采用20年一遇的24h设计长历时设计暴雨。
(4)设计暴雨计算
计算1h短历时设计暴雨过程时，暴雨量计算选用《城镇雨水系统规划设计暴雨径流计算标准》(DB11/T969-2016)中暴雨强度公式，设计雨型选取芝加哥雨型，再参照《给水排水设计手册》中相关内容进行降雨过程的时程分配。由于本研究中只需要用到10年一遇最大1h的数据，所以短历时设计暴雨只计算了10年一遇的数值。
北京市暴雨强度公式选用年最大值法进行计算，根据行政区域为划分单元，将西部区域划分为暴雨I区，东部区域划分为暴雨II区，其计算时分别对应两个不同的暴雨强度公式。本文研究区(清洋河流域)属于II区，其设计暴雨强度公式如下：
Figure BDA0003649282450000102
适用范围为：5min≤t≤1440min
式中，q为设计暴雨强度，单位为L(s·hm2)；P为设计暴雨的重现期，单位为a；t为设计暴雨历时，单位为min。
代入设计暴雨计算公式后，按照《给水排水设计手册》中的方法对降雨过程进行时程分配计算，又根据长期实际观测的资料，将雨峰系数r的值取为 0.167，其公式如下：
Figure BDA0003649282450000111
Figure BDA0003649282450000112
式中，i为降雨强度，单位为mm/min；tb表示降雨峰值前的降雨历时，单位为min；ta表示降雨峰值后的降雨历时，单位为min；r为雨峰系数。
计算24h长历时设计暴雨过程时，按照《北京市水文手册——暴雨图集》进行推求，设计雨型选为二阵雨雨型，根据《城镇雨水系统规划设计暴雨径流计算标准》(DB11/T969-2016)中的24h每5min雨型分配表进行降雨过程分配。由于本研究中需要用到10年一遇和20年一遇最大24h的设计暴雨数据，所以长历时设计暴雨计算了两组数据。短历时和长历时的设计暴雨过程线分别如图 3、图4所示。
S3构建基于SWMM的待预测城市的洪涝风险预测模型：
S301河道汇流子模型
(1)节点管网概化
基于清洋河流域的地下排水管网资料、地形高程等资料构建管网子模型，根据雨水管线的连接情况检查其上下游连接方式是否正确，核对管道设置的形状、高程以及上下游管底标高、接口距离管底高度值等；检查节点管网连接逻辑关系，以及坡度等相关信息。地下排水管网概化时应该遵循去繁从简的原则，即删除研究区内与排水功能无关或者是对其影响极小的管线路径，只留下雨水管网中最主要的部分，并核对高程与坐标位置的匹配性。地下排水管网数据之间常常会存在逆坡、管道不连通、或者是存在孤立点等错误，因此需仔细检查核对管道上下游连接高程，保证地下排水管道之间、检查井与检查井之间的连接逻辑关系正确。经过模型构建后得到：清洋河流域内共1921个节点，排水管网1913段，总长74.25km。构建的管网概化如图5所示。
(2)子汇水区划分
子汇水区的划分需要参考研究区的管网分布情况和地形、下垫面等资料。子汇水分区的划分考虑研究区时间情况，根据研究区域的地形地貌特征、地下管网布设情况，以及子汇水区内的水就近排放到河道的原则进行划分。本发明综合了泰森多边形法和人工判读两种方法对流域进行子汇水区的划分。第一步，根据流域内地下排水管线、清洋河河道、研究区坡度和不透水比例等信息，结合遥感影像对概化的检查井汇水区进行人工划分。第二步，根据人工划分的汇水区，通过泰森多边形法进一步自动化分子汇水区。经过以上步骤可以得到：研究区共划分子汇水区1745个，面积为0.002～3.99ha，子汇水区平均面积为0.38ha。节点、管网、河道、子汇水区划分结果图6所示。
GIS软件简化清洋河河道数据；将处理好的河道数据导入SWMM中，并进行节点管网逻辑、拓扑关系之间的检查与校核，构建河道汇流子模型。该河道的上边界是清洋河的起点，出口边界是清洋河入清河口处。
S302构建得到地表洼地汇流模型
(1)洼地提取
借助ArcGIS中水文分析中的填洼工具，对高精度的DEM数据(平面分辨率为2m，垂向高度为0.1m)设置不同的填充阈值进行两次计算。第一次，使用填洼工具将填充阈值设置为0.1m，即将深度小于0.1m的洼地视为系统自身的误差进行填充，而将深度大于0.1m的洼地保留下来。第二次，使用同样的填洼工具再次进行填洼，此时不设置任何填充阈值，把研究区内所有的洼地区域都进行填充，输出得到无洼地的DEM数据。接着，借助Minus工具用第二步中全部填洼的DEM图层与第一步中得到的填充阈值为0.1m的DEM图层相减，便可提取出容易积水的低洼区域，最后再计算洼地体积。
因为像元深度为两次不同阈值填充后相减得到的图层，所以在计算像元深度和时一定要注意先计算出每一个像元的差值，然后再计算所有像元的和。像元面积大小等于单个像元的面积大小乘以洼地内像元的总个数。在本研究中，因为选取的高精度DEM数据的平面分辨率为2m，所以计算时单个栅格像元的大小就为2m×2m。
通过上述填洼处理提取出洼地后，还需对洼地进行初步筛选处理，即去除面积过小的区域以及湖泊、河道等水体区域，本文重点对建筑区内的积水内涝情况进行研究分析。
(2)洼地集水区提取
洼地集水区提取时，第一步找到出水点，也就是该洼地集水区的最低点。第二步结合水流的流动方向，在整个大流域范围内确定该出水点上游区域所有流过该出水口的栅格，注意搜寻时找遍流域的每一个角落，避免数据缺失。
先利用水文分析中的捕捉溢流点工具搜索一定范围内汇流累积量较高的栅格点，再利用分水岭工具提取出每个洼地对应的集水子流域，并计算出每一个洼地对应的子汇水区面积。
(3)洼地溢流点提取
洼地溢流点为雨水从洼地边缘的漫溢出来的点。当计算出了区域内的潜在积水区(即洼地区域)和每个洼地对应的汇流累积量，便可通过计算提取出洼地溢流点的位置，即一个洼地内汇流累积量最大点所在的位置。计算洼地溢流点时，需要先计算出DEM数据中水流的流动方向，然后再根据水流方向计算出其汇流累积量的大小。GIS中每个格网的水流方向为水流出该格网时的指向，将中心格网周边的八个格网都编码，赋予其代表的数字，便可得到水流方向的数值。
(4)洼地汇流路径生成
一场降雨过程中，雨水降落到地表后先汇集在地势较低洼的地方，当洼地被填满时，洼地中的水将会从边缘溢出，称该点为洼地的溢流点，如图8(a)、 (b)所示。通过计算，比较筛选找到洼地区域内汇流累积量最大的点，该点即为溢流点。当洼地被蓄满时，水流从溢流点溢出，离开该洼地，继续流向下一个地势更低的洼地，将这一整个雨水不断填洼-流动的过程概化为网络，如图8 (c)、(d)所示，最后历经全研究区范围内。这种方法可以快速准确地提取出洼地区域(潜在积水区)的位置，且操作简便。
提取出洼地和溢流点后，即可通过最短路径提取工具提取得到连通洼地各溢流点间的汇流路径。借助GIS空间分析里的成本路径工具，经过最短路径函数的计算，得到从起点到终点的最小成本路径。此方法能够找到两点之间最快捷高效的路线，属于最优路径选择中使用频率较高的一种方法。其工作原理是通过溢流点在每个流向栅格中的方向信息，得到一个像素宽的栅格网络，可以通过该工具将其转变为下游的方向确定的曲线。
经过上述步骤提取出的清洋河流域洼地、溢流点及汇流路径分布如图9所示。因为本研究主要研究的是城市范围内对人们生活有影响的区域，重点在道路、建筑区区域，所以去除了研究区内面积小于0.3ha的洼地以及水域、绿地的洼地，最终筛选得到清洋河区域内有效洼地46个，总面积为0.32km2；洼地间汇流路径64段，总长度为20.18km。
之后进行SWMM中洼地汇流网络系统概化，在SWMM模型中把溢流点概化为调蓄池(其中，调蓄池的底面积为洼地面积；调蓄池的高为洼地平均深度)，把洼地汇流路径概化为管渠，将提取出来的洼地子汇水区概化为地表汇水区域，从而构建得到基本的“溢流点-汇流路径-子汇水区域”模型。
S303子汇水区参数计算
(1)子汇水区坡度计算
子汇水区的坡度大小会影响水流流动的速度，对模型坡面汇流产生较大影响，坡度的改变会使得坡地汇流的流量和汇流时间，以及流域出口断面的流量过程线发生变化，从而降低模型模拟的准确性和真实性。本研究中所用的高精度DEM数据来自北京市第一次水务普查成果，该高程数据的精度为2m。将清洋河流域的高精度DEM数据加载到GIS软件中，借助表面分析中的坡度工具进行坡度提取处理，得到整个清洋河流域内的地面坡度值。然后又借助区域分析功能中的分区统计工具提取出每一个子汇水区的平均坡度值，再将每个子汇水区的坡度值与各个子汇水区一一对应上，得到按照子汇水区划分后的坡度值，进而生成图10所示的研究区子汇水区平均坡度图，其最小的子汇水区的平均坡度值为1.16％，最大坡度值为20.77％。
(2)子汇水区不透水率计算
子汇水区不透水率根据研究区下垫面的土地利用类型进行计算。本研究根据清洋河流域下垫面不同土地利用类型为基础数据进行不透水率计算。清洋河流域下垫面用地类型有：道路、道路两侧植被、耕地、公共绿地、公园绿地、河道、湖泊、建设用地、坑塘、裸土、普通房屋、水池、停车场、未利用面积、屋顶绿化、小区绿化共16种，将其分为透水和不透水两个大类，不透水赋值为 1，透水的赋值为0，通过GIS中的分区统计工具统计出每一个子汇水区的平均不透水率，再将每个子汇水区的平均不透水率数值与各个子汇水区的序号一一对应上，得到按照子汇水区划分后的平均不透水率值，最终生成图11所示的研究区子汇水区不透水率比例图，经过计算得到：最小的子汇水区的平均不透水率为23.79％，最大平均不透水率为100％。
(3)子汇水区相关参数确定
子汇水区其他的相关参数值，比如：透水区和不透水区的曼宁系数、洼蓄水深度、最大最小下渗率等参数，一般都没有办法通过直接计算提取得到，而是通过参考前人的研究结论，或者从SWMM模型使用手册中选取初值代入进行模拟，然后通过反复调参确定最终取值。地表漫流参数的取值大小会对模型计算结果的准确性产生影响，结合实际区域的可操作情况，本发明中选取以下公式来计算子汇水区的地面漫流宽度：
Width＝k×Sqrt(Area)(0.2＜k＜5)
其中，Width为子汇水区的宽度，单位为m；Area为子汇水区的面积，单位为m2。K值取2。SWMM中概化后的模型如图12所示。
S304模型参数测试
在模型中输入20年一遇的设计降雨数据进行模拟，对模型参数进行测试，根据模拟结果与设计流量过程线对比，若两条曲线相差较大，重新调整参数进行模拟，直到模拟得到的流量过程线和设计流量过程线较接近且两组数据的纳什系数接近1。根据郭旖琪的研究，在SWMM模型中，不透水区和透水区的曼宁系数对峰值流量的影响较大，属于敏感参数；最大渗入速率对总产流量影响很小，属于不敏感参数。参考此规律进行参数率定，在SWMM中输入模型用户手册中的参数初选值后，输入降雨事件进行模型模拟，接着，将模拟出来的河道出口处的流量过程线和水文手册中计算得到的流量过程线进行对比，以水文手册计算出来的流量过程线为参照，通过在参数初选值附近反复微调，使其模拟出来的流量过程线尽量接近参照的流量过程线，率定后模型最终参数取值见表5。
表5子汇水区相关参数选值表
Figure BDA0003649282450000141
最后进行ArcGIS中洼地深度计算，通过SWMM软件输入场次降雨数据后，洼地汇流网系统可以模拟得到调蓄池内实际蓄水体积V2，将模拟得到的实际蓄水体积V2与原来提取出的洼地总体积V1作比，便可得到该场次降雨后每一个洼地的蓄水体积比值V2/V1，再借助ArcGIS中的比例工具，根据比值V2/V1缩小洼地体积，接着提取出每一个洼地的平均深度值，这个平均深度值即为该场次降雨在地面的模拟积水深度。
S305洪涝风险模型的合理分析
(1)河道流量过程验证
由于研究区缺乏实测流量资料，因此在20年一遇设计降雨情况下，将水文手册中瞬时单位线方法计算得到的河道出口断面处的流量过程线与SWMM模型模拟得到的流量过程线进行对比分析。通过水文手册方法计算河道出口断面处的流量过程线时，设计流量过程采用瞬时单位线推求，并通过径流系数法扣除各时段的入渗损失，参照《北京市水文手册(第二分册洪水篇)》，根据研究区的面积及相关属性，查表得到汇流参数n为1.5，k为1.2。经过参数率定后，在设计降雨量为20年一遇情况下，SWMM模型模拟得到的流量过程线和水文手册计算得到的流量过程线如图13。其中，20年一遇计算得到的流域出口洪峰流量为79m3/s，构建的洪涝风险快速识别模型模拟得到的洪峰流量为63.6m3/s，相对偏差为19.50％，Nash系数为0.86，由图13可知：峰现时间、两种方法计算得到的流量过程线形状基本一致，且水文手册方法的洪峰流量相比模型模拟流量偏大。由此看出，模型模拟结果合理可靠，该参数可用于洼地汇流系统模型的构建。(2)内涝积水深度验证
首先进行内涝积水深度验证，采用河道流量验证后产汇流模型中的参数，在洪涝风险快速识别模型中输入10a一遇最大1h降雨数据进行模拟，得到模型模拟积水深度结果，根据《清河流域基于精细化洪涝模型的积水风险点台账》，与精细化洪涝模型模拟情况相比较，其偏差见表6，降雨积水模拟情况见图14。
表6参数率定后该模型模拟水深与精细化洪涝模型模拟水深误差表
Figure BDA0003649282450000151
由表6可以看出，在10a一遇最大1h降雨事件中，W9积水点的模拟值与精细化洪涝模型模拟的积水深度值相差0.051m，误差率为13.25％；W33积水点的模拟值与精细化洪涝模型模拟的积水深度值相差0.026m，误差率为- 12.68％；W44积水点的模拟值与精细化洪涝模型模拟的积水深度值相差 0.002m，误差率为1.12％。由计算结果可知，模拟结果合理，构建的城市洪涝风险快速识别模型能够较好地模拟出研究区内洼地的内涝积水情况。
S4降雨量预测模型与洪涝风险模型耦合得到洪涝风险预测模型
将步骤S1中得到的降雨量预测模型输出的降雨量预测值经预处理后作为步骤S3中的洪涝风险模型的降雨量输入值；将降雨量预测模型与洪涝风险模型耦合得到洪涝风险预测模型。
S5将待预测城市的实时雷达回波图输入到洪涝风险预测模型，得到待预测城市的洪涝风险分析结果。
(1)研究数据资料
临近期降雨预报中输入数据来自中国天气雷达网下载的雷达回波图，进行降雨预测分析时下载了时间为2020年8月12日场次降雨的21:42、21:48、 21:54三景雷达图，如图15-图17所示。清河流域“2020.08.12”降雨的积水数据来自实地调研收集积水情况。实测降雨数据来源于北京市气象部门，实测降雨数据时间分辨率为5min。
“2020.08.12”场次降雨预测分析
受西北低涡、东海和孟加拉湾气流影响，2020年8月12日降雨是北京市入汛以来最强的降雨，据统计：全市平均降雨量69mm，暴雨中心从西南到东北呈条带状分布，昌平、怀柔、城区等地雨量较大，城区暴雨中心石景山 244mm，郊区暴雨中心怀柔237mm，最大雨强昌平沙河闸72mm/h(12日 22:15-23:15)。北运河大部分河道及白河、雁栖河、拒马河等少数河道出现明显涨水过程。
通过临近期降雨预报平台，基于金字塔光流法和云图外推法，输入判别出来的云层类型进行计算，得到未来一个小时的降雨预报产品，其1h总降雨量的降雨插值图见图18，“8.12”1h临近期降雨预报产品中开始前6min和最后6min 降雨的预测落区与实测降雨落区分布图见图19。
由预测降雨量数据和实测降雨数据比较可知：预测结果与实际降雨基本一致，城区预测结果略偏小，预测情况与实际情况对比图见表7。
表7预测情况与实际情况对比图
Figure BDA0003649282450000161
由于清洋河内实际调查得到的积水点有限，所以分析了清河流域(研究区清洋河流域的大流域)的预测降雨和实际积水点的位置分布情况。在清河流域利用激光雷达(LiDAR)技术构建精细化高程模型(平面分辨率2m，垂向高度 0.1m)，经过地形分析，识别内涝低洼风险区域170个，将预测降雨和实际积水点叠加得到图20，由图可看出实际积水点位置和强降雨预测落区位置吻合度较高。
(2)四场预测降雨内涝积水情况分析
人类活动和自然因素共同对城市流域的产流量产生影响。城市洪水的降雨- 径流关系受城市发展水平影响，与城市不透水面积密切相关。地下排水管道在某一设计重现期下的排水能力不仅与其设计暴雨量有关，还与其选用的洪峰径流系数密切相关。一般情况下，雨水管道的设计排水能力(指排泄净雨的能力) 是确定的，参考《北京市水文手册(第二分册洪水篇)》中的内容，目前北京市城区雨水管道的洪峰径流系数一般采用0.55。本次考虑地下排水管网影响，所以需要先对降雨数据进行预处理。
将临近期降雨预报中得到的四场降雨数据输入构建的内涝风险快速识别模型中进行积水深度模拟计算，通过对四场降雨模拟计算可得：T1场次降雨的积水深度最小值为0.01m，最大值为0.36m，平均积水深度为0.28m；T2场次降雨的积水深度最小值为0.02m，最大值为0.34m，平均积水深度为0.14m；T3 场次降雨的积水深度最小值为0.03m，最大值为0.79m，平均积水深度为0.29m； T4场次降雨的积水深度最小值为0.04m，最大值为0.79m，平均积水深度为 0.33m。四场降雨的积水情况见表8所示，模拟积水情况示意图见图21～图24。
表8四场预测降雨的模拟积水情况
Figure RE-GDA0003890303790000162
基于构建的城市洪涝风险快速识别模型，从降雨预测角度对北京市2020年“8.12”降雨的预情况进行了分析。通过洪涝风险快速识别模型能够预测出降雨的主要落区的位置，对主要降雨段的雨量估算精度较高，并根据雨量来分析洪涝风险。

Claims (10)

1.一种城市洪涝风险预测方法，其特征在于，包括以下步骤：
(1)基于待预测城市的历史雷达回波图，通过GIS对雷达回波图进行预处理及重分类计算，构建待预测城市的降雨量预测模型；
(2)收集待预测城市的基础数据，并对收集的基础数据进行预处理；
(3)根据步骤(2)中预处理后的基础数据，构建基于SWMM的待预测城市的洪涝风险预测模型；
对城市的节点管网进行概化并对子汇水区进行划分与数据计算，构建流域产流模型与管网汇流模型，并通过ArcGIS软件简化当地河道数据，将简化的河道数据导入SWMM中，进行节点管网逻辑、拓扑关系之间的检查与校核，构建河道汇流子模型；
提取洼地和溢流点，并计算每一个洼地对应的子汇水区面积；通过最短路径提取工具提取得到连通洼地各溢流点间的汇流路径；洼地汇流路径概化为管渠，将提取出来的洼地子汇水区概化为地表汇水区域，从而构建得到地表洼地汇流模型；
将河道汇流子模型与地表洼地汇流模型耦合得到待预测城市的洪涝风险模型；
(4)将降雨量预测模型洪涝风险模型耦合得到洪涝风险预测模型；步骤(1)中得到的降雨量预测模型输出的降雨量预测值经预处理后作为步骤(3)中的洪涝风险模型的降雨量输入值；
(5)将待预测城市的实时雷达回波图输入到洪涝风险预测模型，得到待预测城市的洪涝风险分析结果。
2.根据权利要求1所述的城市洪涝风险预测方法，其特征在于，步骤(1)中，构建待预测城市的降雨量预测模型的方法为：基于多场次降雨的历史雷达回波图，通过GIS对雷达回波图进行预处理及重分类计算，将其分为高反射率区、中反射率区和低反射率区域；提取各云层类型的特征值以及降雨类型的识别规律；根据雷达回波图各反射率的光谱特征，构建降雨类型识别指标体系。
3.根据权利要求2所述的城市洪涝风险预测方法，其特征在于，高反射率区范围为35-70dBZ，中反射率区为25-35dBZ，低反射率区域为0-25dBZ；构建的降雨类型识别指标体系如下：
(1)(高反射率区面积+中反射率区面积)/回波图总面积≤0.1，层状云降雨；
(2)(高反射率区面积+中反射率区面积)/回波图总面积≥0.3，对流云降雨；
(3)0.1<(高反射率区面积+中反射率区面积)/回波图总面积<0.3且亮度梯度<0.15，以层状云为主的混合云降雨；
(4)0.1<(高反射率区面积+中反射率区面积)/回波图总面积<0.3且亮度梯度≥0.15，以对流云为主的混合云降雨。
4.根据权利要求1所述的城市洪涝风险预测方法，其特征在于，步骤(3)中，流域产流模型中分别计算各子汇水区的降雨产流，子汇水区包括透水区、有洼蓄不透水区和无洼蓄不透水区，流域地表总产流量的公式表示为：
R＝R1+R2+R3
式中，R为总产流量，单位mm；R1为透水区域的产流量，单位为mm；R2为有洼蓄不透水区的地表产流量，单位mm；R3为无洼蓄不透水区的地表产流量，单位为mm。
5.根据权利要求4所述的城市洪涝风险预测方法，其特征在于，步骤(3)中，子汇水区的参数包括不透水率，其通过预处理后的遥感影像数据解译分析待预测城市流域下垫面土地利用类型，并根据下垫面土地利用类型计算流域下垫面的不透水率。
6.根据权利要求5所述的城市洪涝风险预测方法，其特征在于，步骤(3)中，子汇水区的参数还包括坡度值曼宁系数、洼蓄水深度、下渗率，其中通过DEM数据处理后提取得到坡度值；通过代入SWMM模型中并反复调参确定曼宁系数、洼蓄水深度和下渗率的最终取值。
7.根据权利要求1所述的城市洪涝风险预测方法，其特征在于，步骤(3)中，洼地的提取方法为：通过ArcGIS中水文分析中的填洼工具对高精度的DEM数据设置不同的填充阈值并进行两次计算，分别得到第一次计算结果和第二次计算结果，然后通过Minus工具用第二次计算结果中全部填洼的DEM图层与第一次计算结果中得到的填充阈值为0.1m的DEM图层相减，即提取出容易积水的低洼区域，最后再计算洼地体积，洼地体积公式表示为：
V洼＝S洼×hmean
式中，V洼为洼地体积，单位为m3；S洼为洼地面积，单位为m2；hmean为提取的洼地范围内所有像元的深度平均值，单位为m。
8.根据权利要求7所述的城市洪涝风险预测方法，其特征在于，步骤(3)中，洼地对应的子汇水区的提取方法为：首先找到洼地的最低点，再结合水流的流动方向，在整个大流域范围内确定该最低点上游区域所有流过该最低点的栅格以完成子汇水区的提取。
9.根据权利要求7所述的城市洪涝风险预测方法，其特征在于，步骤(3)中，溢流点的提取方法为：先计算出DEM数据中水流的流动方向，然后再根据水流方向计算出其汇流累积量的大小，以得出洼地溢流点的位置。
10.根据权利要求1所述的城市洪涝风险预测方法，其特征在于，步骤(3)中，包括对已构建的洪涝风险预测模型的参数测试，在模型中输入20年一遇的设计降雨数据进行模拟，根据模拟结果与设计流量过程线对比，若两条曲线相差较大，重新调整参数进行模拟，直到模拟得到的流量过程线和设计流量过程线较接近且两组数据的纳什系数接近1。
CN202210538490.5A 2022-05-18 2022-05-18 一种城市洪涝风险预测方法 Pending CN115391712A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210538490.5A CN115391712A (zh) 2022-05-18 2022-05-18 一种城市洪涝风险预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210538490.5A CN115391712A (zh) 2022-05-18 2022-05-18 一种城市洪涝风险预测方法

Publications (1)

Publication Number Publication Date
CN115391712A true CN115391712A (zh) 2022-11-25

Family

ID=84115561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210538490.5A Pending CN115391712A (zh) 2022-05-18 2022-05-18 一种城市洪涝风险预测方法

Country Status (1)

Country Link
CN (1) CN115391712A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116049963A (zh) * 2022-12-12 2023-05-02 中国水利水电科学研究院 一种基于城市特大洪涝地下空间调蓄的快速模拟方法
CN116050647A (zh) * 2023-02-03 2023-05-02 中国水利水电科学研究院 一种基于遥感的流域洪涝受灾强度重现期推求方法
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
CN116542061A (zh) * 2023-05-15 2023-08-04 岳阳市水利水电规划勘测设计院有限公司 河港湖区水系排涝能力勘测数据分析方法
CN116561957A (zh) * 2023-03-05 2023-08-08 郑州大学 一种基于数值模拟的地下空间内涝评估方法
CN116702658A (zh) * 2023-08-07 2023-09-05 交通运输部天津水运工程科学研究所 一种基于预见期和形状参数的流域单位线模拟方法及应用
CN117150600A (zh) * 2023-04-13 2023-12-01 珠江水利委员会珠江水利科学研究院 一种用于城市防内涝的屋顶蓄排水控制方法
CN117196302A (zh) * 2023-09-08 2023-12-08 北京市应急指挥保障中心 一种基于汇水分区的区域内涝风险预测方法及系统
CN117473889A (zh) * 2023-10-27 2024-01-30 华中科技大学 一种区域尺度的暴雨内涝分析方法、设备及存储介质
CN118051783A (zh) * 2023-12-18 2024-05-17 中国水利水电科学研究院 一种基于预报降雨雨型匹配的城市洪涝风险预测方法

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116049963B (zh) * 2022-12-12 2024-01-23 中国水利水电科学研究院 一种基于城市特大洪涝地下空间调蓄的快速模拟方法
CN116049963A (zh) * 2022-12-12 2023-05-02 中国水利水电科学研究院 一种基于城市特大洪涝地下空间调蓄的快速模拟方法
CN116050647A (zh) * 2023-02-03 2023-05-02 中国水利水电科学研究院 一种基于遥感的流域洪涝受灾强度重现期推求方法
CN116050647B (zh) * 2023-02-03 2023-08-22 中国水利水电科学研究院 一种基于遥感的流域洪涝受灾强度重现期推求方法
CN116561957A (zh) * 2023-03-05 2023-08-08 郑州大学 一种基于数值模拟的地下空间内涝评估方法
CN116561957B (zh) * 2023-03-05 2024-04-30 郑州大学 一种基于数值模拟的地下空间内涝评估方法
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
CN117150600B (zh) * 2023-04-13 2024-05-10 珠江水利委员会珠江水利科学研究院 一种用于城市防内涝的屋顶蓄排水控制方法
CN117150600A (zh) * 2023-04-13 2023-12-01 珠江水利委员会珠江水利科学研究院 一种用于城市防内涝的屋顶蓄排水控制方法
CN116542061A (zh) * 2023-05-15 2023-08-04 岳阳市水利水电规划勘测设计院有限公司 河港湖区水系排涝能力勘测数据分析方法
CN116542061B (zh) * 2023-05-15 2024-03-08 岳阳市水利水电规划勘测设计院有限公司 河港湖区水系排涝能力勘测数据分析方法
CN116702658B (zh) * 2023-08-07 2023-10-03 交通运输部天津水运工程科学研究所 一种基于预见期和形状参数的流域单位线模拟方法及应用
CN116702658A (zh) * 2023-08-07 2023-09-05 交通运输部天津水运工程科学研究所 一种基于预见期和形状参数的流域单位线模拟方法及应用
CN117196302A (zh) * 2023-09-08 2023-12-08 北京市应急指挥保障中心 一种基于汇水分区的区域内涝风险预测方法及系统
CN117473889A (zh) * 2023-10-27 2024-01-30 华中科技大学 一种区域尺度的暴雨内涝分析方法、设备及存储介质
CN118051783A (zh) * 2023-12-18 2024-05-17 中国水利水电科学研究院 一种基于预报降雨雨型匹配的城市洪涝风险预测方法

Similar Documents

Publication Publication Date Title
CN115391712A (zh) 一种城市洪涝风险预测方法
CN111651885A (zh) 一种智慧型海绵城市洪涝预报方法
Woods et al. Investigating the representative elementary area concept: An approach based on field data
Amaguchi et al. Development and testing of a distributed urban storm runoff event model with a vector-based catchment delineation
CN113409550B (zh) 基于径流汇流模拟的泥石流灾害预警方法及系统
CN112381285B (zh) 一种基于遥感的洪涝淹没预测方法
Chen et al. Watershed environmental hydrology (WEHY) model: Model application
Vrebos et al. Water displacement by sewer infrastructure in the Grote Nete catchment, Belgium, and its hydrological regime effects
Nasri et al. Use of a geomorphological transfer function to model design floods in small hillside catchments in semiarid Tunisia
Ahmad et al. Hydrological modelling and flood hazard mapping of Nullah Lai
Bajracharya et al. Effects of Urbanization on Storm Water Run-off: A Case Study of Kathmandu Metropolitan City, Nepal.
Xu et al. Multi-mode surface generalization supports a detailed urban flooding simulation model
Khodashenas et al. Management of urban drainage system using integrated MIKE SWMM and GIS
Chandramohan et al. Hydrologic computations of SCS-CN, rational, area velocity and Tc methods for quantifying the forest surface water runoff—A case study in Sirumalai hill environs of sathiyar reservoir, Madurai, Tamil Nadu, India
Fattasse et al. Hydrological Study and Hydraulic Modeling of Flood Risk in the Watershed of the Oued Lahdar (Upper Inaouene, Morocco).
Akter et al. Estimating urban flood hazard zones using SWMM in Chittagong City
CN113887053A (zh) 一种面向管网水流计算的市政排水资料质量评估方法及系统
Aherwar et al. Comparison of rainfall runoff simulation by SCS-CN and NAM model in Shipra river basin of Madhya Pradesh, India
Silva Cervantes et al. Simulation of overflow thresholds in urban basins: Case study in Tuxtla Gutiérrez, Mexico
Tekolla Rainfall and flood frequency analysis in Pahang River basin, Malaysia
Sharah Impact of climate change on drainage cost in selected zone of Dhaka
CN117852449B (zh) 基于大尺度城市暴雨内涝模型的精细化积水处理方法
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
Storteig Continuous urban hydrological modelling of discharge peaks with SWMM
Wiebing Effectiveness of adaptation measures to make the urban rainwater distribution more robust after short intense rainfall events

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