CN117010726B - 用于城市防洪的智慧预警方法及系统 - Google Patents
用于城市防洪的智慧预警方法及系统 Download PDFInfo
- Publication number
- CN117010726B CN117010726B CN202311276139.4A CN202311276139A CN117010726B CN 117010726 B CN117010726 B CN 117010726B CN 202311276139 A CN202311276139 A CN 202311276139A CN 117010726 B CN117010726 B CN 117010726B
- Authority
- CN
- China
- Prior art keywords
- rainfall
- flood
- data
- urban
- urban flood
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000004458 analytical method Methods 0.000 claims abstract description 49
- 238000011160 research Methods 0.000 claims abstract description 44
- 238000013507 mapping Methods 0.000 claims abstract description 34
- 238000010219 correlation analysis Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 230000035772 mutation Effects 0.000 claims description 35
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 18
- 230000001186 cumulative effect Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 9
- 238000010998 test method Methods 0.000 claims description 9
- 239000002689 soil Substances 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims 2
- 238000012300 Sequence Analysis Methods 0.000 claims 1
- 238000003556 assay Methods 0.000 claims 1
- 238000012098 association analyses Methods 0.000 claims 1
- 238000009499 grossing Methods 0.000 claims 1
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 238000006424 Flood reaction Methods 0.000 description 36
- 238000005516 engineering process Methods 0.000 description 15
- 230000007246 mechanism Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000013179 statistical model Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012732 spatial analysis Methods 0.000 description 3
- 238000012731 temporal analysis Methods 0.000 description 3
- 238000000700 time series analysis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- G06Q10/0637—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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于城市防洪的智慧预警方法及系统，包括如下步骤：确定研究区域范围，并获取研究数据；提取历史降雨数据，获得降雨特征形成降雨特征集合；采用趋势分析法对降雨数据进行分析，分成至少两个时段；提取城市洪水数据，提取城市洪水特征形成城市洪水特征集合；构建降雨和城市洪水的关联性分析模型，计算降雨和城市洪水的相关性，并降序排列；针对每一城市洪水，构建预警措施集合，形成研究区域的降雨与预警措施映射关系；构建水文水动力模型并基于研究数据进行率定，以当前实测降雨和城市洪水数据作为输入数据，进行模拟和预测，给出智慧预警信息和预警措施，并推送至各个终端。本发明大大提高了预报的精度和灵敏度。
Description
技术领域
本发明属于洪水预报技术，尤其是一种用于城市防洪的智慧预警方法及系统。
背景技术
洪水预报预警是指根据已知或预测的降雨、融雪、土壤湿度等水文气象条件，利用数学模型或统计方法，对未来一定时间内某一地点或区域的水文要素（如河流水位、流量、洪峰到达时间等）进行预测的过程。洪水预报是防汛抗旱工作的重要依据，也是水资源管理、水利工程运行、生态环境保护等领域的基础技术。目前，洪水预报主要有两类方法：基于物理机制的确定性模型和基于数据关系的经验统计模型。
首先，基于物理机制的确定性模型是根据流域产汇流过程和河道波动过程的物理规律建立的数学模型，通过求解控制方程和边界条件，模拟洪水发生、发展和消退的过程。这类模型可以反映流域内各种因素对洪水过程的影响，具有较强的物理意义和适应性，但也存在一些问题，如参数较多难以确定，计算量较大难以实时应用，数据要求较高难以满足等。其次，基于数据关系的经验统计模型是根据历史观测数据分析洪水过程与各种因子之间的统计关系，并建立相应的数学表达式或概率分布函数，用于预测未来可能发生的洪水情况。这类模型可以充分利用已有数据，简化计算过程，提高预报效率，但也存在一些问题，如不能反映流域内各种因素对洪水过程的物理机制，缺乏通用性和稳定性，对数据质量和数量要求较高等。再次，随着大数据、人工智能等新技术的发展和应用，为洪水预报提供了新的思路和手段。人工智能是一种让机器具有智能行为的技术，其中机器学习是人工智能的核心技术之一，主要通过让机器自主学习数据中蕴含的规律，并利用这些规律进行分类、回归、聚类等任务。机器学习可以处理海量、复杂、非线性的数据，具有高效、稳定、客观等优势。目前，在气象灾害识别预测、天气指标分类、天气预报预测等方面已经取得了较好的应用效果。将机器学习应用于洪水预报预警，可以克服传统方法的局限性，提高预报的精度和灵敏度。但是机器学习还存在缺乏足够的可解释性，不能反应实际的物理机制和原理，同时，对数据质量和数量要求比较高，数据质量存在问题，会降低可靠性和鲁棒性。
最后，对于城市防洪而言，在时间和空间上的预报，要求精度更高，速度更快，当前的预报方法，难以满足要求。因此需要研发创新，提供新的解决方案。
发明内容
发明目的：提供一种用于城市防洪的智慧预警方法，以解决现有技术存在的上述问题。并进一步提供一种用于城市防洪的智慧预警系统，以实现上述方法。
技术方案
根据本申请的一个方面，用于城市防洪的智慧预警方法，包括如下步骤：
步骤S1、确定研究区域范围，并获取研究数据；
步骤S2、从研究数据中提取历史降雨数据，获得降雨特征形成降雨特征集合；采用趋势分析法对降雨数据进行分析，分成至少两个时段；
步骤S3、从研究数据中提取城市洪水数据，提取城市洪水特征形成城市洪水特征集合；采用趋势分析法对城市洪水进行分析；
步骤S4、构建降雨和城市洪水的关联性分析模型，基于降雨数据和城市洪水数据，针对每场降雨和城市洪水，计算降雨和城市洪水的相关性，并降序排列；
步骤S5、针对每一城市洪水，构建预警措施集合，形成研究区域的降雨与预警措施映射关系；
步骤S6、构建水文水动力模型并基于研究数据进行率定，以当前实测降雨和城市洪水数据作为输入数据，进行模拟和预测，给出智慧预警信息和预警措施，并推送至各个终端。
根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、获取城市所在流域的研究数据，所述研究数据至少包括数字高程模型、坡度、流向、流量、排水管网参数、降雨数据和城市洪水数据；
步骤S12、基于数字高程模型，获取第一边界和第二边界，其中第一边界为城市所在流域的流域边界；第二边界为城市防洪区域边界；第二边界包含于第一边界；
步骤S13、将研究区域栅格化，并基于防洪目标提取第二边界内的重点区域，针对每一重点区域，查找重点区域对应的栅格并构建重点栅格集合；
步骤S14、基于数字高程模型，提取城市水网结构，并逐一提取重点区域的水网和汇流数据。
根据本申请的一个方面，所述步骤S2进一步包括：
步骤S21、从研究数据中提取历史降雨数据，从降雨数据获得包括降雨中心、降雨半径、最大N天降雨量、降雨天数和累计降雨量在内的降雨特征；其中，N为1、3、5、7；
步骤S22、构建趋势分析法集合，所属趋势分析法至少包括MK检验法和Sen’s斜率法；
步骤S23、逐一采用趋势分析法进行趋势检测；
其中，MK检验法的过程包括：首先计算每一对年份降雨量的差值，并采用正负号赋予符号值；计算每个年份的累积符号值并求出总和、方差、标准差和标准化统计量；基于标准化统计量与阈值的比较结果，判断是否存在显著的趋势；采用二分法查找降雨突变点，
步骤S24、基于降雨突变点，将降雨数据分成至少两个时段。
根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、从研究数据中提取城市洪水数据，采集城市洪水特征并形成城市洪水特征集合，所述城市洪水特征至少包括淹没范围、淹没时间、淹没深度、洪水总量、洪水历时、洪峰流量、峰现时间、起涨流量和涨峰段洪量；
步骤S32、构建趋势分析法集合，所述趋势分析法至少包括MK检验法和移动平均法；
其中，采用移动平均法进行趋势分析的过程包括：获取城市洪水数据并构建洪水时间序列，选择合适的时间窗口长度，并根据时间窗口长度计算每期的移动平均值；根据移动平均值绘制平滑曲线，并观察曲线的变化趋势，判断是否存在显著的上升或下降趋势；根据移动平均值和原始数据计算残差，即两者之间的差值，根据残差的绝对值或标准差判断是否存在洪水突变点，并确定其位置；
所述移动平均值包括简单移动平均值SMA和指数移动平均值EMA，简单移动平均值SMA指时间窗口内各期数据的算术平均值；指数移动平均EMA指时间窗口内各期数据按照指数权重进行加权平均；
步骤S33、基于洪水突变点的情况，对城市洪水进行分期。
根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、构建降雨和城市洪水的关联性分析模型，所述关联性分析模型至少包括降雨分布分析单元；
步骤S42、针对每个时段的每一降雨，根据降雨中心的轨迹及降雨半径，查找影响的重点区域；建立各场降雨与重点区域的映射关系；
步骤S43、针对每一时期的每一洪水，查找每一重点区域发生的洪水与预定时间内每一降雨的关联关系，建立各个重点区域的城市洪水与关联的降雨之间的映射集合，并计算各场降雨对该重点区域的城市洪水的贡献度，并降序排列；获得每场城市洪水和各场降雨之间的相关性；
步骤S44、基于重点区域之间的水网结构关系，对城市洪水和降雨的相关性进行关联性分析。
根据本申请的一个方面，所述步骤S5进一步为：
步骤S51、构建预警措施总集；
步骤S52、建立洪水分级标准，并对每场洪水进行分类；
步骤S53、根据洪水类型，形成对应给类型洪水的预警措施集合，形成研究区域内各类型洪水与预警措施之间的映射关系。
根据本申请的一个方面，所述步骤S6进一步为：
步骤S61、获取研究数据并进行预处理，使之符合水文水动力模型的要求；
步骤S62、构建水文水动力模型，采用GIS模块对研究区域的水网和管网进行概化；简化管网结构和拓扑关系；
步骤S63、利用DEM数据对研究区域的子集水区进行划分，确定各子集水区的参数，包括面积、坡度、土壤类型、建筑情况和植被覆盖；
步骤S64、采用有限体积法对研究区域进行二维网格划分，并赋予各网格的网格参数，包括高程、粗糙度和边界条件；
步骤S65、采用包括同频率分析法、芝加哥法和暴雨时面深关系法在内的降雨设计方法，构建训练输入数据，对水文水动力模型进行率定；
步骤S66、获取当前的实测降雨和城市洪水数据，作为输入数据，进行模拟和预测，给出智慧预警信息和预警措施，推送至预定的各个终端。
根据本申请的一个方面，所述步骤S4还包括：
步骤S40、基于降雨突变点和洪水突变点对重点区域的洪水进行标注：
分别判断降雨突变点和洪水突变点的数量是否超过各自的阈值；
若是，分别进行聚类处理，直至断降雨突变点和洪水突变点的数量不高于预定的阈值；
若否，获取最近一段时期的降雨数据和洪水数据；
根据最近一段时期的降雨和洪水建立映射关系，并获得第一映射权重；
以第一映射权重重置其他各个时期的降雨与洪水的映射关系，更新映射权重，并进行检验。
根据本申请的一个方面，所述步骤S42还包括：
获取降雨数据并生成栅格化降雨分布图；
对降雨数据进行分割、识别和定位，提取出降雨中心、平均降雨量和降雨半径，将其转换为坐标系下的位置信息；
利用时间序列分析方法对位置信息进行拟合、预测和平滑操作，得到降雨中心的运动轨迹，并根据降雨半径的变化情况，判断是否发生了降雨强度的变化；
利用地理信息系统GIS将运动轨迹与重点区域的地图进行叠加，分析降雨中心的运动方向、速度和范围，并计算和评估其对重点防洪区域的影响程度。
根据本申请的另一个方面，一种用于城市防洪的智慧预警系统，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的用于城市防洪的智慧预警方法。
有益效果：本申请克服了现有技术存在的缺陷，提高了机器学习的可解释性和鲁棒性，同时根据实际项目的测试结果来看，大大提高了预报预警的速度和精度。部分优势将在下文结合具体实施例来说明。
附图说明
图1是本发明的流程图。
图2是本发明步骤S1的流程图。
图3是本发明步骤S2的流程图。
图4是本发明步骤S3的流程图。
图5是本发明步骤S4的流程图。
图6是本发明步骤S5的流程图。
图7是本发明步骤S6的流程图。
具体实施方式
如图1所示，提供一种用于城市防洪的智慧预警方法，包括如下步骤：
步骤S1、确定研究区域范围，并获取研究数据；
步骤S2、从研究数据中提取历史降雨数据，获得降雨特征形成降雨特征集合；采用趋势分析法对降雨数据进行分析，分成至少两个时段；
步骤S3、从研究数据中提取城市洪水数据，提取城市洪水特征形成城市洪水特征集合；采用趋势分析法对城市洪水进行分析；
步骤S4、构建降雨和城市洪水的关联性分析模型，基于降雨数据和城市洪水数据，针对每场降雨和城市洪水，计算降雨和城市洪水的相关性，并降序排列；
步骤S5、针对每一城市洪水，构建预警措施集合，形成研究区域的降雨与预警措施映射关系；
步骤S6、构建水文水动力模型并基于研究数据进行率定，以当前实测降雨和城市洪水数据作为输入数据，进行模拟和预测，给出智慧预警信息和预警措施，并推送至各个终端。
在本实施例中，通过分析城市降雨和洪水的历史变化趋势，揭示两者之间的关系和规律，为城市防洪排涝提供参考依据。通过从研究数据中提取历史降雨数据和城市洪水数据，采用趋势分析法对两者进行分析，可以发现城市降雨和洪水的变化特征、时空分布、频率强度等，并判断是否存在显著的上升或下降趋势，以及是否存在突变点或异常事件。通过基于降雨数据和城市洪水数据，针对每场降雨和城市洪水，计算降雨和城市洪水的相关性，并降序排列，可以找出影响城市洪水最大的降雨因素，如降雨强度、持续时间、分布范围等，并根据不同重现期的降雨场景，评估不同程度的城市洪水风险。通过针对每一场城市洪水，构建预警措施集合，如切断低洼地带电源、转移危险地带人员、检查排水系统、实行联排联调等，并根据不同程度的城市洪水风险，选择合适的预警措施，可以有效地减少城市内涝造成的人员伤亡和财产损失。通过构建水文水动力模型并基于研究数据进行率定，可以描述雨水在管网中的流动状态和地表漫流并形成积水的过程，并根据当前实测降雨和城市洪水数据作为输入数据，进行模拟和预测，可以实时地监测和预报城市内涝的发生、发展、消退等过程，并给出智慧预警信息和预警措施，并推送至各个终端。
可以提高城市防洪排涝的科学性和精确性，为城市规划、建设、管理提供支撑。通过利用数据分析和模型模拟的方法，可以更全面、更深入地了解城市降雨和洪水的特征、规律、风险等，为城市防洪排涝提供科学依据和精确信息，从而为城市规划、建设、管理提供支撑，提高城市的防灾减灾能力。提高城市防洪排涝的实时性和智能性，为城市应急响应提供保障。通过利用数据分析和模型模拟的方法，可以更及时、更智能地监测和预报城市内涝的情况，为城市应急响应提供保障，从而减少城市内涝造成的损失，提高城市的应急响应能力。
如图2所示，根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、获取城市所在流域的研究数据，所述研究数据至少包括数字高程模型、坡度、流向、流量、排水管网参数、降雨数据和城市洪水数据；可以从公开数据源获取研究数据，例如中国气象数据集、全球降水测量任务、国家地理信息公共服务平台等。上述数据可以帮助分析城市所在流域的地形地貌、水文水力特征、降雨洪水情况等。
步骤S12、基于数字高程模型，获取第一边界和第二边界，其中第一边界为城市所在流域的流域边界；第二边界为城市防洪区域边界；第二边界包含于第一边界；
步骤S13、将研究区域栅格化，并基于防洪目标提取第二边界内的重点区域，针对每一重点区域，查找重点区域对应的栅格并构建重点栅格集合；可以基于防洪目标，提取第二边界内的重点区域，例如低洼地带、易积水路段、重要设施设备；重点栅格集合可以帮助分析重点区域的排涝风险和防治措施。
步骤S14、基于数字高程模型，提取城市水网结构，并逐一提取重点区域的水网和汇流数据。可以利用GIS等工具，基于数字高程模型，提取城市水网结构，包括河道、湖泊、排水管网等，并赋予各水网元素的长度、宽度、深度、截面形状等参数。上述水网和汇流数据可以帮助分析重点区域的排涝能力和影响因素。
在本实施例中，
如图3所示，根据本申请的一个方面，所述步骤S2进一步包括：
步骤S21、从研究数据中提取历史降雨数据，从降雨数据获得包括降雨中心、降雨半径、最大N天降雨量、降雨天数和累计降雨量在内的降雨特征；其中，N为1、3、5、7；
降雨中心指某一时段内，平均降雨量最大的区域。可以利用GIS等工具，根据每日的空间分布数据，计算出每个时段的平均降雨量，并找出最大值所在的区域。
降雨半径：指以降雨中心为圆心，平均降雨量为半径的圆形区域。可以利用GIS等工具，根据每日的空间分布数据，计算出每个时段的平均降雨量，并以其为半径画出圆形区域。
最大N天降雨量指某一时段内，连续N天的累计降雨量最大值。可以利用Excel等工具，根据每日的累计降雨量数据，计算出每个时段内连续N天的累计降雨量，并找出最大值。其中，N为1、3、5、7。
降雨天数指某一时段内，日降雨量大于等于0.1毫米的天数。可以利用Excel等工具，根据每日的日降雨量数据，统计出每个时段内满足条件的天数。
累计降雨量指某一时段内，所有日降雨量之和。可以利用Excel等工具，根据每日的日降雨量数据，求和得到每个时段的累计降雨量。
步骤S22、构建趋势分析法集合，所属趋势分析法至少包括MK检验法和Sen’s斜率法；
MK检验法是用来检测时间序列是否存在显著趋势的方法。它的基本思想是将时间序列按时间顺序排列，并比较任意两个时期之间的差异，并根据正负号赋予符号值。然后计算累积符号值并求出总和、方差、标准差和标准化统计量。基于标准化统计量与阈值（如1.96）的比较结果，判断是否存在显著的趋势。如果标准化统计量绝对值大于阈值，则认为存在显著趋势；如果小于阈值，则认为不存在显著趋势；如果等于阈值，则认为趋势不确定。此外，还可以采用二分法查找降雨突变点，即在时间序列中找出使标准化统计量绝对值最大的分割点，作为降雨突变的时间。
Sen’s斜率法是用来估计时间序列的中位数斜率的方法。它的基本思想是将时间序列按时间顺序排列，并计算任意两个时期之间的斜率，并求出所有斜率的中位数作为整个时间序列的中位数斜率。中位数斜率可以反映时间序列的平均变化速率，如果中位数斜率大于零，则认为存在正向趋势；如果小于零，则认为存在负向趋势；如果等于零，则认为趋势不变。
步骤S23、逐一采用趋势分析法进行趋势检测；
其中，MK检验法的过程包括：首先计算每一对年份降雨量的差值，并采用正负号赋予符号值；计算每个年份的累积符号值并求出总和、方差、标准差和标准化统计量；基于标准化统计量与阈值的比较结果，判断是否存在显著的趋势；采用二分法查找降雨突变点。
例如，2001年和2000年的差值为-5.6，符号值为-1；2002年和2000年的差值为-3.2，符号值为-1；以此类推，得到所有符号值。
2000年的累积符号值为0；2001年的累积符号值为-1；2002年的累积符号值为-2；以此类推，得到所有累积符号值。总和为-21，方差为105，标准差为10.25，标准化统计量为-2.05。基于标准化统计量与阈值（如1.96）的比较结果，判断是否存在显著的趋势。由于标准化统计量绝对值大于阈值，因此认为存在显著的负向趋势，即降雨量呈现下降趋势。采用二分法查找降雨突变点，即在时间序列中找出使标准化统计量绝对值最大的分割点，作为降雨突变的时间。例如，将时间序列分成两部分:2000年至2010年和2011年至2020年，分别计算两部分的标准化统计量，发现前半部分为-2.58，后半部分为-1.41，因此认为2010年是降雨突变点。
采用二分法查找降雨突变点，即在时间序列中找出使标准化统计量绝对值最大的分割点，作为降雨突变的时间。例如，将时间序列分成两部分:2000年至2010年和2011年至2020年，分别计算两部分的标准化统计量，发现前半部分为-2.58，后半部分为-1.41，因此认为2010年是降雨突变点。由于中位数斜率小于零，因此认为存在负向趋势，即降雨量呈现下降趋势。
步骤S24、基于降雨突变点，将降雨数据分成至少两个时段。
如图4所示，根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、从研究数据中提取城市洪水数据，采集城市洪水特征并形成城市洪水特征集合，所述城市洪水特征至少包括淹没范围、淹没时间、淹没深度、洪水总量、洪水历时、洪峰流量、峰现时间、起涨流量和涨峰段洪量。
为了获取城市洪水数据，可以使用遥感技术或社会感知技术来监测和提取洪水淹没范围。遥感技术利用卫星或无人机拍摄的影像，通过图像处理和分析方法，识别出水体和非水体区域，从而得到淹没范围和深度。社会感知技术利用社交媒体或其他网络平台上的用户发布的信息，通过自然语言处理和地理信息系统方法，提取出含有洪涝地点的文本或图片，从而得到淹没范围。可以根据数据的可用性和质量，选择合适的技术或结合使用多种技术来获取更准确的结果。
为了采集城市洪水特征，可以使用水文站点或传感器网络来监测和记录洪水过程中的各项参数，如流量、水位、降雨量等。可以利用历史数据或统计模型来估计或推断这些参数。可以根据数据的可用性和精度，选择合适的方法或结合使用多种方法来获取更完整的数据。
为了形成城市洪水特征集合，可以将提取或采集到的数据进行整理和归纳，按照不同的时间尺度（如年、月、日等）或空间尺度（如流域、区域、街道等）进行分类和汇总，从而得到不同层次的城市洪水特征。可以根据分析目的和需求，选择合适的尺度或结合使用多种尺度来获取更有意义的特征。
步骤S32、构建趋势分析法集合，所述趋势分析法至少包括MK检验法和移动平均法；
其中，采用移动平均法进行趋势分析的过程包括：获取城市洪水数据并构建洪水时间序列，选择合适的时间窗口长度，并根据时间窗口长度计算每期的移动平均值；根据移动平均值绘制平滑曲线，并观察曲线的变化趋势，判断是否存在显著的上升或下降趋势；根据移动平均值和原始数据计算残差，即两者之间的差值，根据残差的绝对值或标准差判断是否存在洪水突变点，并确定其位置；
所述移动平均值包括简单移动平均值SMA和指数移动平均值EMA，简单移动平均值SMA指时间窗口内各期数据的算术平均值；指数移动平均EMA指时间窗口内各期数据按照指数权重进行加权平均；
在某个实施例中，首先，选择一个或多个城市洪水特征作为分析对象，如年最大日降雨量、年最大洪峰流量等；其次，选择一个或多个时间尺度作为分析单位，如年、季、月等；然后，选择一个或多个趋势分析法作为分析方法，如MK检验法和移动平均法等；最后，对每个分析对象在每个时间尺度上应用每个分析方法，得到趋势分析结果，并进行综合比较和评价。
步骤S33、基于洪水突变点的情况，对城市洪水进行分期。
在某个实施例中，选择一个或多个突变检测法作为分析方法，如累积和法、滑动t检验法、Mann-Kendall-Sneyers法等；对每个分析对象在每个时间尺度上应用每个分析方法，得到突变检测结果，并根据突变点的位置和数量，将城市洪水划分为不同的阶段。
如图5所示，根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、构建降雨和城市洪水的关联性分析模型，所述关联性分析模型至少包括降雨分布分析单元；可以利用GIS等工具，根据降雨数据的空间分布，将研究区域划分为若干个网格单元，并计算每个单元的平均降雨量、最大降雨量、降雨频率等参数，形成降雨分布分析单元。这些单元可以帮助描述降雨的空间异质性和变化规律。
步骤S42、针对每个时段的每一降雨，根据降雨中心的轨迹及降雨半径，查找影响的重点区域；建立各场降雨与重点区域的映射关系；
可以利用GIS等工具，根据每场降雨的中心位置、移动方向、移动速度和半径，绘制出每场降雨的轨迹，并与重点区域的边界进行叠加，找出被影响的重点区域，并记录下每场降雨对每个重点区域的影响时间和影响程度，形成各场降雨与重点区域的映射关系。这些关系可以帮助识别出不同降雨对不同重点区域的影响范围和强度。
步骤S43、针对每一时期的每一洪水，查找每一重点区域发生的洪水与预定时间内每一降雨的关联关系，建立各个重点区域的城市洪水与关联的降雨之间的映射集合，并计算各场降雨对该重点区域的城市洪水的贡献度，并降序排列；获得每场城市洪水和各场降雨之间的相关性；
利用Excel等工具，根据每一重点区域发生的洪水时间和持续时间，确定与之相关联的预定时间内（如前后24小时）的所有降雨，并记录下每一洪水与每一降雨之间的时间差和空间距离，形成各个重点区域的城市洪水与关联的降雨之间的映射集合。然后，可以利用相关性分析或回归分析等方法，计算各场降雨对该重点区域的城市洪水的贡献度，并按照贡献度大小进行排序，得到每场城市洪水和各场降雨之间的相关性。这些相关性可以帮助评估不同降雨对不同重点区域造成城市洪水风险的大小和敏感性。
步骤S44、基于重点区域之间的水网结构关系，对城市洪水和降雨的相关性进行关联性分析。
利用GIS等工具，根据重点区域之间的水网结构关系，如河道、排水管网、涵洞等，确定重点区域之间的水流方向和水流量，并记录下每个重点区域的入流量和出流量，形成重点区域之间的水网结构关系矩阵。然后，可以利用网络分析或系统动力学等方法，分析重点区域之间的水网结构关系对城市洪水和降雨的相关性的影响，并得到重点区域之间的城市洪水和降雨的关联性。这些关联性可以帮助理解不同重点区域之间的城市洪水传播和扩散机制和路径。
如图6所示，根据本申请的一个方面，所述步骤S5进一步为：
步骤S51、构建预警措施总集；
分析研究区域的洪水特征、防洪责任、防洪能力和防洪需求，确定防洪目标和预警目标；参考国家和地方的相关标准和规范，确定洪水等级和预警级别的划分依据和标准；根据洪水等级和预警级别，设计不同的预警信息内容、发布渠道、发布时机和发布频率；根据洪水等级和预警级别，制定不同的防洪组织指挥体系、职责分工、协调机制和信息沟通方式；根据洪水等级和预警级别，制定不同的人员转移疏散计划、安置点设置、物资准备和交通保障措施；根据洪水等级和预警级别，制定不同的工程设施运行调度方案、运行参数、运行模式和运行效果评估方法；根据洪水等级和预警级别，制定不同的应急救援队伍配置、救援物资储备、救援方案制定和救援效果评估方法。
步骤S52、建立洪水分级标准，并对每场洪水进行分类；
收集研究区域的历史或模拟的洪水要素数据，进行频率分析或极值分析，计算不同重现期或可能最大值对应的洪水要素值；参考国家或地方的相关规范，确定适用于研究区域的重现期或可能最大值范围，以及相应的洪水等级划分标准；根据洪水等级划分标准，对每场历史或模拟的洪水进行分类，并统计各个等级的出现频率和占比。
步骤S53、根据洪水类型，形成对应给类型洪水的预警措施集合，形成研究区域内各类型洪水与预警措施之间的映射关系。
形成对应给类型洪水的预警措施集合的步骤包括：分析研究区域的洪水类型特征，如发生条件、发展规律、影响程度、持续时间等；根据洪水类型特征，从预警措施总集中选择适合的预警措施，如预警信息内容、发布时机、人员转移路线、工程设施运行模式等；根据洪水类型和预警措施的匹配程度，确定不同类型洪水的预警措施优先级和执行顺序。
形成研究区域内各类型洪水与预警措施之间的映射关系的步骤包括：建立一个二维表格，横轴为洪水类型，纵轴为预警措施；在表格中填写每个洪水类型对应的预警措施集合，以及优先级和执行顺序；将表格转换为一种便于理解和使用的图形或符号表示，如流程图、树形图、矩阵图等。
如图7所示，根据本申请的一个方面，所述步骤S6进一步为：
步骤S61、获取研究数据并进行预处理，使之符合水文水动力模型的要求；
可以使用遥感技术、水文站点、传感器网络、社会感知技术等方法，收集研究区域的降雨数据、流量数据、水位数据、水质数据、地形数据、土壤数据、植被数据等。也可以利用历史数据或统计模型来估计或推断这些数据。
步骤S62、构建水文水动力模型，采用GIS模块对研究区域的水网和管网进行概化；简化管网结构和拓扑关系；
可以使用Excel、ArcGIS、MATLAB等工具，对收集到的数据进行清洗、校正、插补、转换、抽样等操作，使之符合水文水动力模型的要求。
可以使用SWMM、HEC-HMS等专业软件，或者自行编写基于有限体积法的数值模拟程序，实现对研究区域的地表径流和管网排水过程的模拟计算。
可以使用ArcGIS等工具，根据研究区域的地理信息和工程信息，绘制出水网和管网的空间分布，并赋予各个元素（如河道、排水管道、涵洞、泵站等）相应的属性（如长度、宽度、深度、粗糙度、容量等）。
为了简化管网结构和拓扑关系，可以使用SWMM等软件，根据管网排水过程中的流量分配规律和压力平衡原则，对管网中的冗余元素（如无流量或无压力变化的管道）进行剔除或合并，并调整相邻元素之间的连接关系。可以根据模型的计算效率和稳定性，选择合适的软件或结合使用多种软件来进行更合理和简洁的简化。
步骤S63、利用DEM数据对研究区域的子集水区进行划分，确定各子集水区的参数，包括面积、坡度、土壤类型、建筑情况和植被覆盖；
使用ArcGIS等工具，根据DEM数据的高程信息，利用流向分析和流累积分析等方法，识别出研究区域的汇水分界线，并按照一定的标准（如面积、形状、位置等）将研究区域划分为若干个子集水区。使用ArcGIS等工具，根据DEM数据、土壤数据、建筑数据、植被数据等，利用统计分析和空间分析等方法，计算出各子集水区的面积、坡度、土壤类型、建筑情况和植被覆盖等参数。
步骤S64、采用有限体积法对研究区域进行二维网格划分，并赋予各网格的网格参数，包括高程、粗糙度和边界条件；
使用MATLAB等工具，根据研究区域的地形特征和计算需求，利用三角剖分或四边形剖分等方法，将研究区域划分为若干个有限体积单元，并记录下各单元的顶点坐标、邻接关系和控制面信息。使用ArcGIS等工具，根据DEM数据、粗糙度数据、边界条件数据等，利用插值分析和空间分析等方法，计算出各单元的高程、粗糙度和边界条件等参数，并将其导入到MATLAB等工具中。
步骤S65、采用包括同频率分析法、芝加哥法和暴雨时面深关系法在内的降雨设计方法，构建训练输入数据，对水文水动力模型进行率定；
使用ArcGIS等工具，根据DEM数据、粗糙度数据、边界条件数据等，利用插值分析和空间分析等方法，计算出各单元的高程、粗糙度和边界条件等参数，并将其导入到MATLAB等工具中。使用SWMM等软件，根据构建好的模型和生成好的训练输入数据，进行模拟计算，并将计算结果与实测结果进行对比和评价，利用优化算法或人工调整等方法，调整模型中的参数或结构，使模拟结果与实测结果尽可能接近，并达到预定的精度和稳定性。
步骤S66、获取当前的实测降雨和城市洪水数据，作为输入数据，进行模拟和预测，给出智慧预警信息和预警措施，推送至预定的各个终端。
使用遥感技术、水文站点、传感器网络、社会感知技术等方法，实时或定时收集研究区域的降雨数据、流量数据、水位数据、水质数据等，并将其转换为适合模型输入的格式。使用SWMM等软件，根据率定好的模型和获取到的输入数据，进行模拟计算，并根据一定的规则或算法，给出当前或未来一段时间内研究区域内各个重点区域的城市洪水情况和风险等级。使用Excel等工具，根据模拟和预测结果与预警措施总集中的映射关系，确定适用于当前或未来一段时间内研究区域内各个重点区域的城市洪水情况和风险等级的预警信息内容、发布渠道、发布时机和发布频率以及预警措施内容、执行主体、执行时机和执行顺序。使用微信、短信、广播等工具，根据预警信息内容、发布渠道、发布时机和发布频率，将预警信息发送给预定的各个终端，如政府部门、防洪单位、媒体机构、公众等，并根据反馈信息进行调整和优化。
根据本申请的一个方面，所述步骤S4还包括：
步骤S40、基于降雨突变点和洪水突变点对重点区域的洪水进行标注：
分别判断降雨突变点和洪水突变点的数量是否超过各自的阈值；
若是，分别进行聚类处理，直至断降雨突变点和洪水突变点的数量不高于预定的阈值；
若否，获取最近一段时期的降雨数据和洪水数据；
根据最近一段时期的降雨和洪水建立映射关系，并获得第一映射权重；
以第一映射权重重置其他各个时期的降雨与洪水的映射关系，更新映射权重，并进行检验。
本实施例，通过上述方案，可以有效地识别出重点区域的洪水发生的时间和范围，为洪水预警和防治提供依据；利用降雨和洪水之间的映射关系，反推出不同时期的降雨情况，为降雨监测和分析提供数据支持；根据不同时期的降雨和洪水数据，动态更新映射权重，提高模型的精度和适应性；能够通过聚类处理，减少降雨突变点和洪水突变点的数量，降低计算复杂度和存储空间。解决了由于气候变化和下垫面变化造成降雨和洪水序列发生变化，从而根据当前的参数进行预报，大大提高了预报的准确率。
根据本申请的一个方面，所述步骤S42还包括：
获取降雨数据并生成栅格化降雨分布图；
对降雨数据进行分割、识别和定位，提取出降雨中心、平均降雨量和降雨半径，将其转换为坐标系下的位置信息；
利用时间序列分析方法对位置信息进行拟合、预测和平滑操作，得到降雨中心的运动轨迹，并根据降雨半径的变化情况，判断是否发生了降雨强度的变化；
利用地理信息系统GIS将运动轨迹与重点区域的地图进行叠加，分析降雨中心的运动方向、速度和范围，并计算和评估其对重点防洪区域的影响程度。
在本实施例中，利用栅格化降雨分布图，更精确地描述降雨的空间分布和变化，为洪水标注提供更细致的数据基础；通过分割、识别和定位降雨数据，提取出降雨中心、平均降雨量和降雨半径等关键参数，为洪水标注提供更有效的特征信息；利用时间序列分析方法，对降雨中心的位置信息进行拟合、预测和平滑操作，得到降雨中心的运动轨迹，并根据降雨半径的变化情况，判断是否发生了降雨强度的变化，为洪水标注提供更动态的过程信息；利用地理信息系统GIS，将降雨中心的运动轨迹与重点区域的地图进行叠加，分析降雨中心的运动方向、速度和范围，并计算和评估其对重点防洪区域的影响程度，为洪水标注提供更全面的影响信息。
根据本申请的另一个方面，一种用于城市防洪的智慧预警系统，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的用于城市防洪的智慧预警方法。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。
Claims (5)
1.用于城市防洪的智慧预警方法，其特征在于，包括如下步骤：
步骤S1、确定研究区域范围，并获取研究数据；
步骤S2、从研究数据中提取历史降雨数据，获得降雨特征形成降雨特征集合；采用趋势分析法对降雨数据进行分析，分成至少两个时段；
步骤S3、从研究数据中提取城市洪水数据，提取城市洪水特征形成城市洪水特征集合；采用趋势分析法对城市洪水进行分析；
步骤S4、构建降雨和城市洪水的关联性分析模型，基于降雨数据和城市洪水数据，针对每场降雨和城市洪水，计算降雨和城市洪水的相关性，并降序排列；
步骤S5、针对每一城市洪水，构建预警措施集合，形成研究区域的降雨与预警措施映射关系；
步骤S6、构建水文水动力模型并基于研究数据进行率定，以当前实测降雨和城市洪水数据作为输入数据，进行模拟和预测，给出智慧预警信息和预警措施，并推送至各个终端；
所述步骤S1进一步为：
步骤S11、获取城市所在流域的研究数据，所述研究数据至少包括数字高程模型、坡度、流向、流量、排水管网参数、降雨数据和城市洪水数据；
步骤S12、基于数字高程模型，获取第一边界和第二边界，其中第一边界为城市所在流域的流域边界；第二边界为城市防洪区域边界；第二边界包含于第一边界；
步骤S13、将研究区域栅格化，并基于防洪目标提取第二边界内的重点区域，针对每一重点区域，查找重点区域对应的栅格并构建重点栅格集合；
步骤S14、基于数字高程模型，提取城市水网结构，并逐一提取重点区域的水网和汇流数据；
所述步骤S2进一步包括：
步骤S21、从研究数据中提取历史降雨数据，从降雨数据获得包括降雨中心、降雨半径、最大N天降雨量、降雨天数和累计降雨量在内的降雨特征；其中，N为1、3、5、7；
步骤S22、构建趋势分析法集合，所属趋势分析法至少包括MK检验法和Sen’s斜率法；
步骤S23、逐一采用趋势分析法进行趋势检测；
其中，MK检验法的过程包括：首先计算每一对年份降雨量的差值，并采用正负号赋予符号值；计算每个年份的累积符号值并求出总和、方差、标准差和标准化统计量；基于标准化统计量与阈值的比较结果，判断是否存在显著的趋势；采用二分法查找降雨突变点，
步骤S24、基于降雨突变点，将降雨数据分成至少两个时段；
所述步骤S3进一步为：
步骤S31、从研究数据中提取城市洪水数据，采集城市洪水特征并形成城市洪水特征集合，所述城市洪水特征至少包括淹没范围、淹没时间、淹没深度、洪水总量、洪水历时、洪峰流量、峰现时间、起涨流量和涨峰段洪量；
步骤S32、构建趋势分析法集合，所述趋势分析法至少包括MK检验法和移动平均法；
其中，采用移动平均法进行趋势分析的过程包括：获取城市洪水数据并构建洪水时间序列，选择合适的时间窗口长度，并根据时间窗口长度计算每期的移动平均值；根据移动平均值绘制平滑曲线，并观察曲线的变化趋势，判断是否存在显著的上升或下降趋势；根据移动平均值和原始数据计算残差，即两者之间的差值，根据残差的绝对值或标准差判断是否存在洪水突变点，并确定其位置；
所述移动平均值包括简单移动平均值SMA和指数移动平均值EMA，简单移动平均值SMA指时间窗口内各期数据的算术平均值；指数移动平均EMA指时间窗口内各期数据按照指数权重进行加权平均；
步骤S33、基于洪水突变点的情况，对城市洪水进行分期；
所述步骤S4还包括：
步骤S40、基于降雨突变点和洪水突变点对重点区域的洪水进行标注：
分别判断降雨突变点和洪水突变点的数量是否超过各自的阈值；
若是，分别进行聚类处理，直至断降雨突变点和洪水突变点的数量不高于预定的阈值；
若否，获取最近一段时期的降雨数据和洪水数据；
根据最近一段时期的降雨和洪水建立映射关系，并获得第一映射权重；
以第一映射权重重置其他各个时期的降雨与洪水的映射关系，更新映射权重，并进行检验；
步骤S41、构建降雨和城市洪水的关联性分析模型，所述关联性分析模型至少包括降雨分布分析单元；
步骤S42、针对每个时段的每一降雨，根据降雨中心的轨迹及降雨半径，查找影响的重点区域；建立各场降雨与重点区域的映射关系；
步骤S43、针对每一时期的每一洪水，查找每一重点区域发生的洪水与预定时间内每一降雨的关联关系，建立各个重点区域的城市洪水与关联的降雨之间的映射集合，并计算各场降雨对该重点区域的城市洪水的贡献度，并降序排列；获得每场城市洪水和各场降雨之间的相关性；
步骤S44、基于重点区域之间的水网结构关系，对城市洪水和降雨的相关性进行关联性分析。
2.如权利要求1所述的用于城市防洪的智慧预警方法，其特征在于，所述步骤S5进一步为：
步骤S51、构建预警措施总集；
步骤S52、建立洪水分级标准，并对每场洪水进行分类；
步骤S53、根据洪水类型，形成对应给类型洪水的预警措施集合，形成研究区域内各类型洪水与预警措施之间的映射关系。
3.如权利要求2所述的用于城市防洪的智慧预警方法，其特征在于，所述步骤S6进一步为：
步骤S61、获取研究数据并进行预处理，使之符合水文水动力模型的要求；
步骤S62、构建水文水动力模型，采用GIS模块对研究区域的水网和管网进行概化；简化管网结构和拓扑关系；
步骤S63、利用DEM数据对研究区域的子集水区进行划分，确定各子集水区的参数，包括面积、坡度、土壤类型、建筑情况和植被覆盖；
步骤S64、采用有限体积法对研究区域进行二维网格划分，并赋予各网格的网格参数，包括高程、粗糙度和边界条件；
步骤S65、采用包括同频率分析法、芝加哥法和暴雨时面深关系法在内的降雨设计方法，构建训练输入数据，对水文水动力模型进行率定；
步骤S66、获取当前的实测降雨和城市洪水数据，作为输入数据，进行模拟和预测，给出智慧预警信息和预警措施，推送至预定的各个终端。
4.如权利要求1所述的用于城市防洪的智慧预警方法，其特征在于，所述步骤S42还包括：
获取降雨数据并生成栅格化降雨分布图；
对降雨数据进行分割、识别和定位，提取出降雨中心、平均降雨量和降雨半径，将其转换为坐标系下的位置信息；
利用时间序列分析方法对位置信息进行拟合、预测和平滑操作，得到降雨中心的运动轨迹，并根据降雨半径的变化情况，判断是否发生了降雨强度的变化；
利用地理信息系统GIS将运动轨迹与重点区域的地图进行叠加，分析降雨中心的运动方向、速度和范围，并计算和评估其对重点防洪区域的影响程度。
5.一种用于城市防洪的智慧预警系统，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1至4任一项所述的用于城市防洪的智慧预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311276139.4A CN117010726B (zh) | 2023-09-29 | 2023-09-29 | 用于城市防洪的智慧预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311276139.4A CN117010726B (zh) | 2023-09-29 | 2023-09-29 | 用于城市防洪的智慧预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117010726A CN117010726A (zh) | 2023-11-07 |
| CN117010726B true CN117010726B (zh) | 2023-12-08 |
Family
ID=88562174
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311276139.4A Active CN117010726B (zh) | 2023-09-29 | 2023-09-29 | 用于城市防洪的智慧预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117010726B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236673B (zh) * | 2023-11-16 | 2024-01-26 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市水网多尺度防洪排涝联合优化调度方法和系统 |
| CN117745095B (zh) * | 2023-12-21 | 2024-07-19 | 山东融信数科信息科技有限公司 | 一种基于大数据的城市防汛决策方法、系统和存储介质 |
| CN117875216B (zh) * | 2024-02-04 | 2024-07-19 | 珠海市规划设计研究院 | 基于弹性系数法的雨洪调蓄率确定方法、装置及介质 |
| CN117992442A (zh) * | 2024-03-14 | 2024-05-07 | 清华大学 | 小区用水总数据补齐方法及装置、终端设备、存储介质 |
| CN118153455B (zh) * | 2024-04-15 | 2024-11-15 | 中国长江三峡集团有限公司 | 一种洪水风险预测方法、装置、设备及存储介质 |
| CN118134729B (zh) * | 2024-05-08 | 2024-07-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 用于城市防洪的智慧预报方法及系统 |
| CN118607965A (zh) * | 2024-06-19 | 2024-09-06 | 长江生态环保集团有限公司 | 基于随机多准则模糊优化的城市防洪排涝鲁棒性决策方法 |
| CN118735312B (zh) * | 2024-09-04 | 2024-11-19 | 无锡学院 | 一种基于人工智能的城市洪涝预警系统及方法 |
| CN118861588B (zh) * | 2024-09-26 | 2024-11-26 | 河北省衡水水文勘测研究中心 | 一种水资源监测治理的洪水预警方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102610059A (zh) * | 2012-03-01 | 2012-07-25 | 河海大学 | 一种山区突发性洪水监测与预警系统及其构建方法 |
| CN106844531A (zh) * | 2016-12-29 | 2017-06-13 | 福建四创软件有限公司 | 一种基于网格的防汛指挥研判系统 |
| CN108460510A (zh) * | 2017-12-28 | 2018-08-28 | 中国水利水电科学研究院 | 水库洪水调度方案的确定方法、装置及存储介质 |
| CN111027763A (zh) * | 2019-12-06 | 2020-04-17 | 中国水利水电科学研究院 | 一种基于机器学习的流域洪水响应相似性分析方法 |
| CN111651885A (zh) * | 2020-06-03 | 2020-09-11 | 南昌工程学院 | 一种智慧型海绵城市洪涝预报方法 |
| CN112785053A (zh) * | 2021-01-15 | 2021-05-11 | 北京市水科学技术研究院 | 一种预报城市流域洪涝的方法及系统 |
| CN115186858A (zh) * | 2022-03-29 | 2022-10-14 | 南京南瑞水利水电科技有限公司 | 基于不同影响类型的变电站洪水淹没风险预警方法及系统 |
| CN115271255A (zh) * | 2022-09-19 | 2022-11-01 | 长江水利委员会水文局 | 基于知识图谱和机器学习的雨洪相似性分析方法和系统 |
| CN115829163A (zh) * | 2023-01-16 | 2023-03-21 | 河海大学 | 基于多模式集成的长江中下游流域径流预测方法和系统 |
| CN116611333A (zh) * | 2023-05-23 | 2023-08-18 | 中国水利水电科学研究院 | 一种城市洪涝风险点预测方法 |
-
2023
- 2023-09-29 CN CN202311276139.4A patent/CN117010726B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102610059A (zh) * | 2012-03-01 | 2012-07-25 | 河海大学 | 一种山区突发性洪水监测与预警系统及其构建方法 |
| CN106844531A (zh) * | 2016-12-29 | 2017-06-13 | 福建四创软件有限公司 | 一种基于网格的防汛指挥研判系统 |
| CN108460510A (zh) * | 2017-12-28 | 2018-08-28 | 中国水利水电科学研究院 | 水库洪水调度方案的确定方法、装置及存储介质 |
| CN111027763A (zh) * | 2019-12-06 | 2020-04-17 | 中国水利水电科学研究院 | 一种基于机器学习的流域洪水响应相似性分析方法 |
| CN111651885A (zh) * | 2020-06-03 | 2020-09-11 | 南昌工程学院 | 一种智慧型海绵城市洪涝预报方法 |
| CN112785053A (zh) * | 2021-01-15 | 2021-05-11 | 北京市水科学技术研究院 | 一种预报城市流域洪涝的方法及系统 |
| CN115186858A (zh) * | 2022-03-29 | 2022-10-14 | 南京南瑞水利水电科技有限公司 | 基于不同影响类型的变电站洪水淹没风险预警方法及系统 |
| CN115271255A (zh) * | 2022-09-19 | 2022-11-01 | 长江水利委员会水文局 | 基于知识图谱和机器学习的雨洪相似性分析方法和系统 |
| CN115829163A (zh) * | 2023-01-16 | 2023-03-21 | 河海大学 | 基于多模式集成的长江中下游流域径流预测方法和系统 |
| CN116611333A (zh) * | 2023-05-23 | 2023-08-18 | 中国水利水电科学研究院 | 一种城市洪涝风险点预测方法 |
Non-Patent Citations (6)
| Title |
|---|
| 基于信息熵的洪水过程均匀度变异分析方法――以东江流域龙川站洪水过程为例;陈海健;谢平;谢静红;李彬彬;雷旭;张波;;水利学报(10);第1233-1239页 * |
| 大数据在洪水分析中的应用前景探究;吴美玲;杨侃;杨哲;;江苏水利(06);第13-24页 * |
| 武汉地铁黄浦路站防洪涝水位及预警研究;谢桥军;罗伟;欧阳院平;周丹;李肖男;;现代城市轨道交通(04);第71-75页 * |
| 流域降雨径流关系的变化现状及其原因分析;刘涓;聂川翔;谢谦;冯欢;苏成林;靳军英;;安徽农业科学(10);第2110页 * |
| 淮河上游典型流域径流演变过程影响因素分析――以白莲崖流域为例;杨传清;陈杭;顾哲衍;王蔚;鞠靖;陈立冬;朱华刚;;中国水土保持科学(01);第110-116页 * |
| 闹德海水库库区降水径流变化趋势及突变分析;尹璐璐;《水土保持应用技术》(05);第28-29页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117010726A (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117010726B (zh) | 用于城市防洪的智慧预警方法及系统 | |
| CN116070918B (zh) | 一种城市洪涝安全评估及洪涝灾害防治方法 | |
| US10664937B2 (en) | Flood risk analysis and mapping | |
| Sebastian et al. | Hindcast of pluvial, fluvial, and coastal flood damage in Houston, Texas during Hurricane Harvey (2017) using SFINCS | |
| Mehta et al. | Improving flood forecasting in Narmada river basin using hierarchical clustering and hydrological modelling | |
| WO2019204254A1 (en) | Flood monitoring and management system | |
| US10762588B2 (en) | Flood-recovery options tool | |
| Feng et al. | Urban flood hazard mapping using a hydraulic–GIS combined model | |
| CN113434565A (zh) | 基于cim平台的水利防洪抗旱防涝综合减灾平台系统 | |
| CN110852577A (zh) | 基于城市韧性与城市流域水文模型的城市洪涝评估方法 | |
| Fahad et al. | A decision-support framework for emergency evacuation planning during extreme storm events | |
| CN117688844B (zh) | 一种基于深度神经网络的城市内涝实时模拟方法及系统 | |
| CN118862697B (zh) | 一种基于数字孪生的洪涝灾害应急仿真方法及系统 | |
| CN115689293B (zh) | 一种基于压力-状态-响应框架的城市内涝韧性评估方法 | |
| Li et al. | Urban flood risk assessment based on DBSCAN and K-means clustering algorithm | |
| CN117807917B (zh) | 基于场次洪涝灾害的损失函数构建方法和系统 | |
| CN117408173B (zh) | 一种基于机器学习的水文流量整编智能模型构建方法 | |
| Yan et al. | A novel integrated urban flood risk assessment approach based on one-two dimensional coupled hydrodynamic model and improved projection pursuit method | |
| CN116935580A (zh) | 基于大数据的城市内涝智能预警系统 | |
| JP7599018B2 (ja) | 雨天時浸入水率推定装置、雨天時浸入水率推定方法、及びプログラム | |
| CN119442911A (zh) | 一种基于bim模型的水利工程数字化管理方法 | |
| Qi et al. | Integrating machine learning with the Minimum Cumulative Resistance Model to assess the impact of urban land use on road waterlogging risk | |
| Maithani et al. | An artificial neural network based approach for modelling urban spatial growth | |
| Hariyanto et al. | Measurement of Sprawl Effect Based on Urban Growth Trends and Prediction in Kedungkandang District, Malang City | |
| Kherde et al. | Integrating geographical information systems (GIS) with hydrological modelling-applicability and limitations |
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 |