基于ArcGIS的水利大数据及应用课件

基于ArcGIS的水利大数据及应用基于ArcGIS的水利大数据及应用1团队简介水利大数据及其面临的挑战基于水利大数据的多灾害信息集成与风险预警案例主要内容123团队简介水利大数据及其面临的挑战基于水利大数据的多灾害信息集2二、水利大数据及其面临的挑战二、水利大数据及其面临的挑战3水利工作关系到国计民生，尤其是我国水资源分布存在严重的时空分布不均特性，旱灾洪涝易发多发。水利行业在经济、生态、社会等方面都扮演着重要角色，对水利大数据的研究具有重要的现实意义和应用价值。水利大数据是在大数据的理论指导及技术支撑下的水利科学和工程的重要实践。水利工作及水利大数据的重要性水利工作关系到国计民生，尤其是我国水资源分布存在严重的时空4水利大数据水利大数据是指产生于各种水文监测网络、水利设施、用水单位和水利相关经济活动，并通过现代化信息技术高效传输、分布存储于各地存储系统、但又可以快速读取集中于云端、实现深度数据挖掘并可视化的海量多源数据总和。ValueVelocityVolume海量快速价值Variety多样Veracity真实水利大数据水利大数据ValueVelocityVolume快5交叉性，由于水利和其它领域具有交叉性，因此水利大数据和遥感大数据、气象大数据、海洋大数据等交叉；时空分布性，需要依赖先进大数据技术进行处理分析，包括分布式大数据存储框架、机器学习等数据挖掘方法；多元循环性，由水的多元循环决定的水利大数据在经济、社会、生态等领域的价值循环。水利大数据的外延交叉性，由于水利和其它领域具有交叉性，因此水利大数据和遥感6挑战一：水利大数据的收集与集成水利大数据来源广泛，不同的监测平台得到的数据具有不同的数据结构、存储系统，非结构化数据、半结构化数据、结构化数据并存；由于观测条件的差异，数据可信度层次不齐，对数据清洗和质量的确保提出了很高的要求；大数据的存储与管理需要新型数据库的支持，水利大数据的信息化还未与新型数据库接轨。水利大数据面临的挑战挑战一：水利大数据的收集与集成水利大数据面临的挑战7挑战二：水利大数据的时空多维度分析水利大数据具有明显的时空分布特性，时间、空间双维度下的数据分析具有难度；水利大数据在其应用领域讲究实时性，比如洪水预报等，这对大数据的处理分析速度提出了高要求；水利大数据的深度挖掘有赖于引入先进的人工智能算法，两者的有效结合至关重要。水利大数据面临的挑战挑战二：水利大数据的时空多维度分析水利大数据面临的挑战8挑战三：水利大数据的共享与安全众多水利数据掌握在政府机关部门，为非公开数据，形成数据孤岛现象；水利数据是国家安全的重要组成部分，水利数据的共享与安全是一个值得探讨的问题。水利大数据面临的挑战挑战三：水利大数据的共享与安全水利大数据面临的挑战9三、基于水利大数据的多灾害信息集成与风险预警案例介绍三、基于水利大数据的多灾害信息集成与风险预警案例介绍10基于水利大数据的多灾害信息集成与风险预警案例介绍1、天、地、空、海，多基多源降水数据采集2、移动众包信息收集可视化云平台mPing3、基于水利大数据的全球洪水泥石流灾害预测预报4、基于概率洪水风险预报EF55、城市洪水模型Urban

CREST介绍6、全球风暴数据库及CI-FLOW7、中国区域多尺度洪水模拟及预警系统的建立8、基于ArcGIS的FFG介绍9、基于ArcGIS平台开发的ArcCREST介绍基于水利大数据的多灾害信息集成与风险预警案例介绍基于水利大数据的多灾害信息集成与风险预警案例介绍1、天113小时临近预报（250米／2.5分钟）＋36小时模型预报（1公里／小时）1.天、地、空、海多基多源降水数据采集双偏振雷达＋卫星＋站点＋模型3小时临近预报1.天、地、空、海多基多源降水数据采集双偏振12PERSIANN

全球卫星产品(4km,

hourly)Hongetal.,2004,

JAM;5颗地球静止卫星（可见光红外）以及4颗极轨卫星（雷达和被动微波）通过人工神经网络ANN／机器学习训练反演

HighQuality

卫星降水产品MergeSatellites,ground(Radar&Gauge),andModel

(NWP)PERSIANN全球卫星产品(4km,hourly)Ho13TRMMAquaDMSPNOAAMETEOSAT(Europe)GOESGMS/MTSAT(Japan)TMPAuses4Polar-orbitalmicrowavesatellites(NOAA,DoD,NASA)and5Geo-IR

satellites(GOES8-10,GMS,MYSAT,MeteoSAT);allcalibratedby

TRMMPreci

Radar17+years(‘98-16’)ofdata;MostrequestedTRMMproductfrom

NASAWith

Huffman

et

al.2007

:（1700+

引用）2005

加入

NASA：多卫星联合反演共性技术；(1700+引用)全球天地空标准产品系列：TMPA30-dayHQ

coefficientsInstant-aneousSSM/ITRMMAMSRAMSU3-hourlymerged

HQHourlyIR

TbHourlyHQ-calib

IRprecip3-hourly

multi-satellite

(MS)MonthlygaugesMonthly

SGRescale3-hourly

MStomonthly

SGRescaled3-hourly

MSCalibrate

High-Quality(HQ)Estimatesto“Best”Space

RadarMergeHQ

EstimatesMatchIRand

HQ,generate

coeffsApplyIR

coefficientsMergeIR,merged

HQestimatesCompute

monthlysatellite-gaugecombination

(SG)30-dayIR

coefficientsTRMMAquaDMSPNOAAMETEOSATGOESTM1426深度学习方法研制全球卫星产品研制青藏西南部IR云图 相应时段降水情况在深度学习中，我们可以将不同频段的可见光、红外、微波影像同时作为训练数据输入模型，且不需要事先设定Feature，海量的遥感影像下，让模型自己去寻找Feature。26深度学习方法研制全球卫星产品研制青藏西南部IR云图 相应155-minute250mRainfall

Dataover

USA5-minute250m162.

mPING

美国版灾害Crowdsourcing移动平台技术2.mPING美国版灾害Crowdsourcing移动平172.移动众包信息收集可视化云平台mPING–CrowdSourcingTooland

Data750,000+AppDownloadsSinceDec

20132.移动众包信息收集可视化云平台mPING–Crowd18硅谷SFIoT/BigDataWeather2.0

Service

Inc.硅谷SFIoT/BigDataWeather2.0S19EnsembleCoupledHydro-LandslideModeling

SystemWaterBalance

ComponentCREST(VariableInfiltrationCurve)SAC-SMARunoff

RoutingCell-by-celllinear

reservoirLandslideModel

EnsembleTRIGRSSLIDE+SurfaceFlow

andInundationSoilWater

ContentOther

variablesOccurrenceandLocationsof

landslidesRemoteSensing

basedPrecipitation

EstimatesTopographyLandcover/Land

Use3.基于水利大数据的全球水洪泥石流灾害预测预报NationalFlashLandslide

SystemEnsembleCoupledHydro-Lands203.

基于水利大数据的全球水洪泥石流灾害预测预报美国暴雨山洪泥石流灾害链业务化系统NFL:NMQ： NationalMosaicandMulti-SensorQPE

(NMQ)FLASH： FloodedLocationsAndSimulated

HydrographsLANDSLIDE:SLope-Infiltration-Distributed

Equilibrium

ModelNMQRadarPrecipitationObservations250m/2.5

minFLASHDistributed

CRESTHydrologic

Models10-11June2010,AlbertPike

RecArea,

Arkansas250

mm150200Simulatedsurfacewater

flow20fatalitiesLANDSLIDELandslideHotspotModelsRed:

ObservationsPink:

PredictionsLandslide

prediction3.基于水利大数据的全球水洪泥石流灾害预测预报NMQ： N21IntegratedHydrologic-LandslideModeliCRESLIDE=CREST+

SLIDECoupledRoutingandExcessSTorage(CREST)Jointlydeveloped

byOU/NASARunoperationallyoverglobeDistributed,fullycoupledrunoffgenerationand

routingWangamnoddHelongetal.2011

HSJIntegratedHydrologic-LandslideModel:iCRESLIDEDevelopmentand

Application--CRESThasbeensetupatbothnationaland

basinscalesin

China;--iCRESLIDEshowsgreatcapabilityin

forecastingshallowlandslidesaroundthe

world;--Morefloodandlandslideeventdatais

needed.IntegratedHydrologic-Landslid22250m/5-minresolutionofQ2precipitationforcingandmodel

outputsAddressesserviceneedsinNWS;flashfloodingis#1weather-related

killer6/1112:30am-4am20deaths:LittleMissouriRiverCrestedfrom3ftto23.5ftwithin2

hoursIncludedataassimilationandprobabilistic

productsReadilyincorporatedual-polradarproducts(Q3)andstormscaleensemble

forecastsNFL:Real-time,directpredictionofflashfloodsa

realityPhotosource:National

Geographic250m/5-minresolutionofQ2pr23美国暴雨山洪泥石流灾害链耦合系统核心模型Physically-couplediCRESTSLIDE(SLopeInfiltration-Distributed

Equilibrium)020408010012000.460Radius

(m)PODFARCSIValidationwithinventory

dataRed:

ObservationsPink:

Predictions美国北卡州

梅肯县Within18-m120-meterbuffer

zonePOD

>

0.5 0.9CSI>0.1 0.8FAR

<

0.9 0.2(Liaoetal.,2011,Nat.Hazards

)16th

hrFSMapvs.

Time18th

hr21st

hr美国暴雨山洪泥石流灾害链耦合系统核心模型020408010024ForecastStreamflow

(2010)Recurrence

Interval(2010)Inundation

(2015)State-Param

EstimationDREAM

(2010)Observed

StreamflowGroundwaterMODFLOWRoutingKinematicwave

(2014)Linearreservoir

(2010)4.基于概率洪水风险预报

EF5EnsembleFrameworkFor Flash Flood

ForecastingBestdistributedhydrologicSystem

yetPrecipForcingMRMSTMPA

RTWRR/HRRR

QPFEvapotranspirationFEWSNET

PETHRRR

tempVIIRS?Surface

RunoffCREST

(2010)SAC-SMA

(2013)Hydrophobic

(2015)SnowmeltSNOW-17(2015)- 2m

TempCurrentVersionFutureAdditionForecastState-ParamEstimation25EF5:ProbabilityofFlashFloodForecast

(PFFF)基于概率洪水风险预报100%50%0%PFFF(RP=5yr

)EF5:ProbabilityofFlashFloo26TheNewFeaturesofuCRESTModel1-10MeterDEMandUrbanDrainage

SystemUrban Canopy and High Rise Building Impact on

the RainfallInterceptionEnhancedImpervious(pavement,roofetc.)andNon-impervioussurfaceinfiltrationandSurfaceProcesses(runoff,ET

etc)Urban Sewer/Pipeline Module included as a special InterflowProcess/reservoirHasbeentestedandimplementedinOklahomaCityandDallasMetropolitanatspatial

resolution5.城市洪水模型Urban CREST介绍AHigh-ResolutionUrbanCRESTFloodModelingandMapping

SystemForUrbanandBuilt-up

EnvironmentsTheNewFeaturesofuCRESTMod272010June14,OKCFlash

Flood101

km1ReturnPeriod

(years)2 10200+NoFloodingFloodingSevereFloodingUrban-CRESTFloodModelImplementedatOklahomaCity&Dallas

Metropolitan137

km2010June14,OKCFlashFlood1286.全球风暴数据库及CI-FLOWGlobalStorms(2000-2010)*Sellarsetal.(2013),ComputationalEarthScience:BigDataTransformedIntoInsight,EOSTrans.AGU,

94(32),2776.全球风暴数据库及CI-FLOWGlobalStor29Nov2011

BAMSTheCI-FLOWProject:ASystemforTotalWaterLevelPredictionFromTheSummitToThe

SeaCI-FLOWsummarypaperwithHurricaneIsabel,HurricaneEarl,&TropicalStormNicole

resultsVolume##Number#November

2011BAMSAmericanMeteorological

SocietyNov2011BAMSTheCI-FLOWProje30SuzanneVanCooten,…,YangHong,etal.,2011:

Theci-flowproject:asystemfortotalwaterlevelpredictionfromthesummittothesea.Bull.

Amer.Meteor.Soc.,92,1427–1442.已应用到美国北卡罗来纳州、墨西哥湾等易受飓风和风暴潮影响的海岸带地区海洋风暴潮与内陆洪水监测预警系统(CI-FLOW)SuzanneVanCooten,…,YangHo31CI-FLOWCoastalandInlandFloodingObservationand

WarningTrackingtheraindropsanddisastersfromtheSKYandtheSUMMITtothe

seaCI-FLOWCoastalandInlandFloo32CI-FLOW:HL-RDHM/SWAN/ADCIRCCoupled

ModelPrecipitationSig.Wave

HeightsTotalWater

LevelsRiver

BCsDischargeSurface

BCsPressureWind

ForcingSurface

BCsWave

ForcingHydrodynamicModel

(ADCIRC)HydrologicModelAtmosphericModelWave

ModelPrecipitationSource:QPE/QPFAtmosphericModel:NAMorNHC

trackHydrologicModel:HL-RDHM,Vfloor

CRESTWaveModel:unstructured

SWANCI-FLOW:HL-RDHM/SWAN/ADCIRCC337.中国区域多尺度洪水模拟及预警系统的建立中国的山洪预警系统量融合，驱动CREST模型，模拟径流分布与气象局以及国家气象中心合作开发多源降水产品和地面台站数据进行雨地貌水动力学模型模拟洪水淹没情景的时空演进，实时动态提取洪水淹没范围、水深分布和淹没时间分布，实现对洪水的模拟7.中国区域多尺度洪水模拟及预警系统的建立中国的山洪预警系统34洪水模拟的时间：199806280501001502002503000500010000150002000025000Date3/5/19975/8/19977/11/19979/13/199711/16/19971/19/19983/24/19985/27/19987/30/199810/2/199812/5/19982/7/19994/12/19996/15/19998/18/199910/21/199912/24/19992/26/20004/30/20007/3/20009/5/200011/8/20001/11/20013/16/20015/19/20017/22/20019/24/200111/27/20011/30/20024/4/20026/7/20028/10/200210/13/200212/16/20022/18/20034/23/20036/26/20038/29/200311/1/20031/4/20043/8/20045/11/20047/14/20049/16/200411/19/20041/22/20053/27/20055/30/20058/2/200510/5/200512/8/2005R_Obsin

(m^3/s)R(v2.1)in

(m^3/s)rain率定期验证期NSCE=0.897CC=0.947Bias=-1.57%20

年、10

年、5年、2年、1年

一遇洪水外州站CREST模型率定/模拟效果：气象台站数据驱动7.中国区域多尺度洪水模拟及预警系统的建立洪水模拟的时间：199806280501001502002535114114.5115115.5116116.51172525.52626.52727.52828.529114114.5115115.5116116.511725236iMAP

在嘉陵江流域的应用结果7.中国区域多尺度洪水模拟及预警系统的建立iMAP在嘉陵江流域的应用结果7.中国区域多尺度洪水模拟及379.基于ArcGIS平台开发的ArcCREST介绍ArcCREST

UIPrecip

ThiessenEvap

ThiessenGeo

Data9.基于ArcGIS平台开发的ArcCREST介绍Arc38Usedforrainfallsites(Cell-baseddataneedsome

effort)Parametersdistributionneedmoreadvanced

methodBugsincode,theresultsarenot

correctGeoandHydrodatamanagementand

operationParametersdistribution

settingModelrunningandresults

showUsedforrainfallsites(Cell-39ArcCREST运行结果分析ArcCRESTv1.0(Uncalib)ArcCRESTv1.0Nash-Sutliffe-0.415460.8121Bias

(%)-99.999915.25CC0.79630.8382300200100040050011325374961738597109121133145157169181193205217229241253265277289301313325337349361Discharge(m3)Time(24h)Discharge:ArcCRESTvs

GageCalibUnCalibActualR²=0.7025501001502002503000050100150200250300350ArcCRESTGageDischarge:ArcCRESTvs

GageR2=

0.7025ArcCRESTtendsto

overestimatedischargeUncalibratedresultsindicatenomodelsensitivityandunreliable

estimationsArcCREST运行结果分析ArcCRESTArcCREST40FlashFloodGuidance:FFGistheamountofrainfallrequiredinagivenperiodoftimetoproducebankfullconditionsonsmallbasinsfromFlashFloodGuidance

1970toHydrologicFlashFloodGuidance201227-

4343-

5454-

6868-

8282-

9898-

115115-

139139-

192192-

3051hFFG(level1)

CMAunit：mm12-

278.基于ArcGIS平台的FFG1hFFG(level1)CMAFFG(FlashFlood

Guidance)FlashFloodGuidance:FFGist41DistributedFFG（0.189°）inSouth

China采用ArcGIS插值模块得到面临界雨量分布单位：mmDistributedFFG（0.189°）inSout42FlashFloodPotential

Index(FFPI)：DevelopedbyhydrologistGregSmith,CBRFC

(2003).Geographicalfeatures

playakeyroleinflash

floodingDevelopedasbackgroundinformationtobeincorporatedinto

productionofbettergriddedFlashFlood

GuidanceUsingtheFFPI,theroles

ofsoil,slope,vegetationandurbanizationcanbevisualized基于ArcGIS平台的中国洪水风险潜在指标FFPIFlashFloodPotentialIndex43基于ArcGIS的水利大数据及应用课件44基于ArcGIS的水利大数据及应用基于ArcGIS的水利大数据及应用45团队简介水利大数据及其面临的挑战基于水利大数据的多灾害信息集成与风险预警案例主要内容123团队简介水利大数据及其面临的挑战基于水利大数据的多灾害信息集46二、水利大数据及其面临的挑战二、水利大数据及其面临的挑战47水利工作关系到国计民生，尤其是我国水资源分布存在严重的时空分布不均特性，旱灾洪涝易发多发。水利行业在经济、生态、社会等方面都扮演着重要角色，对水利大数据的研究具有重要的现实意义和应用价值。水利大数据是在大数据的理论指导及技术支撑下的水利科学和工程的重要实践。水利工作及水利大数据的重要性水利工作关系到国计民生，尤其是我国水资源分布存在严重的时空48水利大数据水利大数据是指产生于各种水文监测网络、水利设施、用水单位和水利相关经济活动，并通过现代化信息技术高效传输、分布存储于各地存储系统、但又可以快速读取集中于云端、实现深度数据挖掘并可视化的海量多源数据总和。ValueVelocityVolume海量快速价值Variety多样Veracity真实水利大数据水利大数据ValueVelocityVolume快49交叉性，由于水利和其它领域具有交叉性，因此水利大数据和遥感大数据、气象大数据、海洋大数据等交叉；时空分布性，需要依赖先进大数据技术进行处理分析，包括分布式大数据存储框架、机器学习等数据挖掘方法；多元循环性，由水的多元循环决定的水利大数据在经济、社会、生态等领域的价值循环。水利大数据的外延交叉性，由于水利和其它领域具有交叉性，因此水利大数据和遥感50挑战一：水利大数据的收集与集成水利大数据来源广泛，不同的监测平台得到的数据具有不同的数据结构、存储系统，非结构化数据、半结构化数据、结构化数据并存；由于观测条件的差异，数据可信度层次不齐，对数据清洗和质量的确保提出了很高的要求；大数据的存储与管理需要新型数据库的支持，水利大数据的信息化还未与新型数据库接轨。水利大数据面临的挑战挑战一：水利大数据的收集与集成水利大数据面临的挑战51挑战二：水利大数据的时空多维度分析水利大数据具有明显的时空分布特性，时间、空间双维度下的数据分析具有难度；水利大数据在其应用领域讲究实时性，比如洪水预报等，这对大数据的处理分析速度提出了高要求；水利大数据的深度挖掘有赖于引入先进的人工智能算法，两者的有效结合至关重要。水利大数据面临的挑战挑战二：水利大数据的时空多维度分析水利大数据面临的挑战52挑战三：水利大数据的共享与安全众多水利数据掌握在政府机关部门，为非公开数据，形成数据孤岛现象；水利数据是国家安全的重要组成部分，水利数据的共享与安全是一个值得探讨的问题。水利大数据面临的挑战挑战三：水利大数据的共享与安全水利大数据面临的挑战53三、基于水利大数据的多灾害信息集成与风险预警案例介绍三、基于水利大数据的多灾害信息集成与风险预警案例介绍54基于水利大数据的多灾害信息集成与风险预警案例介绍1、天、地、空、海，多基多源降水数据采集2、移动众包信息收集可视化云平台mPing3、基于水利大数据的全球洪水泥石流灾害预测预报4、基于概率洪水风险预报EF55、城市洪水模型Urban

CREST介绍6、全球风暴数据库及CI-FLOW7、中国区域多尺度洪水模拟及预警系统的建立8、基于ArcGIS的FFG介绍9、基于ArcGIS平台开发的ArcCREST介绍基于水利大数据的多灾害信息集成与风险预警案例介绍基于水利大数据的多灾害信息集成与风险预警案例介绍1、天553小时临近预报（250米／2.5分钟）＋36小时模型预报（1公里／小时）1.天、地、空、海多基多源降水数据采集双偏振雷达＋卫星＋站点＋模型3小时临近预报1.天、地、空、海多基多源降水数据采集双偏振56PERSIANN

全球卫星产品(4km,

hourly)Hongetal.,2004,

JAM;5颗地球静止卫星（可见光红外）以及4颗极轨卫星（雷达和被动微波）通过人工神经网络ANN／机器学习训练反演

HighQuality

卫星降水产品MergeSatellites,ground(Radar&Gauge),andModel

(NWP)PERSIANN全球卫星产品(4km,hourly)Ho57TRMMAquaDMSPNOAAMETEOSAT(Europe)GOESGMS/MTSAT(Japan)TMPAuses4Polar-orbitalmicrowavesatellites(NOAA,DoD,NASA)and5Geo-IR

satellites(GOES8-10,GMS,MYSAT,MeteoSAT);allcalibratedby

TRMMPreci

Radar17+years(‘98-16’)ofdata;MostrequestedTRMMproductfrom

NASAWith

Huffman

et

al.2007

:（1700+

引用）2005

加入

NASA：多卫星联合反演共性技术；(1700+引用)全球天地空标准产品系列：TMPA30-dayHQ

coefficientsInstant-aneousSSM/ITRMMAMSRAMSU3-hourlymerged

HQHourlyIR

TbHourlyHQ-calib

IRprecip3-hourly

multi-satellite

(MS)MonthlygaugesMonthly

SGRescale3-hourly

MStomonthly

SGRescaled3-hourly

MSCalibrate

High-Quality(HQ)Estimatesto“Best”Space

RadarMergeHQ

EstimatesMatchIRand

HQ,generate

coeffsApplyIR

coefficientsMergeIR,merged

HQestimatesCompute

monthlysatellite-gaugecombination

(SG)30-dayIR

coefficientsTRMMAquaDMSPNOAAMETEOSATGOESTM5826深度学习方法研制全球卫星产品研制青藏西南部IR云图 相应时段降水情况在深度学习中，我们可以将不同频段的可见光、红外、微波影像同时作为训练数据输入模型，且不需要事先设定Feature，海量的遥感影像下，让模型自己去寻找Feature。26深度学习方法研制全球卫星产品研制青藏西南部IR云图 相应595-minute250mRainfall

Dataover

USA5-minute250m602.

mPING

美国版灾害Crowdsourcing移动平台技术2.mPING美国版灾害Crowdsourcing移动平612.移动众包信息收集可视化云平台mPING–CrowdSourcingTooland

Data750,000+AppDownloadsSinceDec

20132.移动众包信息收集可视化云平台mPING–Crowd62硅谷SFIoT/BigDataWeather2.0

Service

Inc.硅谷SFIoT/BigDataWeather2.0S63EnsembleCoupledHydro-LandslideModeling

SystemWaterBalance

ComponentCREST(VariableInfiltrationCurve)SAC-SMARunoff

RoutingCell-by-celllinear

reservoirLandslideModel

EnsembleTRIGRSSLIDE+SurfaceFlow

andInundationSoilWater

ContentOther

variablesOccurrenceandLocationsof

landslidesRemoteSensing

basedPrecipitation

EstimatesTopographyLandcover/Land

Use3.基于水利大数据的全球水洪泥石流灾害预测预报NationalFlashLandslide

SystemEnsembleCoupledHydro-Lands643.

基于水利大数据的全球水洪泥石流灾害预测预报美国暴雨山洪泥石流灾害链业务化系统NFL:NMQ： NationalMosaicandMulti-SensorQPE

(NMQ)FLASH： FloodedLocationsAndSimulated

HydrographsLANDSLIDE:SLope-Infiltration-Distributed

Equilibrium

ModelNMQRadarPrecipitationObservations250m/2.5

minFLASHDistributed

CRESTHydrologic

Models10-11June2010,AlbertPike

RecArea,

Arkansas250

mm150200Simulatedsurfacewater

flow20fatalitiesLANDSLIDELandslideHotspotModelsRed:

ObservationsPink:

PredictionsLandslide

prediction3.基于水利大数据的全球水洪泥石流灾害预测预报NMQ： N65IntegratedHydrologic-LandslideModeliCRESLIDE=CREST+

SLIDECoupledRoutingandExcessSTorage(CREST)Jointlydeveloped

byOU/NASARunoperationallyoverglobeDistributed,fullycoupledrunoffgenerationand

routingWangamnoddHelongetal.2011

HSJIntegratedHydrologic-LandslideModel:iCRESLIDEDevelopmentand

Application--CRESThasbeensetupatbothnationaland

basinscalesin

China;--iCRESLIDEshowsgreatcapabilityin

forecastingshallowlandslidesaroundthe

world;--Morefloodandlandslideeventdatais

needed.IntegratedHydrologic-Landslid66250m/5-minresolutionofQ2precipitationforcingandmodel

outputsAddressesserviceneedsinNWS;flashfloodingis#1weather-related

killer6/1112:30am-4am20deaths:LittleMissouriRiverCrestedfrom3ftto23.5ftwithin2

hoursIncludedataassimilationandprobabilistic

productsReadilyincorporatedual-polradarproducts(Q3)andstormscaleensemble

forecastsNFL:Real-time,directpredictionofflashfloodsa

realityPhotosource:National

Geographic250m/5-minresolutionofQ2pr67美国暴雨山洪泥石流灾害链耦合系统核心模型Physically-couplediCRESTSLIDE(SLopeInfiltration-Distributed

Equilibrium)020408010012000.460Radius

(m)PODFARCSIValidationwithinventory

dataRed:

ObservationsPink:

Predictions美国北卡州

梅肯县Within18-m120-meterbuffer

zonePOD

>

0.5 0.9CSI>0.1 0.8FAR

<

0.9 0.2(Liaoetal.,2011,Nat.Hazards

)16th

hrFSMapvs.

Time18th

hr21st

hr美国暴雨山洪泥石流灾害链耦合系统核心模型020408010068ForecastStreamflow

(2010)Recurrence

Interval(2010)Inundation

(2015)State-Param

EstimationDREAM

(2010)Observed

StreamflowGroundwaterMODFLOWRoutingKinematicwave

(2014)Linearreservoir

(2010)4.基于概率洪水风险预报

EF5EnsembleFrameworkFor Flash Flood

ForecastingBestdistributedhydrologicSystem

yetPrecipForcingMRMSTMPA

RTWRR/HRRR

QPFEvapotranspirationFEWSNET

PETHRRR

tempVIIRS?Surface

RunoffCREST

(2010)SAC-SMA

(2013)Hydrophobic

(2015)SnowmeltSNOW-17(2015)- 2m

TempCurrentVersionFutureAdditionForecastState-ParamEstimation69EF5:ProbabilityofFlashFloodForecast

(PFFF)基于概率洪水风险预报100%50%0%PFFF(RP=5yr

)EF5:ProbabilityofFlashFloo70TheNewFeaturesofuCRESTModel1-10MeterDEMandUrbanDrainage

SystemUrban Canopy and High Rise Building Impact on

the RainfallInterceptionEnhancedImpervious(pavement,roofetc.)andNon-impervioussurfaceinfiltrationandSurfaceProcesses(runoff,ET

etc)Urban Sewer/Pipeline Module included as a special InterflowProcess/reservoirHasbeentestedandimplementedinOklahomaCityandDallasMetropolitanatspatial

resolution5.城市洪水模型Urban CREST介绍AHigh-ResolutionUrbanCRESTFloodModelingandMapping

SystemForUrbanandBuilt-up

EnvironmentsTheNewFeaturesofuCRESTMod712010June14,OKCFlash

Flood101

km1ReturnPeriod

(years)2 10200+NoFloodingFloodingSevereFloodingUrban-CRESTFloodModelImplementedatOklahomaCity&Dallas

Metropolitan137

km2010June14,OKCFlashFlood1726.全球风暴数据库及CI-FLOWGlobalStorms(2000-2010)*Sellarsetal.(2013),ComputationalEarthScience:BigDataTransformedIntoInsight,EOSTrans.AGU,

94(32),2776.全球风暴数据库及CI-FLOWGlobalStor73Nov2011

BAMSTheCI-FLOWProject:ASystemforTotalWaterLevelPredictionFromTheSummitToThe

SeaCI-FLOWsummarypaperwithHurricaneIsabel,HurricaneEarl,&TropicalStormNicole

resultsVolume##Number#November

2011BAMSAmericanMeteorological

SocietyNov2011BAMSTheCI-FLOWProje74SuzanneVanCooten,…,YangHong,etal.,2011:

Theci-flowproject:asystemfortotalwaterlevelpredictionfromthesummittothesea.Bull.

Amer.Meteor.Soc.,92,1427–1442.已应用到美国北卡罗来纳州、墨西哥湾等易受飓风和风暴潮影响的海岸带地区海洋风暴潮与内陆洪水监测预警系统(CI-FLOW)SuzanneVanCooten,…,YangHo75CI-FLOWCoastalandInlandFloodingObservationand

WarningTrackingtheraindropsanddisastersfromtheSKYandtheSUMMITtothe

seaCI-FLOWCoastalandInlandFloo76CI-FLOW:HL-RDHM/SWAN/ADCIRCCoupled

ModelPrecipitationSig.Wave

HeightsTotalWater

LevelsRiver

BCsDischargeSurface

BCsPressureWind

ForcingSurface

BCsWave

ForcingHydrodynamicModel

(ADCIRC)HydrologicModelAtmosphericModelWave

ModelPrecipitationSource:QPE/QPFAtmosphericModel:NAMorNHC

trackHydrologicModel:HL-RDHM,Vfloor

CRESTWaveModel:unstructured

SWANCI-FLOW:HL-RDHM/SWAN/ADCIRCC777.中国区域多尺度洪水模拟及预警系统的建立中国的山洪预警系统量融合，驱动CREST模型，模拟径流分布与气象局以及国家气象中心合作开发多源降水产品和地面台站数据进行雨地貌水动力学模型模拟洪水淹没情景的时空演进，实时动态提取洪水淹没范围、水深分布和淹没时间分布，实现对洪水的模拟7.中国区域多尺度洪水模拟及预警系统的建立中国的山洪预警系统78洪水模拟的时间：199806280501001502002503000500010000150002000025000Date3/5/19975/8/19977/11/19979/13/199711/16/19971/19/19983/24/19985/27/19987/30/199810/2/199812/5/19982/7/19994/12/19996/15/19998/18/199910/21/199912/24/19992/26/20004/30/20007/3/20009/5/200011/8/20001/11/20013/16/20015/19/20017/22/20019/24/200111/27/20011/30/20024/4/20026/7/20028/10/200210/13/200212/16/20022/18/20034/23/20036/26/20038/29/200311/1/20031/4/20043/8/20045/11/20047/14/20049/16/200411/19/20041/22/20053/2