定量降雨与实时洪水预报研究

合集下载

洪水预报系统关键技术研究

洪水预报系统关键技术研究

谢谢观看
2、实证研究:通过实际应用和测试,对洪水预报系统进行评估和优化,提高 系统的可靠性和准确性。
3、案例分析:通过对典型案例的分析,深入探讨洪水预报系统在不同领域、 不同条件下的应用情况,为系统的进一步推广提供实践经验。
参考内容
一、引言
洪水预报技术是防洪减灾的关键技术之一,对于提前预警、减少灾害损失具有 重要作用。我国是洪水灾害频发的国家,深入研究洪水预报技术,提高预报精 度和时效性,是当前水利科技工作的重要任务。本次演示将回顾我国洪水预报 技术的研究历程,
1、大数据技术的应用。利用大数据技术对海量的洪水数据进行处理和分析, 提取有价值的信息,提高预报精度和效率。
2、跨学科的融合。将洪水预报技术与地球科学、物理学、计算机科学等多个 学科进行深度融合,拓展研究领域,提高研究水平。
பைடு நூலகம்
3、高性能计算的应用。利用高性能计算技术,提高洪水数值模型的计算速度 和精度,为实时洪水预报提供支持。
近年来,我国在洪水预报技术方面取得了显著进展。主要表现在以下几个方面:
1、数据采集与传输技术不断升级。利用先进的遥感技术、GIS技术等手段,实 现洪水数据的实时采集和传输,提高了数据的准确性和时效性。
2、数值模型研究与应用取得突破。我国自主研发了多种洪水数值模型,如洪 水演进模型、水动力学模型等,并在实际应用中得到了验证和优化。
洪水预报系统关键技术研究
01 引言
03 参考内容
目录
02 关键技术介绍
引言
洪水预报系统是防范和减轻洪水灾害的重要手段,对于保障人民生命财产安全 具有重要意义。然而,传统的洪水预报方法往往存在准确度不足、实时性差等 问题,因此研究洪水预报系统的关键技术具有重要意义。本次演示将围绕洪水 预报系统关键技术

水库防洪分类预报调度方式研究及风险分析

水库防洪分类预报调度方式研究及风险分析

水库防洪分类预报调度方式研究及风险分析水库防洪分类预报调度方式研究及风险分析摘要:水库是重要的防洪设施,对预报洪水并进行调度可以有效减轻洪灾风险。

本文通过研究水库防洪分类预报调度方式,旨在提供一种科学的方法来分析洪水风险,并制定相应的洪水调度策略。

首先,文章将介绍洪水预报的基本原理和方法。

然后,通过对水库防洪分类预报调度方式的研究和分析,提出了一种基于风险分析的调度策略,并进行了实证分析。

最后,文章总结了研究的主要发现,并提出了未来研究的方向。

关键词:水库防洪、分类预报、调度方式、风险分析1. 引言水库是我国重要的防洪设施之一,通过调度水库的蓄洪容量和泄洪流量,可以有效地控制洪水的发生和洪灾的蔓延。

然而,由于洪水的不确定性和复杂性,水库防洪预报和调度仍然面临着许多挑战。

因此,研究水库防洪分类预报调度方式,并对洪水风险进行分析,对于科学地制定防洪调度策略具有重要意义。

2. 洪水预报的原理和方法洪水预报是指通过对洪水过程的监测和分析,预测洪水的发展趋势和波峰出现的时间。

为了提高预报效果,洪水预报方法可以分为定量预报和定性预报两种方式。

定量预报主要利用数学和统计模型来分析洪水过程的历史数据,从而得出洪水发展的规律和趋势。

定性预报则主要依靠经验判断和专家调查来确定洪水的发展情况。

在实际应用中,通常将两种方法结合起来,通过对洪水过程的全面观测和分析,得出更为准确的洪水预报结果。

3. 水库防洪分类预报调度方式研究水库防洪分类预报调度方式是指根据不同的洪水预报结果,采取相应的防洪调度措施。

在实际应用中,常常将洪水预报结果进行分类,然后根据不同分类结果制定不同的防洪调度方案。

例如,当洪水预报结果为小洪水时,可以适当放水抗洪;当洪水预报结果为中洪水或大洪水时,应采取更严格的防洪措施,如大幅度放水或紧急转移人员等。

通过研究水库防洪分类预报调度方式,可以更好地发挥水库的防洪作用,减轻洪灾风险。

4. 基于风险分析的调度策略水库防洪调度中的风险分析是指对水库蓄水和泄洪的潜在风险进行评估和分析。

2010 年全国优秀博士学位论文名单(100 篇)

2010 年全国优秀博士学位论文名单(100 篇)

兽医学 临床医学
9 2 9 3 9 4 9 5 9 6 9 7 9 8 9 9 1 0 0 管理学
公共卫生与预 防医学 临床医学 口腔医学 药学 中药学
湖沼地区血吸虫病高风险区域的空间分 析及重点钉螺孳生地的探测 小型猪急性心肌梗死模型血管再生的实 验研究 压应力对骨髓间充质干细胞成骨分化早 期阶段成骨和破骨生成能力的影响 (± )-Communesin F 的全合成 丹参酮类化合物生物合成相关酶基因克 隆及功能研究 Fas 信号和 TLR 信号促进调节性树突状 细胞负向调控 CD4+ T 细胞反应及相关机 制研究
京协和医学 院(清华大学 医学部) 清华大学-北 京协和医学 院(清华大学 医学部) 清华大学-北
管理科学与工 程
考虑数据分布的 K-均值聚类研究
吴俊杰
陈 剑
京协和医学 院(清华大学
医学部) 5 1 5 2 5 3 5 4 5 5 5 6 5 7 5 8 5 9 6 0 6 1 6 2 6 3 6 4 6 5 6 6 6 7 6 8 6 9 7 0 7 交通运输工程 计算机科学与 技术 仪器科学与技 术 材料科学与工 程 化学工程与技 术 控制科学与工 程 材料科学与工 程 电子科学与技 术 信息与通信工 程 纺织科学与工 程 材料科学与工 程 生物医学工程 机械工程 地质资源与地 质工程 矿业工程 化学工程与技 术 水利工程 食品科学与工 程 林业工程 土木工程 力学 城市交通网络拓扑结构复杂性研究 服务网格资源管理技术与系统研究 快速全光谱反射差分光谱仪的研究 化学气相沉积法原位合成碳纳米管增强 铝基复合材料 多级孔道沸石分子筛的合成、 表征及催化 应用 基于 LMI 技术的自适应容错控制系统优 化设计方法 尺寸依赖的界面能 碳纳米管多沟道场效应晶体管研究 光分组交换网中的光信号处理技术研究 基于图像处理技术的苎麻和棉纤维纵向 全自动识别系统 声子晶体及其物理效应的研究 电磁控制的几种纳米颗粒的组装研究 磨擦辅助精密电铸技术的研究与应用 煤中有害元素溶出分配规律及其地球化 学控制 组合煤岩的强度弱化减冲原理及其应用 聚合物基动密封材料耐磨性及寿命预测 研究 定量降雨与实时洪水预报研究 食品中化学残留物高通量高灵敏检测技 术的研究 麦秸纤维/聚丙烯复合材料制造工艺与性 能研究 土结构性的剪切波速表征及对动力特性 的影响 壁面吹吸和表面活性剂作用下的流动稳 吴建军 孙海龙 胡春光 何春年 方云明 叶 丹 陆海鸣 陈长鑫 义理林 王荣武 卢明辉 孙剑飞 朱增伟 王文峰 陆菜平 汪怀远 吴志勇 彭池方 潘明珠 周燕国 高 鹏 高自友 怀进鹏 胡小唐 赵乃勤 胡浩权 杨光红 蒋 青 张亚非 胡卫生 王善元 陈延峰 顾 宁 朱 荻 秦 勇 窦林名 陆小华 陆桂华 金征宇 周定国 陈云敏 陆夕云 北京交通大 学 北京航空航 天大学 天津大学 天津大学 大连理工大 学 东北大学 吉林大学 上海交通大 学 上海交通大 学 东华大学 南京大学 东南大学 南京航空航 天大学 中国矿业大 学 中国矿业大 学 南京工业大 学 河海大学 江南大学 南京林业大 学 浙江大学 中国科学技

降雨监测与预报技术在防洪减灾中的应用进展

降雨监测与预报技术在防洪减灾中的应用进展

降雨监测与预报技术在防洪减灾中的应用进展目录一、内容概括 (1)二、降雨监测技术进展 (2)1. 雷达降雨监测 (3)2. 雨滴谱仪监测 (4)3. 卫星遥感降雨监测 (5)三、降雨预报技术进展 (6)1. 数值天气预报 (7)2. 人工智能在降雨预报中的应用 (9)3. 集成预报系统 (10)四、防洪减灾应用进展 (12)1. 水库防洪调度 (13)2. 城市内涝预警与防治 (14)3. 山区滑坡灾害监测与预警 (15)五、案例分析 (16)六、结论与展望 (17)一、内容概括降雨监测与预报技术作为防洪减灾的重要手段,在全球范围内得到了广泛关注和应用。

本段落将概述降雨监测与预报技术在防洪减灾中的最新进展,包括技术应用、数据收集与分析、模型预测等方面的内容。

随着物联网和大数据技术的迅速发展,降雨监测与预报技术逐渐向智能化、自动化方向发展。

通过部署在关键区域的传感器网络,实时收集降雨量、水位、流量等数据,实现对灾害性天气的实时监测和预警。

气象卫星遥感技术也在降雨监测与预报中发挥着重要作用,通过高分辨率卫星图像,可以快速获取大范围的气象信息,提高预报精度和时效性。

数值天气预报模型是降雨监测与预报的核心技术,通过不断优化和改进模型参数,提高对极端天气事件的模拟和预测能力,为防洪减灾提供科学依据。

在数据收集与分析方面,云计算和人工智能技术的应用,使得大量数据的处理和分析变得更加高效。

通过数据同化技术,提高观测数据的准确性和可靠性,为预报模型提供更丰富的数据输入。

降雨监测与预报技术在防洪减灾中的应用,不仅提高了对洪水灾害的预警能力,还为水库调度、河道整治等防洪工程提供有力支持。

通过实时监测和预测降雨情况,可以提前采取应对措施,降低洪水灾害的风险。

二、降雨监测技术进展随着科技的进步,降雨监测技术也在不断发展。

主要的降雨监测手段包括地面观测、卫星遥感、雷达探测和探空观测等。

地面观测:通过气象站对地表进行实时监测,记录降雨量、气温、湿度等气象要素。

洪水灾害监测与预警技术研究

洪水灾害监测与预警技术研究

洪水灾害监测与预警技术研究洪水是一种自然灾害,常常给人们的生命和财产带来巨大的损失。

为了更好地应对和减轻洪水灾害的影响,科学家们开展了洪水灾害监测与预警技术的研究。

本文将探讨一些与这一领域相关的技术和方法。

首先,洪水监测是确保有效洪水预警的基础。

虽然洪水的发生通常是由降雨量超过地表水系统的处理能力所引起的,但洪水预警要比降雨事件的监测复杂得多。

传统的洪水监测手段通常是依靠水文测站的数据,包括河流水位、流量和降雨量等指标。

然而,由于水文测站的数量有限,很难全面覆盖一个地区的洪水情况。

因此,科学家们提出了一种基于遥感技术的洪水监测方法。

遥感技术利用卫星、飞机和无人机等设备获取地球表面的信息,如图像和高程数据。

通过分析这些数据,科学家们可以得出一些关于地表水分布和水流速度的重要信息。

例如,通过监测河流的变化和水体的颜色,可以识别洪水事件的发生和发展趋势。

这种方法不仅可以提供更广泛的监测范围,还可以提供更及时的数据更新,从而更好地支持洪水预警工作。

然而,仅仅凭借洪水监测还无法完全保证有效的洪水预警,因为洪水的发展和传播速度非常快。

因此,科学家们还研究了一种基于数学模型的洪水预测方法。

这种方法基于复杂的地理和水文过程,并将降雨量、地表特征和水流路径等因素综合考虑。

通过模拟洪水的发展过程,可以预测未来几小时甚至几天内可能发生的洪水情况。

这种方法能够辅助决策者制定更好的灾害应对措施,为民众提供更早的预警和撤离时间。

除了监测和预测洪水,有效的洪水预警系统还需要考虑信息传播和决策制定的问题。

在信息传播方面,科学家们研究了如何将监测数据和预测结果传递给政府部门、行业从业者和公众。

现代通信技术的发展使得信息的传播更加便捷和及时。

通过利用手机、电视和互联网等媒介,可以向可能受到洪水威胁的人们发送预警信息,并提供紧急救援指导。

决策制定则是洪水预警系统中的另一个重要环节。

科学家们通过与政府部门和决策者进行密切合作,将科学研究成果转化为实际的政策和措施。

暴雨山洪监测技术研究进展与发展趋势

暴雨山洪监测技术研究进展与发展趋势

暴雨山洪监测技术研究进展与发展趋势暴雨山洪监测技术研究进展与发展趋势随着气候变化的不断加剧以及人类活动对环境的影响,暴雨山洪成为城市面临的重大自然灾害之一。

掌握暴雨山洪的发展动态和趋势对于城市的防洪减灾工作具有重要意义。

为此,人们积极探索暴雨山洪监测技术,并在研究中取得了一系列进展和发展趋势。

首先,基于遥感技术的暴雨山洪监测方法在近年来得到了广泛的应用。

遥感技术能够通过卫星、航空器和地面测量等手段,准确地测量水文要素,如降雨量、洪水深度等。

利用遥感技术获取的数据,可以对暴雨山洪的发展动态进行实时监测,并进行灾害预警与评估。

其次,无人机技术的发展也为暴雨山洪监测提供了新的思路。

无人机能够快速飞行并拍摄高分辨率的图像,通过无人机获取的数据可以直观地展示暴雨山洪的情况,帮助人们更好地把握灾害的范围和影响。

同时,无人机还可以搭载各种传感器,实时监测水文要素,进一步提高监测数据的准确性和时间效率。

此外,人工智能技术在暴雨山洪监测中的应用也逐渐成为研究的热点。

人工智能技术能够通过对海量数据的学习和分析,实现对暴雨山洪的准确预测与监测。

利用机器学习算法,可以将历史暴雨山洪的数据与气象数据、地形数据等相结合,构建预测模型,并实时更新,使监测结果更加准确和有效。

此外,移动互联技术的普及和应用也在推动暴雨山洪监测技术的发展。

人们可以通过智能手机等移动设备获取实时的气象信息,并获得与暴雨山洪相关的监测数据和灾害预警。

同时,移动互联技术还可以实现与相关部门和群众的信息共享,提高监测与救援的效率。

然而,尽管暴雨山洪监测技术已经取得了显著的进展,但仍然存在一些挑战与发展趋势。

首先,如何提高数据的准确性和时效性是一个亟待解决的问题。

虽然现有的监测技术可以获得大量的数据,但其准确性和时效性仍然有待提高。

其次,如何提高监测数据的解读和利用能力也是一个重要的方向。

当前,暴雨山洪监测数据的处理和分析仍然需要大量的人力和时间投入,导致数据的处理效率较低。

基于深度学习的雷达降雨临近预报及洪水预报

基于深度学习的雷达降雨临近预报及洪水预报

第34卷第5期2023年9月㊀㊀水科学进展ADVANCES IN WATER SCIENCEVol.34,No.5Sep.2023DOI:10.14042/ki.32.1309.2023.05.003基于深度学习的雷达降雨临近预报及洪水预报李建柱,李磊菁,冯㊀平,唐若宜(天津大学水利工程仿真与安全国家重点实验室,天津㊀300350)摘要:为探究深度学习的雷达降雨临近预报在流域洪水预报中的适用性,采用U-Net㊁嵌入注意力门的Attention-Unet 和添加转换器的多级注意力TransAtt-Unet 开展雷达降雨临近预报,将预报降雨作为HEC-HMS 水文模型的输入,对柳林实验流域进行洪水预报㊂结果表明:1h 预见期时,Attention-Unet 对短时强降雨预报结果较好,TransAtt-Unet 预报降雨模拟的洪峰流量和径流量相对误差小于20%,各深度学习模型对量级较大的降雨和洪水预报精度较高;2h 预见期的预报降雨强度㊁降雨总量㊁洪峰流量和径流量存在显著低估,U-Net 能取得相对较好的降雨预报结果㊂基于深度学习的1h 预见期雷达降雨临近预报及洪水预报可为流域防洪减灾提供科学依据㊂关键词:雷达降雨临近预报;降雨定量估计;深度学习;洪水预报;柳林实验流域中图分类号:P333㊀㊀㊀文献标志码:A㊀㊀㊀文章编号:1001-6791(2023)05-0673-12收稿日期:2023-05-19;网络出版日期:2023-09-19网络出版地址:https :ʊ /urlid /32.1309.P.20230918.1718.002基金项目:国家自然科学基金资助项目(52279022)作者简介:李建柱(1981 ),男,河北沧州人,教授,博士,主要从事水文水资源方面研究㊂E-mail:lijianzhu@近年来,极端降雨事件导致洪涝灾害频发,对洪水预报精度和时效性的要求越来越高[1]㊂准确的降雨预报是洪水预报的关键,可为防洪减灾工作提供重要的科学依据[2]㊂传统的洪水预报主要以地面雨量站实测降雨输入水文模型,导致洪水预报的有效预见期短,且雨量站实测降雨无法反映其空间分布特性[3]㊂天气雷达具有高时空分辨率㊁高精度和可靠性等特点[4]㊂将雷达降雨临近预报结果作为水文模型的输入进行洪水预报,能在一定程度上延长洪水预见期[5],是水文预报领域的主要发展趋势,但降雨临近预报是尚未解决的重要科学难题[6]㊂以光流法㊁质心跟踪法㊁交叉相关法为主的传统雷达回波外推方法[7],能在较短预见期内对缓慢变化的回波过程取得较好的外推效果,但无法准确描述迅速变化的回波过程[8]㊂近年来大量研究将深度学习的方法引入到水文气象领域,并取得显著成效[9-10]㊂Zhang 等[6]提出一种具有预测误差优化的神经网络模型NowcastNet,基于中国和美国的雷达资料开展降雨预报,显著提高了极端强降雨的预报精度㊂Ritvanen 等[11]提出一种基于卷积神经网络U-Net 的拉格朗日模型,改善了强降雨的临近预报效果㊂作为一种应用广泛的基础模型,U-Net 在临近预报领域得到推广[12]㊂Han 等[13]将U-Net 模型用于雷达回波外推,并与循环神经网络的TrajGRU 和交叉相关法的预报结果进行对比,表明U-Net 模型在时空序列预测问题的适用性㊂预报降雨的重要用途之一是作为水文模型的输入进行洪水预报[14-15]㊂Heuvelink 等[16]使用确定性和概率性方法进行降雨预报,并将结果作为WALRUS 水文模型的输入进行流量预报,在小流域取得较好的预报效果;Nguyen 等[17]将雷达回波外推和数值模式天气预报结合,提高了降雨预报精度,并指出降雨预报与分布式水文模型结合使用的优势;包红军等[18]构建了临近降雨集合预报的中小河流洪水预报模型,延长了洪水预报的预见期㊂但目前使用深度学习的方式开展雷达降雨临近预报,从而进行洪水预报的精度还有待提高,尤其是在半干旱半湿润地区的小流域㊂U-Net 结构简单,可根据目标灵活调整和添加模块,为实现更加精确的雷达降雨临近预报和洪水预报提供了更多可能㊂因此,本研究采用深度学习的U-Net,并尝试使用嵌入注意力门的Attention-Unet(简写为Att-674㊀水科学进展第34卷㊀Unet)和添加转换器的多级注意力TransAtt-Unet进行柳林实验流域典型降雨过程的1h和2h预见期雷达回波外推,利用动态雷达反射率因子和降雨强度关系计算外推回波对应的逐小时降雨,作为半分布式水文模型HEC-HMS的输入进行洪水预报,对比分析预报降雨与雨量站实测降雨模拟的洪水精度差异,探讨基于深度学习的雷达降雨临近预报在小流域洪水预报中的适用性㊂1㊀研究区域与数据1.1㊀流域概况选择河北省邢台市内丘县柳林实验流域为研究区㊂如图1所示,流域出口位于114ʎ21ᶄE㊁37ʎ17ᶄN,布设有柳林水文站进行水位和流量观测㊂流域面积为57.4km2,主河道长13.2km,流域坡度为30.9ɢ㊂地处半干旱半湿润气候区,季节变化分明,径流的年内和年际分配不均,降雨多发生在6 9月,多年平均降水量为594.5mm,多年平均径流深为80.7mm㊂雷达资料来源于中国新一代多普勒天气雷达监测网河北省石家庄市的Z9311站㊂雷达位于114ʎ42ᶄ50ᵡE㊁38ʎ21ᶄ00ᵡN,采用VP21体扫模式,扫描半径为230km,时间分辨率为6min,能够完成9个不同仰角的扫描㊂柳林实验流域在距离雷达120km范围内,可保证雷达回波数据的质量㊂图1㊀柳林实验流域位置和雷达监测范围Fig.1Location of Liulin experimental watershed and radar monitoring range1.2㊀雷达数据预处理将2018 2020年降雨时段的雷达基数据,经过编码转换㊁杂波抑制㊁衰减订正㊁地物遮挡订正㊁坐标转换后,形成反射率混合扫描数据图,用于深度学习模型的训练㊂由于柳林实验流域面积较小,将回波图裁剪至流域周围128行128列的范围(113ʎ36ᶄ36ᵡE㊁37ʎ30ᶄ36ᵡN到114ʎ53ᶄ24ᵡE㊁36ʎ47ᶄ24ᵡN)㊂以训练集中20180521场次降雨为例,图2为经过预处理与未处理回波对比图,经过质量控制后的回波剔除了杂波干扰并显著减少波束遮挡,具有较高的可靠性㊂训练集和验证集共包含20000帧回波图,按照8ʒ2的比例划分进行模型训练和验证㊂测试集选取2012年㊁2016年和2021年的4场典型降雨过程对应的雷达数据㊂1.3㊀典型降雨洪水过程降雨洪水资料来源于河北省邢台水文勘测研究中心㊂洪水资料为柳林水文站汛期实测逐小时流量数据,㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报675㊀图2㊀20180521场次降雨未处理与预处理后回波对比Fig.2Comparison of unprocessed and preprocessed echoes of20180521case暴雨资料为流域内菩萨岭㊁神头㊁任庄㊁安上和柳林5个雨量站汛期逐小时雨量,筛选出与雷达回波时段对应的典型降雨洪水过程对降雨和洪水预报精度进行评价㊂降雨洪水信息如表1所示㊂由于20211006场次降雨过程在汛期后发生,柳林水文站未对其洪水过程进行观测㊂表1㊀典型降雨洪水过程信息Table1Information of typical rainfall and flood processes降水场次降水量/mm最大小时雨量/mm降雨时长/h洪水径流深/mm洪峰流量/(m3㊃s-1) 2012072675.958.45 5.147.020160719251.942.718129.2368.020210721149.426.92929.993.32021100625.58.25//2㊀研究方法2.1㊀雷达回波外推的深度学习模型2.1.1㊀U-NetU-Net网络由4层编码器-解码器组成,是一种卷积神经网络㊂如图3(a)所示,网络的左边是编码器,应用最大池化和双重卷积来减小图像大小和加倍特征映射的数量㊂编码器之后的右侧为解码器,通过双线性插值进行上采样操作,使特征图大小增加1倍㊂每层编码器和解码器之间通过1个跳跃连接保存来自较浅层的细尺度信息㊂完成上述采样操作之后,模型通过一个1ˑ1的卷积,输出代表网络预测值的单个特征图㊂2.1.2㊀Att-UnetAtt-Unet(图3(a))在U-Net的解码器前添加注意力门,以此过滤跳跃连接传播的特征,再将编码器的特征与解码器中相应的特征进行拼接,有效抑制无关区域的激活,减少编码器中无关信息的跳跃连接,达到改善预测效果的目的[19]㊂本研究将Att-Unet模型调整为时间序列预测模型进行回波外推㊂676㊀水科学进展第34卷㊀图3㊀U-Net㊁Att-Unet㊁TransAtt-Unet和TSA㊁GSA模块结构Fig.3Structure of U-Net,Attention-Unet,TransAtt-Unet,TSA and GSA modules2.1.3㊀TransAtt-UnetTransAtt-Unet将多层次引导注意和多尺度跳跃连接联合嵌入U-Net,如图3(b)㊂将变换器自注意力(TSA)和全局空间注意力(GSA)嵌入到网络中,同时在解码器中使用多尺度跳跃连接来聚合不同语义尺度的特征,从而有效减少卷积层叠加和连续采样操作造成的细节损失㊂如图3(c)和图3(d)所示,TSA将特征嵌入到Q㊁K㊁V3个矩阵中,在Q和K的转置之间采用Softmax函数进行归一化运算,形成注意力图,再与V 矩阵相乘得到注意力权重㊂GSA对特征进行卷积转置映射为W㊁M㊁N,对M㊁N采用Softmax函数进行归一化运算得到位置注意力信息,再与W相乘得到位置特征㊂在解码器部分采用残差多尺度跳跃连接的方式[20],输入特征图通过双线性插值向上采样到输出的分辨率,然后与输出特征图进行级联,作为后续块的输入㊂2.2㊀深度学习模型训练1h外推数据集取前1h间隔6min共10帧回波图(反射率因子),预测后1h共10帧回波图(2h外推为前20帧预测后20帧)㊂深度学习模型基于Pytorch环境,初始学习率设置为0.001,批处理大小设置为8,损失函数采用均方根误差(E MS)[13],在NVIDIA Geforce RTX3050上采用Adam优化器训练200个轮次㊂当损失函数在4个周期内没有增加时,学习率调节器将学习率自动减小10%㊂采用二元评价指标命中率(Proba-bility of detection,D PO)㊁虚警率(False alarm ratio,R FA)㊁临界成功指数(Critical success index,I CS)和准确率(Accuracy,A)进行雷达回波外推精度的评价[21]㊂2.3㊀雷达降雨临近预报多普勒天气雷达采用Z R关系描述雷达反射率因子(Z)和降雨强度(R)的幂指数关系[22]㊂中国的多普勒雷达普遍采用Z=aR b(a=300,b=1.4)进行降雨定量估计,但仅适用于平均情况㊂基于实测资料动态调整的Z R关系,可以实现更加精确的降雨估计[23]㊂殷志远等[24]采用4种不同的Z R关系开展雷达降雨定量估计,并将结果用于水文模拟,表明动态Z R关系的降雨定量估计精度最高,洪水模拟效果最好㊂动态Z R关系建立在逐小时快速更新资料的基础上,通过动态调节参数a和b,使逐小时雷达估测降雨与对应㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报677㊀的雨量站观测降雨的最优判别函数δ达到最小[23],从而确定适用于逐小时雷达定量降雨估计的多组Z R关系参数㊂为保证参数a和b的取值合理,限定a和b数值调节范围分别为[150.00,400.00]㊁[0.80, 2.40],调整间隔分别为10和0.05㊂经过上述步骤最终确定出每场降雨过程的动态Z R关系参数如图4所示㊂采用相关系数(Correlation coefficient,C C)㊁平均偏差(Mean bias,B M)和平均绝对误差(Mean absolute error,E MA)进行降雨预报精度评价[14]㊂图4㊀动态Z R关系参数Fig.4Parameters of dynamic Z R relationship2.4㊀水文模型李建柱等[25]研究了地形数据源和分辨率对柳林实验流域洪水模拟精度的影响,结果表明,基于无人机三维倾斜摄影构建的1m分辨率DEM能反映流域真实地形的变化,在此基础上构建的HEC-HMS模型能较好地模拟流域洪水过程㊂本研究采用作者基于无人机三维倾斜摄影构建的1m分辨率HEC-HMS模型,将雷达降雨临近预报结果作为HEC-HMS水文模型的输入,进行柳林实验流域洪水预报㊂采用洪峰流量相对误差(E RP)㊁径流量相对误差(E RV)㊁峰现时差(ΔT)和纳什效率系数(E NS)进行洪水预报精度评价[25]㊂3㊀结果及分析3.1㊀回波外推结果分析以反射率20dBZ和30dBZ为阈值计算二元评价指标㊂1h回波外推评价结果见表2,Att-Unet对20120726场次降雨的回波外推效果相对较好,注意力门加强了Att-Unet对强回波的识别和外推效果,同时抑制弱回波或杂波产生的干扰,但对弱回波或中等回波的外推效果较差;TransAtt-Unet采用的多尺度跳跃连接和注意力机制使模型能综合不同尺度的图像特征,提高模型精度和稳定性,因此,该模型对于持续时间较长㊁降雨过程变化丰富的20160719场次回波过程取得了较好的外推效果;20210721和20211006场次降雨的过程回波总体偏弱,各模型的1h预见期回波外推精度差异并不显著㊂2h回波外推评价结果见表3,U-Net 模型对30dBZ阈值的回波外推效果优于其他模型,其原因是雷达回波外推需要预测每个像素的精确值;Att-Unet和TransAtt-Unet所采用的注意力门或者多尺度跳跃连接结构仅增强局部特征的学习,而忽略随时间动态变化的信息,因此导致预测时效性的不足㊂U-Net模型尽管结构简单,但以往研究表明其在时间序列预测中具有一定适用性[26],对不同等级回波信息具有一定的泛化能力[27],因此,尽管U-Net的1h预见期回波外推效果略差于添加注意力机制的模型,但能在更长预见期的回波外推中保持相对较好的效果㊂总体来看, 3种模型对中等强度回波外推效果均好于强回波,1h预见期回波外推效果好于2h预见期㊂国内外研究主要依靠天气雷达外推实现1h预见期降雨预报[5]㊂与传统的雷达外推方法相比,深度学习678㊀水科学进展第34卷㊀对回波和降水的演变趋势具有更好的预报效果,更适用于剧烈变化的降雨过程[28]㊂曹伟华等[29]使用基于U-Net网络搭建的RainNet模型开展雷达降雨临近预报,并与交叉相关的外推结果进行对比,指出了深度学习模型对降雨消亡过程的时空演变趋势和强度变化范围具有更好的预报效果,而交叉相关法更适合于稳定降雨的预报㊂本研究预报的4场典型降雨过程,除20211006场次持续时间短㊁降雨强度较小外,其余场次降雨过程变化较为剧烈,回波过程变化较为迅速,因此,采用深度学习的方法进行雷达降雨临近预报更为合适㊂表2㊀1h回波外推结果评价指标值Table2Evaluation index value of1h echo extrapolation results降雨场次模型D PO R FA I CS A20dBZ30dBZ20dBZ30dBZ20dBZ30dBZ20dBZ30dBZ20120726U-Net0.830.370.070.190.780.330.820.56 Att-Unet0.820.520.120.170.760.440.800.65 TransAtt-Unet0.750.350.060.170.720.340.770.5820160719U-Net0.710.370.140.440.610.210.610.31 Att-Unet0.790.460.150.450.680.240.690.33 TransAtt-Unet0.870.470.140.490.750.240.750.3120210721U-Net0.740.420.140.210.670.360.810.71 Att-Unet0.700.490.260.440.540.280.640.51 TransAtt-Unet0.720.520.260.460.550.290.650.5320211006U-Net0.450.240.560.760.190.090.740.64 Att-Unet0.440.210.550.790.240.080.750.61 TransAtt-Unet0.430.280.560.720.210.090.690.63表3㊀2h回波外推结果评价指标值Table3Evaluation index value of2h echo extrapolation results降雨场次模型D PO R FA I CS A20dBZ30dBZ20dBZ30dBZ20dBZ30dBZ20dBZ30dBZ20120726U-Net0.660.370.140.160.600.350.640.63 Att-Unet0.620.180.140.170.590.180.650.48 TransAtt-Unet0.660.200.110.130.590.200.630.5120160719U-Net0.590.200.420.630.380.120.430.47 Att-Unet0.480.120.440.640.310.070.370.47 TransAtt-Unet0.570.150.360.600.410.100.420.4820210721U-Net0.690.480.140.330.620.330.770.62 Att-Unet0.600.360.250.390.460.220.590.51 TransAtt-Unet0.650.380.290.460.480.220.570.4820211006U-Net0.500.170.480.770.320.080.670.58 Att-Unet0.420.180.670.810.210.020.600.54 TransAtt-Unet0.410.170.610.800.200.040.640.52㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报679㊀3.2㊀降雨预报精度分析利用动态Z R关系计算各降雨场次真实回波和外推回波的逐小时降雨,精度和相关性评价指标见表4㊂20160719㊁20210721和20211006场次真实回波的反演降雨与实际降雨有较高的相关性,但20120726场次真实回波反演降雨与实际降雨的相关性较弱,但该场次回波外推取得较高的技能评分,其原因可能是2012年Z9311雷达为单偏振雷达,所采集的原始回波数据存在一定的数值和发生时间的系统误差,且该场降雨过程变化迅速,导致预报降雨与实际产生误差㊂TransAtt-Unet对20160719和20210721场次降雨在1h预见期内具有较小的误差,Att-Unet在20160719场次降雨的预报中具有最高的相关性㊂3种模型对20211006场次降雨预报效果差别并不显著,其原因是该场降雨强度较小,深度学习模型对此类降雨预报性能较接近㊂在2h 预见期降雨预报中,U-Net模型的降雨预报效果优于其他模型,这与雷达回波外推结果相对应,表明了U-Net在较长预见期降雨预报中的适用性㊂表4㊀降雨相关性评价指标值Table4Rainfall correlation evaluation index value降雨场次模型E MA/mm C C B M/mm1h2h1h2h1h2h20120726U-Net22.5722.49-0.28-0.41-1.96-2.32 Att-Unet23.9921.28-0.22-0.32-0.66-3.08 TransAtt-Unet24.2022.66-0.28-0.32-1.76-2.66真实回波14.780.31 2.9320160719U-Net8.868.840.480.420.22-6.21 Att-Unet8.7010.710.590.170.25-7.05 TransAtt-Unet7.8810.520.580.13-0.74-6.77真实回波 6.020.77-0.0620210721U-Net 4.57 4.780.520.380.31-1.90 Att-Unet 4.85 5.580.320.19-0.93-1.31 TransAtt-Unet 4.40 5.650.470.21-0.22-1.29真实回波 3.090.67-0.4120211006U-Net 2.81 2.650.840.61-2.81-2.39 Att-Unet 2.61 2.790.790.63-2.61-2.79 TransAtt-Unet 2.48 2.620.820.65-2.48-2.62真实回波 1.670.88-1.67㊀㊀预报降雨过程如图5所示㊂3种模型在1h预见期时,预报的20120726场次降雨峰值与实际较为一致,但出现1h时差;对20160719和20210721场次降雨过程预报结果出现部分异常值,这与回波外推过程较大的虚警率有关,但总体上能反映降雨过程变化和雨强峰值;20211006场次降雨则存在少量低估,但能预报出该场降雨峰值出现的时间,这与动态Z R算法对较弱降雨的系统性低估有关㊂2h预见期降雨可以一定程度预报降雨过程的变化,但对各场降雨的峰值存在显著低估㊂目前,小流域降雨临近预报效果普遍较差㊂Heuvelink等[16]采用拉格朗日持续性方法在一个40km2的680㊀水科学进展第34卷㊀流域上对一场强降雨进行预报,产生了50%相对误差,发现面积越小的流域对过程变化迅速的降雨越容易产生误报;石毅[30]采用Farneback光流法和ConvLSTM在柳林实验流域进行降雨预报,结果表明光流法对回波演变的敏感性相对较低,ConvLSTM对强回波存在显著的均化趋势,导致1h预见期强降雨存在严重的低估㊂本研究采用的深度学习方法,在1h预见期内对不同类型的降雨均取得相对较好的回波外推效果,且能较准确的预报出强降雨峰值和变化过程,尽管2h预见期的预报精度相对较差,但能预报出降雨变化过程㊂预报结果存在的误差与定量降雨估计方法的系统误差和小流域上有限的雷达回波信息相关㊂动态Z R关系在定量降雨估计中具有相对较高的精度,但在降雨预报的业务化应用中仍然具有优化的空间,如Mihulet等[31]使用机器学习的方法改善了定量降雨估计的效果㊂另外,由于流域面积较小,随着预见期的延长降雨发生的实际位置也许出现在雷达图之外,使得深度学习的方法对剧烈变化的降雨产生较大的误差,Heuvelink等[16]也指出面积越小的流域对降雨发生的位置敏感性越高㊂图5㊀预报逐小时降雨过程Fig.5Forecasted hourly rainfall process3.3㊀洪水预报精度分析表5为洪水预报精度评价结果㊂3场实测降雨模拟的洪峰流量均小于实测洪峰流量,但E NS均达到了0.7以上㊂预报降雨模拟的20120726和20210721场次峰量较小的洪水,E NS均小于0.3,但20120726场次洪水1h预见期径流量相对误差小于20%,20210721场次洪水的洪峰流量预报效果也好于实测降雨模拟结果㊂对于20160719场次峰量较大的洪水,1h预见期预报的洪水E NS均能达到0.7以上且预报洪峰流量相对误差均小于20%,满足预报的精度要求㊂2h预见期洪水预报效果显著变差,洪峰流量和径流量的预报也存在较大误差㊂1h预见期时,TransAtt-Unet对于3场洪水的预报洪峰流量和径流量相对误差均小于20%,且20160719场次洪水E NS达0.78;Att-Unet则较准确地预报出20210721场次洪水的洪峰流量,相对误差仅为-0.9%㊂由于2h预见期预报的降水量存在显著低估,使得预报洪峰流量显著小于实测值,但U-Net模型对3场洪水预报的E NS为3个深度学习模型的最优值,且预报的20160719场次洪水E NS达0.52㊂㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报681㊀表5㊀洪水预报精度评价结果Table5Accuracy evaluation of forecasted floods洪水场次模型预见期Q S/(m3㊃s-1)E RP/%V S/mm E RV/%ΔT/h E NS20120726U-Net1h31.3-33.4 4.4-13.610.23 2h19.2-59.2 4.7-8.010.16Att-Unet1h40.3-24.5 5.68.810.06 2h17.8-62.1 3.9-43.630.08TransAtt-Unet1h38.0-19.2 5.3 2.210.23 2h19.0-59.6 4.3-17.110.15实测降雨模拟36.7-21.97.0537.200.7220160719U-Net1h372.4 1.2162.525.810.76 2h198.4-46.189.3-30.930.52Att-Unet1h407.310.7165.928.410.77 2h185.3-49.779.3-38.640.34TransAtt-Unet1h354.9-3.6154.819.910.78 2h191.3-48.183.9-35.030.37实测降雨模拟343.3-6.7167.729.810.8320210721U-Net1h123.232.033.010.400.25 2h32.3-65.47.7-74.300.14Att-Unet1h92.5-0.917.9-40.110.04 2h41.6-55.411.6-61.31-0.09TransAtt-Unet1h101.08.325.7-14.000.19 2h57.0-38.912.8-57.210.02实测降雨模拟76.2-18.327.7-7.300.79㊀㊀预报洪水过程线如图6所示㊂3种模型1h预见期洪水变化过程与实际较为一致,预报的20120726场次洪水峰现时间和洪水涨落时间较实际滞后1h;20160719场次预报洪水与实测降雨模拟的峰现时间均较实际滞后1h,预报洪峰与实际较为接近,但径流量存在一定的高估;对于20210721场次洪水预报,U-Net预报的洪峰流量较实际偏大,Att-Unet预报的峰现时间较实际滞后1h,TransAtt-Unet的预报结果与实际更为接近,3种模型均能预报出该场洪水的涨落过程㊂深度学习的方法对于剧烈变化的降雨引发的洪水,1h预见期的预报洪水E NS较低,但能较好地预报出洪水的变化过程和洪峰流量,对量级较大的洪水能取得较高的E NS,且能在准确预报洪水变化过程的基础上,较准确地预报出洪峰流量㊁径流量和峰现时间㊂2h预见期降雨虽然可以预报出洪峰形成过程,但对洪峰流量和径流量存在显著低估㊂糜佳伟等[32]在梅溪流域(面积约956km2)进行降雨预报和洪水预报,指出1h预见期降雨预报结果能满足中小流域洪水预报需求㊂本研究在降雨径流响应时间更快的柳林实验流域进行洪水预报,尽管预报洪水E NS较小,但能在1h预见期对不同类型降雨引发的洪水取得较为准确的洪峰流量和径流量预报效果,预报的20160719场次大洪水的洪峰流量和径流量相对误差小于实测降雨模拟洪水结果,因此,1h预见期洪水预报效果具有一定的准确性,为流域的防洪减灾工作争取了更长的时间㊂未来可在更多流域开展雷达降雨临近预报和洪水预报研究,以验证本文采用的深度学习方法在其他流域的适用性㊂682㊀水科学进展第34卷㊀图6㊀模拟和预报洪水过程线Fig.6Simulated and forecasted flood hydrographs4㊀结㊀㊀论采用深度学习的U-Net㊁Att-Unet和TransAtt-Unet进行雷达回波外推,通过动态雷达反射率因子和降雨强度关系实现雷达降雨临近预报,将降雨预报的结果输入HEC-HMS水文模型对柳林实验流域典型洪水过程进行预报,得到以下主要结论:(1)1h预见期时Att-Unet对强回波过程外推效果较好,TransAtt-Unet对变化更丰富的回波过程外推效果较好;2h预见期时U-Net外推效果更稳定㊂(2)深度学习模型在1h预见期对短时强降雨存在时间上的误差,对持续时间较长的降雨存在少量预报异常值,但均能较准确地预报降雨强度和过程;2h预见期降雨存在显著低估和较大误差㊂(3)3种模型的1h预见期预报的洪水能反映实际变化过程,TransAtt-Unet预报的洪峰流量和径流量误差更小,Att-Unet能对部分场次洪水取得较准确的洪峰预报效果㊂U-Net在2h预见期洪水预报效果精度最高㊂参考文献:[1]雍斌,张建云,王国庆.黄河源区水文预报的关键科学问题[J].水科学进展,2023,34(2):159-171.(YONG B, ZHANG J Y,WANG G Q.Key scientific issues of hydrological forecast in the headwater area of Yellow River[J].Advances in Water Science,2023,34(2):159-171.(in Chinese))[2]金君良,舒章康,陈敏,等.基于数值天气预报产品的气象水文耦合径流预报[J].水科学进展,2019,30(3):316-325.(JIN J L,SHU Z K,CHEN M,et al.Meteo-hydrological coupled runoff forecasting based on numerical weather prediction products[J].Advances in Water Science,2019,30(3):316-325.(in Chinese))[3]IMHOFF R O,BRAUER C C,van HEERINGEN K J,et rge-sample evaluation of radar rainfall nowcasting for flood early warning[J].Water Resources Research,2022,58(3):e2021WR031591.[4]IMHOFF R O,de CRUZ L,DEWETTINCK W,et al.Scale-dependent blending of ensemble rainfall nowcasts and numerical weather prediction in the open-source pysteps library[J].Quarterly Journal of the Royal Meteorological Society,2023,149(753):㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报683㊀1335-1364.[5]刘佳,邱庆泰,李传哲,等.降水临近预报及其在水文预报中的应用研究进展[J].水科学进展,2020,31(1):129-142.(LIU J,QIU Q T,LI C Z,et al.Advances of precipitation nowcasting and its application in hydrological forecasting[J]. Advances in Water Science,2020,31(1):129-142.(in Chinese))[6]ZHANG Y C,LONG M S,CHEN K Y,et al.Skilful nowcasting of extreme precipitation with NowcastNet[J].Nature,2023, 619(7970):526-532.[7]SOKOL Z,SZTURC J,ORELLANA-ALVEAR J,et al.The role of weather radar in rainfall estimation and its application in mete-orological and hydrological modelling:a review[J].Remote Sensing,2021,13(3):351.[8]HAN L,ZHAO Y Y,CHEN H N,et al.Advancing radar nowcasting through deep transfer learning[J].IEEE Transactions on Geoscience and Remote Sensing,2022,60:1-9.[9]BI K F,XIE L X,ZHANG H H,et al.Accurate medium-range global weather forecasting with3D neural networks[J].Nature, 2023,619(7970):533-538.[10]李步,田富强,李钰坤,等.融合气象要素时空特征的深度学习水文模型[J].水科学进展,2022,33(6):904-913.(LI B,TIAN F Q,LI Y K,et al.Development of a spatiotemporal deep-learning-based hydrological model[J].Advances in Water Science,2022,33(6):904-913.(in Chinese))[11]RITVANEN J,HARNIST B,ALDANA M,et al.Advection-free convolutional neural network for convective rainfall nowcasting[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2023,16:1654-1667. [12]AYZEL G,SCHEFFER T,HEISTERMANN M.RainNet v1.0:a convolutional neural network for radar-based precipitation now-casting[J].Geoscientific Model Development,2020,13(6):2631-2644.[13]HAN L,LIANG H,CHEN H N,et al.Convective precipitation nowcasting using U-net model[J].IEEE Transactions on Geo-science and Remote Sensing,2022,60:1-8.[14]熊立华,刘成凯,陈石磊,等.遥感降水资料后处理研究综述[J].水科学进展,2021,32(4):627-637.(XIONG LH,LIU C K,CHEN S L,et al.Review of post-processing research for remote-sensing precipitation products[J].Advances in Water Science,2021,32(4):627-637.(in Chinese))[15]刘家宏,梅超,刘宏伟,等.特大城市外洪内涝灾害链联防联控关键科学技术问题[J].水科学进展,2023,34(2):172-181.(LIU J H,MEI C,LIU H W,et al.Key scientific and technological issues of joint prevention and control of river flood and urban waterlogging disaster chain in megacities[J].Advances in Water Science,2023,34(2):172-181.(in Chi-nese))[16]HEUVELINK D,BERENGUER M,BRAUER C C,et al.Hydrological application of radar rainfall nowcasting in the Netherlands[J].Environment International,2020,136:105431.[17]NGUYEN H M,BAE D H.An approach for improving the capability of a coupled meteorological and hydrological model for rain-fall and flood forecasts[J].Journal of Hydrology,2019,577:124014.[18]包红军,曹勇,曹爽,等.基于短时临近降水集合预报的中小河流洪水预报研究[J].河海大学学报(自然科学版),2021,49(3):197-203.(BAO H J,CAO Y,CAO S,et al.Flood forecasting of small and medium-sized rivers based on short-term nowcasting and ensemble precipitation forecasts[J].Journal of Hohai University(Natural Sciences),2021,49(3): 197-203.(in Chinese))[19]GAO Y B,GUAN J P,ZHANG F H,et al.Attention-unet-based near-real-time precipitation estimation from Fengyun-4A satel-lite imageries[J].Remote Sensing,2022,14(12):2925.[20]FANG J,YANG C,SHI Y T,et al.External attention based TransUNet and label expansion strategy for crack detection[J].IEEE Transactions on Intelligent Transportation Systems,2022,23(10):19054-19063.[21]TREBING K,STA CZYK T,MEHRKANOON S.SmaAt-UNet:precipitation nowcasting using a small attention-UNet architec-ture[J].Pattern Recognition Letters,2021,145:178-186.[22]ZOU H B,WU S S,TIAN M X.Radar quantitative precipitation estimation based on the gated recurrent unit neural network andecho-top data[J].Advances in Atmospheric Sciences,2023,40(6):1043-1057.[23]GOU Y B,CHEN H N,CHANDRASEKAR V.A dynamic approach to quantitative precipitation estimation using multiradar mul-tigauge network[J].IEEE Transactions on Geoscience and Remote Sensing,2020,58(9):6376-6390.。

实时雨水情数据数据项说明

实时雨水情数据数据项说明

实时雨水情数据数据项说明一、引言随着社会的不断发展和城市化进程的加快,城市的雨水管理变得越来越重要。

为了更好地管理城市雨水资源,确保城市的正常运行和人民的生活质量,我们开发并提供了实时雨水情数据。

本文将对实时雨水情数据的数据项进行详细说明和解释。

二、数据项一:降雨量降雨量是指单位时间内某一区域内的降水量。

我们通过精确的传感器监测降雨情况,并将数据实时传输到数据库中,以便及时分析和利用。

降雨量数据项以毫米为单位,可用于了解降雨的强度和持续时间。

三、数据项二:降雨时间降雨时间是指降雨发生的具体时段,通常以小时为单位。

我们记录每次降雨的开始时间和结束时间,以便更好地把握降雨的规律和趋势。

降雨时间数据项可帮助相关部门进行雨水排水安排和建设规划。

四、数据项三:洪水预警洪水预警是指通过监测雨水情况,提前预测可能发生的洪水并及时发出警报。

我们的实时雨水情数据通过分析降雨量、雨水流速等指标,结合历史数据和数学模型,可以准确地预测洪水的可能发生时间和影响范围。

五、数据项四:水质监测我们不仅关注雨水的数量和时间,还关注雨水的质量。

实时雨水情数据中的水质监测数据项可以反映降雨过程中的水体污染情况。

通过监测降雨水的pH值、溶解氧含量、重金属含量等指标,我们可以及时了解雨水的污染程度,采取相应的措施防止水体污染。

六、数据项五:雨水利用率雨水利用率是指在城市建设中,对雨水进行收集和利用的程度。

通过监测实时雨水情数据中的雨水利用率数据项,我们可以评估城市雨水资源的利用效率,为城市规划提供科学依据。

七、数据项六:河道水位实时雨水情数据还包括河道水位的监测数据项。

河道水位的变化与降雨量直接相关,它反映了降雨对河流的影响程度。

我们通过高精度的水位传感器实时监测河道水位的变化,并记录在实时雨水情数据库中,以提供给相关部门参考。

八、结论通过本文对实时雨水情数据的数据项进行了详细说明,我们可以清楚地了解到实时雨水情数据的重要性和应用价值。

5第六章 实时洪水预报

5第六章 实时洪水预报

跨流域调水等。人类活动影响严重的流域,必须单独考虑
模拟结构。
第二节 实时洪水预报模型
一、流域基本特征
人类活动
流域中的中小型水库、水塘等,遇长期干旱放水灌溉而泄 空库容,遇洪水后先拦蓄洪水,若长期降雨后洪水拦蓄不
下又大量放水泄洪,这一减一加,常给洪水带来大的变化。
这些水利工程的规模,影响到流域产流参数或产流结构的 不同,水利工程建设时期不同也导致水文资料的不一致性。 所以要了解这些水利工程的控制流域面积、蓄水能力、流 域分布位置、建设时期、管理方式等。
第二节 实时洪水预报模型
一、流域基本特征
人类活动
农业活动有作物类型、生长季节、作物种植面积占全流域 的比例等。如我国华南地区广种水稻,在有些水田面积比
例大的流域,插秧季节由于水田插秧会拦截一些径流,虽
然水深一般只需10~20cm左右,但如果水田面积比例大, 这拦截的水量也是十分可观的。而在稻子成熟季节,稻田 会排出剩余水。这导致实测径流量偏离于天然量,进而导 致实测与计算的差异。
得到。
第二节 实时洪水预报模型
一、流域基本特征
气候特征
对历史丰水年和历史枯水年了解,主要为历史水文资料选择作 准备。对资料有条件的流域,用于建模的历史水文资料最好包 括有资料记载的最丰和最枯年份系列,这样可以增强所建模型 的代表性。最枯年份资料,还可被用来确定新安江模型的流域
平均蓄水容量参数和第三层蒸发扩散系数等,且用于率定模型
第二节 实时洪水预报模型
一、流域基本特征
气候特征
对年平均气温、年最低气温、降雪情况、冬季封
冻情况了解,主要是为模型结构中是否要有融雪
径流模拟、是否需要考虑冬季蒸发结构和封冻条
件下的产流结构模式确定等。

降水临近预报及其在水文预报中的应用研究进展

降水临近预报及其在水文预报中的应用研究进展

降水临近预报及其在水文预报中的应用研究进展降水临近预报及其在水文预报中的应用研究进展随着气候变化的加剧,降水成为了全球范围内气象学和水文学领域的重要研究课题之一。

降水临近预报是对未来一段时间内降水可能发生的时空分布进行预测的一种方法。

这种预报方法不仅能够为气象学和水文学研究提供重要信息,还可以应用于水文预报中,为防洪、供水等水资源管理提供支持。

降水临近预报的关键在于准确预测降水的时空分布。

传统的降水预报主要是利用观测数据和数值模型来进行,但是这些方法在预测时效比较长的情况下,预测精度会有很大的限制。

因此,为了提高降水预报的准确性,研究人员逐渐采用了多种新的技术和方法。

遥感技术是降水临近预报的重要手段之一。

通过卫星遥感获取到的大气和云图像数据可以提供丰富的降水信息。

遥感技术可以实时监测大气气象因子的变化,包括云高、云量、云类型等,从而准确预测未来降水的时空分布。

利用卫星遥感数据进行的降水预报已经在一些地区得到了广泛应用。

气象雷达是另一个重要的降水临近预报工具。

气象雷达可以实时监测大气中的降水情况,并提供降雨的强度、范围和时效等信息。

对气象雷达数据进行处理和分析,可以得到降水的时空分布,并且可以通过雷达距离、雷达观测角度等因素来估计未来降水发展趋势。

利用气象雷达进行降水预报已经在天气预报和防洪预报中得到了广泛应用。

另外,数值模型是降水临近预报的常用方法之一。

数值模型通过对大气运动的方程进行数值求解,来模拟大气中的物理过程和运动规律。

通过输入初始条件和边界条件,数值模型可以预测未来一段时间内的降水分布。

然而,由于大气系统的非线性和复杂性,数值模型在预测降水时仍然存在一些问题,尤其是对于复杂地形和复杂天气系统的预测。

在水文预报中,降水临近预报的应用主要体现在洪水预报和水资源管理中。

洪水预报是通过预测未来一段时间内的降水量和径流等信息,来预警可能发生的洪水灾害。

降水临近预报可以帮助决策者及时采取防洪措施,减少洪水灾害造成的损失。

实时降水回波实验报告(3篇)

实时降水回波实验报告(3篇)

第1篇一、实验背景随着气象科学技术的不断发展,雷达观测技术在降水预报和监测中发挥着越来越重要的作用。

实时降水回波观测是了解降水动态、评估降水强度和分布的关键手段。

本实验旨在通过新一代多普勒天气雷达,对实时降水回波进行观测和分析,为降水预报和气象服务提供科学依据。

二、实验目的1. 研究实时降水回波的时空分布特征。

2. 分析降水回波与地面降水的关系。

3. 探讨实时降水回波在降水预报中的应用价值。

三、实验材料与方法1. 实验材料:新一代多普勒天气雷达、自动站数据、气象卫星数据等。

2. 实验方法:(1)选取某地区连续一周的降水过程作为研究对象。

(2)利用新一代多普勒天气雷达观测实时降水回波,并记录回波强度、移动速度、路径等信息。

(3)收集同期自动站地面降水数据,分析降水回波与地面降水的关系。

(4)结合气象卫星数据,分析降水回波的生成、发展和消散过程。

四、实验结果与分析1. 实时降水回波的时空分布特征(1)观测到实时降水回波主要分布在降水中心附近,与地面降水区域基本一致。

(2)降水回波强度与地面降水强度呈正相关,即回波强度越大,地面降水强度也越大。

(3)降水回波移动速度与降水强度、降水类型等因素有关,如对流性降水回波移动速度较快,层状降水回波移动速度较慢。

2. 降水回波与地面降水的关系(1)降水回波是地面降水的先导,即降水回波出现后,地面降水往往紧随其后。

(2)降水回波强度与地面降水强度呈正相关,回波强度越大,地面降水强度也越大。

(3)降水回波移动速度与地面降水移动速度基本一致,即降水回波移动到哪里,地面降水也相应移动到哪里。

3. 实时降水回波在降水预报中的应用价值(1)实时降水回波可以直观地反映降水区域、强度和移动路径,为降水预报提供重要依据。

(2)结合自动站地面降水数据,可以更准确地评估降水强度和分布。

(3)实时降水回波可以作为降水预警的重要手段,为公众防灾减灾提供及时信息。

五、结论本实验通过对实时降水回波的观测和分析,得出以下结论:1. 实时降水回波可以反映降水区域、强度和移动路径,为降水预报提供重要依据。

2010年全国优秀博士学位论文名单

2010年全国优秀博士学位论文名单

黄汉升
福建师范大学
2010060
小型猪急性心肌梗死模型血管再生的实验研究
吕慧霞
张 运
山东大学
2010061
实流形在复流形中的全纯不变量
尹万科
黄孝军
武汉大学
2010062
阈值协整及其对我国的应用研究
薄列峰
焦李成
西安电子科技大学
2010078
高温超导悬浮系统在不同条件下的电磁力实验研究
张兴义
周又和
兰州大学
2010079
生物分子网络及复杂网络中模式结构识别问题的研究
张世华
章祥荪
中国科学院数学与系统科学研究院
2010036
《中国现代文学在法国的翻译和接受》
高 方
许 钧
南京大学
2010037
光学超晶格中光散射效应和光子纠缠研究
徐 平
祝世宁
南京大学
2010038
西天山伊犁地块古生代地球动力学演化
中国广翅目系统分类研究(昆虫纲:脉翅总目)
刘星月
杨 定
中国农业大学
2010017
情与理的交锋--英国财产继承研究1200-1800
陈志坚
刘新成
首都师范大学
2010018
中国近代体育新闻传播历史研究(1840-1949)
义理林
胡卫生
上海交通大学
2010034
基于图像处理技术的苎麻和棉纤维纵向全自动识别系统
王荣武
王善元
东华大学
2010035
进口引致型出口:中国出口成长的实现机制研究

基于卫星数据的洪水监测与预警研究

基于卫星数据的洪水监测与预警研究

基于卫星数据的洪水监测与预警研究洪水是一种常见的自然灾害,每年都会给人们的生命财产带来巨大的威胁。

随着现代科技的不断发展,基于卫星数据的洪水监测与预警研究越来越受到人们的关注。

本文将围绕这一主题展开探讨。

一、卫星数据在洪水监测中的作用卫星数据是指通过卫星传输而来的地球观测数据,如卫星遥感影像、地球物理数据等。

在洪水监测中,卫星数据发挥着至关重要的作用。

首先,卫星数据可以提供全球性、实时性的洪水信息。

随着卫星技术的不断进步,卫星遥感影像的分辨率和覆盖面积都有了很大的提高,可以实现对全球范围内的洪水进行实时监测和预警。

这对于全球各地的应急管理部门和民众来说,都具有极大的实用价值。

其次,卫星数据可以提供高质量的洪水监测信息。

传统的洪水监测方法主要依靠人工巡查和气象监测等手段,受到天气和地形等因素的影响较大,容易出现误差。

而卫星遥感技术可以实现对洪水淹没区域的高精度测量,提供更为准确的洪水监测信息。

这对于灾后救援和重建工作具有重要意义。

最后,卫星数据可以提供多维度的洪水信息。

卫星遥感技术可以提供洪水的影像、高程数据、地质结构信息等,从多个维度进行洪水监测,可以更全面地了解洪水的形成、演变和影响范围,为灾害预测和防范提供更多的参考依据。

二、基于卫星数据的洪水预警机制基于卫星数据的洪水预警机制,是指通过卫星遥感技术获取洪水信息,结合气象、水文等多种因素进行研判和分析,实现对洪水的及时预警和预测。

其主要包括以下几个方面:1、洪水监测体系的建设。

洪水预警的第一步是建立高效的洪水监测体系。

这需要依靠卫星遥感技术、水文测量技术、水文预报技术等多种技术手段,并建立起“卫星遥感-水文测量-水文预报”三位一体的监测体系,实现精准监测和预测。

2、预警信息的分析与研判。

当发现潜在的洪水危险时,需要将卫星遥感数据和气象、水文等因素整合起来,进行多维度的数据分析和研判,评估洪水可能造成的影响范围和危害程度。

3、预警信息的发布。

一旦确认洪水可能对某个地区造成危害,就需要及时发布预警信息,警示当地政府和民众做好必要的应对措施。

暴雨洪涝灾害预测与防控技术研究

暴雨洪涝灾害预测与防控技术研究

暴雨洪涝灾害预测与防控技术研究随着全球气候变化的加剧,灾害风险不断增加,暴雨洪涝灾害也越来越频繁和严重。

面对这一严峻的形势,如何预测和防控暴雨洪涝灾害成为了重要的研究领域。

本文将介绍当前暴雨洪涝灾害预测和防控技术研究的发展现状和前景展望。

第一部分:预测技术暴雨洪涝灾害的发生是由于强降雨、城市排水系统严重失灵等多种因素引起的。

在预测暴雨洪涝灾害时,需要考虑这些因素的综合影响。

随着卫星定位、雷达监测、气象探空等技术的发展,现代气象科技初步实现对特大暴雨事件的预警和预报,并逐渐向多元化、智能化发展。

其中,卫星遥感技术是一项非常有前景的技术。

它可以获取地面湿度、温度、大气层高度等多种参数,通过数据分析,可以研究大气环境的变化以预测暴雨天气。

同时,卫星还可以提供地表摄像头图像,在灾害发生后实时掌握灾情,支持现场救援行动。

雷达监测则可以实现对降雨的精细监测,为气象部门提供强有力的数据支持。

而气象探空则可以收集大气温度、湿度、风等数据,通过数学模型计算,可以提高对暴雨洪涝灾害的预测效果。

除此之外,人工智能、大数据等新技术也正在成为暴雨洪涝灾害预测的重要手段。

通过对历史气象数据、地形地貌、土壤水分等信息的全面分析,可以建立更加准确的灾害风险评估模型,从而提高预测准确率。

第二部分:防控技术除了预测技术,防控技术同样重要。

如何在灾害发生后,及时调动救援和救援资源,防止次生灾害的发生,缓解灾区受灾人民的生活压力,也是现代防灾减灾工作的难点。

其中,新型城市排水系统是值得关注的灾害防控技术。

在传统排水系统基础上,利用智能化技术、水文模型、地形地貌分析等手段,设计出更加科学和可靠的城市排水系统。

经过长期的实践检验,这种排水系统可以更好地抵抗强降雨的冲击,大大降低洪涝灾害的发生率。

此外,多媒体技术、无人机等新技术也可以用于灾害现场的救援工作。

人们可以通过无人机对灾害现场进行快速勘察,拍摄受灾地区的实时图像,并通过让其搭载各种设备,即使在复杂恶劣环境下也能实现救援行动的高效实施。

暴雨洪涝灾害风险预警技术研究及其应用

暴雨洪涝灾害风险预警技术研究及其应用

暴雨洪涝灾害风险预警技术研究及其应用一、引言暴雨洪涝灾害频繁发生,给人类带来了巨大的生命和财产损失。

如何预测、预警和应对这种自然灾害成为了一个重要的课题。

本文将从预警技术的研究和应用两个方面,系统介绍暴雨洪涝灾害风险预警技术的现状和发展趋势。

二、暴雨洪涝灾害的风险暴雨洪涝灾害广泛分布于全球各个地区。

从我国的情况来看,我国的暴雨洪涝灾害发生较为频繁,每年洪涝灾害造成的损失都在数十亿元以上。

据不完全统计,我国目前已有300余个城市和县受到过暴雨洪涝灾害的威胁。

暴雨洪涝灾害的风险主要表现为以下几个方面:1.降雨强度大、范围广,雨水无法及时排出,导致地下水位上升,泥石流和山洪泛滥等灾害。

2.水文流量预测不准确,造成河流水位暴涨,洪水威胁到周边居民和经济活动。

3.城市排水系统不完善,雨水暴涨造成道路和低洼地区积水,影响交通和居住。

4.农田排水不畅,使得庄稼受灾,又引发粮食价格大幅度上涨。

三、暴雨洪涝灾害风险预警技术研究现状目前暴雨洪涝灾害风险预警技术主要包括气象预报、气象预警、水文预报和水文预警。

以下就对这四方面进行具体介绍。

1.气象预报气象预报主要通过人工和自动气象观测站测量天气参数,利用物理和数学模型预测未来的天气情况。

气象预报对暴雨洪涝灾害风险的预测可以在一定程度上减轻灾害的危害。

目前我国气象预报机构主要有国家气象局和地方气象局。

2.气象预警气象预警主要是在气象预报的基础上,进一步提醒人们注意未来可能发生的极端天气情况。

气象预警系统分为自然语言描述的警报、定量预警和专家系统。

目前,气象预警已成为防止暴雨洪涝灾害的主要手段之一。

3.水文预报水文预报主要通过人工和自动水文观测站观测和计算地表水的时空分布情况,实现对河流、湖泊水位和流量的预测。

目前我国主要的水文预报机构是国家防汛抗旱总部办公室、水利部和水文局等。

通过水文预测,可以有效预测洪水的暴发和退水的速度,提高对洪涝灾害的提前预警和应对能力。

4.水文预警水文预警主要是在水文预报的基础上,预警可能发生的水利灾害。

汤河水库实时洪水预报技术研究

汤河水库实时洪水预报技术研究
第 3期 2012年6月
水利信息化 Water Resources Informatization
NO.3 Jun.,2012
汤河水库实时洪水预报技术研究
郑春成
(辽宁省汤河水库管理局,辽宁 辽阳 111000)
摘 要:汤河水库洪水预报对汤河水库及其下游的防洪安全极其重要,需要研究实时洪水预报技术,以提高洪 水预报精度。根据汤河水库自然地理和水文特性,汤河水库实时洪水预报采用汤河水库洪水预报,考虑到各场 次洪水预报误差之间存在一定的相依性,故采用人工神经网络方法构建实时校正系统,模型用实际洪水资料进 行校准,并用 2 场较大洪水予以检验。2 个场次的校验表明,实时校正能明显地提高洪水预报的精度。 关键词:洪水预报;实时校正;模型;人工神经网络;汤河水库 中图分类号:TV697 文献标识码:A 文章编号:1674-9405(2012)03-0037-03
汤河水库坝址位于辽宁省辽阳市弓长岭区境内 的太子河一大支流汤河干流上,是一座以防洪、工 业和生活用水为主,兼顾灌溉、发电、养鱼等综合 利用的国家大Ⅱ型水利枢纽工程。水库为多年调 节,按百年一遇洪水设计,可能最大洪水校核。坝 址以上的控制流域面积为 1 228 km2,流域多年平均 降雨量 771.2 mm,多年平均径流量 2.89 亿 m3。水库 总库容 7.07 亿 m3,调洪库容 3.68 亿 m3,兴利库容 3.59 亿 m3,多年调节水量 2.15 亿 m3,是鞍山、辽阳 2 座城市生活和工业用水的主要来源。水库枢纽工程 由土坝、溢洪道、泄洪洞、水电站、引水建筑物等 部分组成。
3 汤河水库洪水预报实时校正模型
汤河水库降雨主要集中于汛期,流域包气带较 薄,产流集中在地面径流和壤中流部分,洪水过程 表现为有明显的涨落过程,所以通常的降雨径流模 型不可能精确预报所有的洪水过程,同时考虑到误 差之间存在一定的相依性,故采用人工神经网络方 法构建实时校正系统。

长江实时洪水预报系统

长江实时洪水预报系统

长江实时洪水预报系统黄艳长江水利委员会水文局摘要长江水利委员会1951年成立以来,长江实时洪水预报系统不断得到发展。

系统采取气象模型(提供定量降雨预报)与水文、水力模型相结合的方法,并结合预报员经验分析,为长江上主要站点提供实时洪水预报。

采用的模型包括气象模型MM5,水文模型有新安江模型,API模型,水力模型有马斯京根方法,统计学模型如相关关系法和“大湖演算法”以及MIKE11模型。

本文介绍了长江水利委员会水文局实施的洪水预报系统的框架和概要。

简述了使用模型的原理,预报范围与流程,并给出了一些预报结果。

文章最后讨论了目前需要给予特别关注的重要问题。

关键字实时洪水预报,长江,定量降雨预报1 引言长江洪水历来带来巨大破坏。

1877年以来,至少有25次洪水超过了河道泄洪能力。

1998年洪水是最近发生的一次大洪水事件。

由于流域范围的大洪水会影响了成千上万人民的生命与财产安全,所以,对洪水预报的精度,时效性都提出了非常高的要求。

另外,随着社会经济的不断发展,对防洪的要求也在不断提高。

同时,由于人类活动的加剧,使得洪水预报变得更为复杂。

为了促进流域洪水管理,长江委水文局通过不断努力,逐步建立了一套实时洪水预报系统。

经过几十年的不断发展,目前使用的洪水预报系统是1990年代中期开发的。

系统包括1400多个水位雨量测站,其中118个中央报汛站实现自动报汛。

系统应用了多个水文水力学模型。

本文简要描述了当前业务实时洪水预报系统使用的方法及其使用效果,并讨论了即将面临的挑战。

2 长江实时洪水预报系统2.1 概述长江流域位于中国中部,面积108万平方公里,河流干支流全长6300余公里。

从青藏高原长江源头至宜昌为上游,集水面积100平方公里,从宜昌至武汉为中游,集水面积68万平方公里,从武汉至河口上海市为下游,集水面积12万平方公里。

针对不同区域,目前的洪水预报系统预报方法各不相同,详细见图1。

图1 长江实时洪水预报系统如图1所示,当前的洪水预报系统由多个部分构成。

实时洪水预报若干问题

实时洪水预报若干问题
实时洪水预报若干问题
河海大学 张行南 2010年1月13日
Hohai University
一、流域水文模拟与实时洪水预报
最主要的差别:
流域水文模拟:确定性过程的模拟
实时洪水预报:一定预见期的预报过程
Hohai University
一、流域水文模拟与实时洪水预报
流域水文模拟:确定性过程的模拟 研究的是流域水文循环过程(降雨、蒸发、径流、土壤含水
水库、闸坝、行蓄洪区
支流河道汇流……………
水库、闸坝、行蓄洪区
干流河道汇流
调度模型 洪水演进模型
河道汇流模型
Hohai University
枫树坝
枫龙区间
龙川
二、流域离散
新丰江 河源
龙河区间
蓝塘

岭下
平山
岭惠区间
白盘珠
惠阳
惠博区间
平慧区间
博罗
广东东江流域
博石区间 边界结点 小流域和区间入流结点 河道结点 下边界
Hohai University
三、流域 水文模 型
2、相应水位 (流量)模 型(相关模 型)
Hohai University
三、流域水文模型
3、河道汇流模型—马斯京根 法(水文学模型)
Hohai University
三、流域水文模型
3、河道汇流模型—马斯京根 法(水文学模型)
Hohai University
Hohai University
四、实时洪水预报
1、预见期与边界 (1)边界和预见期是相互相成的。 (2)预见期是一个时刻变化的值,是一个流域所固有的。 (3)预见期的确定取决于实际防洪的需要和实际条件。 (4)预见期和预报精度是相互矛盾的。 (5)增长预见期的有效方法是扩大上边界(但与预报精 度成反比)和天气预报(降水定量预报、中长期预报)。
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

附件2论文中英文摘要作者姓名:吴志勇论文题目:定量降雨与实时洪水预报研究作者简介:吴志勇,男,1979年01月出生,2003年09月师从于河海大学陆桂华教授,于2008年06月获博士学位。

中文摘要基于实测降雨的传统洪水预报方法,预见期较短,难以完全满足防汛调度、洪水资源化应用等洪水管理的要求。

预见期短已成为水文预报发挥更大效益的主要障碍。

从研究与实践均表明,预见期的延长必须依赖有足够精度的定量降雨预报。

本文以增长洪水预报预见期为主要目标,重点研究了引入降雨预见期的实时洪水预报技术,突出数值天气预报模式、陆面过程模型以及基于网格的流域汇流模型和实时洪水预报系统等方面问题的解决。

较长预见期的降雨预报必须基于全球数值天气预报模式。

目前全球数值天气预报模式模拟范围覆盖全球,由于计算条件的限制,模式的网格往往较大,水平网格为25~100 km。

相对于数值天气预报模式,流域洪水预报要求较小尺度下进行,如分布式水文模型采用的网格为0.01~1 km。

因此,将大气数值模式和水文模型耦合进行洪水预报时,需解决它们之间的尺度问题。

本文采用MC2模式(Mesoscale Compressible Community Model)作为动力尺度降解工具,进行了具有预见期长达96 h,空间分辨率达20 km和5 km的降雨预报研究。

分析了预报区域范围大小、时空分辨率和物理过程参数化方案等关键要素的确定和协调问题,提出了考虑水汽源地影响的区域数值天气预报模式构建方法,建立了MC2多层自嵌套方案。

选取了淮河流域1998年、2003年以及2005~2007年汛期资料对降雨预报进行了后预报和实时预报检验,结果表明,本文建立的MC2模式对淮河流域暴雨具有很好的预报能力,特别是对梅雨期强降雨预报,无论其雨带分布和结构,还是暴雨中心位置及强度,均能获得较高的预报精度。

陆面是陆气系统的重要组成部分,它控制着地表能量在感热和潜热间的分配,以及地表水分在蒸发和径流之间的分配,对全球和区域天气、气候有重要影响作用。

本文引入CLASS (Canadian Land Surface Scheme)模型作为陆面过程模型与MC2模式耦合。

原CLASS模型具有很强的模拟能量通量能力,但缺乏模拟重要的壤中流产流的机制。

为此,本文提出了对CLASS的产流模块的改进方案。

改进方案采用田间持水量阈值来实现壤中流的产生,引入了空间分布函数来表示土壤田间持水量在次网格内的变化。

选用了1998和1999年淮河流域能量与水分循环试验(HUBEX)的观测资料,对改进前后的CLASS模型进行了点尺度和流域尺度的检验。

结果表明,改进后的CLASS模型,不仅保持原CLASS模型具有很好的模拟淮河流域不同地表和不同季节的能量通量、土壤温度、土壤含水量过程以及总径流量的功能,且对模拟洪峰流量、峰现时间和洪水过程的能力有了较大的提高,使产流过程的模拟大为改善。

壤中流模拟引入CLASS模型,也为水文资料短缺地区建立水文计算模型提供了很好技术支撑。

流域汇流是洪水预报的重要组成部分,为进行流域洪水汇集的分布式模拟,以及有效利用数值天气预报模式输出的分布式降雨预报结果,本文开发了基于网格的分布式流域汇流模型。

提出了空间分布汇流演算参数的求解方法和基于新一代交互式数据语言(IDL)的网格汇流模型程序设计方法,为深入研究流域洪水汇流的时空过程提供了支持。

模型基于数字水系,构建河网拓扑关系;采用造床流量作为河段的参考稳定流量,通过构建地理因子和水力学因子的经验关系,求解空间分布的汇流演算参数;基于新一代交互式数据语言(IDL),设计开发计算程序。

经淮河流域实际洪水过程的检验,表明该模型计算效率高,能够较好地模拟洪水的时空演进过程,成果具有较高的精度,满足洪水预报的要求。

将定量降雨预报模式与洪水预报模型耦合起来进行实时洪水预报,增长洪水预报的预见期和预报精度,是一项复杂的系统工程,本文基于先进的计算机及网络技术,采用计算服务器和客户端的构建方式,综合运用多种程序开发语言,开发了基于定量降雨预报的实时洪水预报系统。

提出了多任务并行的协同工作方式,开发了数值天气预报、洪水预报和GIS的集成技术,实现了降雨预报和洪水预报的全自动运行。

构建了一个可滚动运行的实时洪水预报系统,预报所需的实时降雨信息从全国水文站网信息系统数据库获取,预报降雨由MC2模式提供;实时预报结果通过基于WebGIS的全国水文站网信息系统平台发布。

在经过1998和2003年的检验之后,系统对2005~2007年3个汛期淮河王家坝以上流域的洪水进行了实时跟踪预报,获得了预见期长达3~5 d的洪水预报,预见期与精度满足实用要求。

2007年7月,应用本系统比传统预报方法提早132小时,预报出7月11日淮河流域王家坝(含地理城)的洪峰流量8740m3/s,与实测8100m3/s仅相差9%,峰现时间误差仅为6 h。

可见,本文建立的定量实时降雨预报与实时洪水预报相结合的系统能够增长洪水预报的预见期、保证洪水预报精度,具有较好的应用前景。

本文研究形成的技术成果,如数字水系构建程序、降雨预报运行和发布模块以及洪水预报模块等,是2007年水利部大禹水利科学技术一等奖“基于WebGIS的全国水文站网信息系统”的重要组成部分。

以论文的研究成果为主要内容,作者与导师和何海博士合作完成了《水文循环过程及定量预报》专著的撰写,即将于2010年由科学出版社出版。

关键词:洪水预报、预见期、陆气耦合、数值天气预报模式、陆面过程模型、汇流模型Quantitative Precipitation and Real-time Flood ForecastWu ZhiyongABSTRACTMost traditional flood forecast methods in China use observed precipitation as model input. The flood forecast lead-time is thus limited to the natural flow concentration time of a basin, which cannot meet the growing needs in the operational practice of flood prevention and disaster reduction. The thesis focuses on real-time precipitation and flood forecasts using coupled hydro-metrological modeling systems, which can help to enhance the flood forecast lead-time. The ultimate goal of the study is to produce accurate and timely deterministic forecasts with long lead times for the authorities in operational flood management decision making.The atmospheric model MC2(Canadian Mesoscale Compressible Community) is used as a dynamical downscaling tool, which is run at different resolution (20 and 5 km) over two regional domains and can gain 96-h lead time. The determination and coordination of vital factors such as the size of forecast area, the spatial-temporal resolution and the parametrical scheme of physical process were discussed. The precipitation data during flood season of 1998, 2003 and 2005 to 2007 in Huaihe River Basin were chosen to make hindcast and real-time forecast validation. MC2 is found to be capable of simulating precipitation over the basin both for the position and intensity; which is especially true for heavy precipitation events during the Meiyu season. This is important as Meiyu induced flooding is the primary concern in the Huaihe River Basin.The original version of CLASS has no interflow and a baseflow that is not appropriate for hydrograph simulation in real-time flood forecasts. The original CLASS is thus improved for interflow generation using a field capacity threshold together with a spatial probability distribution function to represent sub-grid variability in soil field capacity. A linear reservoir at the bottom the third CLASS soil layer is introduced to model the baseflow. The 1998-99 HUBEX/GAME were chosen to test the original and improved CLASS in point scale and catchment scale. The result indicates that the two versions of CLASS give good results for the net radiation, sensible and latent heat fluxes, ground heat flux, and soil temperature and moisture in various land surfaces during various seasons. However, The improved CLASS is significantly improved in both peak flow and flood timing simulation.Flow routing in catchments is an important part in flood forecast technology. In order to carry on distributed simulation of flood convergence in catchments, a grid-based flow routing model was developed. Based on digital water system, the model constructed topology relationship of channel networks. Dominant discharge was taken as the stable discharge of channel to consult, and thesolutions of distributed parameters of flow routing were given via the construction of the relationship between geographical and hydraulic factors. The calculating programs in design and exploitation were based on a new generation of interactive data language-IDL. After the validation using practical flood in Huaihe River Basin, the model were efficient in calculation and could simulate the spatial-temporal development of flood very well. And the results of this model were shown to be a high level in precision and could satisfy the need of the application of flood forecast.A coupled hydro-metrological modeling system is established on the bases of modern science and technology. It involves the use of numerical weather prediction models, flood forecast models, acquiring real-time gauge precipitation, a GIS based platform for spatially displaying the propagation of the forecast floods in real-time, various programming languages, personal and sup-computers, different operating systems, client-server modes, and internet technologies. The system has become fully automated. After the validation for 1998 and 2003, real-time rolling forecasts in catchments above Wangjiaba were carried on during 2005 and 2007 using the system in Huaihe River Basin. The results demonstrate the applicability and the value of using mesoscale model precipitation for real-time flood forecast, which can provide a long lead time of heavy precipitation and subsequent flooding for authorities in operational flood management decision making.The technological achievements in this dissertation, such as digital watershed build module, and the precipitation forecasting module, as well as flood forecasting module and so on, are the important components for “National Hydrological Network Information System Based on WebGIS”, which received the first-class of Dayu Water Science and Technology Award in 2007. Using the dissertation as the main content, the author cooperated with the supervisor and Dr. He hai in writing a monograph “hydrological cycle process and quantitative prediction”, which will be published by Science Press in 2010.Key words: Flood forecast, Lead time, Coupled atmospheric-hydrological model, Numerical weather forecast model, Land surface model, Flow routing model。

相关文档
最新文档