[0001] 本发明涉及水文预测技术领域，具体涉及一种预报城市流域洪涝的方法及系统。

[0002] 洪涝灾害是当今世界上给人类带来损失最大的自然灾害之一，受城市雨岛效应的影响，城市范围局地短时强降雨频发，以及特殊的地形地势和下垫面条件，加之人口、社会经济等致灾因素的叠加，大大增加了城市洪涝灾害的风险性和不确定性。

[0003] 数值模型是城市防洪减灾的重要技术手段，随着城市洪涝模型日趋精细化，模拟要素及参数日渐丰富，模型发展与监测信息高度密集不匹配，模型算法冗余度持续增加，由于城市流域产流量大、汇流快的自然属性，存在预报模拟计算城市流域洪涝所需的时间较长，预留给防汛指挥决策的时间短的问题。

[0043] 下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

[0044] 此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

[0045] 实施例1

[0046] 本发明实施例提供的一种城市流域洪涝的预测方法，如图1所示，包括如下步骤：

[0047] 步骤S1：提取待预测城市地区历史场次降雨数据集，对各场次各雨量站在预设时间内的降雨时间序列样本进行分析，确定该城市地区的雨型时空分布。

[0048] 在本发明实施例中，根据待预测城市地区历史场次降雨数据集，提取各站点最大24小时降雨时间序列，计算逐时段雨量占最大24小时降雨总量的比例，仅以此举例，不以此为限，在实际应用中根据实际需求进行相应事件段的选取。

[0049] 在本发明实施例中，确定该城市地区的雨型时空分布的步骤，包括：根据待预测城市区域各场次各雨量站在预设时间内的降雨时间序列样本，计算各场次各雨量站在预设时间内的降雨比例；基于k‑means算法对该地区的各场次的天气移动路径进行划分；利用k‑means算法对天气移动路径及降雨比例进行聚类分析，分类提取各雨量站的降雨雨型；根据各雨量站点的位置构建泰森多边形，划分各雨量站雨型空间分布；基于各雨量站的降雨雨型及对应场次雨型空间分布，确定该地区的雨型时空分布。

[0050] 在本发明实施例中，通过以下公式计算各场次在预设时间内的降雨比例：

[0051] xi＝max{Pij},j∈[1,n]

[0052]

[0053]

[0054] 其中，m为雨量站数量；n为降雨场次总数；T为降雨时段；xi为第i个雨量站预设时j间降雨时间序列；Pi 为第i个雨量站的第j场降雨的预设时间降雨总量， 为第i个雨量站在预设时间按降雨序列中第t个时段雨量； 为第i个雨量站预设时间降雨总量；
为第i个雨量站的预设时间降雨序列中第t个时段雨量比例。

[0055] 步骤S2：根据雨型时空分布及河道洪水边界条件，利用精细化洪涝模型，模拟该地区不同情景下各河道节点的洪水特征参数及积水特征参数，建立洪涝模拟情景库。

[0056] 在本发明实施例中，应用精细化洪涝模型，模拟该地区不同情景下各河道节点的洪水特征参数及积水特征参数，建立洪涝模拟情景库，包括：根据设计雨型、降雨雨型，区分长历时与短历时情景，获取长历时与短历时情景对应频率的河道洪水边界条件，应用精细化洪涝模型进行模拟，生成各河道雨量站点的洪峰流量和洪水总量、区域积水点位、积水深度及积水历时参数，构建洪涝模拟情景库。

[0057] 在一具体实施例中，根据设计雨型、降雨雨型，区分长历时与短历时情景，长历时选取1年、3年、5年、10年、20年、50年和100年一遇，短历时选取1年、3年、5年、10年一遇，仅以此举例，不以此为限，在实际应用中根据实际需求选取相应长历时、短历时的年限；输入相应频率河道洪水边界条件，例如，通过芝加哥雨型进行降雨分配，根据研究区域相似雨型分布规律，对暴雨空间分布进行情景设置，仅以此举例，不以此为限，在实际应用中，根据实际需求设置相应的边界条件；应用精细化洪涝模型进行模拟，模拟输出各河道水文站点的洪峰流量和洪水总量，以及区域积水点位、积水深度、积水历时等信息，构建洪涝模拟情景库。

[0058] 步骤S3：基于洪涝模拟情景库的模拟数据，建立暴雨洪涝关系式、内涝模拟关系式。

[0059] 在本发明实施例中根据不同场景的洪水总量、洪峰流量、峰现时间的线性关系建立线性回归数学表达式，作为暴雨洪涝关系式；根据不同场景的积水深度、积水历时、积水范围的线性关系建立线性回归数学表达式，作为内涝模拟关系式。

[0060] 步骤S4：根据雨型时空分布，将获取预报降雨过程的降雨数据进行修正，划分安全情景和不利情景；将暴雨洪涝关系式、内涝模拟关系式分别与安全情景及不利情景进行数据匹配，当匹配度大于预设数值时，将洪涝模拟情景库中对应的模拟数据作为预报城市流域洪涝信息。

[0061] 在本发明实施例中，将预报降雨过程作为安全情景，将实际雨型修正后的预报降雨过程作为不利情景。

[0062] 在一具体实施例中，主观预报气候模式是洪涝风险预警和洪水调度基础资料，空间分辨率为1km的网格，时间分辨率1h，预见期未来24h降雨过程，基于主观预报气候模式预报产品，提取24h降雨量超过一年一遇(雨量>47mm)的覆盖范围；利用所提取雨型修正预报降雨过程，作为最不利情景，将预报降雨过程作为最安全情景；根据降雨特征参数结合暴雨洪水定量表达式和模拟情景库，分别计算上述两种情景各河道节点的洪峰流量、洪水总量，并调用最相似的内涝模拟情景，进行洪涝快速预测。

[0063] 在本发明实施例中，通过以下公式将获取预报降雨过程的降雨数据进行修正：

[0064]

[0065] 式中， 为第i个区域的第t时段修正后的降雨量；Pi为第i个区域的预报降雨总量； 为第i个区域的第t时段降雨比例。

[0066] 在一具体实施例中，以北京城市凉水河流域为研究区域，流域面积655km2，以2020年8月12日场次降雨为例：

[0067] 首先，根据北京城市共计276次强对流天气移动路径资料，提取出6个主要移动路径，基于此将k‑means算法参数k确定为6类。①西北路1：源地位于洋河河谷与蒙古高原交界处坝头地区。在张北、万全、张家口附近，沿洋河、永定河谷向东南方移动；②西北路2：始于距北京西北150km大马群山西段，经赤城、海坨山、延庆、昌平向南移动；③西路：产生于北京西部斋堂、灵臣等山区，向东或东北传播；④北路：产生于大马群山东段，经大坝头、延庆、军都山、昌平、顺义等地区；⑤东路：从东北向西南移动；⑥本地产生：仅占6％。针对历史降雨数据资料，提取各站点最大24小时降雨序列，计算逐时段降雨量占最大24小时降雨总量的比例；将上述的结果作为历史暴雨数据集，应用k‑means算法进行聚类分析，识别各雨量站点的雨型类型；如图2所示，为识别出的6种雨型类型。基于流域内雨量站点位置，构建泰森多边形，划分雨型空间分布，如图3所示，为6种雨型的分布情况。

[0068] 构建洪涝模拟情景库，具体步骤如下：长历时24h降雨情景设置：根据《北京市水文手册—暴雨图集》，查询研究区范围内不同重现期最大1h、6h及24h降雨总量，计算24h设计降雨过程。短历时1h降雨情景设置：应用暴雨强度公式计算设计降雨量，基于芝加哥雨型进行降雨过程分配。根据凉水河流域暴雨雨型分布规律，按照全流域普降暴雨、暴雨中心分别在上游、中游或下游，设置暴雨空间分布情景。基于精细化洪涝模型，设置设计降雨情景，模拟各河道节点的洪峰流量和洪水总量，以及区域积水深度、积水总量及积水历时特征参数。综合以上信息，建立洪涝模拟情景库。

[0069] 建立暴雨洪涝定量关系式，具体步骤如下：统计分析降雨总量与洪峰流量、洪水总量的线性关系，建立线性回归数学表达式。如图4所示，以张家湾闸为例，张家湾闸降雨总量与洪峰流量具有较好的线性关系，相关系数达0.99，降雨量与洪峰流量拟合关系式：y＝‑0.0043x2+5.48x‑27.34。

[0070] 暴雨洪涝预报，具体步骤如下：基于主观预报气候模式预报产品，根据预报降雨总量，提取出未来24h降雨量超过一年一遇(雨量>47mm/h)的降雨落区范围；以预报降雨总量乘以各单元雨型比例，得到修正预报降雨过程；将预报降雨过程作为最安全情景，利用实际雨型修正预报降雨过程作为最不利情景，根据降雨特征参数结合暴雨洪水定量表达式，计算各河道节点的洪峰流量、洪水总量及洪水历时。结果表明：根据建立暴雨洪涝定量关系式3 3
计算出张家湾闸的洪峰流量为216m/s，实测流量为211m/s，相对误差2％，模拟效果较好；
根据上述计算结果，调用最相似内涝模拟情景，匹配情景库中的模拟情景发现共有69处模拟内涝积水点。根据上述结果，发布洪涝预报信息。

[0071] 本发明实施例中提供的城市流域洪涝的预测方法，通过根据历史资料确定城市地区的雨型时空分布；根据雨型时空分布及河道洪水边界条件，利用精细化洪涝模型通过模拟该地区不同情景下的参数建立洪涝模拟情景库；基于模拟数据建立暴雨洪涝关系式、内涝模拟关系式；根据雨型时空分布将获取预报降雨数据进行修正，划分不同的情景；将暴雨洪涝关系式、内涝模拟关系式与不同情景进行数据匹配，匹配度大于预设时，将洪涝模拟情景库中的模拟数据作为预报城市流域洪涝信息。本发明可快速计算预见期内各节点洪峰流量和洪水总量，以及积水点位置、积水深度、积水历时等信息，实现城市洪涝灾害的快速预报研判，为防洪排涝应急管理争取宝贵时间。

[0072] 实施例2

[0073] 本发明实施例提供一种城市流域洪涝的预测系统，如图5所示，包括：

[0074] 雨型时空分布确定模块1，用于提取待预测城市地区历史场次降雨数据集，对各场次各雨量站在预设时间内的降雨时间序列样本进行分析，确定该城市地区的雨型时空分布；此模块执行实施例1中的步骤S1所描述的方法，在此不再赘述。

[0075] 洪涝模拟情景库建立模块2，用于根据雨型时空分布及河道洪水边界条件，利用精细化洪涝模型，模拟该地区不同情景下各河道节点的洪水特征参数及积水特征参数，建立洪涝模拟情景库；此模块执行实施例1中的步骤S2所描述的方法，在此不再赘述。

[0076] 洪涝、内涝关系式建立模块3，用于基于洪涝模拟情景库的模拟数据，建立暴雨洪涝关系式、内涝模拟关系式；此模块执行实施例1中的步骤S3所描述的方法，在此不再赘述。

[0077] 城市流域洪涝信息预报模块4，用于根据雨型时空分布，将获取预报降雨过程的降雨数据进行修正，划分安全情景和不利情景；将暴雨洪涝关系式、内涝模拟关系式分别与安全情景及不利情景进行数据匹配，当匹配度大于预设数值时，将洪涝模拟情景库中对应的模拟数据作为预报城市流域洪涝信息；此模块执行实施例1中的步骤S4所描述的方法，在此不再赘述。

[0078] 本发明实施例提供一种城市流域洪涝的预测系统，通过根据历史资料确定城市地区的雨型时空分布；根据雨型时空分布及河道洪水边界条件，利用精细化洪涝模型通过模拟该地区不同情景下的参数建立洪涝模拟情景库；基于模拟数据建立暴雨洪涝关系式、内涝模拟关系式；根据雨型时空分布将获取预报降雨数据进行修正，划分不同的情景；将暴雨洪涝关系式、内涝模拟关系式与不同情景进行数据匹配，匹配度大于预设时，将洪涝模拟情景库中的模拟数据作为预报城市流域洪涝信息。本发明可快速计算预见期内各节点洪峰流量和洪水总量，以及积水点位置、积水深度、积水历时等信息，实现城市洪涝灾害的快速预报研判，为防洪排涝应急管理争取宝贵时间。

[0079] 实施例3

[0080] 本发明实施例提供一种终端，如图6所示，包括：至少一个处理器401，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口403，存储器404，至少一个通信总线402。其中，通信总线402用于实现这些组件之间的连接通信。其中，通信接口403可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非易失性存储器(non‑volatile memory)，例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行实施例1中的城市流域洪涝的预测方法。存储器404中存储一组程序代码，且处理器401调用存储器404中存储的程序代码，以用于执行实施例1中的城市流域洪涝的预测方法。其中，通信总线402可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。其中，存储器404可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random‑access memory，缩写：
RAM)；存储器也可以包括非易失性存储器(英文：non‑volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：HDD)或固降硬盘(英文：solid‑state drive，缩写：SSD)；存储器404还可以包括上述种类的存储器的组合。其中，处理器
401可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：
network processor，缩写：NP)或者CPU和NP的组合。

[0081] 其中，存储器404可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random‑access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non‑volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：HDD)或固态硬盘(英文：solid‑state drive，缩写：SSD)；存储器404还可以包括上述种类的存储器的组合。

[0082] 其中，处理器401可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。

[0083] 其中，处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application‑specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：
field‑programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic array logic,缩写：GAL)或其任意组合。

[0084] 可选地，存储器404还用于存储程序指令。处理器401可以调用程序指令，实现如本申请执行实施例1中的城市流域洪涝的预测方法。

[0085] 本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机可执行指令，该计算机可执行指令可执行实施例1中的城市流域洪涝的预测方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read‑Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid‑State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

[0086] 显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。