CN116645013A - 一种城市生态韧性评估预警方法、装置及相关设备 - Google Patents
一种城市生态韧性评估预警方法、装置及相关设备 Download PDFInfo
- Publication number
- CN116645013A CN116645013A CN202310927295.6A CN202310927295A CN116645013A CN 116645013 A CN116645013 A CN 116645013A CN 202310927295 A CN202310927295 A CN 202310927295A CN 116645013 A CN116645013 A CN 116645013A
- Authority
- CN
- China
- Prior art keywords
- toughness
- data
- ecological
- early warning
- time
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012544 monitoring process Methods 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 238000002955 isolation Methods 0.000 claims abstract description 8
- 238000009499 grossing Methods 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 44
- 239000002689 soil Substances 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012806 monitoring device Methods 0.000 claims description 4
- 239000000470 constituent Substances 0.000 claims 1
- 238000010606 normalization Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000001556 precipitation Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000004821 distillation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000001819 mass spectrum Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/06—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
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城市生态韧性评估预警方法、装置及相关设备，该方法包括：S1：从城市生态环境中获取实时数据，并组成时间序列；S2：基于确定时间宽度，将时间序列数据进行平滑降噪处理和标准化处理；将数据输入Informer模型中，评估未来的生态韧性值；S3：基于Isolation Forest模型，运用平滑处理后的监测数据计算生态韧性原始历史数据，设定报警阈值区间，当预测韧性值在报警阈值区间时，***发出低韧性预警；S4：分析低韧性数据指标，通过历史情境给出相应的具体灾害预警方法。采用本发明可以提高长序列数据的推理速度，提高城市生态韧性评估预警效率，提醒人员及时作出对应处理。
Description
技术领域
本发明涉及城市生态韧性评估技术领域，尤其涉及一种基于Informer模型的城市生态韧性评估预警方法、装置、计算机设备及存储介质。
背景技术
城市韧性是指城市具有吸收各种经济、环境、社会和制度冲击带来的影响并从中恢复的能力，具有韧性的城市能够以一种及时有效的方式抵御、吸收、容纳并适应灾难和冲击。韧性城市建设包括经济韧性、社会韧性、生态韧性和组织韧性四个方面，其中，生态韧性指城市人口的过多集聚会对生态***造成的压力，这种压力包括生态绿化的破坏、水资源的过度开发、大气和土壤因工业发展带来污染、城市的热岛效应以及城市抵抗灾害的能力等。
传统的城市生态韧性评估需要耗费大量的时间，通过大量的人力物力财力去获取城市生态数据，从而完成对城市生态韧性进行监测评估，这种评估方法存在着时间滞后性，不能对城市生态韧性进行长期有效监测和预警，其评估效率较低，无法及时对人们进行预警以便于人们作出相关处理。
因此，如何提高评估预警效率，对城市生态韧性进行长期有效监测和预警是目前亟待解决的技术问题。
发明内容
本发明实施例提供一种城市生态韧性评估预警方法、装置、计算机设备和存储介质，以提高长序列数据的推理速度，提高城市生态韧性评估预警效率，便于提醒人员及时作出对应处理。
为了解决上述技术问题，本申请实施例提供一种城市生态韧性评估预警方法，包括以下步骤：S1：基于监测装置，从城市生态环境中获取实时数据，通过累计形成的实时数据组成时间序列；S2：基于确定时间宽度，将实时监测数据组成的时间序列数据进行平滑降噪处理和标准化处理以统一尺度、减少调参的人工干预和提升模型收敛速度；将数据输入Informer模型中，通过该算法对未来短时间内的生态韧性的指标因子值进行预测，运用熵权法结合预测数据计算评估未来的生态韧性值；S3：基于Isolation Forest模型，运用平滑处理后的监测数据计算生态韧性原始历史数据，设定报警阈值区间，当预测韧性值在报警阈值区间时，***发出低韧性预警；S4：分析低韧性数据指标，通过历史情境给出相应的具体灾害预警方法。
在一种可能的实现方式中，所述监测装置包括绿化面积监测单元、水体监测单元、土壤监测单元、水位监测单元、气象卫星遥感监测单元。
在另一种可能的实现方式中，所述绿化面积监测单元用于记录绿化覆盖区域坐标变化，并通过海伦公式计算绿化面积变化。
在另一种可能的实现方式中，所述水体监测单元用于记录水质变化和用于记录可用水体储水量变化。
在另一种可能的实现方式中，所述土壤监测单元用于检测土壤各成分含量变化。
在另一种可能的实现方式中，所述水位监测单元用于检测水体水位变化。
在另一种可能的实现方式中，所述气象卫星遥感监测单元用于进行气象预报、气候预测及生态环境监测。
为了解决上述技术问题，本申请实施例还提供一种城市生态韧性评估预警装置，包括：
获取模块，用于从城市生态环境中获取实时数据，通过累计形成的实时数据组成时间序列；
处理模块，用于基于确定时间宽度，将实时监测数据组成的时间序列数据进行平滑降噪处理和标准化处理以统一尺度、减少调参的人工干预和提升模型收敛速度；将数据输入Informer模型中，通过该算法对未来短时间内的生态韧性的指标因子值进行预测，运用熵权法结合预测数据计算评估未来的生态韧性值；
处理模块，用于对所述质谱数据进行预处理，得到预处理之后的结果数据，将所述结果数据返回给所述中心设备；
预警模块，用于基于Isolation Forest模型，运用平滑处理后的监测数据计算生态韧性原始历史数据，设定报警阈值区间，当预测韧性值在报警阈值区间时，***发出低韧性预警；
分析模块，用于分析低韧性数据指标，通过历史情境给出相应的具体灾害预警方法。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明实施例提供的城市生态韧性评估预警方法、装置、计算机设备及存储介质，通过Informer模型对未来短时间内的生态韧性的指标因子值进行预测，评估未来的生态韧性值，可以提高长序列数据的推理速度，提高城市生态韧性评估预警效率，便于提醒人员及时作出对应处理。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性***架构图。
图2是本申请的城市生态韧性评估预警方法的一个实施例的流程图。
图3是根据本申请的城市生态韧性评估预警装置的一个实施例的结构示意图。
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，如图1所示，***架构100可以包括边缘设备110、120、130，通信网络140和中心设备150。边缘设备110、120、130和中心设备150可以自由进入和离开网络140，边缘设备110、120、130可以通过网络140向中心设备150发送监测数据，中心设备150对接收到的监测数据进行处理以评估未来的生态韧性值，并发出低韧性预警，给出相应的具体灾害预警方法。
中心设备150可以是数据中心内的提供各种服务的服务器，例如数据库服务器、文件服务器等。边缘设备110、120、130可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture EpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3 )、MP4( Moving PictureEperts Group Audio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
应该理解，图1中的边缘设备和中心设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的边缘设备和中心设备。
请参阅图2，图2示出本发明实施例提供的一种城市生态韧性评估预警方法，详述如下。
S201、基于绿化面积监测单元、水体监测单元、土壤监测单元、水位监测单元、气象卫星遥感监测单元，从城市生态环境中获取实时的绿化面积变化数据、水质变化数据、可用水体储水量变化数据、土壤各成分含量变化数据、水体水位变化数据，并进行气象预报、气候预测及生态环境监测。
具体地，基于降水量监测单元监测过往降水量为687毫米，再通过降水量监测单元监测某时间段内降水量为950毫米以上，即降水量暴增；
基于水体监测单元监测过往水质为二类水质，再通过水体监测单元监测某时间段内水质为三类，即水质变差；
基于水体监测单元监测过往可用水体储水量为30万m³，再通过水体监测单元监测某时间段内可用水体储水量低于21万m³，即可用水体储水量减少；
基于土壤监测单元监测过往土壤矿物质含量45％-60％，再通过土壤监测单元监测某时间段内土壤矿物质含量55％-70％，即土壤矿物质含量增加；
基于水位监测单元监测过往水体水位18m，再通过水位监测单元监测某时间段内水体水位20m，即水位上升。
S202、在监测单元搜集到各方面生态数据后，基于不同生态***情景人为制定时间尺度，并将实时监测数据组成的时间序列数据进行平滑降噪处理和标准化处理以统一尺度、减少调参的人工干预和提升模型收敛速度。
本发明所提及的平滑降噪和标准化处理方法如下：
平滑降噪方法：指数加权平均法：在指数加权平滑过程中，越靠近当前时刻的数值权重越大，计算公式如下：
变量r在t时刻记为/>,/>为变量r在t时刻的取值，即在不使用滑动平均模型时/>；式中，/>,表示衰减权重，一般初始设置为0.9。为了使得滑动平均起始偏差缩小，还需要对/>进行偏差修正：
标准化处理方法：Z值归一化：对于指标因子/>，计算其均值和方差：
然后，将第k个样本的指标因子/>减去均值/>,并除以标准差/>，得到标准化值：（此处加上微量偏差ϵ防止分母为零）
同时，经过熵权法计算出城市实时的生态韧性值，随着时间形成生态韧性的时间序列历史数据。熵权法是一种客观赋值方法。在具体使用的过程中，熵权法根据各指标的变异程度，利用信息熵计算出各指标的熵权，再通过熵权对各指标的权重进行修正，从而得到较为客观的指标权重。
需要将监测单元搜集到的各部分指标因子数据组成水平矩阵，再正向化各项指标，正、负指标的标准化公式分别为：
例如，以上指标中，水体健康度等为正向指标（越大越好），废气排放等指标则为负向指标（越小越好）；
计算各个指标的信息熵值：
以上为第j个指标下第i个项目的指标值的权重，反映的是该指标的变异情况。
由公式：
计算第j个指标的权重，根据假设示例求得各指标的权重。
根据熵权法得到的权重和经过平滑、标准化处理的监测数据通过加权平均计算生态韧性的综合指数：
最终得到生态韧性的某时间段数据序列。
将经过平滑降噪处理和标准化处理的生态韧性指标因子监测数据形成矩阵并输入Informer模型中，通过该算法对未来时间段内的生态韧性指标因子的数值进行预测；
构建Informer的时序预测模型进行多步预测，本发明使用Informer网络模型来分析生态韧性指数相关指标，数据经过平滑降噪处理和标准化处理后，设置输入数据集矩阵,通过Informer模型来实现时序数据的预测；取数据集前75%为训练集，10%为验证集，最后15%为测试集；设定迭代次数、批处理样本数和学习率等参数，从训练集取出每次批处理所需的样本数开展输入统一转换：
模型输入由经过滤波平滑的特征标量,局部时间戳PE和全局时间戳SE组成；转换公式为：
式中：,/>为平衡标量映射和局部/全局嵌入之间大小的因子。
特征标量所对应公式中的，具体操作为通过Conv1D将i维转换为512维向量。局部时间戳采用Transformer中的Positional Embedding，计算公式为：
其中为输入的特征维度，/>。
全局时间戳使用一个全连接层将输入的时间戳映射到512维的Embedding，生成编码器的具体方法包括：
统一转换后的输入，输入到模型的编码器Encoder部分，首先在注意力模块 对其进行稀疏性自注意力计算，每个Key只关注u个主要Query，Q为查询向量（Query），K为键向量（Key），V为值向量（Value），计算公式如下所示：
其中，是大小与Q相同的稀疏矩阵且其只包含稀疏度量/>下的Top-u个Query。加入一个采样因子c，设置/>。首先，为每个Query都随机采样/>个Key，并计算每个Query的稀疏性得分/>。/>、/>、/>分别为Q、K、V的第i行，d为/>的维度，而，稀疏度量/>的近似计算公式为：
然后，选择稀疏性得分最高的N个Query，N默认为，只计算N个Query和Key的点积结果，其余的L-N个Query不计算。
经过稀疏性自注意力计算后的输出存在V值的冗余组合，因此需要蒸馏操作对具有主要特征的优势特征赋予更高的权重，并在下一层生成聚焦的自注意力特征图。具体通过四层Convld卷积层和一个最大池化层来实现。
经过多次稀疏性自注意力层计算以及蒸馏操作的组合之后，得到解码器Decoder的输入。而对于解码器Decoder，Informer使用的Decoder和传统的Decoder类似，为了让算法生成长序列的输出，Decoder需要如下输入：
其中，为输入Decoder的原始序列，/>为需要预测序列(用0填充)，随后将序列通过一个基于掩码的稀疏性自注意力层，它可以防止每个位置都关注未来的位置，从而避免了自回归。将该层的输出以及Encoder的输出再传递给一个多头注意力层，经过一次计算输出结果。最终通过一个全连接层，得到最后的输出。将预测得到的输出和真实值进行损失函数Loss计算，损失函数采用RMSE，计算公式如下：
其中，m为样本数，为真实数据，/>为预测数据。重新迭代，直至训练条件终止(达到模型迭代次数或因为误差下降停止而触发早停机制)，生成训练好的模型。由此经过多步预测得到生态韧性指标因子的预测值矩阵，基于该矩阵，运用熵权法计算预测未来时刻的生态韧性指数序列/>。
S203、基于Isolation Forest模型算法设定报警阈值。Isolation Forest又称为iForest算法，在该算法中，将异常定义为“容易被孤立的离群点”——可以理解为分布稀疏且离密度高的群体较远的点。即在数据空间里面，分布稀疏的区域表示数据发生在此区域的概率很低，因此可以认为落在这些区域里的数据是异常的。在生态韧性预警的情境中，这些离群点和正常值的分割，即为预警阈值。
具体地，对于生态韧性的某时间段数据，构造iForest的步骤如下：
划分训练集，从训练数据中随机选择n个点样本。
根据样本数据容量迭代重复上述过程，创建二叉搜索树iTree，并将生成的iTree组成二叉树森林。
当二叉树森林 iForest 构建完成后，记录从根结点到叶子结点的路径深度h(x)，此处记录的路径深度h(x)是判断x是否为异常点的依据。
接着，计算离群点偏离值，当森林中所有样本路径长度h(x)计算完毕后，通过统计学的方法计算得出所有数据样本期望值E(h(x))和方差Var(h(x))，进而得到偏离期望和方差的异常数据点。
对于一个包含n条记录的数据集，其构造的树的高度最小值为log(n)，运用归一化公式：
其中H(n-1)为调和数，该值可以被估计为ln(n-1)+0.5772156649（欧拉常数）。
计算异常分：
上式有三种可能的情况：
当E(h(x))→c(n)时，s→0.5，即样本x的路径平均长度与树的平均路径长度相近时，则不能区分是不是异常；
当E(h(x))→0时，s→1，即x的异常分数接近1时，被判定为异常；
当E(h(x))→n−1时，s→0，被判定为正常。
将Informer模型预测出的生态韧性预测序列与阈值进行比较，当预测韧性值在报警阈值区间时，***发出低韧性预警；
S204、分析低韧性指数数据指标，通过历史情境给出相应的具体灾害预警方法。
具体地，分析低生态韧性数据，假设通过分析得到：
某时段生态韧性预测值低于阈值，通过观测该时段的生态韧性指标因子预测值发现降水量指标明显低于阈值。同时，基于气象卫星遥感监测单元获取的某位置将来特定时间段内降雨次数、降雨量超标，导致生态韧性降低；
某时段生态韧性预测值低于阈值，通过观测该时段的生态韧性指标因子预测值发现温度指标明显低于阈值。同时，基于气象卫星遥感监测单元获取的某位置将来特定时间段内温度产生极端变化，导致生态韧性降低；
某时段生态韧性预测值低于阈值，通过观测该时段的生态韧性指标因子预测值发现风速指标明显低于阈值。同时，基于气象卫星遥感监测单元获取的某位置将来特定时间段内最高风速超过历史最高值，导致生态韧性降低；
某时段生态韧性预测值低于阈值，通过观测该时段的生态韧性指标因子预测值发现浓雾指标明显低于阈值。同时，基于气象卫星遥感监测单元获取的某位置将来特定时间段内大雾覆盖面积、大雾持续时间异常，导致生态韧性降低；
根据历史的暴雨、极端天气、暴风、浓雾情境，有针对性地依照相应的应急预案开展灾害预防工作，例如针对即将到来的暴雨灾害，根据建筑漏水、淋雨，下水管道排水设施，电源情况开展着重检查，对该地区人员进行防暴雨雷电洪水的安全预警，防止人身伤害事故等。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图3示出与上述实施例对应的城市生态韧性评估预警装置300的原理框图。如图3所示，该装置300包括节点获取模块310、处理模块320、预警模块330和分析模块340。各功能模块详细说明如下。
获取模块310，用于从城市生态环境中获取实时数据，通过累计形成的实时数据组成时间序列。
处理模块320，用于基于确定时间宽度，将实时监测数据组成的时间序列数据进行平滑降噪处理和标准化处理以统一尺度、减少调参的人工干预和提升模型收敛速度；将数据输入Informer模型中，通过该算法对未来短时间内的生态韧性的指标因子值进行预测，运用熵权法结合预测数据计算评估未来的生态韧性值。
预警模块330，用于基于Isolation Forest模型，运用平滑处理后的监测数据计算生态韧性原始历史数据，设定报警阈值区间，当预测韧性值在报警阈值区间时，***发出低韧性预警。
分析模块340，分析低韧性数据指标，通过历史情境给出相应的具体灾害预警方法。
关于城市生态韧性评估预警装置的具体限定可以参见上文中对于城市生态韧性评估预警方法的限定，在此不再赘述。上述城市生态韧性评估预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备400包括通过***总线相互通信连接存储器410、处理器420、网络接口430。需要指出的是，图中仅示出了具有组件连接存储器410、处理器420、网络接口430的计算机设备400，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器410至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或D界面显示存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器410可以是所述计算机设备400的内部存储单元，例如该计算机设备400的硬盘或内存。在另一些实施例中，所述存储器410也可以是所述计算机设备400的外部存储设备，例如该计算机设备400上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital,SD）卡，闪存卡（Flash Card）等。当然，所述存储器410还可以既包括所述计算机设备400的内部存储单元也包括其外部存储设备。本实施例中，所述存储器410通常用于存储安装于所述计算机设备400的操作***和各类应用软件，例如电子文件的控制的程序代码等。此外，所述存储器410还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器420在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器420通常用于控制所述计算机设备400的总体操作。本实施例中，所述处理器420用于运行所述存储器410中存储的程序代码或者处理数据，例如运行电子文件的控制的程序代码。
所述网络接口430可包括无线网络接口或有线网络接口，该网络接口430通常用于在所述计算机设备400与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种城市生态韧性评估预警方法，其特征在于，所述方法包括：
S1：基于监测装置，从城市生态环境中获取实时数据，通过累计形成的实时数据组成时间序列；
S2：基于确定时间宽度，将实时监测数据组成的时间序列数据进行平滑降噪处理和标准化处理以统一尺度、减少调参的人工干预和提升模型收敛速度；将数据输入Informer模型中，对未来短时间内的生态韧性的指标因子值进行预测，运用熵权法结合预测数据计算评估未来的生态韧性值；
S3：基于Isolation Forest模型，运用平滑处理后的监测数据计算生态韧性原始历史数据，设定报警阈值区间，当预测韧性值在报警阈值区间时，***发出低韧性预警；
S4：分析低韧性数据指标，通过历史情境给出相应的具体灾害预警方法。
2.如权利要求1所述的方法，其特征在于，所述监测装置包括绿化面积监测单元、水体监测单元、土壤监测单元、水位监测单元、气象卫星遥感监测单元。
3.如权利要求2所述的方法，其特征在于，所述绿化面积监测单元用于记录绿化覆盖区域坐标变化，并通过海伦公式计算绿化面积变化。
4.如权利要求2所述的方法，其特征在于，所述水体监测单元用于记录水质变化和用于记录可用水体储水量变化。
5.如权利要求2所述的方法，其特征在于，所述土壤监测单元用于检测土壤各成分含量变化。
6.如权利要求2所述的方法，其特征在于，所述水位监测单元用于检测水体水位变化。
7.如权利要求2所述的方法，其特征在于，所述气象卫星遥感监测单元用于进行气象预报、气候预测及生态环境监测。
8.一种城市生态韧性评估预警装置，其特征在于，所述装置包括：
获取模块，用于从城市生态环境中获取实时数据，通过累计形成的实时数据组成时间序列；
处理模块，用于基于确定时间宽度，将实时监测数据组成的时间序列数据进行平滑降噪处理和标准化处理以统一尺度、减少调参的人工干预和提升模型收敛速度；将数据输入Informer模型中，对未来短时间内的生态韧性的指标因子值进行预测，运用熵权法结合预测数据计算评估未来的生态韧性值；
预警模块，用于基于Isolation Forest模型，运用平滑处理后的监测数据计算生态韧性原始历史数据，设定报警阈值区间，当预测韧性值在报警阈值区间时，***发出低韧性预警；
分析模块，用于分析低韧性数据指标，通过历史情境给出相应的具体灾害预警方法。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310927295.6A CN116645013A (zh) | 2023-07-27 | 2023-07-27 | 一种城市生态韧性评估预警方法、装置及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310927295.6A CN116645013A (zh) | 2023-07-27 | 2023-07-27 | 一种城市生态韧性评估预警方法、装置及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116645013A true CN116645013A (zh) | 2023-08-25 |
Family
ID=87619260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310927295.6A Pending CN116645013A (zh) | 2023-07-27 | 2023-07-27 | 一种城市生态韧性评估预警方法、装置及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116645013A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117933731A (zh) * | 2024-03-22 | 2024-04-26 | 中国电建集团西北勘测设计研究院有限公司 | 一种城乡生活圈空间划定管理*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837667A (zh) * | 2021-11-24 | 2021-12-24 | 中国科学院地理科学与资源研究所 | 一种基于位置大数据的城市抗灾韧性阈值检测方法及*** |
| CN114021866A (zh) * | 2021-07-28 | 2022-02-08 | 深圳市自由度环保科技有限公司 | 一种基于物联网和大数据的城市生态韧性评估方法 |
| CN114385614A (zh) * | 2022-01-11 | 2022-04-22 | 北京工业大学 | 基于Informer模型的水质预警方法 |
| CN114723283A (zh) * | 2022-04-07 | 2022-07-08 | 中山大学 | 一种面向城市群的生态承载力遥感评估方法及装置 |
| CN115239177A (zh) * | 2022-08-04 | 2022-10-25 | 郑州大学 | 一种城市韧性调控方法及*** |
| CN116029598A (zh) * | 2023-01-10 | 2023-04-28 | 城云科技（中国）有限公司 | 一种城市洪涝灾害适灾韧性的评估方法、装置及应用 |
-
2023
- 2023-07-27 CN CN202310927295.6A patent/CN116645013A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114021866A (zh) * | 2021-07-28 | 2022-02-08 | 深圳市自由度环保科技有限公司 | 一种基于物联网和大数据的城市生态韧性评估方法 |
| CN113837667A (zh) * | 2021-11-24 | 2021-12-24 | 中国科学院地理科学与资源研究所 | 一种基于位置大数据的城市抗灾韧性阈值检测方法及*** |
| CN114385614A (zh) * | 2022-01-11 | 2022-04-22 | 北京工业大学 | 基于Informer模型的水质预警方法 |
| CN114723283A (zh) * | 2022-04-07 | 2022-07-08 | 中山大学 | 一种面向城市群的生态承载力遥感评估方法及装置 |
| CN115239177A (zh) * | 2022-08-04 | 2022-10-25 | 郑州大学 | 一种城市韧性调控方法及*** |
| CN116029598A (zh) * | 2023-01-10 | 2023-04-28 | 城云科技（中国）有限公司 | 一种城市洪涝灾害适灾韧性的评估方法、装置及应用 |
Non-Patent Citations (2)
| Title |
|---|
| 张庚鑫;: "浅析BP神经网络在城市韧性中的应用", 科技经济导刊, no. 27 * |
| 盛广耀;廖要明;扈海波;: "气候变化下雄安新区洪涝灾害的风险评估及适应措施", 中国人口・资源与环境, no. 06 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117933731A (zh) * | 2024-03-22 | 2024-04-26 | 中国电建集团西北勘测设计研究院有限公司 | 一种城乡生活圈空间划定管理*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ganguli et al. | Ensemble prediction of regional droughts using climate inputs and the SVM–copula approach | |
| Srivastava et al. | Estimation of air pollution in Delhi using machine learning techniques | |
| CN108053071A (zh) | 区域空气污染物浓度预测方法、终端及可读存储介质 | |
| Sharma et al. | Prediction of hydrological drought durations based on Markov chains: case of the Canadian prairies | |
| CN112598248B (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
| CN110648014A (zh) | 一种基于时空分位数回归的区域风电预测方法及*** | |
| CN116645013A (zh) | 一种城市生态韧性评估预警方法、装置及相关设备 | |
| CN117809439B (zh) | 一种基于多种环境因素中河流流量异常预警*** | |
| CN113777236A (zh) | 基于排放源的空气质量监控方法和装置 | |
| Chen et al. | Assessing typhoon damages to Taiwan in the recent decade: Return period analysis and loss prediction | |
| CN114611778A (zh) | 一种基于入库流量的水库水位预警方法及*** | |
| Hu | Rainstorm flash flood risk assessment using genetic programming: a case study of risk zoning in Beijing | |
| Considine et al. | The value of hurricane forecasts to oil and gas producers in the Gulf of Mexico | |
| CN103093044B (zh) | 输电线路覆冰舞动分布图测绘方法 | |
| Niaz et al. | A new propagation-based framework to enhance competency in regional drought monitoring | |
| Aiyelokun et al. | Credibility of design rainfall estimates for drainage infrastructures: extent of disregard in Nigeria and proposed framework for practice | |
| CN104036330A (zh) | 一种基于MapReduce的降雨量分类预测方法 | |
| Liu et al. | Uncertainty quantification of machine learning models to improve streamflow prediction under changing climate and environmental conditions | |
| Maity | Frequency Analysis, Risk and Uncertainty in Hydroclimatic Analysis | |
| CN113011657A (zh) | 进行台风水位预测的方法、装置、电子设备及存储介质 | |
| Shaw et al. | Copula-based multivariate analysis of hydro-meteorological drought | |
| Gorzelańczyk | Forecasting the number of road accidents in Poland using weather-dependent trend models | |
| Sales et al. | Using extreme value theory to assess the mortality risk of tornado outbreaks | |
| Balamurugan et al. | Implementation of Effective Rainfall Forecast Model using Machine Learning | |
| Muneer et al. | Rain Predictive Model using Machine learning Techniques |
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 |