CN114881381A - 基于改进卷积神经网络的城市积水水位预测方法及*** - Google Patents
基于改进卷积神经网络的城市积水水位预测方法及*** Download PDFInfo
- Publication number
- CN114881381A CN114881381A CN202210815291.4A CN202210815291A CN114881381A CN 114881381 A CN114881381 A CN 114881381A CN 202210815291 A CN202210815291 A CN 202210815291A CN 114881381 A CN114881381 A CN 114881381A
- Authority
- CN
- China
- Prior art keywords
- water level
- data
- urban
- neural network
- convolutional neural
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 36
- 238000013136 deep learning model Methods 0.000 claims abstract description 27
- 238000001556 precipitation Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Remote Sensing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于改进卷积神经网络的城市积水水位预测方法及***，属于城市内涝水位预测技术领域，所述方法包括：获取当前积水水位、城市地面高程数据、未来预设时间内的降水预报数据；基于未来预设时间内的降水预报数据识别出目标站点周围的雨带，提取雨带的对象属性；将降水预报数据、城市地面高程数据、雨带的对象属性进行预处理后组成输入变量；将输入变量输入到预训练好的基于改进卷积神经网络的深度学习模型中，得到所述未来预设时间内目标站点的积水变率，结合当前积水水位得到所述未来预设时间内的积水水位；所述模型经过训练后具有高度非线性和强鲁棒性，本发明技术方案相较现有技术具有更长的预测时效，有极强的应用价值。
Description
技术领域
本发明涉及基于改进卷积神经网络的城市积水水位预测方法及***，属于城市内涝水位预测技术领域。
背景技术
全球气候变暖背景下，暴雨等灾害性天气频发，城市内涝问题日渐严峻，给人民的生命财产安全带来了极大的威胁；在此背景下，高质量的积水水位监测和预报具有重要意义；目前，已有部分城市部署了城市积水水位监测站，能实现重要路段积水水位的实时监测，在城市的防灾减灾中发挥了重要作用，但对积水水位的高质量预报仍是亟待解决的重要科学和技术问题。
传统基于水文模型的水位预报方法有研究基于长短期记忆神经网络对积水水位进行外推，能提供未来3小时的积水水位预测，但该方案难以输出较长预报时效的积水水位预报数据，应用价值有限；此外，传统方案在模型训练中多以最小化均方差为目标，带来了“平滑”效果，不利于大量级降水情景下的积水水位预测。
发明内容
本发明的目的在于提供基于改进卷积神经网络的城市积水水位预测方法及***，解决现有技术中预测时效短、应用价值低等问题。
为实现以上目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了基于改进卷积神经网络的城市积水水位预测方法，包括：
获取当前积水水位、城市地面高程数据、未来预设时间内的降水预报数据；
基于未来预设时间内的降水预报数据识别出目标站点周围的雨带，提取雨带的对象属性；
将降水预报数据、城市地面高程数据、雨带的对象属性进行预处理后组成输入变量；
将输入变量输入到预训练好的基于改进卷积神经网络的深度学习模型中，得到所述未来预设时间内目标站点的积水变率，结合当前积水水位得到所述未来预设时间内的积水水位。
结合第一方面，进一步的，所述当前积水水位、城市地面高程数据、未来预设时间内的降水预报数据通过以下方法得到：
通过城市积水监测站实时采集当前积水水位，从地理空间数据云开放平台获取城市地面高程数据，通过气象部门的数据接口获取未来预设时间内的降水预报数据。
结合第一方面，进一步的，所述雨带通过以下方法进行识别：
通过MODE空间检验技术对未来预设时间内的降水预报数据进行特征提取从而识别雨带；
先进行空间平滑，其计算公式如下：
其中，
是滤波函数，
是原始预报场，
是滤波后的降水场，
和
是格点坐标，R是卷积半径；
然后进行降水阈值控制，其计算公式如下：
其中，
是掩膜场，T是降水阈值；
最后进行雨带识别，其计算公式如下：
其中，
是识别出的雨带。
结合第一方面，进一步的，所述雨带的对象属性包括质心位置、面积、降水强度，通过以下方法提取：
选取雨带的几何中心作为质心位置，通过雨带范围内的网格数表征面积，降水强度取雨带范围内降水量的第10百分位。
结合第一方面，进一步的，所述预处理包括去除异常值和对数据进行标准化处理，标准化处理的公式如下：
其中，
是标准化后的结果，
是
的平均值，
是
的标准差，
是数据的值。
结合第一方面，进一步的，所述基于改进卷积神经网络的深度学习模型包括卷积层、池化层、展开层和全连接层，在最后的全连接层中加入雨带的对象属性，且将TS评分作为模型的损失函数。
结合第一方面，进一步的，所述TS评分的计算公式如下：
其中，
是正确预报的次数，
是空报次数，
是漏报次数。
结合第一方面，进一步的，所述基于改进卷积神经网络的深度学习模型的训练方法包括：
获取历史的积水水位、城市地面高程数据、降水预报数据并进行标准化后将其放入构建好的水文特征数据集；
基于降水预报数据识别出雨带后提取雨带的对象属性，进行标准化后和水文特征数据集共同构成训练集；
使用所述训练集对所述深度学习模型进行训练，得到训练好的深度学习模型。
第二方面，本发明还提供了基于改进卷积神经网络的城市积水水位预测***，包括：
实时数据获取模块：用于获取当前积水水位、城市地面高程数据、未来预设时间内的降水预报数据；
雨带对象属性提取模块：用于基于未来预设时间内的降水预报数据识别出目标站点周围的雨带，提取雨带的对象属性；
输入变量构建模块：用于将降水预报数据、城市地面高程数据、雨带的对象属性进行预处理后组成输入变量；
积水水位预测模块：用于将输入变量输入到预训练好的基于改进卷积神经网络的深度学习模型中，得到所述未来预设时间内目标站点的积水变率，结合当前积水水位得到所述未来预设时间内的积水水位。
与现有技术相比，本发明所达到的有益效果是：
（1）本发明提供的基于改进卷积神经网络的城市积水水位预测方法及***，利用降水预报数据，融合城市地面高程数据，对获取的实时数据进行处理后得到输入变量，将输入变量输入到预训练好的基于改进卷积神经网络的深度学习模型中，结合当前积水水位完成积水水位预测，该模型经过训练后具有高度非线性和强鲁棒性，且较现有技术具有更长的预测时效，有极强的应用价值；
（2）通过MODE空间检验技术对未来预设时间内的降水预报数据进行特征提取从而识别雨带并提取雨带的对象属性，并将雨带的对象属性加入到深度学习模型中进行训练，起到了特征增强的作用，有利于模型更好地捕获周边的降水信息，进而提高模型的积水水位预测能力；
将TS评分作为深度学***滑”效应，有效提高了大量级降水情景下的积水水位预测能力。
附图说明
图1是本发明实施例提供的基于改进卷积神经网络的城市积水水位预测方法的流程图；
图2是本发明实施例提供的基于改进卷积神经网络的深度学习模型的结构示意图。
具体实施方式
下面结合附图对本发明作进一步描述，以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
如图1所示，本发明实施例提供的基于改进卷积神经网络的城市积水水位预测方法，包括以下步骤：
S1、获取当前积水水位、城市地面高程数据、未来预设时间内的降水预报数据。
由积水监测站实时采集积水监测站的当前积水水位，从地理空间数据云开放平台获取城市地面高程数据，通过气象部门的数据接口获取未来预设时间内的降水预报数据，所述降水预报数据为高时空分辨率的数值模式降水预报数据。
在提取各积水监测站周围的网格化积水水位、降水预报数据和城市地面高程数据时，分辨率均选取1km，提取各积水监测站周围20×20的细网格，该范围可根据实际情况调整，并将积水水位数据处理成逐3小时积水变率（3小时积水水位变化）。
S2、基于未来预设时间内的降水预报数据识别出目标站点周围的雨带，提取雨带的对象属性。
通过MODE空间检验技术对未来预设时间内的降水预报数据进行特征提取从而识别雨带；
先进行空间平滑，其计算公式如下：
其中，
是滤波函数，
是原始预报场，
是滤波后的降水场，
和
是格点坐标，R是卷积半径；
然后进行降水阈值控制，其计算公式如下：
其中，
是掩膜场，T是降水阈值；
最后进行雨带识别，其计算公式如下：
其中，
是识别出的雨带。
在识别出雨带后，提取雨带的对象属性（雨带特征）；包括选取雨带的几何中心作为质心位置、使用雨带范围内的网格数表征面积大小、取雨带范围内降水量的第10百分位作为降水强度。
S3、将降水预报数据、城市地面高程数据、雨带的对象属性进行预处理后组成输入变量。
所述预处理包括去除异常值和标准化，标准化的公式为：
其中，
是标准化后的结果，
是
的平均值，
是
的标准差，
是数据的值。
S4、将输入变量输入到预训练好的基于改进卷积神经网络的深度学习模型中，得到所述未来预设时间内目标站点的积水变率，结合当前积水水位得到所述未来预设时间内的积水水位。
预先搭建基于改进卷积神经网络的深度学习模型，其结构如图2所示，包括卷积层、池化层、展开层和全连接层，在最后的全连接层中还加入了雨带的对象属性（雨带特征），该操作起到了特征增强的作用，有利于模型更好地捕获周边的降水信息，进而提高模型的积水预测能力。
卷积层是5×5的卷积，步长为1，包含6个卷积核；池化层为2×2的池化，包含6个池化核；展开层包括512个单元。
在深度学习模型还写入了TS评分作为损失函数，TS评分的计算公式如下：
其中，a表示正确预报（预报和观测均达到指定量级）的次数，b表示空报（预报达到指定量级而观测没有）的次数，c表示漏报（观测达到指定量级而预报没有）的次数。
将TS评分作为损失函数可以有效避免均方差作为损失函数带来的“平滑”效应，提高大量级降水情景下积水水位的预报能力。
获取历史的积水水位、城市地面高程数据、降水预报数据并进行标准化后将其放入构建好的水文特征数据集；
基于降水预报数据识别出雨带后提取雨带的对象属性，进行标准化后和水文特征数据集共同构成训练集；
使用所述训练集对所述深度学习模型进行训练，得到训练好的深度学习模型。
训练收敛的条件为损失函数下降不超过预设的损失函数阈值且两次迭代之间模型权值变化不超过预设的权值阈值，训练收敛后得到最适宜目标站点的深度学习模型。
在本实施例中所述预设时间为1-7天。
将包含降水预报数据、城市地面高程数据、雨带的对象属性的输入向量输入到预训练好的基于改进卷积神经网络的深度学习模型中，得到未来1-7天内目标站点逐3小时的积水变率，结合当前积水水位得到未来1-7天内逐3小时的积水水位。
实施例2
基于实施例1所述的基于改进卷积神经网络的城市积水水位预测方法，本实施例提供一种基于改进卷积神经网络的城市积水水位预测***，包括：
实时数据获取模块：用于获取当前积水水位、城市地面高程数据、未来预设时间内的降水预报数据；
雨带对象属性提取模块：用于基于未来预设时间内的降水预报数据识别出目标站点周围的雨带，提取雨带的对象属性；
输入变量构建模块：用于将降水预报数据、城市地面高程数据、雨带的对象属性进行预处理后组成输入变量；
积水水位预测模块：用于将输入变量输入到预训练好的基于改进卷积神经网络的深度学习模型中，得到所述未来预设时间内目标站点的积水变率，结合当前积水水位得到所述未来预设时间内的积水水位。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.基于改进卷积神经网络的城市积水水位预测方法，其特征在于，包括：
获取当前积水水位、城市地面高程数据、未来预设时间内的降水预报数据；
基于未来预设时间内的降水预报数据识别出目标站点周围的雨带，提取雨带的对象属性；
将降水预报数据、城市地面高程数据、雨带的对象属性进行预处理后组成输入变量；
将输入变量输入到预训练好的基于改进卷积神经网络的深度学习模型中，得到所述未来预设时间内目标站点的积水变率，结合当前积水水位得到所述未来预设时间内的积水水位。
2.根据权利要求1所述的基于改进卷积神经网络的城市积水水位预测方法，其特征在于，所述当前积水水位、城市地面高程数据、未来预设时间内的降水预报数据通过以下方法得到：
通过城市积水监测站实时采集当前积水水位，从地理空间数据云开放平台获取城市地面高程数据，通过气象部门的数据接口获取未来预设时间内的降水预报数据。
3.根据权利要求1所述的基于改进卷积神经网络的城市积水水位预测方法，其特征在于，所述雨带通过以下方法进行识别：
通过MODE空间检验技术对未来预设时间内的降水预报数据进行特征提取从而识别雨带；
先进行空间平滑，其计算公式如下：
其中，
是滤波函数，
是原始预报场，
是滤波后的降水场，
和
是格点坐标，R是卷积半径；
然后进行降水阈值控制，其计算公式如下：
其中，
是掩膜场，T是降水阈值；
最后进行雨带识别，其计算公式如下：
其中，
是识别出的雨带。
4.根据权利要求1所述的基于改进卷积神经网络的城市积水水位预测方法，其特征在于，所述雨带的对象属性包括质心位置、面积、降水强度，通过以下方法提取：
选取雨带的几何中心作为质心位置，通过雨带范围内的网格数表征面积，降水强度取雨带范围内降水量的第10百分位。
5.根据权利要求1所述的基于改进卷积神经网络的城市积水水位预测方法，其特征在于，所述预处理包括去除异常值和对数据进行标准化处理，标准化处理的公式如下：
其中，
是标准化后的结果，
是
的平均值，
是
的标准差，
是数据的值。
6.根据权利要求1所述的基于改进卷积神经网络的城市积水水位预测方法，其特征在于，所述基于改进卷积神经网络的深度学习模型包括卷积层、池化层、展开层和全连接层，在最后的全连接层中加入雨带的对象属性，且将TS评分作为模型的损失函数。
7.根据权利要求6所述的基于改进卷积神经网络的城市积水水位预测方法，其特征在于，所述TS评分的计算公式如下：
其中，
是正确预报的次数，
是空报次数，
是漏报次数。
8.根据权利要求1所述的基于改进卷积神经网络的城市积水水位预测方法，其特征在于，所述基于改进卷积神经网络的深度学习模型的训练方法包括：
获取历史的积水水位、城市地面高程数据、降水预报数据并进行标准化后将其放入构建好的水文特征数据集；
基于降水预报数据识别出雨带后提取雨带的对象属性，进行标准化后和水文特征数据集共同构成训练集；
使用所述训练集对所述深度学习模型进行训练，得到训练好的深度学习模型。
9.基于改进卷积神经网络的城市积水水位预测***，其特征在于，包括：
实时数据获取模块：用于获取当前积水水位、城市地面高程数据、未来预设时间内的降水预报数据；
雨带对象属性提取模块：用于基于未来预设时间内的降水预报数据识别出目标站点周围的雨带，提取雨带的对象属性；
输入变量构建模块：用于将降水预报数据、城市地面高程数据、雨带的对象属性进行预处理后组成输入变量；
积水水位预测模块：用于将输入变量输入到预训练好的基于改进卷积神经网络的深度学习模型中，得到所述未来预设时间内目标站点的积水变率，结合当前积水水位得到所述未来预设时间内的积水水位。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210815291.4A CN114881381B (zh) | 2022-07-11 | 2022-07-11 | 基于改进卷积神经网络的城市积水水位预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210815291.4A CN114881381B (zh) | 2022-07-11 | 2022-07-11 | 基于改进卷积神经网络的城市积水水位预测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114881381A true CN114881381A (zh) | 2022-08-09 |
| CN114881381B CN114881381B (zh) | 2022-10-21 |
Family
ID=82683192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210815291.4A Active CN114881381B (zh) | 2022-07-11 | 2022-07-11 | 基于改进卷积神经网络的城市积水水位预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114881381B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115860272A (zh) * | 2023-02-22 | 2023-03-28 | 山东捷讯通信技术有限公司 | 基于深度学习的水库多时间点智能水位预测方法及*** |
| CN116702627A (zh) * | 2023-07-31 | 2023-09-05 | 华南理工大学 | 一种基于深度卷积神经网络的城市暴雨内涝快速模拟方法 |
| CN117237677A (zh) * | 2023-11-15 | 2023-12-15 | 南京信息工程大学 | 一种基于深度学习的强降水空间整体相似度的降水预报订正方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170083747A1 (en) * | 2015-09-21 | 2017-03-23 | The Climate Corporation | Ponding water detection on satellite imagery |
| CN111624680A (zh) * | 2020-05-13 | 2020-09-04 | 苏翔 | 一种基于对象诊断的降水预报位移订正算法 |
| CN111650671A (zh) * | 2020-05-13 | 2020-09-11 | 苏翔 | 一种基于多对象最优匹配技术的降水预报空间检验方法 |
| CN113780668A (zh) * | 2021-09-15 | 2021-12-10 | 泰华智慧产业集团股份有限公司 | 一种基于历史数据的城市积水内涝预测方法及*** |
-
2022
- 2022-07-11 CN CN202210815291.4A patent/CN114881381B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170083747A1 (en) * | 2015-09-21 | 2017-03-23 | The Climate Corporation | Ponding water detection on satellite imagery |
| CN111624680A (zh) * | 2020-05-13 | 2020-09-04 | 苏翔 | 一种基于对象诊断的降水预报位移订正算法 |
| CN111650671A (zh) * | 2020-05-13 | 2020-09-11 | 苏翔 | 一种基于多对象最优匹配技术的降水预报空间检验方法 |
| CN113780668A (zh) * | 2021-09-15 | 2021-12-10 | 泰华智慧产业集团股份有限公司 | 一种基于历史数据的城市积水内涝预测方法及*** |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115860272A (zh) * | 2023-02-22 | 2023-03-28 | 山东捷讯通信技术有限公司 | 基于深度学习的水库多时间点智能水位预测方法及*** |
| CN115860272B (zh) * | 2023-02-22 | 2023-06-30 | 山东捷讯通信技术有限公司 | 基于深度学习的水库多时间点智能水位预测方法及*** |
| CN116702627A (zh) * | 2023-07-31 | 2023-09-05 | 华南理工大学 | 一种基于深度卷积神经网络的城市暴雨内涝快速模拟方法 |
| CN116702627B (zh) * | 2023-07-31 | 2024-01-30 | 华南理工大学 | 一种基于深度卷积神经网络的城市暴雨内涝快速模拟方法 |
| CN117237677A (zh) * | 2023-11-15 | 2023-12-15 | 南京信息工程大学 | 一种基于深度学习的强降水空间整体相似度的降水预报订正方法 |
| CN117237677B (zh) * | 2023-11-15 | 2024-03-26 | 南京信息工程大学 | 一种基于深度学习的强降水空间整体相似度的降水预报订正方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114881381B (zh) | 2022-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114881381B (zh) | 基于改进卷积神经网络的城市积水水位预测方法及*** | |
| JP6759474B2 (ja) | 深層学習ネットワーク及び平均シフトに基づく船舶自動追跡方法及びシステム | |
| CN108564588B (zh) | 一种基于深度特征和图割法的建成区自动提取方法 | |
| CN111538798B (zh) | 一种顾及dsm和dlg的城市汇水区精细化提取方法 | |
| CN109407177B (zh) | 基于机器学习与常规气象观测的大雾识别***和应用方法 | |
| CN117556197B (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
| CN116645616A (zh) | 一种利用遥感图像评估自然灾害中建筑物损坏程度的方法 | |
| CN114067535B (zh) | 基于人工智能的地质灾害预警方法、装置及存储介质 | |
| CN115859577A (zh) | 基于气象预报的水华预警方法、装置、介质及设备 | |
| CN116227362A (zh) | 一种基于图与深度学习的市政排水管网状态预测方法 | |
| CN115272656A (zh) | 环境检测报警方法、装置、计算机设备及存储介质 | |
| CN114331206B (zh) | 点位选址方法、装置、电子设备及可读存储介质 | |
| CN116703004B (zh) | 一种基于预训练模型的水系流域智慧巡护方法和装置 | |
| CN113012107B (zh) | 电网缺陷检测方法及*** | |
| CN113901043A (zh) | 污染源智能监管和数据融合分析方法和*** | |
| CN115980885A (zh) | 基于集合预报的降水预报偏差校正方法 | |
| CN115840881A (zh) | 空气数据处理方法、装置及相关设备 | |
| CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及*** | |
| CN115100592A (zh) | 一种输电通道外破隐患识别方法、装置及存储介质 | |
| CN115482489A (zh) | 基于改进YOLOv3的配电房行人检测和轨迹追踪方法及*** | |
| CN113821895A (zh) | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 | |
| CN115271332A (zh) | 一种旱情监测方法 | |
| CN117078045B (zh) | 一种交通基础设施全息检监测方法及*** | |
| CN112766146B (zh) | 一种基于多源数据的水库动态监控***及方法 | |
| CN108009510A (zh) | 安保态势分析方法和装置 |
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 |