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

CN116777206A - 一种内涝风险评估方法及系统 - Google Patents

一种内涝风险评估方法及系统 Download PDF

Info

Publication number
CN116777206A
CN116777206A CN202310656054.2A CN202310656054A CN116777206A CN 116777206 A CN116777206 A CN 116777206A CN 202310656054 A CN202310656054 A CN 202310656054A CN 116777206 A CN116777206 A CN 116777206A
Authority
CN
China
Prior art keywords
data
waterlogging
target area
rainfall
storm
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
CN202310656054.2A
Other languages
English (en)
Inventor
狄丹阳
张金萍
王茹玉
方宏远
孙斌
张浩锐
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.)
Zhengzhou University
Original Assignee
Zhengzhou University
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 Zhengzhou University filed Critical Zhengzhou University
Priority to CN202310656054.2A priority Critical patent/CN116777206A/zh
Publication of CN116777206A publication Critical patent/CN116777206A/zh
Pending legal-status Critical Current

Links

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
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • Computational Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Educational Administration (AREA)
  • Mathematical Analysis (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Hydrology & Water Resources (AREA)
  • Game Theory and Decision Science (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)

Abstract

本发明公开了一种内涝风险评估方法及系统，其中所述方法包括以下步骤：步骤S1，获取目标区域内的历史降雨数据，根据历史降雨数据得到目标区域内的暴雨强度公式，以及根据暴雨强度公式在建模软件中生成降雨模型，所述降雨模型包括不同频率的设计暴雨数据；步骤S2，获取目标区域内的排水管分布、河道路径、道路路径、DEM数据和遥感信息并根据建模软件依次确定目标区域内的一维模型和二维模型；步骤S3，将一维模型根据各设计暴雨数据得到对应的一维内涝评估数据；步骤S4，将二维模型根据各设计暴雨数据得到对应的二维内涝评估数据；步骤S5，根据一维内涝评估数据、二维内涝评估数据确定目标区域内的内涝等级。本发明旨在提高城市内涝风险的精准评估。

Description

一种内涝风险评估方法及系统
技术领域
本发明涉及内涝风险评估技术领域，尤其涉及一种内涝风险评估方法及系统。
背景技术
目前，随着温室效应、厄尔尼诺、拉尼娜等现象不断地影响着全球气候和降水情况，以及城市化进程的不断加快，造成了大范围强降水的频繁发生以及城市暴雨规律已发生了较大变化，进而城市“内涝”的频现迫切需要各大中小城市重新设计建设或改造雨水排水管网，而已有的防洪排涝系统的发展脚步已经跟不上城市发展的速度，进而需要对城市的排水设施建设实行系统的规划。现有专利公开号为CN111652519A的发明专利公开了一种城市内涝风险评估方法，其通过在各地采用降水监控装置，同时检测该地点地下水的排水能力，计算瞬时差值，算出结果，同时将以往时间单位时间内该地未处理雨水的量，做成表格，不断的判断上述未处理雨水量最大值，做成表格，不断与新晋观测的未处理雨水量对比并且观察内涝情况，从而对于最大值进行调整，于是不断能够以前段时间为参照，同时能够不断为后续作为参照，进而该型城市内涝风险评估方法采用实时比较的方式，将瞬时的差值和以往临近的达到内涝的差值比较，以及通过不断观察瞬时排水差值与内涝的关系，来不断调整达到内涝的条件，但其统计的数据仅仅是历史降水数据并未与城市内部相关基础数据协同评估内涝情况，进而使得最终得到的城市内涝情况精准度不高。因此，亟需采用一种新的内涝风险评估方法。
发明内容
本发明的主要目的在于提供一种内涝风险评估方法及系统，旨在解决现有的内涝风险评估精准度不高的技术问题。
为实现上述目的，本发明提供一种内涝风险评估方法，所述方法包括以下步骤：
步骤S1，获取目标区域内的历史降雨数据，根据历史降雨数据得到目标区域内的暴雨强度公式，以及根据暴雨强度公式在建模软件中生成降雨模型，所述降雨模型包括不同频率的设计暴雨数据；
步骤S2，获取目标区域内的排水管分布、河道路径、道路路径、数字高程模型(Digital Elevation Model，简称DEM)数据和遥感信息并根据建模软件依次确定目标区域内的一维模型和二维模型；
步骤S3，将一维模型根据各设计暴雨数据得到对应的一维内涝评估数据；
步骤S4，将二维模型根据各设计暴雨数据得到对应的二维内涝评估数据；
步骤S5，根据一维内涝评估数据、二维内涝评估数据确定目标区域内的内涝等级。
可选地，所述步骤S1中获取目标区域内的历史降雨数据，根据历史降雨数据得到目标区域内的暴雨强度公式的具体步骤包括：
步骤S11，根据年最大值法筛选历史降雨数据中的有效暴雨样本数据；
步骤S12，将筛选有效暴雨样本数据按照降序排列，确定样本经验频率，所述样本经验频率按照p＝m/(n+1)公式计算，其中，p为经验频率，m为排序数，n为样本总数；
步骤S13，将所有的样本经验频率进行拟合调整确定频率分布曲线；
步骤S14，根据所述频率分布曲线与遗传算法、拟牛顿法确定目标区域内的暴雨强度公式。
可选地，所述步骤S13中还包括根据所述频率分布曲线获取重现期T、降雨强度Xi和降雨历时t三者对应值。
可选地，所述步骤S14中的暴雨强度公式为：
其中，所述Xi为降雨强度，T为重现期，t为降雨历时。
可选地，所述步骤S2具体地包括：
根据目标区域内的排水管分布、河道路径、道路路径和遥感信息确定目标区域内的一维模型；
根据所述DEM数据和所述一维模型得到对应的二维模型。
可选地，所述步骤S3具体包括：将一维模型根据各设计暴雨数据得到对应的管道流量、管道流速以及溢流节点数据。
可选地，所述步骤S4具体包括：将二维模型根据各设计暴雨数据得到对应的淹没深度和淹没时间。
可选地，所述步骤S5具体包括，根据目标区域内的管道流量、管道流速、溢流节点数据、淹没深度和淹没时间确定目标区域内的内涝等级。
可选地，所述方法还包括：步骤6，根据目标区域内的内涝等级绘制目标区域内的内涝风险图。
此外，为实现上述目的，本发明还提供一种内涝风险评估系统，所述系统包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的内涝风险评估程序，所述内涝风险评估程序被所述处理器执行时实现如上述任一项所述的内涝风险评估方法的步骤。
有益效果：
本发明提供一种内涝风险评估方法，通过获取目标区域内的历史降雨数据，进而得到修编后的暴雨强度公式并得到对应的降雨模型，以及基于目标区域内的排水管分布、河道路径、道路路径、DEM数据和遥感信息并根据建模软件依次确定目标区域内的一维模型和二维模型，进而通过一维模型和二维模型与降雨模型耦合处理，进而得到目标区域内一维内涝评估数据、二维内涝评估数据，并利用情景模拟法对目标区域的内涝风险进行评估，并根据风险等级绘制对应的风险图，进而实现直观的确定目标区域内的内涝风险情况，提高城市内涝风险的精准评估；还为目标区域内的排水管网的设计流量及设计尺寸提供了依据；此外，更加准确和详尽地对降雨时的产流、径流及管流过程进行逐个历时进行计算，真实准确地模拟降雨开始到结束的整个过程；能够准确地拟合内涝来临时易发生灾害的具体位置。还可结合现有排涝设施，构建基于修编暴雨强度公式的城市暴雨内涝评估模型，进行城市内涝风险评估研究，从而为城市防洪排涝规划提供科技与技术支撑，最终有利于城市可持续发展的实现。
附图说明
图1是本发明实施例方案涉及的内涝风险评估系统的结构示意图；
图2为本发明内涝风险评估方法第一实施例的流程示意图；
图3为图2所示的暴雨强度公式参数的求解流程图；
图4为本发明内涝风险评估方法第二实施例的流程示意图；
图5为图4所示实施例对应的结构框图；
图6为内涝风险评估的结果可视化示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的内涝风险评估系统的结构示意图。
如图1所示，该系统可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的内涝风险评估系统的结构并不构成对内涝风险评估系统的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明内涝风险评估系统的具体实施例与下述内涝风险评估方法各实施例基本相同，在此不作赘述。
参照图2，本发明提供一种内涝风险评估方法一实施例的流程示意图，所述方法包括以下步骤：
步骤S1，获取目标区域内的历史降雨数据，根据历史降雨数据得到目标区域内的暴雨强度公式，以及根据暴雨强度公式在建模软件中生成降雨模型，所述降雨模型包括不同频率的设计暴雨数据。其中，在目标区域内一般选择区域气象站作为代表性站点，且该站点满足区域代表性、历史数据连续性和一致性要求，历史降雨数据资料采用逐分钟自动记录的基础数据。并且，其中的建模软件一般采用InfoWorks ICM软件。进而步骤S1具体包括：
步骤S11，根据年最大值法筛选历史降雨数据中的有效暴雨样本数据；具体地，可采用降雨历时为5min、10min、15min、20min、30min、45min、60min、90min、120min、150min、180min共11个历时，并选取各降雨历时雨量逐年最大值的降雨场次，作为暴雨强度公式编制的有效暴雨样本数据。
步骤S12，将筛选有效暴雨样本数据按照降序排列，确定样本经验频率，所述样本经验频率按照p＝m/(n+1)公式计算，其中，p为经验频率，m为排序数，n为样本总数；
步骤S13，将所有的样本经验频率进行拟合调整确定频率分布曲线；具体地，在实际进行拟合调整确定频率分布曲线时，多采用皮尔逊—Ⅲ型、耿贝尔函数曲线、指数分布曲线这三种理论频率曲线进行趋势性拟合，并选择其中一种曲线确定为最终的频率分布曲线，进而得出重现期T、降雨强度i和降雨历时t三者关系值，即得到T-i-t关系表。
其中，以皮尔逊—Ⅲ型曲线拟合为例，具体步骤如下：
(1)计算原始暴雨资料的经验频率pi，分别利用内置函数AVERAGE、STDEV求解均值均方差σ，利用式/>求解变差系数Cv，初步选取Cs＝2Cv。
(2)计算经验频率所对应的理论暴雨强度值xpi。利用内置函数GAMMAINV计算离均系数φpi，由公式Xpi＝(1+φpiCv)X计算xpi的值。
(3)利用Excel的VBA，优选统计参数。以离差平方和最小为寻优准则，在Excel中插入VBA计算程序，逐步调整Cv、Cs的值，来寻求目标函数Σ(xi-xpi)2的最小值。
(4)由优化后的Cs，重复步骤(2)求出对应频率的理论暴雨强度xpi。
(5)运用Excel软件绘制海森机率格纸，并在其上输出理论频率曲线，在频率曲线上截取规范规定的重现期对应的理论降雨强度值。可以得出重现期T、降雨强度Xi和降雨历时t三者关系值，即T-Xi-t关系表。
以指数分布曲线拟合为例，具体步骤如下：
(1)将降雨资料按各历时降雨强度降序排列，计算各历时不同雨强的经验频率pi、经验频率对应的重现期T、利用Excel的内置函数LN计算lnp。
(2)利用Excel的内置函数LINEST，求出参数u、v值。
(3)将u、v值代入，求出与实测雨强xi相同频率下的理论暴雨强度值xp i。
(4)运用Excel软件绘制海森机率格纸，并在其上输出理论频率曲线。在频率曲线上截取规范规定的重现期对应的理论降雨强度值，可以得出重现期T、降雨强度xi和降雨历时t三者关系值，即T-xi-t关系表。此外，耿贝尔函数曲线的拟合与指数分布曲线拟合的具体步骤基本相同，进而不重复列举，并且在实际处理中，将从中选择相关系数最大的一条曲线为样本对应的频率分布曲线。
步骤S14，根据所述频率分布曲线与遗传算法、拟牛顿法确定目标区域内的暴雨强度公式。其中，在上述确定的频率分布曲线的基础上，结合遗传算法和拟牛顿法来进行暴雨强度公式参数推求，其中，所述暴雨强度公式为：
其中，所述Xi为降雨强度，T为重现期，t为降雨历时。
其中，具体的参数推导过程如下：
遗传算法的具体步骤如下：
(1)个体编码。
(2)采用随机方法产生初始群体。
(3)计算适应度。
(4)选择。
(5)交叉(又称交换、杂交)。
(6)突变(又称变异、突然变异)。
(7)反复迭代上述3-6项工作，直到得到满意的最优解为止。
由于遗传算法的代码编写较为复杂，因此在暴雨强度公式求解参数过程中，采用matlab中的ga工具箱，ga工具箱中自带编程代码，只需要输入如下几个关键数据即可优选出目标：1.Fitnes function适应度函数；2.Nuber of variable步骤S变量数；3.Linearinequalities线性不等式(变量之间的关系)；4.Linear equalities线性等式；5.Bouns变量的上下限；6.Nonlinear constraint function非线性限制方程(因变量与自变量之间的不是线性的关系)。
拟牛顿法与传统的牛顿迭代法相比有很大的改进与优势。结合拟牛顿法的原理，将其与Matlab软件结合，编写程序。现将编制的程序代码展示如下：
Function[D]＝program nd(x)
t＝[510152030456090120150180]；
p＝[2；3；5；10；20；30；50；100]；
i＝[1.37,1.14,1.04,0.86,0.70,0.59,0.52,0.38,0.30,0.24,0.20；1.69,1.41,1.30,1.09,0.88,0.73,0.64,0.48,0.37,0.30,0.24；2.04,1.71,1.60,1.34,1.07,0.90,0.78,0.58,0.45,0.36,0.29；2.48,2.08,1.96,1.66,1.32,1.10,0.96,0.71,0.54,0.43,0.36；2.91,2.44,2.32,1.96,1.56,1.29,1.13,0.83,0.63,0.50,0.41；3.15,2.65,2.52,2.13,1.69,1.41,1.23,0.90,0.69,0.54,0.45；3.45,2.9,2.77,2.34,1.86,1.54,1.35,0.98,0.75,0.60,0.49；3.85,3.24,3.11,2.63,2.09,1.73,1.51,1.10,0.84,0.66,0.55]；
D＝@(x)步骤Sum(步骤
sum((x(1)*(1+x(2)*log10(p))*(t+x(3)).^-x(4)-i).^2))；
x0＝[15 2 15 1]；
LB＝[0 0 0 0]；
UB＝[100 2 20 1]；
x＝fmincon('fun1',x0,[],[],[],[],LB,UB,[])。
进一步地，将修编后的暴雨强度公式中各个参数导入到InfoWorks ICM，然后使用InfoWorks ICM的暴雨生成器生成降雨模型，例如芝加哥雨型，在所述降雨模型中包括不同重现期下的设计暴雨，此外，针对本步骤中获得暴雨强度公式参数的求解流程图汇总，可如图3所示。
步骤S2，获取目标区域内的排水管分布、河道路径、道路路径、DEM数据和遥感信息并根据建模软件依次确定目标区域内的一维模型和二维模型。具体地，在获取目标区域内的排水管分布、河道路径、道路路径、DEM数据和遥感信息之后，根据目标区域内的排水管分布、河道路径、道路路径和遥感信息在InfoWorks ICM软件中确定目标区域内的一维模型；以及根据所述DEM数据和所述一维模型继续在在InfoWorks ICM软件中得到对应的二维模型。以及具体一维模型与二维模型的搭建步骤如下：
一维模型搭建：首先将排水管分布和河道路径中的节点和管道数据文件导入InfoWorks ICM完成管网拓扑结构构建，其次进行子集水区的划分，即将道路路径数据和遥感影像资料等数据文件导入InfoWorks ICM完成研究区的土地利用分类，然后在完成土地利用分类的基础上根据不同的产流表面类型进行产流计算，然后每个汇水区加和其所有产流表面的产流水量，最后选用InfoWorks ICM中的步骤SWMM模块进行汇流计算，进而完成一维模型搭建。
二维模型搭建：二维模型是在一维模型的基础上，加上根据DEM数据生成的三角网格。首先将DEM资料数据文件导入InfoWorks ICM完成地形数据的导入，其次把地形文件拖动到模型网络里面，再然后选中多边形，围绕着模型网络画一个2D区间，打开新节点窗口，把所有检查井的洪水类型改成“2D”，进而完成二维模型搭建。
步骤S3，将一维模型根据各设计暴雨数据得到对应的一维内涝评估数据。具体地，基于所创建的降雨模型，选定不同重现期下的设计暴雨运行所得到的管道流量、管道流速以及溢流节点数据。
步骤S4，将二维模型根据各设计暴雨数据得到对应的二维内涝评估数据。具体地，基于所创建的降雨模型，选定的不同重现期的设计暴雨所得到的淹没深度和淹没时间。
步骤S5，根据一维内涝评估数据、二维内涝评估数据确定目标区域内的内涝等级。具体地，根据目标区域内的管道流量、管道流速、溢流节点数据、淹没深度和淹没时间确定目标区域内的内涝等级。
进一步地，如图4-5所示，在图2所示实施例的基础上，所述方法还包括：步骤6，根据目标区域内的内涝等级绘制目标区域内的内涝风险图。具体地，基于InfoWorks ICM的一维与二维耦合模型计算成果，利用情景模拟法对研究区域的内涝风险进行评估，情景模拟法就是对不同重现期下的设计暴雨造成的内涝风险进行评估，然后根据不同的运行情况采用综合考虑淹没深度、淹没时间的方法来对研究区域内的内涝风险进行评估。基于对淹没深度这一指标的考虑，一般可设置4个淹没阀值，分别为0.15m、0.3m、0.5m、0.7m。认为如果研究区局部区域淹没深度没有超过0.15m，则该区域为无风险区；当积水深度超过0.15m而未超过0.3m时，该积水区域为内涝低风险区；当积水深度超过0.3m而未超过0.5m时，该积水区域为内涝中风险区域；当积水深度超过0.5m而未超过0.7m时，该积水区域为内涝高风险区域；当积水深度超过0.7m时为严重淹没区。当对于淹没时间这一指标，同样也可设置3个阀值，分别为15min、30min、60min。结合设置的3个时间阀值与之前设置的3个淹没深度阀值，将严重、高、中、低四种风险区还可以进一步划分成三个级别。最后绘制出研究区域的内涝风险图，如图6所示，可以直观地反映研究区在各种设计暴雨频率情形下可能出现的内涝淹没范围以及淹没深度，以便于相关人员及时的做出相应的应对措施。并且为目标区域内的排水管网的设计流量及设计尺寸提供了依据；此外，更加准确和详尽地对降雨时的产流、径流及管流过程进行逐个历时进行计算，真实准确地模拟降雨开始到结束的整个过程；能够准确地拟合内涝来临时易发生灾害的具体位置
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种内涝风险评估方法，其特征在于，所述方法包括以下步骤：
步骤S1，获取目标区域内的历史降雨数据，根据历史降雨数据得到目标区域内的暴雨强度公式，以及根据暴雨强度公式在建模软件中生成降雨模型，所述降雨模型包括多个设计暴雨数据；
步骤S2，获取目标区域内的排水管分布、河道路径、道路路径、DEM数据和遥感信息并根据建模软件依次确定目标区域内的一维模型和二维模型；
步骤S3，将一维模型根据各设计暴雨数据得到对应的一维内涝评估数据；
步骤S4，将二维模型根据各设计暴雨数据得到对应的二维内涝评估数据；
步骤S5，根据一维内涝评估数据、二维内涝评估数据确定目标区域内的内涝等级。
2.根据权利要求1所述的内涝风险评估方法，其特征在于，所述步骤S1中获取目标区域内的历史降雨数据，根据历史降雨数据得到目标区域内的暴雨强度公式的具体步骤包括：
步骤S11，根据年最大值法筛选历史降雨数据中的有效暴雨样本数据；
步骤S12，将筛选有效暴雨样本数据按照降序排列，确定样本经验频率，所述样本经验频率按照p＝m/(n+1)公式计算，其中，p为经验频率，m为排序数，n为样本总数；
步骤S13，将所有样本经验频率进行拟合调整确定频率分布曲线；
步骤S14，根据所述频率分布曲线与遗传算法、拟牛顿法确定目标区域内的暴雨强度公式。
3.根据权利要求2所述的内涝风险评估方法，其特征在于，所述步骤S13中还包括根据所述频率分布曲线获取重现期T、降雨强度Xi和降雨历时t三者对应值。
4.根据权利要求3所述的内涝风险评估方法，其特征在于，所述步骤S14中的暴雨强度公式为：
其中，所述Xi为降雨强度，T为重现期，t为降雨历时。
5.根据权利要求1至4中任一项所述的内涝风险评估方法，其特征在于，所述步骤S2具体地包括：
根据目标区域内的排水管分布、河道路径、道路路径和遥感信息确定目标区域内的一维模型；
根据所述DEM数据和所述一维模型得到对应的二维模型。
6.根据权利要求5所述的内涝风险评估方法，其特征在于，所述步骤S3具体包括：将一维模型根据各设计暴雨数据得到对应的管道流量、管道流速以及溢流节点数据。
7.根据权利要求6所述的内涝风险评估方法，其特征在于，所述步骤S4具体包括：将二维模型根据各设计暴雨数据得到对应的淹没深度和淹没时间。
8.根据权利要求7所述的内涝风险评估方法，其特征在于，所述步骤S5具体包括，根据目标区域内的管道流量、管道流速、溢流节点数据、淹没深度和淹没时间确定目标区域内的内涝等级。
9.根据权利要求6至8中任一项所述的内涝风险评估方法，其特征在于，所述方法还包括：步骤6，根据目标区域内的内涝等级绘制目标区域内的内涝风险图。
10.一种内涝风险评估系统，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的内涝风险评估程序，所述内涝风险评估程序被所述处理器执行时实现如权利要求1至9中任一项所述的内涝风险评估方法的步骤。
CN202310656054.2A 2023-06-05 2023-06-05 一种内涝风险评估方法及系统 Pending CN116777206A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310656054.2A CN116777206A (zh) 2023-06-05 2023-06-05 一种内涝风险评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310656054.2A CN116777206A (zh) 2023-06-05 2023-06-05 一种内涝风险评估方法及系统

Publications (1)

Publication Number Publication Date
CN116777206A true CN116777206A (zh) 2023-09-19

Family

ID=87988851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310656054.2A Pending CN116777206A (zh) 2023-06-05 2023-06-05 一种内涝风险评估方法及系统

Country Status (1)

Country Link
CN (1) CN116777206A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118153911A (zh) * 2024-05-09 2024-06-07 中国电建集团华东勘测设计研究院有限公司 排水管网系统优化调度方法、装置及电子设备
CN118522120A (zh) * 2024-04-17 2024-08-20 北京市水务规划研究院 自然灾害的监控方法、监控装置和终端设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118522120A (zh) * 2024-04-17 2024-08-20 北京市水务规划研究院 自然灾害的监控方法、监控装置和终端设备
CN118153911A (zh) * 2024-05-09 2024-06-07 中国电建集团华东勘测设计研究院有限公司 排水管网系统优化调度方法、装置及电子设备

Similar Documents

Publication Publication Date Title
Gori et al. Characterizing urbanization impacts on floodplain through integrated land use, hydrologic, and hydraulic modeling
Huang et al. Linkages between hydrological drought, climate indices and human activities: a case study in the Columbia River basin.
CN116777206A (zh) 一种内涝风险评估方法及系统
KR102225241B1 (ko) 실시간 침수 예측 장치 및 방법
Nandalal et al. Event based modeling of a watershed using HEC-HMS
Gao et al. A framework for automatic calibration of SWMM considering input uncertainty
Majeed et al. Selection of suitable PDF model and build of IDF curves for rainfall in Najaf city, Iraq
Zhao et al. Modeling hydrologic responses using multi-site and single-site rainfall generators in a semi-arid watershed
Ghimire et al. Evaluating the effectiveness of low impact development practices against climate induced extreme floods
Estelaji et al. Efficiency evaluation of surface water collection infrastructure during floods: information analysis and zoning management
Goharian et al. Uncertainty propagation of hydrologic modeling in water supply system performance: Application of Markov chain Monte Carlo method
Ramli et al. Linear regression analysis using log transformation model for rainfall data in water resources management Krueng Pase, Aceh, Indonesia
CN117348108A (zh) 基于气象大数据的流域气象预报方法及系统
Asgari-Motlagh et al. Probabilistic quantitative precipitation forecasting using machine learning methods and probable maximum precipitation
Bacalhau et al. Water supply reservoir operation in relation to climate variability: Pirapama river basin (Pernambuco-Brazil)
Ologhadien Assessment of the impact of climate change on intensity-duration-frequency (IDF) equations in Benin city, Nigeria
Gharib et al. Calculation of the spatial flooding intensity with unit flood response method in the Tangrah Watershed, Iran
KR102654405B1 (ko) 하천 홍수 예·경보 프레임워크 기반 홍수 예측 시스템 및 방법
Geeshan et al. Vulnerability of colombo suburbs for kelani river floods
Yazdi et al. An optimization model for floodplain systems considering inflow uncertainties
Chen et al. Exploring Machine Learning Techniques for Smart Drainage System
Serrano et al. Hydraulic Analysis of the Marikina River Floodplain During Typhoon Vamco using Numerical Modelling
CN116150973B (zh) 一种基于模型树和集成学习组合算法的河道流量演算方法
Amaguchi et al. Evaluation of climate change impacts on urban flooding using high-resolution rainfall data
Kovalenko Determination of extreme flood events in the Black Creek, Julington Creek, Dubin Creek, Big Davis Creek, Ortega River, and Pablo Creek sub-basins of the lower St. Johns River basin, Florida, USA

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