CN114565603A - 一种一体化洪涝灾害精准监测预警方法 - Google Patents

Abstract

本发明公开了一种一体化洪涝灾害精准监测预警方法，属于灾害监测领域，该预警方法具体步骤如下：(1)收集各区域信息；(2)洪涝灾害信息预测；(3)对各区域进行统计规划；(4)对信息预测进行分析优化；本发明通过设置激光雷达对水位信息进行实时监测，能够大幅提高对于水位的估算准确度，同时在不同的光照情况也可以保持采集稳定，能够自行对预测神经模型进行更新，无需工作人员手动更新，减少工作人员工作量，提高工作人员工作效率。

Description

一种一体化洪涝灾害精准监测预警方法

技术领域

本发明涉及灾害监测领域，尤其涉及一种一体化洪涝灾害精准监测预警方法。

背景技术

洪涝灾害包括洪水灾害和雨涝灾害两类，其中，由于强降雨、冰雪融化、冰凌、堤坝溃决以及风暴潮引起江河湖泊及沿海水量增加、水位上涨而泛滥以及山洪暴发所造成的灾害称为洪水灾害；因大雨、暴雨或长期降雨量过于集中而产生大量的积水和径流，排水不及时，致使土地、房屋等渍水、受淹而造成的灾害称为雨涝灾害，由于洪水灾害和雨涝灾害往往同时或连续发生在同一地区，有时难以准确界定，往往统称为洪涝灾害，由于对洪涝灾害的发生缺乏思想和物质准备，而导致灾害损失加重的事件屡见不鲜。因而加强洪涝灾害风险监测预警评估，进行科学地灾害风险管理，具有非常重要的现实意义；

经检索，中国专利号CN113240688A公开了一种一体化洪涝灾害精准监测预警方法，该发明虽然能够有效克服未能有效综合利用全面一体化的异源多尺度监测数据，以及不能有效解决洪涝灾害的空间非均匀性、风险动态变化以及风险多层次问题的缺陷，但是通过图像检测的方式对于水位的估算准确度也不能保证，而且对于不同的光照情况也有不稳定的现象；此外，现有的一体化洪涝灾害精准监测预警方法需要工作人员对预测模型进行人工更新，增加工作人员工作量，降低工作人员工作效率；为此，我们提出一种一体化洪涝灾害精准监测预警方法。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种一体化洪涝灾害精准监测预警方法。

为了实现上述目的，本发明采用了如下技术方案：

一种一体化洪涝灾害精准监测预警方法，该预警方法具体步骤如下：

(1)收集各区域信息：计算平台对区域进行地域分割，并对分割完成各区域基本环境信息进行数据抓取，同时对抓取到的环境数据进行信息标注：

(2)洪涝灾害信息预测：构建预测网络模型，并对其进行模型训练，将各区域环境信息导入训练好的预测网络模型中进行灾害预测，并将预测结果上传至服务终端进行存储；

(3)对各区域进行统计规划：计算平台依据预测结果对各区域防洪设备以及居住人员进行统计，同时对统计数据进行分配规划；

(4)对信息预测进行分析优化：定期对该区域进行洪涝信息收集，并对预测结果进行核对分析，并依据分析结果对预测网络模型进行训练优化处理。

作为本发明的进一步方案，步骤(1)中所述地域分割具体步骤如下：

步骤一：计算平台与遥感卫星通信连接，并实时接收遥感卫星传递的各区域遥感图像；

步骤二：对遥感图像进行图像优化处理，同时对各区域地形进行分析核对，同时依据不同地形对该区域遥感图像进行分割。

作为本发明的进一步方案，步骤二中所述区域地形主要包括平原、高原、丘陵、山地以及盆地。

作为本发明的进一步方案，步骤(1)中所述信息标注具体步骤如下：

第一步：计算平台依据收集到的环境信息构建相关三维模型，并将各区域地形在三维模型上进行标注；

第二步：通过激光雷达水位计实时收集水位信息，同时定期对该区域降水量进行收集，并从主服务器中提取过往区域降水量以及水位信息；

第三步：将最新水位信息、区域降水信息以及两组信息上涨或下降信息在三维模型上进行标注，同时对各组信息进行实时更新。

作为本发明的进一步方案，步骤(2)中所述模型训练具体步骤如下：

S1.1：收集n组观测数据，从n组观测数据中选择一个观测数据作为验证数据，使用剩下的观测数据拟合一个测试模型，并用最先被排除的那个观测值通过均方根误差来验证这个模型的精度，如此重复N次；

S1.2：计算平台提取主服务器中过往的区域洪涝数据，并建立数据样本，对于每一组数据，选取任意一个子集作为测试集，再取剩余子集作为训练集，再次统计均方根误差，直至对每组数据都进行一次预测，并将预测结果最好的数据作为最优参数输出；

S1.3：依据最优参数对训练数据集进行标准化处理，最后将训练样本输送到学习网络模型中，自行设置模型具体参数，并采用长期迭代法训练该模型。

作为本发明的进一步方案，步骤(3)中所述分配规划具体步骤如下：

S2.1：对各区域统计完成的防洪设备进行登记，同时对各防洪设备的质量进行分析；

S2.2：将损坏率较高的防洪设备上报至相关部门，同时提示相关工作人员对损坏的防洪设备进行更换；

S2.3：计算平台对洪涝灾害范围进行预估，并对预估范围内的居民进行统计，同时进行安全区域规划；

S2.4：计算平台向预估范围内的居民发出洪涝预警，同时将各安全区域位置反馈给各居民。

作为本发明的进一步方案，步骤(4)中所述训练优化具体步骤如下：

Q1：依据该预测网络模型的预测准确率绘制对应判断曲线，并对其加以分析，同时对预测错误的各类因素进行信息提取；

Q2：将错误因素导入预测网络模型的输入层，并将将准确的预测数据导入预测网络模型的输入层，并建立RBF神经网络模型；

Q3：RBF神经网络模型将错误因素与准确的预测数据进行比较，并将错误因素中的冗余数据进行剔除；

Q4：将预测网络模型与RBF神经网络模型两个模型进行集成，并构建集成模型，通过集成模型依据处理完成的错误因素对预测规则进行优化，最后以最优预测规则作为输出结果导入预测网络模型中进行规则替换。

相比于现有技术，本发明的有益效果在于：

1、该一体化洪涝灾害精准监测预警方法相较于以往预警方法，本发明通过计算平台对各区域的遥感图像依据不同地形进行分割，并依据收集到的环境信息构建相关三维模型，同时计算平台通过激光雷达水位计实时收集水位信息，同时定期对该区域降水量进行收集，并从主服务器中提取过往区域降水量以及水位信息，同时将最新水位信息、区域降水信息以及两组信息上涨或下降信息在三维模型上进行标注，同时对各组信息进行实时更新，通过设置激光雷达对水位信息进行实时监测，能够大幅提高对于水位的估算准确度，同时在不同的光照情况也可以保持采集稳定；

2、该一体化洪涝灾害精准监测预警方法依据该预测网络模型的预测准确率绘制对应判断曲线，同时对预测错误的各类因素进行信息提取，并将错误因素导入预测网络模型的输入层，并将将准确的预测数据导入预测网络模型的输入层，并建立RBF神经网络模型，同时将错误因素中的冗余数据进行剔除，同时将预测网络模型与RBF神经网络模型两个模型进行集成，并构建集成模型，通过集成模型依据处理完成的错误因素对预测规则进行优化，最后以最优预测规则作为输出结果导入预测网络模型中进行规则替换，能够自行对预测神经模型进行更新，无需工作人员手动更新，减少工作人员工作量，提高工作人员工作效率。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明提出的一种一体化洪涝灾害精准监测预警方法的流程框图。

具体实施方式

实施例1

参照图1，一种一体化洪涝灾害精准监测预警方法，本实施例具体公开了一种灾害预测方法：

收集各区域信息：计算平台对区域进行地域分割，并对分割完成各区域基本环境信息进行数据抓取，同时对抓取到的环境数据进行信息标注。

具体的，计算平台与遥感卫星通信连接，并实时接收遥感卫星传递的各区域遥感图像，接收完成后，计算平台对遥感图像进行图像优化处理，同时对各区域地形进行分析核对，同时依据不同地形对该区域遥感图像进行分割。

具体的，首先计算平台依据收集到的环境信息构建相关三维模型，并将各区域地形在三维模型上进行标注，标注完成后，计算平台通过激光雷达水位计实时收集水位信息，同时定期对该区域降水量进行收集，并从主服务器中提取过往区域降水量以及水位信息，同时将最新水位信息、区域降水信息以及两组信息上涨或下降信息在三维模型上进行标注，同时对各组信息进行实时更新，通过设置激光雷达对水位信息进行实时监测，能够大幅提高对于水位的估算准确度，同时在不同的光照情况也可以保持采集稳定。

需要进一步说明的是，区域地形主要包括平原、高原、丘陵、山地以及盆地。

洪涝灾害信息预测：构建预测网络模型，并对其进行模型训练，将各区域环境信息导入训练好的预测网络模型中进行灾害预测，并将预测结果上传至服务终端进行存储。

具体的，计算平台收集n组观测数据，从n组观测数据中选择一个观测数据作为验证数据，使用剩下的观测数据拟合一个测试模型，并用最先被排除的那个观测值通过均方根误差来验证这个模型的精度，如此重复N次，重复完成后，计算平台提取主服务器中过往的区域洪涝数据，并建立数据样本，对于每一组数据，选取任意一个子集作为测试集，再取剩余子集作为训练集，再次统计均方根误差，直至对每组数据都进行一次预测，并将预测结果最好的数据作为最优参数输出，同时依据最优参数对训练数据集进行标准化处理，最后将训练样本输送到学习网络模型中，自行设置模型具体参数，并采用长期迭代法训练该模型。

实施例2

参照图1，一种一体化洪涝灾害精准监测预警方法，除与上述实施例相同的结构外，本实施例具体公开了一种训练优化方法：

对各区域进行统计规划：计算平台依据预测结果对各区域防洪设备以及居住人员进行统计，同时对统计数据进行分配规划。

具体的，计算平台对各区域统计完成的防洪设备进行登记，同时对各防洪设备的质量进行分析，并将损坏率较高的防洪设备上报至相关部门，同时提示相关工作人员对损坏的防洪设备进行更换，防洪设备统计完成后，对洪涝灾害范围进行预估，并对预估范围内的居民进行统计，同时进行安全区域规划，计算平台向预估范围内的居民发出洪涝预警，同时将各安全区域位置反馈给各居民。

对信息预测进行分析优化：定期对该区域进行洪涝信息收集，并对预测结果进行核对分析，并依据分析结果对预测网络模型进行训练优化处理。

具体的，计算平台依据该预测网络模型的预测准确率绘制对应判断曲线，并对其加以分析，同时对预测错误的各类因素进行信息提取，并将错误因素导入预测网络模型的输入层，并将将准确的预测数据导入预测网络模型的输入层，并建立RBF神经网络模型，构建完成后，RBF神经网络模型将错误因素与准确的预测数据进行比较，并将错误因素中的冗余数据进行剔除，同时将预测网络模型与RBF神经网络模型两个模型进行集成，并构建集成模型，通过集成模型依据处理完成的错误因素对预测规则进行优化，最后以最优预测规则作为输出结果导入预测网络模型中进行规则替换，能够自行对预测神经模型进行更新，无需工作人员手动更新，减少工作人员工作量，提高工作人员工作效率。

Claims (7)

1.一种一体化洪涝灾害精准监测预警方法，其特征在于，该预警方法具体步骤如下：

(1)收集各区域信息：计算平台对区域进行地域分割，并对分割完成各区域基本环境信息进行数据抓取，同时对抓取到的环境数据进行信息标注：

(2)洪涝灾害信息预测：构建预测网络模型，并对其进行模型训练，将各区域环境信息导入训练好的预测网络模型中进行灾害预测，并将预测结果上传至服务终端进行存储；

(3)对各区域进行统计规划：计算平台依据预测结果对各区域防洪设备以及居住人员进行统计，同时对统计数据进行分配规划；

(4)对信息预测进行分析优化：定期对该区域进行洪涝信息收集，并对预测结果进行核对分析，并依据分析结果对预测网络模型进行训练优化处理。

2.根据权利要求1所述的一种一体化洪涝灾害精准监测预警方法，其特征在于，步骤(1)中所述地域分割具体步骤如下：

步骤一：计算平台与遥感卫星通信连接，并实时接收遥感卫星传递的各区域遥感图像；

步骤二：对遥感图像进行图像优化处理，同时对各区域地形进行分析核对，同时依据不同地形对该区域遥感图像进行分割。

3.根据权利要求2所述的一种一体化洪涝灾害精准监测预警方法，其特征在于，步骤二中所述区域地形主要包括平原、高原、丘陵、山地以及盆地。

4.根据权利要求1所述的一种一体化洪涝灾害精准监测预警方法，其特征在于，步骤(1)中所述信息标注具体步骤如下：

第一步：计算平台依据收集到的环境信息构建相关三维模型，并将各区域地形在三维模型上进行标注；

第二步：通过激光雷达水位计实时收集水位信息，同时定期对该区域降水量进行收集，并从主服务器中提取过往区域降水量以及水位信息；

第三步：将最新水位信息、区域降水信息以及两组信息上涨或下降信息在三维模型上进行标注，同时对各组信息进行实时更新。

5.根据权利要求1所述的一种一体化洪涝灾害精准监测预警方法，其特征在于，步骤(2)中所述模型训练具体步骤如下：

S1.1：收集n组观测数据，从n组观测数据中选择一个观测数据作为验证数据，使用剩下的观测数据拟合一个测试模型，并用最先被排除的那个观测值通过均方根误差来验证这个模型的精度，如此重复N次；

S1.2：计算平台提取主服务器中过往的区域洪涝数据，并建立数据样本，对于每一组数据，选取任意一个子集作为测试集，再取剩余子集作为训练集，再次统计均方根误差，直至对每组数据都进行一次预测，并将预测结果最好的数据作为最优参数输出；

S1.3：依据最优参数对训练数据集进行标准化处理，最后将训练样本输送到学习网络模型中，自行设置模型具体参数，并采用长期迭代法训练该模型。

6.根据权利要求1所述的一种一体化洪涝灾害精准监测预警方法，其特征在于，步骤(3)中所述分配规划具体步骤如下：

S2.1：对各区域统计完成的防洪设备进行登记，同时对各防洪设备的质量进行分析；

S2.2：将损坏率较高的防洪设备上报至相关部门，同时提示相关工作人员对损坏的防洪设备进行更换；

S2.3：计算平台对洪涝灾害范围进行预估，并对预估范围内的居民进行统计，同时进行安全区域规划；

S2.4：计算平台向预估范围内的居民发出洪涝预警，同时将各安全区域位置反馈给各居民。

7.根据权利要求1所述的一种一体化洪涝灾害精准监测预警方法，其特征在于，步骤(4)中所述训练优化具体步骤如下：

Q1：依据该预测网络模型的预测准确率绘制对应判断曲线，并对其加以分析，同时对预测错误的各类因素进行信息提取；

Q2：将错误因素导入预测网络模型的输入层，并将将准确的预测数据导入预测网络模型的输入层，并建立RBF神经网络模型；

Q3：RBF神经网络模型将错误因素与准确的预测数据进行比较，并将错误因素中的冗余数据进行剔除；

Q4：将预测网络模型与RBF神经网络模型两个模型进行集成，并构建集成模型，通过集成模型依据处理完成的错误因素对预测规则进行优化，最后以最优预测规则作为输出结果导入预测网络模型中进行规则替换。

Images