基于ArcGIS的水利大数据及应用ppt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研究中心及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研究中心及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2一、研究中心及团队简介一、研究中心及团队简介3科研平台：清华HydroSky创新团队全球遥感大数据与水科学工程环境资源前沿交叉基于卫星雷达遥感和云计算大数据信息技术的现代水文水资源新理论技术全球海量天空地遥感大数据信息挖掘与多源数据集成同化技术多时空尺度上跨越系统观测、模拟和预报分析及动态可视化技术水文气象地质灾害与极端气候变化监测预警技术海洋遥感信息技术和海洋大数据平台建设遥感金融大数据创新创业研究智慧产业、优化配置、高效利用管理等科研平台：清华HydroSky创新团队4资源整合 跨院系合作 多学科交叉 政府、社会平台建设 天-空-地-海 校地合作 海外合作论坛培训 学术交流 创新创业 教育教学跨院系平台：清华大学遥感大数据研究中心2015年10月23日成立，土水学院、水利系、水沙科学国家重点实验室建筑学院、环境学院、地学中心、3S中心、电子系、计算机系资源整合平台建设论坛培训跨院系平台：清华大学遥感大5产学研用平台：物联网遥感大数据联合研究中心Joint Center for Internet of Things and Remote Sensing Big Data2016年5月24日成立(国内外第一家)理论顶天创新 实践立地创业天地空海遥感信息采集能物联网万物相连智 开放大数据服务平台Sensor Technologies:All Data/Info.IOT:Connecting/Interacting all thingsBig Data Technologies Washing/MiningAI:Artificial Intelligence/Deep Learning围绕天地空海遥感信息采集、万物相连物联网、人工智能以及开放性大数据服务平台等核心领域，以前沿交叉创新技术研发及产业化应用为主线，形成“理论顶天创新、实践立地创业”，引领推动国内外物联网遥感大数据交叉领域的创新发展及产学研创业孵化。产学研用平台：物联网遥感大数据联合研究中心天地空海遥感6遥感大数据平台项目导航卫星大数据海洋水利大数据农业遥感大数据医疗金融大数据三维智慧城市水文气象地质灾害大数据商业航天遥感大数据研究中心产学研项目团队遥感大数据平台项目导海农医三水气数商遥感大数据研究中心产学研71.水文洪涝干旱灾害模型系统1.1 全球分布式水文模型：CREST2.0-Fortran1.2 全球分布式水文模型：CREST2.1-Matlab1.3 城市洪水模型uCREST1.0：高精度Urban CREST 1.01.4 水文洪涝淹没四维模拟系统：CREST_iMap 1.01.5 Global Multi Droughts Indicator System：全球多干旱指标体系1.6 基于GIS可视化平台的：Arc CREST 1.02 滑坡泥石流模型系统2.1 滑坡风险预警模型：RIDL1.02.2 SLIDE1.02.3 TRIGRS 2.03 多灾害耦合系统及开发平台3.1 水文、滑坡耦合模型：iCRESLIDE1.03.2 EF5：Ensemble Framework for Flash Flood Forecasting3.3 NFL：美国国家山洪泥石流系统3.4 HFL_DEWS：台风洪水灾害预警系统3.5 CI-FLOW：海暴潮近岸带防灾预警系统3.6 HyPRO：专业水模型系统工程开发平台4.遥感反演算法产品系统4.1 PERSIANN，1983-now,global4.2 PERSIANN-CCS,02-now,4km global4.3 TRMM/TMPA,98-now,25km,global4.4 GPM/iMERG,4km,global4.5 低空雷达融合方法VPR-IE,94-now,250m,CONUS4.6 天地空多源降水系统MRMS，250米，2.5分钟4.6 M2ET 遥感蒸散ET算法4.7 SatET 全球遥感蒸散ET算法4.8 导航卫星大气及土壤含水量、积雪等反演技术5.大数据，移动平台、云计算技术平台5.1 mPING 美国版移动平台技术5.2 mPING 全球多语种移动平台技术5.3 Disaster中国民政多灾害信息搜集移动平台5.4 CyberFlood全球洪水数据库云计算平台技术5.5 CsLID中国滑坡数据库云计算平台技术5.6 基于云计算的WebCREST1.0：mCREST移动终端6.遥感硬件技术6.1 Roughness Meter for 3-D Surface（US Invention Model Patent）6.2 XP1000双偏振X-band大气雷达6.3 多普勒天气雷达系统（SDR-100X）6.4 StreamRadar 水雷达技术7.临近预报方法及预报评估7.1 A Lagrangian Pixel-Based Approach7.2 An Object-based Short-term QPF approach7.3 Hybrid Nowcasting Approach8.优化及模拟预报算法8.1 An Automatic Seeded Regional Growth Segmentation Algorithm for Satellite Images8.2 SOLO优化模拟预报合成器8.3 SONO优化模拟预报合成器8.4 多源同化ENSRF:Ensemble Square Root Filter8.5 同化方法SPF:Sequential Particle Filter8.6 联合同化HKV:Hybrid of K-Filter and 3/4D Variation Methods8.7 同化GSI:Gridpoint Statistical Interpolation DA System（NCEP Radar-WRF）成果1.水文洪涝干旱灾害模型系统5.大数据，移动平台、云计算81.SATELLITE PRECIPITATION DATA1.1 TRMM-based Multi-Satellite Precipitation Analysis(1998-present):Quasi-global,3 Hour 0.25 Degree1.2 PERSIANN(1998-Present):Quasi-global,3-hour 0.25 Degree1.2 PERSIANN-CDR(1983-Present):Quasi-global,Daily,0.25 Degree1.3 PERSIANN-CCS CONUS(2002-present):CONUS,4km,30-minutes1.4 PERSIANN-CCS Global(2002-present):Global,4-km,30-minutes1.5 Hydro-Estimator Data:CONUS 4-km hourly1.6 GPCP/CMAP(1979-present):Global Monthly 2.5 x 2.5 Degree1.7 GPM/iMERG:4km,3-hour,Global2.RADAR PRECIPITATION DATA2.1 NOAA/NSSL/MRMS:1-km 2.5 minute for Contiguous U.S,2004-present2.2 Multi-Sensor Precipitation Estimation(Radar/Satellite/Gauge/Model)2.3 Stage IV,Stage II,and MPE multi-senosr Precipitation Estimation2.4 S-band KOUN and C-band OU-PRIME Dual Polarization Radar QPE2.5 Phased Array Radar QPE3.GAUGE PRECIPITATION DATA3.1 Africa Lake Victory Nzoia Basin Precipitation and Discharge data,1985-20063.2 MESONET3.3 GPCC:1979Present3.4 CPC Daily Gauge3.5 North American Monsoon Rain Gauge Netwrok(NAME NERN)3.6 Micronet Ft Cobbs Basin and Washita Basin3.7 CONUS HADZ Gauge Network3.8 Bagmati Basin Nepal(daily data for more than 50 stations for 1999-2006)4.GLOBAL AND REGIONAL RUNOFF/DISCHARGE DATA4.1 GRDC:Daily Discharge from more than 1600 stations in Central/South America and Africa4.2 Nzoia basin Discharge,1 station,1985-20064.3 10+years TRMM-based Rainfall-Runoff Data4.4 Africa Lake Victoria and Kenya rainfall gauge and discharge4.5 Hydrometeorological Testbed East:TAR-Pimlico and Neuse Basin4.6 USGS Discharge data4.7 Nepal Mountainous Basins(Daily discharge at one station for 1999-2006)5.ET DATA and Soil Moisture5.1 GDAS 1-Degree Daily Global Potential ET5.2 MODIS-based Potential ET5.3 MESONET Reference ET5.4 Remote Sensing M/M-ET:Oklahoma Actual ET(3-year daily 30m-250m)5.5 Global Monthly Mean PET5.6 SatET:Satellite-based ET products(1-km,weekly,global 1983-present)5.7 GNSS-R Soil Moisture Retrieval,Validation,and Application5.8 AMSR-E,ASCAT,FY-3,SMAP6.GLOBAL LAND SURFACE DATA6.1 SRTM 30m-90m Global Digital Elevation Datab6.2 HydroSHEDS 30m-1000m Global River Channel Network Data6.3 Hydro1k Global 1km Hydrological Network Data6.4 MODIS Global Multi-year Land cover/types/LST/NDVI6.5 LandSat 30m Multi-Band Remote Sensing Data6.6 Global Soil Type Classification Data,1km7.GLOBAL DISASTER DATABASE7.1 Global Flood Inventory Digital Database(1998-2009)7.2 Global Landslide Inventory data(2003-2009)7.3 Global Landslide Susceptibility data7.4 Global MODIS-based Fire Map8.GLOBAL SOCIOECONOMIC DATABASE8.1 Global Gridded Population/GDP/HDI9.Cyber/Virtual Big Data form Mobile Apps and Cloud Technologies9.1 mPING:Meteorological Phenomena Identification Near the Ground9.2 mPING_Glob:mPING Multi-language Global Version：9.3 iDisaster:integrated Disaster Report and Visualization Apps System9.4 CyberFlood:Cloud-based Global Cyber Flood RD Platform成果1.SATELLITE PRECIPITATION DAT9清清华华大学高分大学高分卫卫星数据与星数据与应应用中心用中心高校第一家服务全国科教产学研高分立体高分立体观测观测体系体系高分数据使用用高分数据使用用户户培培训训清清华华高分中心一期建高分中心一期建设设高分技高分技术术及及产产品研品研发发清华大学高分卫星数据与应用中心高分立体观测体系高分数据使用用10北斗北斗+：点石成金，增点石成金，增值创值创新新目目标标：拓展北斗从拓展北斗从传统传统行行业业到新到新细细分行分行业业的的应应用用创创新！新！北斗+：点石成金，增值创新目标：拓展北斗从传统行业到新细11Satellite InSAR Monitoring All Deformation:1mm卫星合成孔径雷达干涉测量形变监测高速公路高速公路火山火山现现象象采采矿矿活活动动关关键键构筑物构筑物大大坝坝下沉下沉现现象象铁铁路路InSAR监测应用领域管管线线关关键键区域区域建筑物建筑物滑坡滑坡油气油气Satellite InSAR Monitoring All1213溪洛渡水电站坝体形变监测：Sentinel-1、TerraSARTerraSAR监测结果 2015.7.28-2015.8.19 垂直向上形变Sentinel-1监测结果 2015.5.18-2015.6.11垂直于河道方向（北偏东48.12）向形变13溪洛渡水电站坝体形变监测：Sentinel-1、Ter13二、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14 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，尤其是我国水资源水利工作及水利大15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。Volume海量Velocity快速Value价值Variety多样Veracity真实水利大数据但又可以快速读取集中于云端、实现深度数据Volu16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17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18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19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 水利数据是国家安全的重要组20三、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21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1、天、地、空、海，多基多源降水数据采集基于水利223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23PERSIANN 全球卫星产品(4km,hourly)Hong et al.,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 High Quality 卫星降水产品Merge Satellites,ground(Radar&Gauge),and Model(NWP)PERSIANN 全球卫星产品(4km,hourly)Ho24TRMMAquaDMSPNOAAMETEOSAT(Europe)GOESGMS/MTSAT(Japan)2005 加入加入 NASA：多多卫卫星星联联合反演共性技合反演共性技术术；(1700+引用引用)全球天地空全球天地空标标准准产产品系列：品系列：TMPA17+years(98-16)of data;Most requested TRMM product from NASAWith Huffman et al.2007:（1700+引用）引用）Instant-aneousSSM/ITRMMAMSRAMSU30-day HQ coefficients3-hourly merged HQHourlyIR TbHourly HQ-calib IRprecip3-hourly multi-satellite(MS)MonthlygaugesMonthly SGRescale 3-hourly MSto monthly SGRescaled 3-hourly MSTMPAuses 4 Polar-orbital microwave satellites(NOAA,DoD,NASA)and 5 Geo-IR satellites(GOES8-10,GMS,MYSAT,MeteoSAT);all calibrated by TRMM Preci RadarCalibrate High-Quality(HQ)Estimates to“Best”Space RadarMerge HQ EstimatesMatch IR and HQ,generate coeffsApply IR coefficientsMerge IR,merged HQestimatesCompute monthlysatellite-gaugecombination(SG)30-day IR coefficientsTRMMAquaDMSPNOAAMETEOSAT(Europ2526深度学习方法研制全球卫星产品研制在深度学习中，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。青藏西南部IR云图相应时段降水情况26深度学习方法研制全球卫星产品研制 在深度学习中，我们可以265-minute250mRainfall Dataover USA5-minuteRainfall Data272.mPING 美国版灾害Crowdsourcing移动平台技术2.mPING 美国版灾害Crowdsourcing移282.移动众包信息收集可视化云平台mPING Crowd Sourcing Tool and Data750,000+App Downloads Since Dec 20132.移动众包信息收集可视化云平台mPING Crow29硅谷SF IoT/BigData Weather 2.0 Service Inc.硅谷SF IoT/BigData Weather 2.0 S30Ensemble Coupled Hydro-Landslide Modeling SystemWater Balance ComponentCREST(Variable InfiltrationCurve)SAC-SMACell-by-cell linear reservoirLandslide Model EnsembleTRIGRSSLIDE+Runoff RoutingSurface Flow andInundationSoil Water ContentOther variablesOccurrence andLocations of landslidesRemote Sensing basedPrecipitation EstimatesTopographyLand cover/Land Use3.基于水利大数据的全球水洪泥石流灾害预测预报National Flash Landslide SystemEnsemble Coupled Hydro-Curv31LANDSLIDE:SLope-Infiltration-Distributed Equilibrium Model3.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：National Mosaic and Multi-Sensor QPE(NMQ)FLASH：Flooded Locations And Simulated HydrographsNMQ Radar PrecipitationObservations 250 m/2.5 minHydrologic Models10-11 June 2010,Albert Pike RecArea,Arkansas250 mm150200Simulated surface water flow20fatalitiesFLASH Distributed CREST LANDSLIDELandslide Hotspot ModelsRed:ObservationsPink:PredictionsLandslide predictionLANDSLIDE:SLope-Infiltration-D32modelIntegrated Hydrologic-Landslide ModeliCRESLIDE=CREST+SLIDECoupled Routing and Excess STorage(CREST)Jointly developed byOU/NASARun operationally overglobeDistributed,fullycoupled runoffgeneration and routingWang and Hong et al.2011 HSJIntegrated Hydrologic-Landslide Model:iCRESLIDEDevelopment andApplication-CREST has been set up at both national and basinscales in China;-iCRESLIDE shows great capability in forecastingshallow landslides around the world;-More flood and landslide event data is needed.modelIntegrated Hydrologic-Lan33NFL:Real-time,direct prediction of flash floods a realityPhoto source:National Geographic250m/5-min resolution of Q2 precipitation forcing and model outputsAddresses service needs in NWS;flash flooding is#1 weather-related killer6/11 12:30am-4am 20 deaths:Little Missouri River Crested from 3 ft to 23.5 ft within 2 hoursInclude data assimilation and probabilistic productsReadily incorporate dual-pol radar products(Q3)and stormscale ensemble forecastsNFL:Real-time,direct predic34PODFARCSI2040608010012000美国暴雨山洪泥石流灾害链耦合系统核心模型Physically-coupled iCRESTSLIDE(SLope Infiltration-Distributed Equilibrium)10.80.60.40.2Validation with inventory dataRed:ObservationsPink:Predictions美国北卡州 梅肯县Within 18-m 120-meter buffer zonePOD 0.5 0.9CSI 0.1 0.8FAR 0.9 0.2(Liao et al.,2011,Nat.Hazards)16th hrRadius(m)FS Map vs.Time18th hr21st hrPODFAR204060801001200美国暴雨山洪泥石35State-Param Estimation DREAM (2010)Observed StreamflowRouting Kinematic wave (2014)Linear reservoir (2010)Forecast Streamflow (2010)Recurrence Interval(2010)Inundation (2015)4.基于概率洪水风险预报 EF5Ensemble Framework For Flash Flood ForecastingBest distributed hydrologic System yetPrecipForcing1.MRMS2.TMPA RT3.WRR/HRRR QPFEvapotranspiration1.FEWS NET PET2.HRRR temp3.VIIRS?Surface Runoff CREST (2010)SAC-SMA (2013)Hydrophobic (2015)Groundwater MODFLOWSnowmelt SNOW-17(2015)-2m TempCurrentVersionFutureAdditionState-Param EstimationRouting36EF5:Probability of Flash Flood Forecast(PFFF)基于概率洪水风险预报PFFF(RP =5 yr )100%50%0%EF5:Probability of Flash Floo37The New Features of uCREST Model 1-10 Meter DEM and Urban Drainage System Urban Canopy and High Rise Building Impact on the RainfallInterception Enhanced Impervious (pavement,roof etc.)and Non-impervioussurface infiltration and Surface Processes(runoff,ET etc)Urban Sewer/Pipeline Module included as a special InterflowProcess/reservoir Has been tested and implemented in Oklahoma City and DallasMetropolitan at spatial resolution5.城市洪水模型Urban CREST介绍AHigh-Resolution UrbanCREST Flood Modeling and Mapping SystemFor Urban and Built-up EnvironmentsThe New Features of uCREST Mo38101 km2010 June 14,OKC Flash FloodReturn Period(years)1210200+NoFloodingFloodingSevereFloodingUrban-CREST Flood Model Implemented atOklahoma City&Dallas Metropolitan137 km101 km2010 June 14,OKC Flash 396.全球风暴数据库及CI-FLOWGlobal Storms (2000-2010)*Sellars et al.(2013),ComputationalEarth Science:Big Data TransformedInto Insight,EOS Trans.AGU,94(32),2776.全球风暴数据库及CI-FLOW*Sellars et a40Nov 2011 BAMSThe CI-FLOW Project:A System for Total Water Level PredictionFrom The Summit To The SeaCI-FLOW summary paper with HurricaneIsabel,Hurricane Earl,&TropicalStorm Nicole resultsVolume#Number#November 2011BAMSAmerican Meteorological SocietyNov 2011 BAMSVolume#Number 41Suzanne Van Cooten,Yang Hong,et al.,2011:Theci-flow project:a system for total water levelprediction from the summit to the sea.Bull.Amer.Meteor.Soc.,92,14271442.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)Suzanne Van Cooten,Yang Ho42Tracking the raindropsand disasters from theSKY and the SUMMIT tothe seaCI-FLOWCoastal and Inland FloodingObservation and WarningTracking the raindropsthe sea43CI-FLOW:HL-RDHM/SWAN/ADCIRC Coupled ModelPrecipitationTotal Water LevelsHydrodynamic Model(ADCIRC)HydrologicModelRiver BCsDischargeAtmosphericModelSurface BCsPressureWind ForcingWave ModelSurface BCsWave ForcingPrecipitation Source:QPE/QPFAtmospheric Model:NAM or NHC trackHydrologic Model:HL-RDHM,Vflo or CRESTWave Model:unstructured SWANCI-FLOW:HL-RDHM/SWAN/ADCIRC C447.中国区域多尺度洪水模拟及预警系统的建立 与气象局以及国家气象中心合作开发中国的山洪预警系统 多源降水产品和地面台站数据进行雨量融合，驱动CREST模型，模拟径流分布 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 与气象局以及45Date3/5/19975/8/19977/11/19979/13/199711/16/19971/19/19983/24/19985/27/19987/30/199810/2/199812/5/19982/7/19994/12/19996/15/19998/18/199910/21/199912/24/19992/26/20004/30/20007/3/20009/5/200011/8/20001/11/20013/16/20015/19/20017/22/20019/24/200111/27/20011/30/20024/4/20026/7/20028/10/200210/13/200212/16/20022/18/20034/23/20036/26/20038/29/200311/1/20031/4/20043/8/20045/11/20047/14/20049/16/200411/19/20041/22/20053/27/20055/30/20058/2/200510/5/200512/8/2005洪水模拟的时间：199806280501001502002503001000050000150002500020000R_Obs in(m3/s)R(v2.1)in(m3/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Date3/5/19975/8/19977/11/1997946114114.5115115.5116116.51172928.52827.52726.52625.5257.中国区域多尺度洪水模拟及预警系统的建立114114.5115115.5116116.51172947iMAP 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489.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Preci49Used for rainfall sites(Cell-based data need some effort)Parameters distribution need more advanced methodBugs in code,the results are not correctGeo and Hydro data management and operation Parameters distribution settingModel running and results showUsed for rainfall sites(Cell-50R=0.7025ArcCRESTv1.0(Uncalib)ArcCRESTv1.0Nash-Sutliffe-0.415460.8121Bias(%)-99.999915.25CC0.79630.8382ArcCRESTDischarge(m3)11325374961738597109121133145157169181193205217229241253265277289301313325337349361ArcCREST运行结果分析4003002001000500CalibTime(24h)UnCalibActual030025020015010050050100150200250300350GageDischarge:ArcCREST vs Gage R2=0.7025 ArcCREST tends to overestimatedischarge Uncalibrated results indicate no modelsensitivity and unreliable estimationsDischarge:ArcCREST vs GageR=0.7025ArcCRESTArcCRESTNash-51 Flash Flood Guidance:FFG is theamount of rainfall required in agiven period of time to producebank full conditions on smallbasins from Flash Flood Guidance 1970toHydrologic Flash Flood Guidance20128.基于ArcGIS平台的FFG1h FFG (level 1)CMAFFG (Flash Flood Guidance)1h FFG(level 1)CMAunit：mm12-2727-4343-5454-6868-8282-9898-115115-139139-192192-305 Flash Flood Guidance:FFG i52Distributed FFG（0.189）in South China采用ArcGIS插值模块得到面临界雨量分布单位：mmDistributed FFG（0.189）in So53Flash FloodPotential Index(FFPI)：Developed by hydrologistGreg Smith,CBRFC(2003).Geographical features playa key role in flash floodingDeveloped as backgroundinformation to beincorporated into productionof better gridded FlashFlood GuidanceUsing the FFPI,the roles ofsoil,slope,vegetation andurbanization can bevisualized基于ArcGIS平台的中国洪水风险潜在指标FFPIFlash Flood基于ArcGIS平台的中国洪水风险潜在54My Books55最近出版的相关书籍和教科书My Books55最近出版的相关书籍和教科书55HyDrometeorology and RemOte Sensing Laboratory(hydro.ou.edu)最近出版的相关书籍和教科书(available 2016.9)HyDrometeorology and RemOte Se56