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

CN112417026A - 一种基于众包内涝反馈的城市内涝预警暴雨阈值划分方法 - Google Patents

一种基于众包内涝反馈的城市内涝预警暴雨阈值划分方法 Download PDF

Info

Publication number
CN112417026A
CN112417026A CN202011013201.7A CN202011013201A CN112417026A CN 112417026 A CN112417026 A CN 112417026A CN 202011013201 A CN202011013201 A CN 202011013201A CN 112417026 A CN112417026 A CN 112417026A
Authority
CN
China
Prior art keywords
rainfall
waterlogging
rainstorm
urban
threshold
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.)
Granted
Application number
CN202011013201.7A
Other languages
English (en)
Other versions
CN112417026B (zh
Inventor
马炳焱
吴泽宁
胡彩虹
王慧亮
郭元
吕鸿
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 CN202011013201.7A priority Critical patent/CN112417026B/zh
Publication of CN112417026A publication Critical patent/CN112417026A/zh
Application granted granted Critical
Publication of CN112417026B publication Critical patent/CN112417026B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/203—Drawing of straight lines or curves

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种基于众包内涝反馈的城市内涝预警暴雨阈值划分方法，包括以下步骤：S1：根据设定的位置、时间和内涝关键词，在微博平台上利用爬虫程序获得符合属性的城市内涝新闻的数量；城市内涝新闻为微博加V认证的城市内涝新闻；S2：使用步骤S1获得的城市内涝新闻量，基于两种降雨分类分别建立五组暴雨历时与其对应新闻量之间的关系图，图中的第一个突变点为该组的暴雨阈值，将五组结果点绘在一起从而获得长时间序列和短时集中降雨的两种城市内涝预警暴雨阈值曲线。本发明通过选择合适的众包数据，获得了更多更合理的历时‑雨量散点，以阈值曲线的方式更全面的反映了暴雨突破阈值的过程。本发明适用于各种降雨类型，并且更为直观。

Description

一种基于众包内涝反馈的城市内涝预警暴雨阈值划分方法
技术领域
本发明涉及城市内涝预警领域，具体涉及一种基于众包内涝反馈的城市内涝预警暴雨阈值划分方法。
背景技术
城市是人类自然改造的集中体现。城市的扩张增加了不透水的土地，减少了植被覆盖，加上各种人工措施(人工渠道，排水网络，人工湿地等)改变了自然径流条件。“热岛效应”，“雨岛效应”和洪水存储功能的破坏使城市更容易遭受洪水的侵袭。城市洪水是一个严重且不断增长的发展挑战。因此，准确的城市洪水预警非常重要。在流域灾害研究中，暴雨阈值在水文地质灾害预警中起着关键作用，这意味着临界降雨会触发自然灾害，例如如滑坡，泥石流和山洪等。但是城市的情况有所不同。城市总是建在冲洪积平原，三角洲或沿海地区，地形相对平坦，通过边坡治理，大大减少了山洪、滑坡和泥石流等灾害爆发的几率。经过比较，流域暴雨阈值划分方法在城市地区不适用。首先，从研究规模来看，城市只是整个流域系统的一小部分，其内涝发生范围比流域水文地质灾害要小得多；其次，从灾害特征看，流域水文地质灾害受地形，地质结构和气候条件的影响，这是一个多种因素综合影响的复杂过程，并且在不同地区具有不同的特性，这意味着流域暴雨阈值是不确定的，但是对于城市地区，暴雨主导内涝的发生，并且具有较小的不确定性；最后，两者的影响和后果是不同的，山洪，泥石流和山体滑坡等灾害更具灾难性，影响范围广，但是由于人口分布松散，通常对少数人造成严重危害，城市的内涝则是对大量密集居住的市民造成轻度的危害。因此，划分城市洪水预警暴雨阈值需要新的方法。
目前，对于城市洪水灾害暴雨阈值的划分主要有两种思想。部分学者认为城市排水系统承担着城市排水的任务，当累积降水量超过排水系统的容量时，将会发生城市内涝。也有学者认为，当洪水发生时，将不可避免地导致众包数据(市政电话数量等)的爆发，此突变点对应于城市的暴雨阈值。由于很难测量实际排水能力与设计值之间的差别，因此上述第一个想法很难应用于实践。相比之下，第二种思想显示出更大的实用性。但是，由于众包数据类型的局限性，其结果通常是一两个确定的历时-雨量散点，无法获得更全面的信息来反映暴雨达到阈值的过程。
发明内容
本发明要解决的技术问题是克服现有技术的不足而提供一种基于众包内涝反馈的城市内涝预警暴雨阈值划分方法，通过选择合适的众包数据，获得了更多更合理的历时-雨量散点，以阈值曲线的方式更全面的反映了暴雨突破阈值的过程。本发明适用于各种降雨类型，并且更为直观。
为解决上述技术问题，本发明所采取的技术方案是：
一种基于众包内涝反馈的城市内涝预警暴雨阈值划分方法，根据城市内涝的主要表现，将城市内涝预警暴雨阈值定义为当降雨量达到会产生阻碍交通的城市内涝时对应的历时-雨量；所述方法包括以下步骤：
S1：根据设定的城市位置属性、时间属性和内涝关键词属性，在微博平台上利用爬虫程序获得符合属性的城市内涝新闻的数量；所述城市内涝新闻为微博加V认证的城市内涝新闻；
S2：分别按照降雨持续时间和降雨连续性进行降雨分类：(1)按照降雨持续时间分为五类：分别为历时3h以内、3-6h、6-12h、12-24h及24h以上，为长时间序列降雨；(2)考虑降雨的连续性，将不连续的降雨分成多场降雨，则降雨按历时分为五类：分别为30min以内、30-60min、60-120min、120-240min及240min以上，为短时集中降雨；
使用步骤S1获得的城市内涝新闻量，基于这两种降雨分类分别建立五组暴雨历时与其对应新闻量之间的关系图，图中的第一个突变点为该组的暴雨阈值，将五组结果点绘在一起从而获得长时间序列和短时集中降雨的两种城市内涝预警暴雨阈值曲线。
进一步的，所述步骤S1中，通过网络爬虫从集合网址中抓取城市内涝数据，具体方法为：
S1-1，首先将所有集合网址按特定顺序放入有序队列中，提取URL并下载页面；
S1-2，然后分析页面内容，提取新URL并将其存储在要爬网的队列中；
S1-3，重复上述过程，直到URL队列为空或满足特定的爬网终止条件，从而遍历Web并实现有效的数据收集。
进一步的，所述步骤S1中，通过模拟登陆微博平台，爬虫程序将符合属性的信息自动爬取到固定的存储路径中，结果以降雨信息与内涝信息对应的形式展示。
进一步的，所述步骤S2中，第一个突变值的标准由下式给出：
Figure BDA0002698185590000031
式中，Xn是第n次暴雨的新闻量，Xi是第i次暴雨的新闻量；当满足不等式的第一个值出现时，该值对应的降雨历时-雨量关系就是暴雨阈值。
采用上述技术方案所产生的有益效果在于：
本发明提出了一种新的城市内涝预警降雨阈值的划分方法，通过选择合适的众包数据，获得了更多更合理的历时-雨量散点，以阈值曲线的方式反映暴雨突破阈值的过程。通过对中国郑州市金水区部分区域进行试验，结果良好，证明本发明体现出较高的准确性和适用性。
附图说明
图1是网络爬虫获取城市内涝信息流程图；
图2是本发明城市内涝与经暴雨阈值曲线制作方法流程图；
图3是研究区概况图；
图4是研究区城市内涝发生趋势图；
图5-1是长时间序列降雨累积降雨量-新闻量关系；
图5-2是短时集中降雨累积降雨量-新闻量关系；
图6-1是长时间序列降雨城市内涝预警降雨阈值曲线；
图6-2是短时集中降雨城市内涝预警降雨阈值曲线。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
在城市化的进程中，城市内涝逐渐成为威胁城市安全的主要灾害之一。对城市内涝进行科学预报和精确预警成为解决内涝问题的重要环节。降雨阈值作为用于流域中山洪、泥石流、滑坡等由降雨引发的灾害的预警基础值，在水文地质灾害领域具有关键作用。但是，城市地区由于受人类活动影响剧烈，山洪、泥石流、滑坡等灾害在概率和影响方面远不及城市内涝，因此其降雨阈值具有完全不同的含义，本发明根据流域降雨阈值的概念将城市内涝预警降雨阈值定义为：由降雨引发城市内涝的降雨临界值。
城市内涝是高度分散的小规模灾害，由于监控手段和技术的限制，很难测量实际的内涝过程，而大数据技术的发展为解决这一问题提供了新的方向。如表1所示，城市水文数据具有大数据的5V特征：volume，velocity，variety，value和veracity。
表1 城市内涝研究中的结构化和非结构化数据
Figure BDA0002698185590000051
如图1-2所示，本发明公开了一种基于众包内涝反馈的城市内涝预警暴雨阈值划分方法，根据城市内涝的主要表现，将城市内涝预警暴雨阈值定义为当降雨量达到会产生阻碍交通的城市内涝时对应的历时-雨量；本发明方法包括以下步骤：
第一步：众包数据采集：根据设定的城市位置属性、时间属性和内涝关键词属性，在微博平台上利用爬虫程序获得符合属性的城市内涝新闻的数量；所述城市内涝新闻为微博加V认证的城市内涝新闻。
搜索引擎和可扩展爬虫程序是获取与城市内涝有关的互联网众包数据的两种不同方式，但后者的优势更加突出。本发明通过网络爬虫从集合网址(统一资源定位符)中抓取内涝相关数据：首先将所有这些网址按特定顺序放入有序队列中，提取URL并下载页面，然后分析页面内容，提取新URL并将其存储在要爬网的队列中；重复上述过程，直到URL队列为空或满足特定的爬网终止条件，从而遍历Web并实现有效的数据收集。
本发明数据获取的对象为微博加V认证的城市内涝新闻。与其他众包数据类型(如市政中心电话，管网维护数据，网络新闻数据等)相比，该数据具有三个优势：(1)微博是一个相对封闭的平台，加V认证的新闻比网络新闻更可信；(2)微博新闻数据的属性包含地理位置和时间信息，便于选择符合要求的数据；(3)微博新闻数据更易于清理，冗余数据更少，内容价值密度更高。
在爬虫程序中输入位置、时间和内涝关键词等属性，通过模拟登陆微博平台，将符合属性的信息自动爬取到固定的存储路径中，结果以降雨信息与内涝信息对应的形式展示。
第二步：城市内涝预警暴雨阈值划分
城市内涝是影响城市居民生活和交通的灾害事件，将引起城市新闻媒体的关注和报道，一般情况下内涝越严重，关注和报道越多。
分别按照降雨持续时间和降雨连续性进行降雨分类：(1)考虑降雨的相关性，间隔小于区域最大排水时间的降雨被认为是同一场暴雨，则降雨按照持续时间可分为五类：分别为历时3h以内、3-6h、6-12h、12-24h及24h以上，为长时间序列降雨；(2)考虑降雨的连续性，将不连续的降雨分成多场降雨，则降雨按历时分为五类：分别为30min以内、30-60min、60-120min、120-240min及240min以上，为短时集中降雨。
使用第一步中获得的城市内涝新闻量，基于这两种降雨分类分别建立五组暴雨历时与其对应新闻量之间的关系图，图中的第一个突变点为该组的暴雨阈值，将五组结果点绘在一起从而获得长时间序列和短时集中降雨的两种城市内涝预警暴雨阈值曲线。
第一个突变值的标准由下式(1)给出：
Figure BDA0002698185590000071
式中，Xn是第n次暴雨的新闻量，Xi是第i次暴雨的新闻量；当满足不等式的第一个值出现时，该值对应的降雨历时-雨量关系就是暴雨阈值。
实例研究：
如图3所示，研究区为河南省郑州市金水区中州大道以西的部分。该地区位于河南省省会郑州的中部，地势低平，平均海拔为82.4m，高差不超过10m，仅4条自然河流，排水条件较差。其次，从图4中可以看出，该地区平均每年平均5至6次城市内涝，内涝问题突出。第三，由于快速的城市化进程和高人口密度，该地区受涝后损失更加严重。最后，如图3中黑点所示，研究区内分布有4个雨量站，为本发明研究提供了丰富的基础数据。
(一)爬虫结果和城市内涝预警暴雨阈值的定义
通过爬虫获取研究区2011-2018年所有场次降雨对应的新浪微博中加V认证的内涝新闻，得到的内涝新闻量为1273条。同样以2018年8月10日的降雨内涝事件为例，其爬虫结果如表2所示。这也可以表明，在城市地区，城市内涝的主要表现为阻碍交通和影响居民出行安全。由此，本发明将城市内涝预警暴雨阈值定义为：当降雨量达到一定水平时，会产生阻碍交通的城市内涝，其对应的历时-雨量为城市内涝预警暴雨阈值。
表2 2018.8.10场次降雨微博内涝数据爬虫结果
Figure BDA0002698185590000081
(二)暴雨阈值曲线
依据降雨的相关性和连续性提出两种场次降雨划分方法，根据研究区排水规划，区域最大排水时间为4h，故将间断不超过4h的降雨作为同一场降雨，共得到65场具有相关性的降雨过程；后者只划分连续降雨，将间断超过20min的降雨视为两场降雨，得到连续集中降雨117场。根据持续时间各分为5组：前者为3h以内、3-6h、6-12h、12-24h及24h以上，这种方法划分得到的降雨称为长时间序列降雨；后者为30min以内、30-60min、60-120min、120-240min及240min以上，这种方法的到的降雨称为短时集中降雨。
图5-1和图5-2给出了两种分类的降雨量-新闻量关系，其中图5-1为长时间序列降雨-新闻量关系，图5-2为短时集中降雨的降雨-新闻关系。两图中最上方曲线分别为历时3h以内和30-60min降雨，表明短历时的集中降雨是关注度最高的降雨，也是引发城市内涝的最普遍的雨型。
根据等式(1)计算每组暴雨的第一个突变点，点绘在历时-雨量关系图上得到城市内涝预警暴雨阈值曲线，见图6-1和图6-2。图6-1为长时间序列暴雨阈值曲线，图6-2为短时集中降雨阈值曲线。依据曲线特征，对其分别用线性、指数函数和对数函数进行拟合，前者指数函数拟合最佳，R2为0.976，后者线性拟合最佳R2高达0.986。阈值曲线表达式分别表示为是公式(2)和(3)。
p＝20.15d0.182 (2)
p＝0.072d+2.444 (3)
其中，p是降雨量，单位：mm，d是降雨持续时间，公式(2)中单位为h，公式(3)中单位为min。
图6-1和图6-2中，曲线下方是“安全区”，曲线上方是“危险区”。根据定义，安全区的暴雨一般不会造成大范围的涝灾，而危险区则相反。阈值曲线还表明，郑州市金水区的暴雨阈值随着暴雨持续时间的增加而增加，其增长趋势将逐渐放慢，这种现象还证实了洪水不仅是由暴雨控制的，而且还与诸如暴雨持续时间等因素有关。
(三)方法验证
城市暴雨内涝积水点的数量是反映城市洪水状况的一个很好的参数。当降雨内涝阈值时，城市内涝开始产生，意味着积水点的数量会迅速增加。随机选取位于危险区和安全区的多场降雨进行积水点数量的比较。
表3 长时间序列阈值曲线的积水点验证
Figure BDA0002698185590000091
表4 短时集中降雨阈值曲线积水点验证
Figure BDA0002698185590000101
如表3和表4所示。位于安全区的降雨产生的积水点数量要小于曲线上的降雨且均远小于位于危险区的积水点数量。由此可见，本发明可以用于判断城市暴雨是否能够产生足以引发市民关注的城市内涝，是一种行之有效的城市暴涝预警暴雨阈值划分方法。
显然，上述实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (4)

1.一种基于众包内涝反馈的城市内涝预警暴雨阈值划分方法，其特征在于：
根据城市内涝的主要表现，将城市内涝预警暴雨阈值定义为当降雨量达到会产生阻碍交通的城市内涝时对应的历时-雨量；
所述方法包括以下步骤：
S1：根据设定的城市位置属性、时间属性和内涝关键词属性，在微博平台上利用爬虫程序获得符合属性的城市内涝新闻的数量；所述城市内涝新闻为微博加V认证的城市内涝新闻；
S2：分别按照降雨持续时间和降雨连续性进行降雨分类：(1)按照降雨持续时间分为五类：分别为历时3h以内、3-6h、6-12h、12-24h及24h以上，为长时间序列降雨；(2)考虑降雨的连续性，将不连续的降雨分成多场降雨，则降雨按历时分为五类：分别为30min以内、30-60min、60-120min、120-240min及240min以上，为短时集中降雨；
使用步骤S1获得的城市内涝新闻量，基于这两种降雨分类分别建立五组暴雨历时与其对应新闻量之间的关系图，图中的第一个突变点为该组的暴雨阈值，将五组结果点绘在一起从而获得长时间序列和短时集中降雨的两种城市内涝预警暴雨阈值曲线。
2.根据权利要求1所述的基于众包内涝反馈的城市内涝预警暴雨阈值划分方法，其特征在于：所述步骤S1中，通过网络爬虫从集合网址中抓取城市内涝数据，具体方法为：
S1-1，首先将所有集合网址按特定顺序放入有序队列中，提取URL并下载页面；
S1-2，然后分析页面内容，提取新URL并将其存储在要爬网的队列中；
S1-3，重复上述过程，直到URL队列为空或满足特定的爬网终止条件，从而遍历Web并实现有效的数据收集。
3.根据权利要求1所述的基于众包内涝反馈的城市内涝预警暴雨阈值划分方法，其特征在于：所述步骤S1中，通过模拟登陆微博平台，爬虫程序将符合属性的信息自动爬取到固定的存储路径中，结果以降雨信息与内涝信息对应的形式展示。
4.根据权利要求1所述的基于众包内涝反馈的城市内涝预警暴雨阈值划分方法，其特征在于：所述步骤S2中，第一个突变值的标准由下式给出：
Figure FDA0002698185580000021
式中，Xn是第n次暴雨的新闻量，Xi是第i次暴雨的新闻量；当满足不等式的第一个值出现时，该值对应的降雨历时-雨量关系就是暴雨阈值。
CN202011013201.7A 2020-09-23 2020-09-23 一种基于众包内涝反馈的城市内涝预警暴雨阈值划分方法 Expired - Fee Related CN112417026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011013201.7A CN112417026B (zh) 2020-09-23 2020-09-23 一种基于众包内涝反馈的城市内涝预警暴雨阈值划分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011013201.7A CN112417026B (zh) 2020-09-23 2020-09-23 一种基于众包内涝反馈的城市内涝预警暴雨阈值划分方法

Publications (2)

Publication Number Publication Date
CN112417026A true CN112417026A (zh) 2021-02-26
CN112417026B CN112417026B (zh) 2022-10-25

Family

ID=74854071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011013201.7A Expired - Fee Related CN112417026B (zh) 2020-09-23 2020-09-23 一种基于众包内涝反馈的城市内涝预警暴雨阈值划分方法

Country Status (1)

Country Link
CN (1) CN112417026B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080027586A1 (en) * 2006-06-20 2008-01-31 Rain Bird Corporation Sensor Device For Interrupting Irrigation
CN104536956A (zh) * 2014-07-23 2015-04-22 中国科学院计算技术研究所 一种基于微博平台的事件可视化方法及系统
CN108776851A (zh) * 2018-06-11 2018-11-09 广州地理研究所 一种暴雨诱发的浅层滑坡灾害预警阈值确定方法
CN109359617A (zh) * 2018-10-30 2019-02-19 西北大学 一种基于格网降雨数据的识别暴雨的方法
CN110533212A (zh) * 2019-07-04 2019-12-03 西安理工大学 基于大数据的城市内涝舆情监测预警方法
CN110633865A (zh) * 2019-09-22 2019-12-31 航天海鹰安全技术工程有限公司 一种基于排涝模型的城市积水预测与安全预警系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080027586A1 (en) * 2006-06-20 2008-01-31 Rain Bird Corporation Sensor Device For Interrupting Irrigation
CN104536956A (zh) * 2014-07-23 2015-04-22 中国科学院计算技术研究所 一种基于微博平台的事件可视化方法及系统
CN108776851A (zh) * 2018-06-11 2018-11-09 广州地理研究所 一种暴雨诱发的浅层滑坡灾害预警阈值确定方法
CN109359617A (zh) * 2018-10-30 2019-02-19 西北大学 一种基于格网降雨数据的识别暴雨的方法
CN110533212A (zh) * 2019-07-04 2019-12-03 西安理工大学 基于大数据的城市内涝舆情监测预警方法
CN110633865A (zh) * 2019-09-22 2019-12-31 航天海鹰安全技术工程有限公司 一种基于排涝模型的城市积水预测与安全预警系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
QINGHUA MIAO等: "Establishing a rainfall threshold for flash flood warnings in China’s mountainous areas based on a distributed hydrological model", 《ELSEVIER》 *
张硕等: "辽宁省暴雨预警信号分布及暴雨致灾阈值的分析", 《第35届中国气象学会年会》 *

Also Published As

Publication number Publication date
CN112417026B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
Hendry et al. Assessing the characteristics and drivers of compound flooding events around the UK coast
Cashman et al. Impacts of climate change on settlements and infrastructure in the coastal and marine environments of Caribbean small island developing states (SIDS)
Wadey et al. A century of sea level data and the UK's 2013/14 storm surges: an assessment of extremes and clustering using the Newlyn tide gauge record
Wu et al. An evaluation of the impacts of land surface modification, storm sewer development, and rainfall variation on waterlogging risk in Shanghai
Ray et al. Dynamic modeling of storm surge and inland flooding in a Texas coastal floodplain
Zhang et al. More frequent flooding? Changes in flood frequency in the Pearl River basin, China, since 1951 and over the past 1000 years
Liang et al. Assessing urban flood and drought risks under climate change, China
Kumar et al. Flood risk management strategies for national capital territory of Delhi, India
Chow et al. A multimethod approach towards assessing urban flood patterns and its associated vulnerabilities in Singapore
CN115169069A (zh) 基于大数据的城市内涝预测方法
Qu et al. Extreme storm surges and waves and vulnerability of coastal bridges in New York City metropolitan region: An assessment based on Hurricane Sandy
Morucci et al. Extreme events in Venice and in the North Adriatic Sea: 28–29 October 2018
Hamdi et al. Preface: Advances in extreme value analysis and application to natural hazards
Shao et al. The application of big data in the analysis of the impact of urban floods: A case study of Qianshan River Basin
Zhong et al. A study on compound flood prediction and inundation simulation under future scenarios in a coastal city
Spencer et al. The floods of December 2015 in northern England: description of the events and possible implications for flood hydrology in the UK
CN112417026B (zh) 一种基于众包内涝反馈的城市内涝预警暴雨阈值划分方法
Cieśliński et al. Hazards of a flooding event in the city of Gdansk and possible forms of preventing the phenomenon–case study
Mallet et al. Extreme weather events in northeastern New Brunswick (Canada) for the period 1950–2012: Comparison of newspaper archive and weather station data
Liu et al. Investigating the effects of precipitation on drought in the Hanjiang River Basin using SPI
Lin et al. Hurricane freshwater flood risk assessment model for residential buildings in southeast US coastal states considering climate change
Fu et al. Evaluation of surge hazard based on a storm surge hazard indicator along the mainland coast of China
Lader et al. Projections of hydroclimatic extremes in Southeast Alaska under the RCP8. 5 scenario
Zeynolabedin et al. Seawater intrusion vulnerability evaluation and prediction: a case study of Qeshm Island, Iran
CN115456463A (zh) 一种山洪灾害危险区风险等级划分方法及系统

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20221025

CF01 Termination of patent right due to non-payment of annual fee