[发明专利]一种应对城市暴雨内涝的四预方法

摘要

本发明公开的一种应对城市暴雨内涝的四预方法，具体可分为四个步骤，分别为：暴雨内涝预估、暴雨内涝预测、暴雨内涝预警和暴雨内涝应对预案。本发明一种应对城市暴雨内涝的四预方法，实现了城市暴雨内涝的中长期预估、短期预测、近实时预警与实时预案服务，为城市暴雨内涝应对提供一套可供实际操作的非工程措施。

主权项

1.一种应对城市暴雨内涝的四预方法，其特征在于，具体按照以下步骤实施：步骤1、采用城市暴雨内涝预估对城市所在区域的不同全球气候模式GCM数据进行统计降尺度处理，得到预估日降雨量；根据预估日降雨量判断是否发生极端降水：若发生极端降水，则转入步骤2进行城市暴雨内涝预测，否则，继续进行城市暴雨内涝预估；步骤2、根据步骤1得到的预估日降雨量，进一步预测城市是否会发生暴雨内涝：若预测会发生暴雨内涝，则转入步骤3进行城市暴雨内涝预警；否则，返回步骤1继续进行城市暴雨内涝预估；步骤3、根据步骤2的预测结果进行处理：若步骤2的预测结果表明即将发生城市暴雨内涝，则采用数据集成中间件和数据融合对城市暴雨内涝数据资源进行集成和融合处理，采用建立的“实体‑关系”推演模型对城市重点区域暴雨内涝信息进行推演，城市重点区域包括有城市河道沿岸、低洼地带、关键工业园区和易涝点，得到城市暴雨内涝预警信息，之后进入步骤4城市暴雨内涝预案进一步处理；否则，要返回步骤2继续进行城市暴雨内涝预测；步骤4、根据步骤3中得到的城市暴雨内涝预警信息进行判断：若城市暴雨内涝预警信息达到了要进行应对的等级，则对传统纸质和图文预案进行数字化处理，建立情景预案，基于可视化平台对情景预案进行定性和定量分析，最终形成城市暴雨内涝应对预案；否则，返回步骤3继续进行暴雨内涝预警；所述步骤1具体方法如下：城市暴雨内涝预估将粗分辨率的GCM数据进行统计降尺度处理，使其分辨率达到城市尺度；粗分辨率指分辨率超过1°×1°的经纬度格网，城市尺度为分辨率小于0.25°×0.25°的经纬度格网；采用耦合天气发生器和多元回归的SDSM‑DC统计降尺度模型对GCM数据进行降尺度处理；SDSM‑DC为免费开源计算软件，能从公网上直接下载，SDSM‑DC统计降尺度模型的基本流程如下：步骤a、SDSM‑DC统计降尺度模型的建立和资料的选择：建立SDSM‑DC统计降尺度模型，具体如下：RPs＝R(LPs)    (1)；式中：RPs为预报量，即日降雨量；LPs为气候预报因子，包括有可降水量、相对湿度、大气压力、500hPa和850hPa气温、位势高度场、经向风速以及纬向风速，且气候预报因子从美国国家环境预报中心NCEP发布的再分析资料中获取；R为RPs和LPs的统计关系；步骤b、采用1951年～2000年城市历史实测逐日降雨量和NCEP再分析资料对步骤a中建立的SDSM‑DC统计降尺度模型的参数进行率定；步骤c、采用2001年～2013年城市历史实测逐日降雨量和NCEP再分析资料对经步骤b率定后的SDSM‑DC统计降尺度模型进行验证；步骤d、将GCM数据作为输入，采用经步骤c验证后得到的SDSM‑DC统计降尺度模型计算得到不同典型浓度路径RCP下城市日降雨量，考虑到世界气候研究计划发布的耦合模式WCRP CMIP5 GCM和RCP数据的不确定性，采用多个GCM和多个RCP相结合的方法；设定m个GCM，n个RCP，则共用m×n种组合，则能得到m×n个预估日降雨量，取其中值作为最终预估的结果；若预估的日降雨量大于50mm时，则判断为城市发生了极端降水，进一步执行步骤2；在所述步骤2中，城市暴雨内涝预测方法具体按照以下步骤实施：步骤2.1、根据城市所在地理位置和气候水文条件确定城市暴雨内涝驱动因子，该城市暴雨内涝驱动因子包括暴雨驱动因子和内涝驱动因子；暴雨驱动因子包括有大尺度的气候异常因子、中尺度的环流特征和城市尺度的热岛效应；内涝驱动因子包括有小尺度的城市土地利用、植被覆盖和易涝点变化情况；步骤2.2、对步骤2.1中的暴雨内涝驱动因子进行情景划分，建立驱动因子情景集，具体方法如下：计算城市暴雨和大尺度的气候异常因子两者时间序列之间相关性，根据相关系数大小设定气候异常因子情景集S₁；采用合成分析方法计算城市暴雨和中尺度的环流特征两者时间序列之间合成值，根据合成值大小设定环流特征情景集S₂；采用美国国家海洋与大气管理局NOAA公开发布的温度状态指数定量描述城市尺度的热岛效应，计算城市暴雨和温度状态指数两者时间序列之间相关性，根据相关系数大小设定热岛效应情景集S₃；对不同时期城市土地利用类型进行分析，根据不同土地类型所占比例的不同建立土地利用情景集S₄；采用NOAA公开发布的植被健康指数和归一化植被指数分析不同时期植被覆盖情况，建立城市植被覆盖情景集S₅；根据城市土地利用规划和实际调研，确定城市易涝点情景集S₆；步骤2.3、建立城市暴雨内涝情景和步骤2.2中的6个暴雨内涝驱动因子情景之间的定量预测模型，用下式表示：S＝f(S₁,S₂,S₃,S₄,S₅,S₆)     (2)；式中：S表示城市暴雨内涝情景；S_n表示6个暴雨内涝驱动因子情景，其中，n＝{1‑6}，f表示S和S_n之间的定量关系；步骤2.4、采用相关分析、合成分析、多元线性回归和人工神经网络确定步骤2.3中定量预测模型的参数，采用城市过去发生的暴雨内涝统计数据和上述6个暴雨内涝驱动因子数据对参数进行率定，经率定后的定量预测模型用于城市暴雨内涝短期预测；采用均方根误差Rmse、Pearson相关系数ρ和Nash‑Sutcliffeη三个系数作为定量预测模型参数率定的评价指标，计算公式如下：式中，n为数据的时间序列长度，ObsP_i、SimP_i分别为第i个实测值及模拟值，均为平均值；在所述步骤3中，城市暴雨内涝预警信息的获取方式具体按照以下步骤实施：步骤3.1、采用城市水情自动测报系统、水雨情数据采集仪、易涝点监控视频系统、水位传感器和水流测速仪采集城市暴雨内涝数据，采集的城市暴雨内涝数据包括有降雨数据、水位、水流流速、淹没数据和视频监控数据；采用无线传输、超短波和无线传感器网络对采集到的城市暴雨内涝数据进行传输，采用数据集成中间件和数据融合实现城市暴雨内涝数据的集成与融合，并统一进入到城市暴雨内涝标准化数据库中；步骤3.2、经步骤3.1后，建立城市暴雨内涝“实体‑关系”推演模型，用于城市暴雨内涝预警信息的推演；其中，实体包括有城市暴雨内涝情景、城市暴雨驱动因子情景和城市内涝驱动因子情景；关系指上述情景之间的关联，包括降雨产流过程、地表汇流过程、洪水演进过程、洪水淹没过程、洪灾损失计算；步骤3.3、建立城市暴雨内涝情景实体和6个城市暴雨内涝驱动因子情景实体之间推演模型，采用城市过去发生的暴雨内涝统计数据和上述6个暴雨内涝驱动因子数据对模型进行率定，采用标准化数据库中近实时采集到的数据作为推演模型的输入，计算得到城市暴雨内涝预警信息，并采用移动短信服务为城市防汛人员提供警报服务。