当前位置: 首页 > news >正文

ArcGIS+MIKE21 洪水淹没分析、溃坝分析,洪水淹没动态效果

洪水淹没分析过程:

一、所需数据:

1.分析区域DEM数据

二、ArcGIS软件

1.提取分析区域DEM(水库坝下区域)
2.DEM栅格转点
3.计算转换后几何点的x和y坐标值(精度20、小数位3)
4.导出属性表,形式选择文本文件
5.更改文件的后缀名为.csv,使用EXCEL处理文件。将文件的格式顺序更改为x坐标,y坐标和z坐标(高程坐标),删去不必要的列与标题行,并将文件后缀改成我们所需要的.xyz格式。
在这里插入图片描述

三、MIKE 水动力分析模型(生成mesh网格模型 -> 水动力分析模型 -> 结果展示、导出shp)

生成mesh网格模型

1.打开MIKE,NEW File 选择Mesh Generator.mdf
2.导入.xyz数据,Data-Manage Scatter Data-Add(注意选择坐标系)
在这里插入图片描述

3.绘制分析范围(上下游边界点改为节点nodes)(Vertices -> Nodes)
4.设置上下游边界(设置属性2、3)(右键Properties)
4.点击Mesh -> Generation生成三角网(可以修改网格密度)
5.点击Interpolation插入高程数据
6.保存Mesh导出模型Export Mesh
在这里插入图片描述

水动力分析模型

1.打开MIKE,NEW File 选择MIKE 21 Flow ModelFM水流分析模型
2.导入Mesh分析模型
3.设置模型参数(帧数1440 时间60)(百年一遇1743m/s、万年一遇3339m/s)
4.设置输出参数(流向、流场、输出格式(面))
5.点击Run运行计算
在这里插入图片描述

结果展示

1.打开运行完成的.dfsu文件,点击t调整播放帧率。
在这里插入图片描述

结果导出

1.打开MIKE,NEW File选择MIKE Zero Toolbox工具,选择GIS导出数据为shp格式。(叠加影像效果)
请添加图片描述

相关文章:

ArcGIS+MIKE21 洪水淹没分析、溃坝分析,洪水淹没动态效果

洪水淹没分析过程: 一、所需数据: 1.分析区域DEM数据 二、ArcGIS软件 1.提取分析区域DEM(水库坝下区域) 2.DEM栅格转点 3.计算转换后几何点的x和y坐标值(精度20、小数位3) 4.导出属性表,形式…...

Git 的基本概念和使用

Git是一个分布式版本控制系统,它可以帮助开发人员追踪和管理代码的修改。下面是Git的基本概念和使用方式的解释: 仓库(Repository):Git使用仓库来存储代码和版本历史记录。仓库可以位于本地计算机上,也可以…...

*【每日一题 基础题】 [蓝桥杯 2024 省 B] 好数

[蓝桥杯 2024 省 B] 好数 好数 一个整数如果按从低位到高位的顺序,奇数位(个位、百位、万位……)上的数字是奇数,偶数位(十位、千位、十万位……)上的数字是偶数,我们就称之为“好数”。 给定一…...

对中文汉字排序的方法总结

写在前面 在各个系统中,都随处可见根据某个字段进行升序(ASC)或降序(DESC)进行排序展示。但进行中文汉字排序和查找的时候,对中文汉字的排序和查找结果往往都是错误的。 为了尽量提供全面的解决方法,本文会从各个层面出发告知有需要的人对应…...

【解决报错】AttributeError: ‘NoneType‘ object has no attribute ‘group‘

学习爬虫时,遇到如下报错: 报错原因: 正则表达式的 search 或 finditer 方法没有找到任何匹配项,可能是换行符处理不当等。 解决方法如下: 在正则表达式末尾加上re.S即可,re.S是一个编译标志&#xff0c…...

数据结构经典算法总复习(上卷)

第一章&#xff1a;数据结构导论 无重要考点&#xff0c;仅需了解时间复杂度。 第二章&#xff1a;线性表 1.获得线性表第i个元素 void GetElem_sq(SqList L, int i, ElemType &e) {if (i<1 || i>L.length) ErrorMsg("Invalid i value"); //注意错误监…...

JS获取URL中参数值的4种方法

方法1&#xff1a;现代浏览器都支持 URL 和 URLSearchParams 对象&#xff0c;可以很方便地从URL中提取参数 // 假设当前URL为 "https://example.com/?nameJohn&age30" const url new URL(window.location.href); // 或者你可以直接传入一个URL字符串 const …...

【面经】2024年软件测试面试题,精选100 道(附答案)

测试技术面试题 1、我现在有个程序&#xff0c;发现在 Windows 上运行得很慢&#xff0c;怎么判别是程序存在问题还是软硬件系统存在问题&#xff1f; 2、什么是兼容性测试&#xff1f;兼容性测试侧重哪些方面&#xff1f; 3、测试的策略有哪些&#xff1f; 4、正交表测试用…...

LabVIEW水泵性能测试系统

在现代工业应用中&#xff0c;水泵作为一种广泛使用的流体输送设备&#xff0c;其性能的可靠性对整个生产系统的稳定运行至关重要。通过LabVIEW软件配合专业硬件设备&#xff0c;设计了一套水泵性能测试系统&#xff0c;实现对各类水泵的综合性能测试与分析&#xff0c;提升水泵…...

React 第十九节 useLayoutEffect 用途使用技巧注意事项详解

1、概述 useLayoutEffect 是useEffect 的一个衍生版本&#xff0c;只是他们的执行时机不同 useLayoutEffect 用于在DOM更新执行完成之后&#xff0c;浏览器渲染绘制之前执行&#xff0c;这会阻塞浏览器的渲染&#xff1b; useEffect 的执行时机是在组件首次渲染和更新渲染之后…...

重温设计模式--2、设计模式七大原则

文章目录 1、开闭原则&#xff08;Open - Closed Principle&#xff0c;OCP&#xff09;定义&#xff1a;示例&#xff1a;好处&#xff1a; 2、里氏替换原则&#xff08;Liskov Substitution Principle&#xff0c;LSP&#xff09;定义&#xff1a;示例&#xff1a;好处&#…...

【NLP高频面题 - Transformer篇】Transformer的位置编码是如何计算的?

【NLP高频面题 - Transformer篇】Transformer的位置编码是如何计算的&#xff1f; 重要性&#xff1a;★★★ NLP Github 项目&#xff1a; NLP 项目实践&#xff1a;fasterai/nlp-project-practice 介绍&#xff1a;该仓库围绕着 NLP 任务模型的设计、训练、优化、部署和应用…...

基于SSM(Spring + Spring MVC + MyBatis)框架构建一个图书馆仓储管理系统

基于SSM&#xff08;Spring Spring MVC MyBatis&#xff09;框架构建一个图书馆仓储管理系统是一个涉及多个功能模块的项目&#xff0c;包括但不限于图书管理、读者管理、借阅管理、归还管理等。 1. 环境准备 确保你已经安装了以下工具和环境&#xff1a; Java Developmen…...

web的五个Observer API

IntersectionObserver&#xff1a; 一个元素从不可见到可见&#xff0c;从可见到不可见 ??IntersectionObserver是一种浏览器提供的 JavaScript API&#xff0c;用于监测元素与视窗的交叉状态。它可以告诉开发者一个元素是否进入或离开视窗&#xff0c;以及两者的交叉区域的…...

Java基础:抽象类与接口

1、抽象类和接口的定义&#xff1a; &#xff08;1&#xff09;抽象类主要用来抽取子类的通用特性&#xff0c;作为子类的模板&#xff0c;它不能被实例化&#xff0c;只能被用作为子类的超类。 &#xff08;2&#xff09;接口是抽象方法的集合&#xff0c;声明了一系列的方法…...

llama.cpp:PC端测试 MobileVLM -- 电脑端部署图生文大模型

llama.cpp&#xff1a;PC端测试 MobileVLM 1.环境需要2.构建项目3.PC测试 1.环境需要 以下是经实验验证可行的环境参考&#xff0c;也可尝试其他版本。 &#xff08;1&#xff09;PC&#xff1a;Ubuntu 22.04.4 &#xff08;2&#xff09;软件环境&#xff1a;如下表所示 工…...

Web前端基础知识(一)

前端是构建网页的一部分&#xff0c;负责用户在浏览器中看到和与之交互的内容。 网页是在浏览器中呈现内容的文档或页面。 通常&#xff0c;网页使用HTML、CSS、JavaScript(JS)组成。 HTML:定义了页面的结构和内容。包括文本、图像、链接等。 CSS&#xff1a;定义页面的样式…...

基于谱聚类的多模态多目标浣熊优化算法(MMOCOA-SC)求解ZDT1-ZDT4,ZDT6和工程应用--盘式制动器优化,MATLAB代码

一、MMOCOA-SC介绍 基于谱聚类的多模态多目标浣熊优化算法&#xff08;Multimodal Multi-Objective Coati Optimization Algorithm Based on Spectral Clustering&#xff0c;MMOCOA-SC&#xff09;是2024年提出的一种多模态多目标优化算法&#xff0c;该算法的核心在于使用谱…...

国标GB28181摄像机接入EasyGBS如何通过流媒体技术提升安防监控效率?

随着信息技术的飞速发展&#xff0c;视频监控技术已成为维护公共安全和提升管理效率的重要手段。国标GB28181作为安防行业的统一设备接入与流媒体传输标准&#xff0c;为视频监控系统的互联互通提供了坚实的基础。EasyGBS作为一款基于GB28181协议的视频云服务平台&#xff0c;通…...

[Unity] ShaderGraph动态修改Keyword Enum,实现不同效果一键切换

上次更新已然四个月前&#xff0c;零零散散的工作结束&#xff0c;终于有时间写点东西记录一下~ 实际使用中&#xff0c;经常会碰到同一个对象需要切换不同的材质&#xff0c;固然可以通过C#直接替换材质球。 或者在ShaderGraph中使用Comparison配合Branch实现切换&#xff…...

爬虫自动化:数据采集与智能运维实战,人形机器人的发展历程、技术演进与未来图景。

爬虫与自动化技术概述 爬虫与自动化技术是现代数据采集与智能运维的核心工具。爬虫通过模拟浏览器行为或直接请求接口获取目标数据&#xff0c;自动化技术则用于数据处理、任务调度和系统监控。两者结合可构建高效的数据管道&#xff0c;覆盖从数据采集到智能运维的全流程。核心…...

HarmonyOS6 ArkTS NavDestination

文章目录核心特性基础使用规范1. 组件层级关系2. 核心属性配置&#xff08;1&#xff09;标题配置&#xff1a;title()&#xff08;2&#xff09;返回按钮控制&#xff1a;hideBackButton()完整示例完整代码核心功能实现解析1. 主/子页面切换2. 滚动与标题栏联动&#xff08;核…...

[ISP] CIE-XYZ色彩空间的现代应用与优化

1. CIE-XYZ色彩空间的诞生与核心原理 1931年国际照明委员会&#xff08;CIE&#xff09;做了一件改变色彩科学史的事——他们用汞灯发出的三个特定波长光线&#xff08;700nm红、546.1nm绿、435.8nm蓝&#xff09;作为基准&#xff0c;通过大量人眼视觉实验绘制出了著名的CIE-…...

造相Z-Image模型v2传统艺术风格专题:水墨、版画与油画的数字重生

造相Z-Image模型v2传统艺术风格专题&#xff1a;水墨、版画与油画的数字重生 当千年传统艺术遇见现代AI技术&#xff0c;会碰撞出怎样的数字火花&#xff1f; 最近深度体验了造相Z-Image模型v2在传统艺术风格方面的表现&#xff0c;不得不说&#xff0c;这个模型在模拟水墨、版…...

一些算法题的反思总结

1.技巧总结有序———想二分连续———①滑动窗口② DP&#xff08;dp[i]表示以i结尾的xxxxx&#xff09;③前缀和&#xff0c;f(ij)-f(i)重复——哈希/Counter/defaultdict子问题——1️⃣递归&#xff0c;先定义结束如何退出&#xff0c;再考虑当前值怎么做2️⃣动态规划&…...

intv_ai_mk11行业应用:跨境电商团队用intv_ai_mk11批量生成多语种商品描述

intv_ai_mk11行业应用&#xff1a;跨境电商团队用intv_ai_mk11批量生成多语种商品描述 1. 跨境电商的多语言挑战 跨境电商团队每天面临一个共同难题&#xff1a;如何高效地为同一商品生成不同语言版本的描述。传统方法要么依赖人工翻译&#xff08;成本高、速度慢&#xff09…...

筑牢代码安全基石:GB/T 34943/34944 标准详解与库博静态分析工具的全面支持

一、标准概述&#xff1a;GB/T 34943 与 GB/T 34944 国家标准在软件安全日益成为国家信息化战略核心的背景下&#xff0c;GB/T 34943-2017《C/C 语言源代码漏洞测试规范》与 GB/T 34944-2017《Java 语言源代码漏洞测试规范》两项国家标准应运而生国家标准化管理委员会。由全国信…...

融合 PSO 的改进鲸鱼优化算法(PSO‑ImWOA)无人机三维航迹规划研究(Python代码实现)

&#x1f4a5;&#x1f4a5;&#x1f49e;&#x1f49e;欢迎来到本博客❤️❤️&#x1f4a5;&#x1f4a5; &#x1f3c6;博主优势&#xff1a;&#x1f31e;&#x1f31e;&#x1f31e;博客内容尽量做到思维缜密&#xff0c;逻辑清晰&#xff0c;为了方便读者。 ⛳️座右铭&a…...

操作系统工程师成长:从兴趣到创新的四重境界

1. 操作系统工程师的成长路径&#xff1a;从兴趣到创新的四重境界在科技行业的金字塔尖&#xff0c;操作系统开发一直被视为"皇冠上的明珠"。作为一名在这个领域摸爬滚打二十余年的老兵&#xff0c;我见证了Linux从实验室玩具成长为数字世界基石的完整历程。每当年轻…...

Cross Q: Enhancing Deep Reinforcement Learning with Batch Normalization and Wide Critic Networks for

1. 深度强化学习的样本效率困境 深度强化学习&#xff08;Deep Reinforcement Learning, DRL&#xff09;近年来在游戏AI、机器人控制等领域取得了显著进展&#xff0c;但样本效率&#xff08;Sample Efficiency&#xff09;问题始终是制约其实际应用的瓶颈。简单来说&#xff…...