CN111047099A - 一种区域性山洪风险预测方法及*** - Google Patents
一种区域性山洪风险预测方法及*** Download PDFInfo
- Publication number
- CN111047099A CN111047099A CN201911294556.5A CN201911294556A CN111047099A CN 111047099 A CN111047099 A CN 111047099A CN 201911294556 A CN201911294556 A CN 201911294556A CN 111047099 A CN111047099 A CN 111047099A
- Authority
- CN
- China
- Prior art keywords
- risk prediction
- hills
- risk
- disaster
- mountain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种区域性山洪风险预测方法及***,其中,预测方法包括:S1、基于气象模型预测区域内所有山丘的天气信息;S2、基于所述天气信息筛选出需要进行风险预测的山丘;S3、对需要进行风险预测的山丘根据其基础信息划分为不同的风险预测等级;不同风险预测等级对应不同风险预测周期;S4、初步确定用于山洪评价的致灾因子;S5、对初步确定的致灾因子进行筛选,获得影响山洪的主要致灾因子;S6、基于主要致灾因子训练生成多个山洪风险预测模型;S7、选择性能最好的几个风险预测模型组合形成最终的风险预测模型;S8、对待预测山丘进行山洪风险预测。本发明实现对区域性山丘的风险预测,实现成本低、覆盖广、处理效率高,提高了山丘的安全性。
Description
技术领域
本发明涉及山洪灾害技术分析领域,具体涉及一种区域性山洪风险预测方法及***。
背景技术
我国山洪灾害发生频繁,严重威胁着人们的生命和财产等安全。据统计,我国每年因山洪灾害对国家和人民生命财产造成的损失约占自然灾害造成的总损失的40%左右。山洪一般是指发生在小面积(通常几百km2以内)山丘区、由强降雨诱发的急涨急落(几十分钟至几小时)的洪水。山洪的危险性主要表现为突发性、水量集中且流速大、冲刷力强,常常裹挟大量泥沙石块等,形成泥石流和滑坡,具有强大的破坏性。因此迫切需要全面开展山洪风险评估和分布规律的研究,预防山洪的发生及减少损失发生的影响程度。
现有的对山洪预报预警方法中,国内多以历史雨量统计出区域发生山洪的降雨临界值,国外大多以动态临界雨量值作为阈值,即将小流域上已发生的降雨量通过水文模型计算分析,得到流域实时土壤湿度,并反推出流域出口断面洪峰流量要达到预先设定的预警流量值所需的降雨量,当降雨量达到该值时即发布山洪预警。但模拟过程仍存在着山洪流速快,预见期短,数据短缺,预测模型与常规水文预报思路不同等问题。此外,现有的应用分布式水文模型通过利用地理信息***(GIS|)生成的数字高程模型(DEM)来构建数字流域,通过对流域产汇流的计算得出预警断面的水位、流量、泥沙等过程,便于掌握山洪爆发的时间和等级,且该模型可以应用于山区等无资料或缺乏监测数据的地区。但由于该模型是建立于运动波和扩散波之上,虽然能够预报山洪区域的内部水位、流速过程,但由于忽略了流动的力学因子,往往难以准确描述山洪的形成与演化过程,进而造成山洪灾害水文学预报可靠性低。诱发山洪的暴雨历时往往很短,降雨与径流之间不一定能在短时间内达到线性关系,因此基于单位线的水文学方法并不完全适用。当前出现的基于水动力学及水沙动力学的山洪预报模型,仍处于理论研究阶段,实际应用于山洪预报的不多。
逐一对单点山丘的监测处理效率低、覆盖范围小,区域性山洪风险预测技术融合多元数据,挖掘分析区域上的山洪风险发育规律,排查山洪隐患点,旨在众多山丘中识别出应监测的山丘,实现低成本,广覆盖,高效能的风险监测。目前对山洪健康监测区域性风险目前没有有效的预测和评估方法。
因此,如何实现高精度、高效能的区域性山洪风险预测,将对山洪风险灾害的被动监测和处理转化为主动预测和应对是本领域亟待解决的问题。
发明内容
本发明的目的是针对现有技术的缺陷,提供了一种区域性山洪风险预测方法及***。本发明实现对区域性山丘的风险预测,实现成本低、覆盖广、处理效率高,提高了山丘的安全性。
为了实现以上目的,本发明采用以下技术方案:
一种区域性山洪风险预测方法,包括:
S1、基于气象模型预测区域内所有山丘的天气信息;
S2、基于所述天气信息对区域内的山丘进行筛选,选出需要进行山洪风险预测的山丘;
S3、对需要进行山洪风险预测的山丘根据其基础信息划分为不同的风险预测等级;不同的山丘根据其风险预测等级对应的风险预测周期进行预测;
S4、从国土部门资料、国家气象信息中心及文献调研中初步确定山洪风险评价的致灾因子;
S5、对初步确定的致灾因子进行筛选,获得影响山洪的主要致灾因子;
S6、采集历史山洪数据,基于确定的主要致灾因子分别对逻辑回归模型、随机森林、最近邻分类、K均值分类、Bayesian方法和基于水体识别技术的深度学习模型进行训练,生成多个山洪风险预测模型;
S7、评估逻辑回归模型、随机森林、最近邻分类、K均值分类、Bayesian方法和基于水体识别技术的深度学习模型训练生成的山洪风险预测模型的性能,选择性能最好的几个风险预测模型联合形成最终的风险预测模型;
S8、通过高精度遥感监测技术和物联网传感技术相互集成应用采集需要进行风险预测山丘所对应的主要致灾因子的值,将主要致灾因子的值输入联合形成的最终的风险预测模型,预测山丘山洪的风险值。
进一步地,所述根据其基础信息划分为不同的风险预测等级具体为:
设置历史降雨量、坡度、植被特征、支流(沟)水系分布情况、山洪影响范围的权重依次为ω1、ω2、ω3、ω4、ω5,其中,ω1+ω2+ω3+ω4+ω5=1;山丘对应的山洪风险评估值为:
V=V1*ω1+V2*ω2+V3*ω3+V3*ω4+V5*ω5
其中,V1、V2、V3、V4、V5分别为历史降雨量、坡度、植被特征、支流水系分布情况、山洪影响范围的值;历史降雨量的值为该山丘历史降雨量与全国范围内历史降雨量平均值的比值;坡度的值为分别赋予不同坡度的值,坡度越陡,相应的坡度值越高;植被特征为赋予不同植被覆盖率的值,植被覆盖率越高,相应的植被特征值越低,支流水系越多,相应的支流水系分布值越低;山洪影响范围的值为分别赋予不同影响范围的值,对人类的影响越大,相应的山洪影响范围值越高。
基于计算出的风险评估值,将山丘划分到相应的风险预测等级,风险评估值越高,风险预测等级越高。
进一步地,所述步骤S5具体为:
根据致灾因子的特征从初步确定的致灾因子中选择出比较重要的致灾因子,所述特征包括方差、斜度、峰态、频率、振型、模态曲率、回归残差、小波能量和拟合系数;
对于所述比较重要的致灾因子,通过相关性分析、条件熵、后验概率、逻辑回归权重进行筛选,按变量预测力选出最有用的特征子集,分别提取出致灾因子中的静态因子和动态因子;所述静态因子包括高程、坡度、坡向、地质、地貌、植被、土地利用、河道通畅、人口密度和经济损失,动态因子包括降雨量、降雨强度、降雨历时、水位、土壤湿度和人类工程。
进一步地,设置方差的阈值,当致灾因子的方差小于所述方差的阈值时,剔除该致灾因子;否则,将该特征作为比较重要的致灾因子;
计算比较重要的致灾因子与山洪的相关系数,设置相关系数的阈值,当致灾因子与山洪的相关系数小于所述相关系数的阈值时,剔除该致灾因子;否则,将该特征作为主要致灾因子。
进一步地,所述步骤S6包括:
逻辑回归模型的参数形式为:其中,n为自变量的个数;将历史山洪数据中主要致灾因子所对应的特征值组成特征向量,作为逻辑回归模型中的自变量向量X,山洪风险值作为逻辑回归模型中的因变量p,对逻辑回归模型进行训练,获得使所述逻辑回归模型的代价函数值最小的参数向量a和所述每项关系特征数据的权重,确定所述参数向量a后的逻辑回归模型即为山洪风险预测模型。
进一步地,所述步骤S6包括:
构建卷积神经网络,卷积神经网络由输入层、卷积层、PReLU层、池化层、全连接层、输出层构成;具体包括5个卷积层,每个卷积层都附带一个带参数的非线性激活函数PReLU层,第一卷积层、第二个卷积层、第四个卷积层后连接有池化层,每一个池化层均采用最大池化的方法,第一卷积层与输入层连接,输入层输入的是需要处理的山洪数据中主要致灾因子所对应的值,全连接层位于最后一个池化层和输出层之间,其中每一个神经元都与前一层的全部神经元相连接,并根据风险检测的需要,有针对性地将特征向量映射到输出层,输出层输出山洪风险值;
利用大量的历史山洪数据对卷积神经网络模型进行训练,计算卷积神经网络的损失函数,利用损失函数对卷积神经网络进行迭代、更新,基于深度学习的风险预测通过不断对卷积神经网络进行训练,使损失函数降到预期值,生成最终的卷积神经网络模型。
进一步地,山洪风险预测模型的性能评估方法包括均方误差、确定系数、精确率、召回率、准确率、接收灵敏度曲线、曲线下面积。
进一步地,采用ArcGIS进行山洪风险制图与显示,将采集的山丘空间数据进行清洗处理后与山洪风险值进行图层的叠加。
进一步地,所述风险预测方法还包括:
采用抽样评价方法进行区域山丘评估:计算各山丘山洪预警级别所对应山丘数占区域山丘总数的比例,设置抽样的样本总数,根据抽样样本总数及各山洪预警级别的比例,计算各山洪预警级别所对应的抽样样本数;随机在各山洪预警级别的山丘中抽取相应数量的山丘;在不需要进行山洪风险预测的山丘中进行抽取,直到抽取的山丘数量达到抽样的样本总数;根据抽样的山丘样本,计算区域的整体山洪风险值,将各山丘样本的山洪风险值的平均值作为区域性山丘的山洪风险值。
本发明还提出一种区域性山洪风险预测***,用于实现本发明所述的区域性山洪风险预测方法,包括:
天气信息模块,用于基于气象模型预测区域内所有山丘的天气信息;
第一筛选模块,用于基于所述天气信息对区域内的山丘进行筛选,选出需要进行山洪风险预测的山丘;
等级划分模块,用于对需要进行山洪风险预测的山丘根据其基础信息划分为不同的风险预测等级;不同的山丘根据其风险预测等级对应的风险预测周期进行预测;
致灾因子确定模块,用于从国土部门资料、国家气象信息中心及文献调研中初步确定山洪风险评价的致灾因子;
第二筛选模块,用于对初步确定的致灾因子进行筛选,获得影响山洪的主要致灾因子;
训练模块,用于采集历史山洪数据,基于确定的主要致灾因子分别对逻辑回归模型、随机森林、最近邻分类、K均值分类、Bayesian方法和基于水体识别技术的深度学习模型进行训练,生成多个山洪风险预测模型;
评估模块,用于评估逻辑回归模型、随机森林、最近邻分类、K均值分类、Bayesian方法和基于水体识别技术的深度学习模型训练生成的山洪风险预测模型的性能,选择性能最好的几个风险预测模型联合形成最终的风险预测模型;
预测模块,用于通过高精度遥感监测技术和物联网传感技术相互集成应用采集需要进行风险预测山丘所对应的主要致灾因子的值,将主要致灾因子的值输入联合形成的最终的风险预测模型,预测山丘山洪的风险值。
与现有技术相比,本发明具有如下优点:
(1)本发明实现了区域性山洪风险的预测,克服了现有的单点风险预测处理效率低的问题,弥补了现有的区域性山洪风险预测和评估的空缺;
(2)由于逐个山丘的单点预测处理复杂,因此现有的山洪风险预测覆盖低,对于大量的山丘并没有实现有效的监管,本发明同时对区域内的所有山丘进行监管,提高了山洪风险预测的山丘覆盖率;
(3)本发明对需要进行风险预测的山丘进行筛选,并对需要进行风险预测的山丘根据不同的风险预测等级、以不同的风险预测周期进行预测,克服了现有的山洪风险预测方法单一,处理固化的问题,在对大量山丘进行***的同时,降低山洪风险预测的复杂度;
(4)本发明训练生成多个山洪风险预测模型,并选择性能最好的几个预测模型进行组合风险预测,结合多个风险预测模型的优点,提升了风险预测的准确率;
(5)本发明采用用ArcGIS进行山洪风险制图与显示,根据山洪风险对应的山洪预警级别,进行山洪山洪易发性制图,分别用红、橙、黄、蓝作为高、高、中等、低四级预警级别所对应的预警颜色,能够直观显示山丘的状况,并能检测山洪风险的发展趋势;根据不同的风险进行不同等级的预警,对风险预警处理及时;
(6)采用抽样评价方法进行区域山丘评估,能够了解该区域山丘的整体水平,同时不同风险的山丘进行处理,降低山丘的风险,对山洪风险灾害的被动监测和处理转化为主动预测和应对。
附图说明
图1是实施例一提供的一种区域性山洪风险预测方法流程图;
图2是实施例二提供的一种区域性山洪风险预测***结构图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
实施例一
如图1所示,本实施例提出了一种区域性山洪风险预测方法,包括:
S1、基于气象模型预测区域内所有山丘的天气信息;
收集区域内所有山丘的天气信息,采用气象模型对天气信息进行预测,预测未来一段时间的天气情况。本发明不对具体的气象模型进行限定,通常预测未来7天的天气。
S2、基于所述天气信息对区域内的山丘进行筛选,选出需要进行山洪风险预测的山丘;
我国是一个多山的国家,山丘区面积约占国土面积的2/3,远远高出世界平均水平。自古以来,我国就有依山傍水而居的习惯,因此山丘区人口分布密集,为山洪灾害的发生提供了承灾体。如果对区域内的所有山丘都进行监测,无论是硬件花销还是软件花销,都是山洪风险预测时的重大负担。因此,本发明首先基于山丘所在区域的天气信息对需要进行山洪风险预测的山丘进行筛选。例如,如果该山丘在未来一段时间没有降雨,其发生山洪风险的概率极低,因此,不进行山洪风险预测。对于监测的山丘的筛选不是一成不变的,可以根据天气信息进行定期更新。天气更新的频率不同地区不同季节不同,例如春季的天气预测频率低于夏季,这是因为春季的降雨频率低于夏季。
S3、对需要进行山洪风险预测的山丘根据其基础信息划分为不同的风险预测等级;不同的山丘根据其风险预测等级对应的风险预测周期进行预测;
本发明设置不同的风险预测等级,不同的风险预测等级对应不同的风险预测周期。具体地,根据山丘的基础信息对山丘进行等级划分,为不同的基础信息类别设置不同的权重。山丘的基础信息包括该山丘的历史降雨量、坡度、植被特征、支流(沟)水系分布情况、山洪影响范围等。
例如,设置历史降雨量、坡度、植被特征、支流(沟)水系分布情况、山洪影响范围的权重依次为ω1、ω2、ω3、ω4、ω5,其中,ω1+ω2+ω3+ω4+ω5=1。因此,山丘对应的山洪风险评估值为:
V=V1*ω1+V2*ω2+V3*ω3+V3*ω4+V5*ω5
其中,V1、V2、V3、V4、V5分别为历史降雨量、坡度、植被特征、支流(沟)水系分布情况、山洪影响范围的值。历史降雨量的值为该山丘历史降雨量与全国范围内历史降雨量平均值的比值;坡度的值为分别赋予不同坡度的值,坡度越陡,相应的坡度值越高;植被特征为赋予不同植被覆盖率的值,植被覆盖率越高,相应的植被特征值越低,相应地,支流水系越多,相应的支流(沟)水系分布值越低;山洪影响范围的值为分别赋予不同影响范围的值,对人类的影响越大,相应的山洪影响范围值越高。
基于计算出的山洪风险评估值,将山丘划分到相应的风险预测等级。例如,设置三个山洪风险预测等级I级、II级、III级,I级对应的山洪风险评估值为[20,∞),为历史降雨量大、植被覆盖少的山丘,此类山丘需要频繁地进行山洪风险预测与维护;II级对应对应的风险评估值为[10,20),为历史降雨量中等、植被覆盖中等的山丘,此类山丘比起I级山丘来说,预测周期较长;III级对应的风险评估值为[0,10),为历史降雨量低、植被覆盖多的山丘,此类山丘的预测周期最短,不需要进行频繁的预测,节省了数据处理花销。例如,对于I级山丘,预测周期为1个小时、II级山丘的预测周期为12个月、III级山丘的预测周期为24个月。
S4、从国土部门资料、国家气象信息中心及文献调研中初步确定山洪风险评价的致灾因子;
本发明采集典型山洪灾害流域特征资料、降雨资料、多年平均1-12月雨量分布、典型山洪灾害流域大比例尺最新地形图、研究水文分区情况、区域站网情况、水文资料。典型山洪灾害流域特征资料主要包括:流域面积、河道长度、河道比降以及关键河段断面特征资料等;典型山洪灾害流域大比例尺最新地形图主要用于量算控制断面以上流域及河道特征值;区域站网情况主要包括区域内现有气象台(站)、雨量站、水文站(包括水文实验站和水位站)的分布情况;降雨量资料包括山洪灾害多发期各雨量站降雨过程实测资料以及整理后的逐日降水资料、历年分时段最大降雨量的特征值(包括10分钟、30分钟、1小时、3小时、6小时、12小时、24小时最大降雨系列)资料,包括降水资料、山洪灾害流域内及邻近区域降雨持续时间、降雨强度、山洪灾害发生过程总雨量等,搜集历次山洪灾害对应的区域内降水过程的逐时段降水资料,统计过程总雨量,逐时段降雨(10分钟、30分钟、1小时、3小时、6小时、12小时、24小时)最大降雨量,最新暴雨等值线图、暴雨统计参数等值线图(包括最大10分钟、30分钟、1小时、3小时、6小时、12小时、24小时暴雨等值线图和对应的统计参数(均值、偏态系数Cv、离差系数Cs)等值线图);水文资料主要包括历史山洪灾害对应的实测成灾洪峰水位、洪峰流量、发生时间,山洪灾害发生过程、暴雨开始至灾害发生的时间间隔等,水位资料为山洪灾害发生期水位要素摘录表、流量资料为山洪灾害发生期洪水要素摘录表、实测洪水比降等;水文资料包括短历时暴雨时—面—深关系图或表,山丘区降雨-径流相关图,径流系数等值线图等。根据典型山洪灾害的相关信息,确定山洪风险评价的致灾因子,如降雨时间、降雨强度、植被等。
S5、对初步确定的致灾因子进行筛选,获得影响山洪的主要致灾因子;
山丘环境复杂,因此其山洪的致灾因子多。对大量的致灾因子进行检测,处理复杂。且存在一些不重要的致灾因子,其对山洪的影响很小。因此,本发明需要对初步确定的致灾因子进行筛选,获得影响山洪的主要致灾因子。
每一个致灾因子即为山丘的一个特征,因此,本发明对从不同渠道获取的监测数据进行分析调研,通过特征工程提取出对山丘发生山洪敏感的指标。首先,本发明通过致灾因子的特征从初步确定的致灾因子中选择出比较重要的致灾因子。统计学特征包括方差、斜度和峰态,频域特征包括频率,振型和模态曲率,其他特征有回归残差,小波能量和拟合系数。例如,方差越大的特征,可以认为它是比较有用的。如果方差较小,比如小于1,那么这个特征可能对山洪风险预测的方法作用没有那么大。最极端的,如果某个特征方差为0,即所有的样本该特征的取值都是一样的,那么它对风险预测模型训练没有任何作用,可以直接舍弃。具体地,本发明设定方差的阈值,当特征的方差小于设定的阈值,剔除该特征。
对于筛选出的比较重要的致灾因子,通过相关性分析、条件熵、后验概率、逻辑回归权重等方法进行进一步筛选,按变量预测力选出最有用的特征子集,分别提取出致灾因子中的静态因子和动态因子。其中,静态因子包括高程,坡度,坡向,地质、地貌、植被、土地利用、河道通畅、人口密度和经济损失等,动态因子包括降雨量、降雨强度、降雨历时、水位、土壤湿度和人类工程等。例如,相关性分析中,本发明计算比较重要的致灾因子中各致灾因子与山洪的相关系数,相关系数越大,说明该因子与山丘发生山洪之间的关联越大,也就是说,该因子对山丘发生山洪的影响越大。本发明收集山洪的事件及相应的致灾因子统计数据,计算山丘损伤事件中具体的山洪与致灾因子的相关系数。
S6、采集历史山洪数据,基于确定的主要致灾因子分别对逻辑回归模型、随机森林、最近邻分类、K均值分类、Bayesian方法和基于水体识别技术的深度学习模型进行训练,生成多个山洪风险预测模型;
本发明获取山洪数据,不同的山洪发生时间对应的山洪风险值不同。从开始降低到发生山洪时间间隔越高,山洪风险越高。因此,为获取的每个山洪数据设置对应的山洪风险值。
将获取的历史山洪数据作为样本数据,对逻辑回归模型、随机森林、最近邻分类、K均值分类、Bayesian方法和基于水体识别技术的深度学***均等清洗方法。具体地,对于每个历史山洪数据,获取主要致灾因子所对应的值作为模型的输入,相应的山洪风险值作为模型的输出,不断对预测模型进行训练。
由于不同的训练模型对不同的数据有不同的预测效果。因此,本发明训练生成多种预测模型,并根据各模型的性能选择最优的模型,进一步优化山洪风险的预测效果。
以逻辑回归模型为例,逻辑回归模型也被称为广义线性回归模型,它与线性回归模型的形式基本上相同,都具有a0+a1×x,其中,a0和a1是待求参数,其区别在于它们的因变量不同。多重线性回归直接将a0+a1×x作为因变量,即y=a0+a1×x。而逻辑回归模型则通过函数S将a0+a1×x对应到一个隐状态p,p=S(a0+a1×x),然后根据p与1-p的大小决定因变量的值。这里的函数S就是Sigmoid函数将t换成a0+a1×x,就可以得到逻辑回归模型的参数形式:逻辑回归的参数形式可以看到,逻辑回归模型中有两个待定参数a0和a1,实际应用中特征通常为多个,即逻辑回归模型的参数和自变量为多个,因而可以得到逻辑回归的另一种表示形式:其中,n为自变量的个数。因此,对逻辑回归模型进行训练,就是确定一个合适的参数向量a,使得对于一个新来的自变量向量X,可以尽可能准确地给出一个p值。
将历史山洪数据中主要致灾因子所对应的特征值组成特征向量,作为逻辑回归模型中的自变量向量X,山洪风险值作为逻辑回归模型中的因变量p,对逻辑回归模型进行训练,获得使所述逻辑回归模型的代价函数值最小的参数向量a和所述每项关系特征数据的权重,确定所述参数向量a后的逻辑回归模型即为山洪风险预测模型。
对于深度学习方法,本发明首先构建卷积神经网络,卷积神经网络由输入层、卷积层、PReLU层、池化层、全连接层、输出层构成。具体包括5个卷积层,每个卷积层都附带一个带参数的非线性激活函数PReLU层,第一卷积层、第二个卷积层、第四个卷积层后连接有池化层,每一个池化层均采用最大池化的方法,第一卷积层与输入层连接,输入层输入的是需要处理的山洪数据中主要致灾因子所对应的值,全连接层位于最后一个池化层和输出层之间,其中每一个神经元都与前一层的全部神经元相连接,并根据风险检测的需要,有针对性地将特征向量映射到输出层。输出层输出山洪风险值。本发明利用大量的历史山洪数据对卷积神经网络模型进行训练,计算卷积神经网络的损失函数,利用损失函数对卷积神经网络进行迭代、更新,基于深度学习的风险预测通过不断对卷积神经网络进行训练,使损失函数降到预期值,生成最终的卷积神经网络模型。
本发明可以通过远程遥感技术采集山洪数据,水位等山洪数据检测的前提是水体识别,水体识别技术是基于水体的光谱特征和空间位置关系进行分析,通过排除其他非水体信息从而实现水体信息提取的技术。一种思路是通过综合提取遥感影像中地物的形状、光谱、纹理和邻域等特征进行逐像元分类实现智能分割。另一种思路是先进行遥感图像的多尺度分割,然后使用分类器,例如分类神经网络,进行水体识别。对于水体识别技术,本发明不作限定。
S7、评估逻辑回归模型、随机森林、最近邻分类、K均值分类、Bayesian方法和基于水体识别技术的深度学习模型训练生成的山洪风险预测模型的性能,选择性能最好的几个风险预测模型联合形成最终的风险预测模型;
本发明对多个风险预测模型进行训练,选择出表现最优的风险预测模型,以提高风险预测的效率。具体地,对于逻辑回归模型一般采用均方误差(Mean Squared Error,MSE)来评估预测数据与获取数据间的误差,其值越接近0模型越准确,并采用确定系数(R-Square)来评估变量对模型的解释能力,越接近1则模型对数据的拟合能力越好。对于时间序列聚类、最近邻分类等分类模型,采用K-折叠交叉验证,通过得到的混淆矩阵计算精确率、召回率和准确率,而得到各模型自身的评价估值,值越接近1则精准率越高。另外通过接收灵敏度曲线(Receiver Operating Characteristic,ROC)可用来评价模型的优劣,并通过曲线下面积(Area Under Characteristic,AUC)越大,则预测准确概率越高,来选择最佳阈值,一般情况下AUC值高于0.75则表示模型预测有效。基于以上各模型的不同特点,与各种评估方法相结合,最终选取选择性能最好的几个风险预测模型实现对山洪风险的组合预测,以确保模型的解释性、有效性及准确性。
具体地,对于选出的几个性能较好风险预测模型,分别赋予不同的权重,权重代表该模型对最终风险预测的影响。权重越高,其对山洪风险预测结果影响越大。因此,对风险预测模型按照性能进行排序,排名越高的模型其权重越大。
S8、通过高精度遥感监测技术和物联网传感技术相互集成应用采集需要进行风险预测山丘所对应的主要致灾因子的值,将主要致灾因子的值输入联合形成的最终的风险预测模型,预测山丘山洪的风险值。
本发明对需要进行山洪风险预测的山丘进行数据采集,具体地,通过高精度遥感监测技术和物联网传感技术相互集成应用进行采集。在需要进行预测的山丘上布设大量的各类传感器,例如,设置湿度传感器检测土壤湿度。本发明还通过高精度遥感监测技术采集,通过扫描成像类型的传感器获取山丘的图像数据等,通过水体识别等技术识别水体,进一步监测水量。
获取到山丘的空间数据后,需要对山丘数据进行预处理。将获取的空间数据需预处理的对象(噪声,缺失值,离群点和漂移)进行清洗,例如带通滤波、希-黄变换、盲源分离、小波变换和移动平均等清洗方法,预处理后的山丘数据输入最终的风险预测模型,得到预测的山洪风险值。
由于最终的风险预测模型由多个初始的风险预测模型联合形成,因此,本发明最终的风险预测值为多个初始的风险预测模型各自预测的风险值加权和。
为了更直观地显示各致灾因子对山洪风险的影响及山洪风险的发展趋势,本发明采用ArcGIS进行制图与显示。采集的山丘空间数据进行清洗处理后与山洪风险值进行图层的叠加。具体地,选定显示比例,基于地理坐标或投影坐标通过ArcGIS进行转换,剪切与叠加。进一步地,本发明根据山洪风险值,设置山洪预警级别,分为极高、高、中等、低四级。山洪风险值越高,指示山丘发生山洪的概率越高、山洪的危害越大、涉及范围越广,山洪预警级别越高,因此,其对应的预警级别越高。根据山洪风险对应的山洪预警级别,进行山洪山洪易发性制图。分别用红、橙、黄、蓝作为高、高、中等、低四级预警级别所对应的预警颜色,可以采用自然断点法、标准差法和等距分割法等进行色彩分级,在此不作限定。
本发明对山丘根据其风险预测等级对应的山洪风险预测周期进行预测,不断更新山丘的山洪风险值及山洪预警级别。不同的风险预警级别所采用的风险预警手段也不同。例如,当风险预警级别为极高或高时,发出警报、并将相应的风险预警信息通过电话的方式及时传输给监管人员;当风险预警级别为中等时,将相应的风险预警信息通过短信的方式传输给监管人员;当风险预警级别为低时,仅在监视设备上通过ArcGIS图像显示风险预测结果。
同时,为了将对山洪风险灾害的被动监测和处理转化为主动预测和应对,本发明在预测山丘的山洪预警级别为极高、高时,获取该山丘的主要致灾因子的值,针对性地进行山丘修复,以降低相应山丘的山洪风险,延长山丘的使用年限,例如增加植被覆盖、增强水流流通等。同时,在山洪预警级别极高时,暂停车辆、行人等通过山丘,保障人们的人身安全。对山丘进行针对性修复后,再次预测山洪风险值及山洪风险预警级别,当山丘的山洪风险预警级别下降到高、中等、低时,恢复山丘的使用。
本发明对区域性山洪风险进行整体评估。具体地,本发明采用抽样评价方法进行区域山丘评估。首先计算各山丘山洪预警级别所对应山丘数占区域山丘总数的比例,设置抽样的样本总数,根据抽样样本总数及各山洪预警级别的比例,计算各山洪预警级别所对应的抽样样本数。随机在各山洪预警级别的山丘中抽取相应数量的山丘。随后在不需要进行山洪风险预测的山丘中进行抽取,直到抽取的山丘数量达到抽样的样本总数。根据抽样的山丘样本,计算区域的整体山洪风险值。具体地,可以将各山丘样本的山洪风险值的平均值作为区域性山丘的山洪风险值。对于不需要进行山洪风险预测的山丘,其山洪风险值为0。
实施例二
如图2所示,本实施例提出了一种区域性山洪风险预测***,包括:
天气信息模块,用于基于气象模型预测区域内所有山丘的天气信息;
收集区域内所有山丘的天气信息,采用气象模型对天气信息进行预测,预测未来一段时间的天气情况。本发明不对具体的气象模型进行限定,通常预测未来7天的天气。
第一筛选模块,用于基于所述天气信息对区域内的山丘进行筛选,选出需要进行山洪风险预测的山丘;
我国是一个多山的国家,山丘区面积约占国土面积的2/3,远远高出世界平均水平。自古以来,我国就有依山傍水而居的习惯,因此山丘区人口分布密集,为山洪灾害的发生提供了承灾体。如果对区域内的所有山丘都进行监测,无论是硬件花销还是软件花销,都是山洪风险预测时的重大负担。因此,本发明首先基于山丘所在区域的天气信息对需要进行山洪风险预测的山丘进行筛选。例如,如果该山丘在未来一段时间没有降雨,其发生山洪风险的概率极低,因此,不进行山洪风险预测。对于监测的山丘的筛选不是一成不变的,可以根据天气信息进行定期更新。天气更新的频率不同地区不同季节不同,例如春季的天气预测频率低于夏季,这是因为春季的降雨频率低于夏季。
等级划分模块,用于对需要进行山洪风险预测的山丘根据其基础信息划分为不同的风险预测等级;不同的山丘根据其风险预测等级对应的风险预测周期进行预测;
本发明设置不同的风险预测等级,不同的风险预测等级对应不同的风险预测周期。具体地,根据山丘的基础信息对山丘进行等级划分,为不同的基础信息类别设置不同的权重。山丘的基础信息包括该山丘的历史降雨量、坡度、植被特征、支流(沟)水系分布情况、山洪影响范围等。
例如,设置历史降雨量、坡度、植被特征、支流(沟)水系分布情况、山洪影响范围的权重依次为ω1、ω2、ω3、ω4、ω5,其中,ω1+ω2+ω3+ω4+ω5=1。因此,山丘对应的山洪风险评估值为:
V=V1*ω1+V2*ω2+V3*ω3+V3*ω4+V5*ω5
其中,V1、V2、V3、V4、V5分别为历史降雨量、坡度、植被特征、支流(沟)水系分布情况、山洪影响范围的值。历史降雨量的值为该山丘历史降雨量与全国范围内历史降雨量平均值的比值;坡度的值为分别赋予不同坡度的值,坡度越陡,相应的坡度值越高;植被特征为赋予不同植被覆盖率的值,植被覆盖率越高,相应的植被特征值越低,相应地,支流水系越多,相应的支流(沟)水系分布值越低;山洪影响范围的值为分别赋予不同影响范围的值,对人类的影响越大,相应的山洪影响范围值越高。
基于计算出的山洪风险评估值,将山丘划分到相应的风险预测等级。例如,设置三个山洪风险预测等级I级、II级、III级,I级对应的山洪风险评估值为[20,∞),为历史降雨量大、植被覆盖少的山丘,此类山丘需要频繁地进行山洪风险预测与维护;II级对应对应的风险评估值为[10,20),为历史降雨量中等、植被覆盖中等的山丘,此类山丘比起I级山丘来说,预测周期较长;III级对应的风险评估值为[0,10),为历史降雨量低、植被覆盖多的山丘,此类山丘的预测周期最短,不需要进行频繁的预测,节省了数据处理花销。例如,对于I级山丘,预测周期为1个小时、II级山丘的预测周期为12个月、III级山丘的预测周期为24个月。
致灾因子确定模块,用于从国土部门资料、国家气象信息中心及文献调研中初步确定山洪风险评价的致灾因子;
本发明采集典型山洪灾害流域特征资料、降雨资料、多年平均1-12月雨量分布、典型山洪灾害流域大比例尺最新地形图、研究水文分区情况、区域站网情况、水文资料。典型山洪灾害流域特征资料主要包括:流域面积、河道长度、河道比降以及关键河段断面特征资料等;典型山洪灾害流域大比例尺最新地形图主要用于量算控制断面以上流域及河道特征值;区域站网情况主要包括区域内现有气象台(站)、雨量站、水文站(包括水文实验站和水位站)的分布情况;降雨量资料包括山洪灾害多发期各雨量站降雨过程实测资料以及整理后的逐日降水资料、历年分时段最大降雨量的特征值(包括10分钟、30分钟、1小时、3小时、6小时、12小时、24小时最大降雨系列)资料,包括降水资料、山洪灾害流域内及邻近区域降雨持续时间、降雨强度、山洪灾害发生过程总雨量等,搜集历次山洪灾害对应的区域内降水过程的逐时段降水资料,统计过程总雨量,逐时段降雨(10分钟、30分钟、1小时、3小时、6小时、12小时、24小时)最大降雨量,最新暴雨等值线图、暴雨统计参数等值线图(包括最大10分钟、30分钟、1小时、3小时、6小时、12小时、24小时暴雨等值线图和对应的统计参数(均值、偏态系数Cv、离差系数Cs)等值线图);水文资料主要包括历史山洪灾害对应的实测成灾洪峰水位、洪峰流量、发生时间,山洪灾害发生过程、暴雨开始至灾害发生的时间间隔等,水位资料为山洪灾害发生期水位要素摘录表、流量资料为山洪灾害发生期洪水要素摘录表、实测洪水比降等;水文资料包括短历时暴雨时—面—深关系图或表,山丘区降雨-径流相关图,径流系数等值线图等。根据典型山洪灾害的相关信息,确定山洪风险评价的致灾因子,如降雨时间、降雨强度、植被等。
第二筛选模块,用于对初步确定的致灾因子进行筛选,获得影响山洪的主要致灾因子;
山丘环境复杂,因此其山洪的致灾因子多。对大量的致灾因子进行检测,处理复杂。且存在一些不重要的致灾因子,其对山洪的影响很小。因此,本发明需要对初步确定的致灾因子进行筛选,获得影响山洪的主要致灾因子。
每一个致灾因子即为山丘的一个特征,因此,本发明对从不同渠道获取的监测数据进行分析调研,通过特征工程提取出对山丘发生山洪敏感的指标。首先,本发明通过致灾因子的特征从初步确定的致灾因子中选择出比较重要的致灾因子。统计学特征包括方差、斜度和峰态,频域特征包括频率,振型和模态曲率,其他特征有回归残差,小波能量和拟合系数。例如,方差越大的特征,可以认为它是比较有用的。如果方差较小,比如小于1,那么这个特征可能对山洪风险预测的方法作用没有那么大。最极端的,如果某个特征方差为0,即所有的样本该特征的取值都是一样的,那么它对风险预测模型训练没有任何作用,可以直接舍弃。具体地,本发明设定方差的阈值,当特征的方差小于设定的阈值,剔除该特征。
对于筛选出的比较重要的致灾因子,通过相关性分析、条件熵、后验概率、逻辑回归权重等方法进行进一步筛选,按变量预测力选出最有用的特征子集,分别提取出致灾因子中的静态因子和动态因子。其中,静态因子包括高程,坡度,坡向,地质、地貌、植被、土地利用、河道通畅、人口密度和经济损失等,动态因子包括降雨量、降雨强度、降雨历时、水位、土壤湿度和人类工程等。例如,相关性分析中,本发明计算比较重要的致灾因子中各致灾因子与山洪的相关系数,相关系数越大,说明该因子与山丘发生山洪之间的关联越大,也就是说,该因子对山丘发生山洪的影响越大。本发明收集山洪的事件及相应的致灾因子统计数据,计算山丘损伤事件中具体的山洪与致灾因子的相关系数。
训练模块,用于采集历史山洪数据,基于确定的主要致灾因子分别对逻辑回归模型、随机森林、最近邻分类、K均值分类、Bayesian方法和基于水体识别技术的深度学习模型进行训练,生成多个山洪风险预测模型;
本发明获取山洪数据,不同的山洪发生时间对应的山洪风险值不同。从开始降低到发生山洪时间间隔越高,山洪风险越高。因此,为获取的每个山洪数据设置对应的山洪风险值。
将获取的历史山洪数据作为样本数据,对逻辑回归模型、随机森林、最近邻分类、K均值分类、Bayesian方法和基于水体识别技术的深度学***均等清洗方法。具体地,对于每个历史山洪数据,获取主要致灾因子所对应的值作为模型的输入,相应的山洪风险值作为模型的输出,不断对预测模型进行训练。
由于不同的训练模型对不同的数据有不同的预测效果。因此,本发明训练生成多种预测模型,并根据各模型的性能选择最优的模型,进一步优化山洪风险的预测效果。
以逻辑回归模型为例,逻辑回归模型也被称为广义线性回归模型,它与线性回归模型的形式基本上相同,都具有a0+a1×x,其中,a0和a1是待求参数,其区别在于它们的因变量不同。多重线性回归直接将a0+a1×x作为因变量,即y=a0+a1×x。而逻辑回归模型则通过函数S将a0+a1×x对应到一个隐状态p,p=S(a0+a1×x),然后根据p与1-p的大小决定因变量的值。这里的函数S就是Sigmoid函数将t换成a0+a1×x,就可以得到逻辑回归模型的参数形式:逻辑回归的参数形式可以看到,逻辑回归模型中有两个待定参数a0和a1,实际应用中特征通常为多个,即逻辑回归模型的参数和自变量为多个,因而可以得到逻辑回归的另一种表示形式:其中,n为自变量的个数。因此,对逻辑回归模型进行训练,就是确定一个合适的参数向量a,使得对于一个新来的自变量向量X,可以尽可能准确地给出一个p值。
将历史山洪数据中主要致灾因子所对应的特征值组成特征向量,作为逻辑回归模型中的自变量向量X,山洪风险值作为逻辑回归模型中的因变量p,对逻辑回归模型进行训练,获得使所述逻辑回归模型的代价函数值最小的参数向量a和所述每项关系特征数据的权重,确定所述参数向量a后的逻辑回归模型即为山洪风险预测模型。
对于深度学习方法,本发明首先构建卷积神经网络,卷积神经网络由输入层、卷积层、PReLU层、池化层、全连接层、输出层构成。具体包括5个卷积层,每个卷积层都附带一个带参数的非线性激活函数PReLU层,第一卷积层、第二个卷积层、第四个卷积层后连接有池化层,每一个池化层均采用最大池化的方法,第一卷积层与输入层连接,输入层输入的是需要处理的山洪数据中主要致灾因子所对应的值,全连接层位于最后一个池化层和输出层之间,其中每一个神经元都与前一层的全部神经元相连接,并根据风险检测的需要,有针对性地将特征向量映射到输出层。输出层输出山洪风险值。本发明利用大量的历史山洪数据对卷积神经网络模型进行训练,计算卷积神经网络的损失函数,利用损失函数对卷积神经网络进行迭代、更新,基于深度学习的风险预测通过不断对卷积神经网络进行训练,使损失函数降到预期值,生成最终的卷积神经网络模型。
本发明可以通过远程遥感技术采集山洪数据,水位等山洪数据检测的前提是水体识别,水体识别技术是基于水体的光谱特征和空间位置关系进行分析,通过排除其他非水体信息从而实现水体信息提取的技术。一种思路是通过综合提取遥感影像中地物的形状、光谱、纹理和邻域等特征进行逐像元分类实现智能分割。另一种思路是先进行遥感图像的多尺度分割,然后使用分类器,例如分类神经网络,进行水体识别。对于水体识别技术,本发明不作限定。
评估模块,用于评估逻辑回归模型、随机森林、最近邻分类、K均值分类、Bayesian方法和基于水体识别技术的深度学习模型训练生成的山洪风险预测模型的性能,选择性能最好的几个风险预测模型联合形成最终的风险预测模型;
本发明对多个风险预测模型进行训练,选择出表现最优的风险预测模型,以提高风险预测的效率。具体地,对于逻辑回归模型一般采用均方误差(Mean Squared Error,MSE)来评估预测数据与获取数据间的误差,其值越接近0模型越准确,并采用确定系数(R-Square)来评估变量对模型的解释能力,越接近1则模型对数据的拟合能力越好。对于时间序列聚类、最近邻分类等分类模型,采用K-折叠交叉验证,通过得到的混淆矩阵计算精确率、召回率和准确率,而得到各模型自身的评价估值,值越接近1则精准率越高。另外通过接收灵敏度曲线(Receiver Operating Characteristic,ROC)可用来评价模型的优劣,并通过曲线下面积(Area Under Characteristic,AUC)越大,则预测准确概率越高,来选择最佳阈值,一般情况下AUC值高于0.75则表示模型预测有效。基于以上各模型的不同特点,与各种评估方法相结合,最终选取选择性能最好的几个风险预测模型实现对山洪风险的组合预测,以确保模型的解释性、有效性及准确性。
具体地,对于选出的几个性能较好风险预测模型,分别赋予不同的权重,权重代表该模型对最终风险预测的影响。权重越高,其对山洪风险预测结果影响越大。因此,对风险预测模型按照性能进行排序,排名越高的模型其权重越大。
预测模块,用于通过高精度遥感监测技术和物联网传感技术相互集成应用采集需要进行风险预测山丘所对应的主要致灾因子的值,将主要致灾因子的值输入联合形成的最终的风险预测模型,预测山丘山洪的风险值。
本发明对需要进行山洪风险预测的山丘进行数据采集,具体地,通过高精度遥感监测技术和物联网传感技术相互集成应用进行采集。在需要进行预测的山丘上布设大量的各类传感器,例如,设置湿度传感器检测土壤湿度。本发明还通过高精度遥感监测技术采集,通过扫描成像类型的传感器获取山丘的图像数据等,通过水体识别等技术识别水体,进一步监测水量。
获取到山丘的空间数据后,需要对山丘数据进行预处理。将获取的空间数据需预处理的对象(噪声,缺失值,离群点和漂移)进行清洗,例如带通滤波、希-黄变换、盲源分离、小波变换和移动平均等清洗方法,预处理后的山丘数据输入最终的风险预测模型,得到预测的山洪风险值。
由于最终的风险预测模型由多个初始的风险预测模型联合形成,因此,本发明最终的风险预测值为多个初始的风险预测模型各自预测的风险值加权和。
为了更直观地显示各致灾因子对山洪风险的影响及山洪风险的发展趋势,本发明采用ArcGIS进行制图与显示。采集的山丘空间数据进行清洗处理后与山洪风险值进行图层的叠加。具体地,选定显示比例,基于地理坐标或投影坐标通过ArcGIS进行转换,剪切与叠加。进一步地,本发明根据山洪风险值,设置山洪预警级别,分为极高、高、中等、低四级。山洪风险值越高,指示山丘发生山洪的概率越高、山洪的危害越大、涉及范围越广,山洪预警级别越高,因此,其对应的预警级别越高。根据山洪风险对应的山洪预警级别,进行山洪山洪易发性制图。分别用红、橙、黄、蓝作为高、高、中等、低四级预警级别所对应的预警颜色,可以采用自然断点法、标准差法和等距分割法等进行色彩分级,在此不作限定。
本发明对山丘根据其风险预测等级对应的山洪风险预测周期进行预测,不断更新山丘的山洪风险值及山洪预警级别。不同的风险预警级别所采用的风险预警手段也不同。例如,当风险预警级别为极高或高时,发出警报、并将相应的风险预警信息通过电话的方式及时传输给监管人员;当风险预警级别为中等时,将相应的风险预警信息通过短信的方式传输给监管人员;当风险预警级别为低时,仅在监视设备上通过ArcGIS图像显示风险预测结果。
同时,为了将对山洪风险灾害的被动监测和处理转化为主动预测和应对,本发明在预测山丘的山洪预警级别为极高、高时,获取该山丘的主要致灾因子的值,针对性地进行山丘修复,以降低相应山丘的山洪风险,延长山丘的使用年限,例如增加植被覆盖、增强水流流通等。同时,在山洪预警级别极高时,暂停车辆、行人等通过山丘,保障人们的人身安全。对山丘进行针对性修复后,再次预测山洪风险值及山洪风险预警级别,当山丘的山洪风险预警级别下降到高、中等、低时,恢复山丘的使用。
本发明对区域性山洪风险进行整体评估。具体地,本发明采用抽样评价方法进行区域山丘评估。首先计算各山丘山洪预警级别所对应山丘数占区域山丘总数的比例,设置抽样的样本总数,根据抽样样本总数及各山洪预警级别的比例,计算各山洪预警级别所对应的抽样样本数。随机在各山洪预警级别的山丘中抽取相应数量的山丘。随后在不需要进行山洪风险预测的山丘中进行抽取,直到抽取的山丘数量达到抽样的样本总数。根据抽样的山丘样本,计算区域的整体山洪风险值。具体地,可以将各山丘样本的山洪风险值的平均值作为区域性山丘的山洪风险值。对于不需要进行山洪风险预测的山丘,其山洪风险值为0。
由此可知,本发明提出的区域性山洪风险预测方法及***,实现了区域性山洪风险的预测,克服了现有的单点风险预测处理效率低的问题,弥补了现有的区域性山洪风险预测和评估的空缺;由于逐个山丘的单点预测处理复杂,因此现有的山洪风险预测覆盖低,对于大量的山丘并没有实现有效的监管,本发明同时对区域内的所有山丘进行监管,提高了山洪风险预测的山丘覆盖率;同时,对需要进行风险预测的山丘进行筛选,并对需要进行风险预测的山丘根据不同的风险预测等级、以不同的风险预测周期进行预测,克服了现有的山洪风险预测方法单一,处理固化的问题,在对大量山丘进行***的同时,降低山洪风险预测的复杂度;训练生成多个山洪风险预测模型,并选择性能最好的几个预测模型进行组合风险预测,结合多个风险预测模型的优点,提升了风险预测的准确率;此外,采用ArcGIS进行山洪风险制图与显示,根据山洪风险对应的山洪预警级别,进行山洪山洪易发性制图,分别用红、橙、黄、蓝作为高、高、中等、低四级预警级别所对应的预警颜色,能够直观显示山丘的状况,并能检测山洪风险的发展趋势;根据不同的风险进行不同等级的预警,对风险预警处理及时;采用抽样评价方法进行区域山丘评估,能够了解该区域山丘的整体水平,同时不同风险的山丘进行处理,降低山丘的风险,对山洪风险灾害的被动监测和处理转化为主动预测和应对。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种区域性山洪风险预测方法,其特征在于,包括:
S1、基于气象模型预测区域内所有山丘的天气信息;
S2、基于所述天气信息对区域内的山丘进行筛选,选出需要进行山洪风险预测的山丘;
S3、对需要进行山洪风险预测的山丘根据其基础信息划分为不同的风险预测等级;不同的山丘根据其风险预测等级对应的风险预测周期进行预测;
S4、从国土部门资料、国家气象信息中心及文献调研中初步确定山洪风险评价的致灾因子;
S5、对初步确定的致灾因子进行筛选,获得影响山洪的主要致灾因子;
S6、采集历史山洪数据,基于确定的主要致灾因子分别对逻辑回归模型、随机森林、最近邻分类、K均值分类、Bayesian方法和基于水体识别技术的深度学习模型进行训练,生成多个山洪风险预测模型;
S7、评估逻辑回归模型、随机森林、最近邻分类、K均值分类、Bayesian方法和基于水体识别技术的深度学习模型训练生成的山洪风险预测模型的性能,选择性能最好的几个风险预测模型联合形成最终的风险预测模型;
S8、通过高精度遥感监测技术和物联网传感技术相互集成应用采集需要进行风险预测山丘所对应的主要致灾因子的值,将主要致灾因子的值输入联合形成的最终的风险预测模型,预测山丘山洪的风险值。
2.根据权利要求1所述的区域性山洪风险预测方法,其特征在于,所述根据其基础信息划分为不同的风险预测等级具体为:
设置历史降雨量、坡度、植被特征、支流(沟)水系分布情况、山洪影响范围的权重依次为ω1、ω2、ω3、ω4、ω5,其中,ω1+ω2+ω3+ω4+ω5=1;山丘对应的山洪风险评估值为:
V=V1*ω1+V2*ω2+V3*ω3+V3*ω4+V5*ω5
其中,V1、V2、V3、V4、V5分别为历史降雨量、坡度、植被特征、支流水系分布情况、山洪影响范围的值;历史降雨量的值为该山丘历史降雨量与全国范围内历史降雨量平均值的比值;坡度的值为分别赋予不同坡度的值,坡度越陡,相应的坡度值越高;植被特征为赋予不同植被覆盖率的值,植被覆盖率越高,相应的植被特征值越低,支流水系越多,相应的支流水系分布值越低;山洪影响范围的值为分别赋予不同影响范围的值,对人类的影响越大,相应的山洪影响范围值越高。
基于计算出的风险评估值,将山丘划分到相应的风险预测等级,风险评估值越高,风险预测等级越高。
3.根据权利要求1所述的区域性山洪风险预测方法,其特征在于,所述步骤S5具体为:
根据致灾因子的特征从初步确定的致灾因子中选择出比较重要的致灾因子,所述特征包括方差、斜度、峰态、频率、振型、模态曲率、回归残差、小波能量和拟合系数;
对于所述比较重要的致灾因子,通过相关性分析、条件熵、后验概率、逻辑回归权重进行筛选,按变量预测力选出最有用的特征子集,分别提取出致灾因子中的静态因子和动态因子;所述静态因子包括高程、坡度、坡向、地质、地貌、植被、土地利用、河道通畅、人口密度和经济损失,动态因子包括降雨量、降雨强度、降雨历时、水位、土壤湿度和人类工程。
4.根据权利要求3所述的区域性山洪风险预测方法,其特征在于,设置方差的阈值,当致灾因子的方差小于所述方差的阈值时,剔除该致灾因子;否则,将该特征作为比较重要的致灾因子;
计算比较重要的致灾因子与山洪的相关系数,设置相关系数的阈值,当致灾因子与山洪的相关系数小于所述相关系数的阈值时,剔除该致灾因子;否则,将该特征作为主要致灾因子。
6.根据权利要求1所述的区域性山洪风险预测方法,其特征在于,所述步骤S6包括:
构建卷积神经网络,卷积神经网络由输入层、卷积层、PReLU层、池化层、全连接层、输出层构成;具体包括5个卷积层,每个卷积层都附带一个带参数的非线性激活函数PReLU层,第一卷积层、第二个卷积层、第四个卷积层后连接有池化层,每一个池化层均采用最大池化的方法,第一卷积层与输入层连接,输入层输入的是需要处理的山洪数据中主要致灾因子所对应的值,全连接层位于最后一个池化层和输出层之间,其中每一个神经元都与前一层的全部神经元相连接,并根据风险检测的需要,有针对性地将特征向量映射到输出层,输出层输出山洪风险值;
利用大量的历史山洪数据对卷积神经网络模型进行训练,计算卷积神经网络的损失函数,利用损失函数对卷积神经网络进行迭代、更新,基于深度学习的风险预测通过不断对卷积神经网络进行训练,使损失函数降到预期值,生成最终的卷积神经网络模型。
7.根据权利要求1所述的区域性山洪风险预测方法,其特征在于,
山洪风险预测模型的性能评估方法包括均方误差、确定系数、精确率、召回率、准确率、接收灵敏度曲线、曲线下面积。
8.根据权利要求1所述的区域性山洪风险预测方法,其特征在于,采用ArcGIS进行山洪风险制图与显示,将采集的山丘空间数据进行清洗处理后与山洪风险值进行图层的叠加。
9.根据权利要求1所述的区域性山洪风险预测方法,其特征在于,所述风险预测方法还包括:
采用抽样评价方法进行区域山丘评估:计算各山丘山洪预警级别所对应山丘数占区域山丘总数的比例,设置抽样的样本总数,根据抽样样本总数及各山洪预警级别的比例,计算各山洪预警级别所对应的抽样样本数;随机在各山洪预警级别的山丘中抽取相应数量的山丘;在不需要进行山洪风险预测的山丘中进行抽取,直到抽取的山丘数量达到抽样的样本总数;根据抽样的山丘样本,计算区域的整体山洪风险值,将各山丘样本的山洪风险值的平均值作为区域性山丘的山洪风险值。
10.一种区域性山洪风险预测***,用于实现权利要求1-9任一项所述的区域性山洪风险预测方法,其特征在于,包括:
天气信息模块,用于基于气象模型预测区域内所有山丘的天气信息;
第一筛选模块,用于基于所述天气信息对区域内的山丘进行筛选,选出需要进行山洪风险预测的山丘;
等级划分模块,用于对需要进行山洪风险预测的山丘根据其基础信息划分为不同的风险预测等级;不同的山丘根据其风险预测等级对应的风险预测周期进行预测;
致灾因子确定模块,用于从国土部门资料、国家气象信息中心及文献调研中初步确定山洪风险评价的致灾因子;
第二筛选模块,用于对初步确定的致灾因子进行筛选,获得影响山洪的主要致灾因子;
训练模块,用于采集历史山洪数据,基于确定的主要致灾因子分别对逻辑回归模型、随机森林、最近邻分类、K均值分类、Bayesian方法和基于水体识别技术的深度学习模型进行训练,生成多个山洪风险预测模型;
评估模块,用于评估逻辑回归模型、随机森林、最近邻分类、K均值分类、Bayesian方法和基于水体识别技术的深度学习模型训练生成的山洪风险预测模型的性能,选择性能最好的几个风险预测模型联合形成最终的风险预测模型;
预测模块,用于通过高精度遥感监测技术和物联网传感技术相互集成应用采集需要进行风险预测山丘所对应的主要致灾因子的值,将主要致灾因子的值输入联合形成的最终的风险预测模型,预测山丘山洪的风险值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911294556.5A CN111047099B (zh) | 2019-12-16 | 2019-12-16 | 一种区域性山洪风险预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911294556.5A CN111047099B (zh) | 2019-12-16 | 2019-12-16 | 一种区域性山洪风险预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111047099A true CN111047099A (zh) | 2020-04-21 |
CN111047099B CN111047099B (zh) | 2020-08-21 |
Family
ID=70236675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911294556.5A Active CN111047099B (zh) | 2019-12-16 | 2019-12-16 | 一种区域性山洪风险预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047099B (zh) |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111614938A (zh) * | 2020-05-14 | 2020-09-01 | 杭州海康威视***技术有限公司 | 一种风险识别方法及装置 |
CN111705742A (zh) * | 2020-06-22 | 2020-09-25 | 核工业西南勘察设计研究院有限公司 | 一种泥石流疏导方法 |
CN111719492A (zh) * | 2020-06-22 | 2020-09-29 | 核工业西南勘察设计研究院有限公司 | 一种泥石流疏导***及其疏导方法 |
CN111768597A (zh) * | 2020-06-22 | 2020-10-13 | 核工业西南勘察设计研究院有限公司 | 一种泥石流预警防护方法 |
CN111784082A (zh) * | 2020-08-04 | 2020-10-16 | 安徽亿纵电子科技有限公司 | 一种基于大数据的gis山洪预防预警*** |
CN111861274A (zh) * | 2020-08-03 | 2020-10-30 | 生态环境部南京环境科学研究所 | 一种水环境风险预测预警方法 |
CN112862144A (zh) * | 2020-08-10 | 2021-05-28 | 郑州大学 | 基于双层目标优化的无资料城市确定最优损失曲线的方法 |
CN112966926A (zh) * | 2021-03-02 | 2021-06-15 | 河海大学 | 一种基于集成学习的洪水敏感性风险评估方法 |
CN112966856A (zh) * | 2021-02-10 | 2021-06-15 | 四川水利职业技术学院 | 一种山洪风险预测方法及预测*** |
CN112990108A (zh) * | 2021-04-19 | 2021-06-18 | 四川省水利科学研究院 | 一种基于卷积神经网络实现堤坝护坡的*** |
CN113378396A (zh) * | 2021-06-22 | 2021-09-10 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种小流域地质灾害隐患点早期识别的方法 |
CN113408201A (zh) * | 2021-06-18 | 2021-09-17 | 河南大学 | 基于地形单元的滑坡易发性评判方法 |
CN113627652A (zh) * | 2021-07-13 | 2021-11-09 | 中国气象局乌鲁木齐沙漠气象研究所 | 预测洪水发生区域的方法、装置、终端设备及存储介质 |
WO2021226976A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
CN113807008A (zh) * | 2021-08-27 | 2021-12-17 | 华南理工大学 | 一种基于深度学习的城市暴雨内涝模拟方法 |
CN114066077A (zh) * | 2021-11-22 | 2022-02-18 | 哈尔滨工业大学 | 基于应急事件空间警兆分析的环卫风险预测方法 |
CN114186780A (zh) * | 2021-11-04 | 2022-03-15 | 河海大学 | 一种基于机器学习的山洪灾害区划方法 |
CN114493243A (zh) * | 2022-01-21 | 2022-05-13 | 河海大学 | 一种基于岭模型树算法的山洪灾害易发性评估方法 |
CN115081341A (zh) * | 2022-07-25 | 2022-09-20 | 江西武大扬帆科技有限公司 | 一种流域洪水仿真预警方法及*** |
CN115100819A (zh) * | 2022-05-23 | 2022-09-23 | 深圳市北斗云信息技术有限公司 | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 |
WO2022246843A1 (zh) * | 2021-05-28 | 2022-12-01 | 京东方科技集团股份有限公司 | 软件项目的风险评估方法、装置、计算机设备、存储介质 |
CN115470718A (zh) * | 2022-11-14 | 2022-12-13 | 中国测绘科学研究院 | 一种随机森林与逻辑回归组合的滑坡预测方法 |
CN115526422A (zh) * | 2022-10-19 | 2022-12-27 | 中国矿业大学 | 一种煤矿瓦斯***风险预测方法 |
CN116090839A (zh) * | 2023-04-07 | 2023-05-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 水资源耦合***多重风险分析与评估方法及*** |
CN116523089A (zh) * | 2022-11-18 | 2023-08-01 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种用于公路交通的降雨致灾风险预报方法及装置 |
CN116796647A (zh) * | 2023-07-13 | 2023-09-22 | 辽宁石油化工大学 | 一种钻井溢流工况智能预测模型的训练、预测方法及井下溢流风险概率预测*** |
CN117094184A (zh) * | 2023-10-19 | 2023-11-21 | 上海数字治理研究院有限公司 | 基于内网平台的风险预测模型的建模方法、***及介质 |
CN117198000A (zh) * | 2023-09-04 | 2023-12-08 | 浙江安澜工程技术有限公司 | 一种山洪灾害预报预警方法及*** |
CN117236700A (zh) * | 2023-11-13 | 2023-12-15 | 珠江水利委员会珠江水利科学研究院 | 一种洪涝灾害风险防控方法及*** |
CN117575110A (zh) * | 2024-01-16 | 2024-02-20 | 四川省自然资源科学研究院(四川省生产力促进中心) | 一种基于土壤重构的矿山修复效果预测方法及相关设备 |
CN117609900A (zh) * | 2023-11-10 | 2024-02-27 | 山东省地质矿产勘查开发局第三地质大队(山东省第三地质矿产勘查院、山东省海洋地质勘查院) | 一种对水文地质风险进行监测的方法 |
CN117828312A (zh) * | 2024-03-05 | 2024-04-05 | 中国科学院地理科学与资源研究所 | 一种流域水文环境的管理方法及相关设备 |
CN117933577A (zh) * | 2024-03-21 | 2024-04-26 | 四川省华地建设工程有限责任公司 | 一种高位山体滑坡灾害的评估方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318085A (zh) * | 2014-10-11 | 2015-01-28 | 福建师范大学 | 一种流域山洪风险识别与提取方法 |
KR20160097524A (ko) * | 2015-02-09 | 2016-08-18 | 주식회사 구주엔지니어링 | 동특성 분석에 의한 사장교 케이블의 손상추정방법 |
CN108133578A (zh) * | 2017-12-25 | 2018-06-08 | 中国科学院、水利部成都山地灾害与环境研究所 | 山洪灾害险情动态预警方法、精细化分级监测预警方法 |
CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
-
2019
- 2019-12-16 CN CN201911294556.5A patent/CN111047099B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318085A (zh) * | 2014-10-11 | 2015-01-28 | 福建师范大学 | 一种流域山洪风险识别与提取方法 |
KR20160097524A (ko) * | 2015-02-09 | 2016-08-18 | 주식회사 구주엔지니어링 | 동특성 분석에 의한 사장교 케이블의 손상추정방법 |
CN108133578A (zh) * | 2017-12-25 | 2018-06-08 | 中国科学院、水利部成都山地灾害与环境研究所 | 山洪灾害险情动态预警方法、精细化分级监测预警方法 |
CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
Non-Patent Citations (3)
Title |
---|
T.M.CARPENTER等: "National threshold runoff estimation utilizing GIS in support of operational flash flood warning systems", 《JOURNAL OF HYDROLOGY》 * |
孙璟: "小流域山洪灾害预警预报研究", 《中国优秀硕士学位论文全文数据库-工程科技II辑》 * |
张红萍: "山区小流域洪水风险评估与预警技术研究", 《中国博士学位论文全文数据库-工程科技II辑》 * |
Cited By (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111614938B (zh) * | 2020-05-14 | 2021-11-02 | 杭州海康威视***技术有限公司 | 一种风险识别方法及装置 |
CN111614938A (zh) * | 2020-05-14 | 2020-09-01 | 杭州海康威视***技术有限公司 | 一种风险识别方法及装置 |
WO2021226976A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
CN111705742A (zh) * | 2020-06-22 | 2020-09-25 | 核工业西南勘察设计研究院有限公司 | 一种泥石流疏导方法 |
CN111719492A (zh) * | 2020-06-22 | 2020-09-29 | 核工业西南勘察设计研究院有限公司 | 一种泥石流疏导***及其疏导方法 |
CN111768597A (zh) * | 2020-06-22 | 2020-10-13 | 核工业西南勘察设计研究院有限公司 | 一种泥石流预警防护方法 |
CN111705742B (zh) * | 2020-06-22 | 2022-04-29 | 核工业西南勘察设计研究院有限公司 | 一种泥石流疏导方法 |
CN111719492B (zh) * | 2020-06-22 | 2021-12-07 | 核工业西南勘察设计研究院有限公司 | 一种泥石流疏导***及其疏导方法 |
CN111861274A (zh) * | 2020-08-03 | 2020-10-30 | 生态环境部南京环境科学研究所 | 一种水环境风险预测预警方法 |
CN111784082A (zh) * | 2020-08-04 | 2020-10-16 | 安徽亿纵电子科技有限公司 | 一种基于大数据的gis山洪预防预警*** |
CN111784082B (zh) * | 2020-08-04 | 2021-02-19 | 安徽亿纵电子科技有限公司 | 一种基于大数据的gis山洪预防预警*** |
CN112862144B (zh) * | 2020-08-10 | 2023-08-25 | 郑州大学 | 基于双层目标优化的无资料城市确定最优损失曲线的方法 |
CN112862144A (zh) * | 2020-08-10 | 2021-05-28 | 郑州大学 | 基于双层目标优化的无资料城市确定最优损失曲线的方法 |
CN112966856A (zh) * | 2021-02-10 | 2021-06-15 | 四川水利职业技术学院 | 一种山洪风险预测方法及预测*** |
CN112966926A (zh) * | 2021-03-02 | 2021-06-15 | 河海大学 | 一种基于集成学习的洪水敏感性风险评估方法 |
CN112990108A (zh) * | 2021-04-19 | 2021-06-18 | 四川省水利科学研究院 | 一种基于卷积神经网络实现堤坝护坡的*** |
CN112990108B (zh) * | 2021-04-19 | 2022-12-27 | 四川省水利科学研究院 | 一种基于卷积神经网络实现堤坝护坡的*** |
WO2022246843A1 (zh) * | 2021-05-28 | 2022-12-01 | 京东方科技集团股份有限公司 | 软件项目的风险评估方法、装置、计算机设备、存储介质 |
CN113408201A (zh) * | 2021-06-18 | 2021-09-17 | 河南大学 | 基于地形单元的滑坡易发性评判方法 |
CN113408201B (zh) * | 2021-06-18 | 2022-07-26 | 河南大学 | 基于地形单元的滑坡易发性评判方法 |
CN113378396B (zh) * | 2021-06-22 | 2023-11-24 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种小流域地质灾害隐患点早期识别的方法 |
CN113378396A (zh) * | 2021-06-22 | 2021-09-10 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种小流域地质灾害隐患点早期识别的方法 |
CN113627652A (zh) * | 2021-07-13 | 2021-11-09 | 中国气象局乌鲁木齐沙漠气象研究所 | 预测洪水发生区域的方法、装置、终端设备及存储介质 |
CN113807008B (zh) * | 2021-08-27 | 2024-06-04 | 华南理工大学 | 一种基于深度学习的城市暴雨内涝模拟方法 |
CN113807008A (zh) * | 2021-08-27 | 2021-12-17 | 华南理工大学 | 一种基于深度学习的城市暴雨内涝模拟方法 |
CN114186780B (zh) * | 2021-11-04 | 2022-07-22 | 河海大学 | 一种基于机器学习的山洪灾害区划方法 |
CN114186780A (zh) * | 2021-11-04 | 2022-03-15 | 河海大学 | 一种基于机器学习的山洪灾害区划方法 |
CN114066077A (zh) * | 2021-11-22 | 2022-02-18 | 哈尔滨工业大学 | 基于应急事件空间警兆分析的环卫风险预测方法 |
CN114493243A (zh) * | 2022-01-21 | 2022-05-13 | 河海大学 | 一种基于岭模型树算法的山洪灾害易发性评估方法 |
CN114493243B (zh) * | 2022-01-21 | 2023-05-02 | 河海大学 | 一种基于岭模型树算法的山洪灾害易发性评估方法 |
CN115100819A (zh) * | 2022-05-23 | 2022-09-23 | 深圳市北斗云信息技术有限公司 | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 |
CN115100819B (zh) * | 2022-05-23 | 2023-12-01 | 深圳市北斗云信息技术有限公司 | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 |
CN115081341A (zh) * | 2022-07-25 | 2022-09-20 | 江西武大扬帆科技有限公司 | 一种流域洪水仿真预警方法及*** |
CN115081341B (zh) * | 2022-07-25 | 2022-11-11 | 江西武大扬帆科技有限公司 | 一种流域洪水仿真预警方法及*** |
CN115526422B (zh) * | 2022-10-19 | 2024-02-23 | 中国矿业大学 | 一种煤矿瓦斯***风险预测方法 |
CN115526422A (zh) * | 2022-10-19 | 2022-12-27 | 中国矿业大学 | 一种煤矿瓦斯***风险预测方法 |
CN115470718A (zh) * | 2022-11-14 | 2022-12-13 | 中国测绘科学研究院 | 一种随机森林与逻辑回归组合的滑坡预测方法 |
CN116523089A (zh) * | 2022-11-18 | 2023-08-01 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种用于公路交通的降雨致灾风险预报方法及装置 |
CN116523089B (zh) * | 2022-11-18 | 2024-04-02 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种用于公路交通的降雨致灾风险预报方法及装置 |
CN116090839A (zh) * | 2023-04-07 | 2023-05-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 水资源耦合***多重风险分析与评估方法及*** |
CN116796647A (zh) * | 2023-07-13 | 2023-09-22 | 辽宁石油化工大学 | 一种钻井溢流工况智能预测模型的训练、预测方法及井下溢流风险概率预测*** |
CN117198000A (zh) * | 2023-09-04 | 2023-12-08 | 浙江安澜工程技术有限公司 | 一种山洪灾害预报预警方法及*** |
CN117094184B (zh) * | 2023-10-19 | 2024-01-26 | 上海数字治理研究院有限公司 | 基于内网平台的风险预测模型的建模方法、***及介质 |
CN117094184A (zh) * | 2023-10-19 | 2023-11-21 | 上海数字治理研究院有限公司 | 基于内网平台的风险预测模型的建模方法、***及介质 |
CN117609900A (zh) * | 2023-11-10 | 2024-02-27 | 山东省地质矿产勘查开发局第三地质大队(山东省第三地质矿产勘查院、山东省海洋地质勘查院) | 一种对水文地质风险进行监测的方法 |
CN117236700B (zh) * | 2023-11-13 | 2024-02-09 | 珠江水利委员会珠江水利科学研究院 | 一种洪涝灾害风险防控方法及*** |
CN117236700A (zh) * | 2023-11-13 | 2023-12-15 | 珠江水利委员会珠江水利科学研究院 | 一种洪涝灾害风险防控方法及*** |
CN117575110A (zh) * | 2024-01-16 | 2024-02-20 | 四川省自然资源科学研究院(四川省生产力促进中心) | 一种基于土壤重构的矿山修复效果预测方法及相关设备 |
CN117575110B (zh) * | 2024-01-16 | 2024-03-15 | 四川省自然资源科学研究院(四川省生产力促进中心) | 一种基于土壤重构的矿山修复效果预测方法及相关设备 |
CN117828312A (zh) * | 2024-03-05 | 2024-04-05 | 中国科学院地理科学与资源研究所 | 一种流域水文环境的管理方法及相关设备 |
CN117828312B (zh) * | 2024-03-05 | 2024-05-24 | 中国科学院地理科学与资源研究所 | 一种流域水文环境的管理方法及相关设备 |
CN117933577A (zh) * | 2024-03-21 | 2024-04-26 | 四川省华地建设工程有限责任公司 | 一种高位山体滑坡灾害的评估方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111047099B (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047099B (zh) | 一种区域性山洪风险预测方法及*** | |
Tang et al. | Urban waterlogging susceptibility assessment based on a PSO-SVM method using a novel repeatedly random sampling idea to select negative samples | |
CN110807562B (zh) | 一种区域性桥梁风险预测方法及*** | |
CN110009158B (zh) | 台风暴雨洪水灾害全生命周期监测方法及*** | |
Pourghasemi et al. | Landslide susceptibility mapping by binary logistic regression, analytical hierarchy process, and statistical index models and assessment of their performances | |
CN109448361B (zh) | 居民交通出行流量预测***及其预测方法 | |
Versini | Use of radar rainfall estimates and forecasts to prevent flash flood in real time by using a road inundation warning system | |
Sebastian et al. | Hindcast of pluvial, fluvial, and coastal flood damage in Houston, Texas during Hurricane Harvey (2017) using SFINCS | |
CN106373070A (zh) | 一种应对城市暴雨内涝的四预方法 | |
Panahi et al. | Large-scale dynamic flood monitoring in an arid-zone floodplain using SAR data and hybrid machine-learning models | |
Mentzafou et al. | The use of geospatial technologies in flood hazard mapping and assessment: case study from river Evros | |
CN115907574B (zh) | 一种流域性暴雨洪涝承灾体重置成本遥感模拟方法 | |
CN116824807B (zh) | 多灾害预警报警方法及*** | |
Karyotis et al. | Deep learning for flood forecasting and monitoring in urban environments | |
Kim et al. | Hurricane scenario generation for uncertainty modeling of coastal and inland flooding | |
Badola et al. | Rule-based fuzzy inference system for landslide susceptibility mapping along national highway 7 in Garhwal Himalayas, India | |
Khaddari et al. | A comparative analysis of analytical hierarchy process and fuzzy logic modeling in flood susceptibility mapping in the Assaka Watershed, Morocco | |
CN116110210B (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
Davis et al. | Post-Hurricane Michael damage assessment using ADCIRC storm surge hindcast, image classification, and LiDAR | |
Zanella et al. | Sensor networks, data processing, and inference: the hydrology challenge | |
CN117709242B (zh) | 一种河口咸潮上溯强度评估方法 | |
Campos et al. | Mapping Suspended Sediment Dynamics in the Pantanal Wetland Using Artificial Neural Networks and Remote Sensing | |
Manaouch et al. | Integrating WaTEM/SEDEM model and GIS-based FAHP Method for Identifying Ecological Rainwater Harvesting Sites in Ziz upper watershed, SE Morocco | |
Hariyanto et al. | Measurement of Sprawl Effect Based on Urban Growth Trends and Prediction in Kedungkandang District, Malang City | |
Agonafir et al. | Structured exploration of machine learning model complexity for spatio-temporal forecasting of urban flooding |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |