用于城市防洪的智慧预警方法及系统技术方案

本发明专利技术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。本发明专利技术大大提高了预报的精度和灵敏度。度。度。

【技术实现步骤摘要】
用于城市防洪的智慧预警方法及系统


[0001]本专利技术属于洪水预报技术，尤其是一种用于城市防洪的智慧预警方法及系统。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]专利技术目的：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。
[0006]技术方案
[0007]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。
[0008]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。
[0009]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。
[0010]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。
[0011]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。
[0012]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。
[0013]根据本申请的一个方面，所述步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。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。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。4.如权利要求3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...

【专利技术属性】
技术研发人员：王小东，张宇，吴时强，李君，吴修锋，顾芳芳，娄奇，杨倩倩，杨畅，
申请(专利权)人：水利部交通运输部国家能源局南京水利科学研究院，
类型：发明
国别省市：