CN116912070B - 一种gis与多源数据融合的安全预报警方法及*** - Google Patents
一种gis与多源数据融合的安全预报警方法及*** Download PDFInfo
- Publication number
- CN116912070B CN116912070B CN202311181814.5A CN202311181814A CN116912070B CN 116912070 B CN116912070 B CN 116912070B CN 202311181814 A CN202311181814 A CN 202311181814A CN 116912070 B CN116912070 B CN 116912070B
- Authority
- CN
- China
- Prior art keywords
- water
- precipitation
- calculating
- gis
- disaster
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000004927 fusion Effects 0.000 title claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 180
- 238000001556 precipitation Methods 0.000 claims abstract description 79
- 239000002689 soil Substances 0.000 claims description 37
- 238000002347 injection Methods 0.000 claims description 18
- 239000007924 injection Substances 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 13
- 238000012876 topography Methods 0.000 claims description 11
- 238000012821 model calculation Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000003068 static effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000005527 soil sampling Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004580 weight loss Effects 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
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Remote Sensing (AREA)
- Alarm Systems (AREA)
Abstract
本申请涉及一种GIS与多源数据融合的安全预报警方法及***,其包括:调取基于被监测地区实地勘测数据生成的GIS模型;所述GIS模型中将被监测地区分成多个网格区域;分别获取各网格区域的降水量信息、水位信息和气象预报;根据所述GIS模型和水位信息计算各网格区域的安全排水量、蓄水量和渗水量;根据所述安全排水量、蓄水量、渗水量、降水信息和气象预报,再结合GIS模型,对各网格区域发生洪水灾害和滑坡灾害的概率进行预测。本申请具有提高灾害预测准确度的效果。
Description
技术领域
本申请涉及安全预测技术领域,尤其是涉及一种GIS与多源数据融合的安全预报警方法及***。
背景技术
我国自然灾害种类多、分布地域广、发生频率高、造成损失重。在众多灾害中,山洪、泥石流及其次生衍生灾害如滑坡等,是每年都面临最严峻的灾害问题。
目前,我国的山洪水灾害害防治工作总体上仍处于初级阶段,远远不能适应当前防御山洪水灾害害实际需要。特别是在山丘区洪水灾害监测预防方面,现阶段的预测准确性与及时性都有待提高。
为克服上述缺点,建立一种GIS与多源数据融合的安全预报警方法及***是当前我国山洪易发区防灾减灾工作的迫切需要。
发明内容
本申请提供了一种GIS与多源数据融合的安全预报警方法及***,其具有提高灾害预测准确度的效果。
第一方面,本申请提供一种GIS与多源数据融合的安全预报警方法,采用如下的技术方案:
一种GIS与多源数据融合的安全预报警方法,包括:
调取基于被监测地区实地勘测数据生成的GIS模型;所述GIS模型中将被监测地区分成多个网格区域;
分别获取各网格区域的降水量信息、水位信息和气象预报;
根据所述GIS模型和水位信息计算各网格区域的安全排水量、蓄水量和渗水量;
根据所述安全排水量、蓄水量、渗水量、降水信息和气象预报,再结合GIS模型,对各网格区域发生洪水灾害和滑坡灾害的概率进行预测。
通过采用上述技术方案,先调取被监测地区的GIS模型,GIS模型中的信息可以作为静态数据;再获取降水量信息、水位信息和气象预报,作为被监测地区的动态数据;同时,将被监测地区进行网格划分,动态数据与静态数据相结合,计算每个网格区域发生灾害的概率,从而提高对被监测地区灾害预测的精度。进一步地,具有相同静态数据与动态数据的网格区域之间还可以看作是相似的,便于分析和管理。
可选的,根据所述安全排水量、蓄水量、渗水量、降水信息和气象预报,再结合GIS模型,对各网格区域发生洪水灾害和滑坡灾害的概率进行预测,包括:
根据所述GIS模型中的土质信息,计算对应土质信息发生灾害的第一初始系数;
根据所述GIS模型中的地势信息,计算对应地势信息发生灾害的第二初始系数;
根据所述各网格区域的降水信息和气象预报计算预计降水量;
根据各网格区域的安全排水量、蓄水量、渗水量、预计降水量,计算各网格区域的第一溢出水量;
根据所述地势信息,确定各网格区域的排水方向;
根据所述排水方向和第一溢出水量,计算各网格区域的总注水预估量;
根据所述安全排水量、蓄水量、渗水量、预计降水量、第一初始系数、第二初始系数和总注水预估量,计算发生洪水灾害和滑坡灾害的概率,再从数据库中匹配对应的预警等级。
可选的,根据所述排水方向和第一溢出水量,计算各网格区域的总注水预估量,包括:
根据其他网格区域的排水方向,结合GIS模型,确定周围网格区域对当前网格区域的排水量占第一溢出水量的比例;
再根据各网格区域的第一溢出水量与对应比例,得到当前网格区域的总注水预估量。
可选的,根据所述预计降水量、第一初始系数、第二初始系数和总注水预估量,计算发生滑坡灾害的概率,包括:
根据所述GIS模型和预计降水量,确定各陡坡的预计降水量和陡坡面积;
根据所述陡坡面积,基于预设滑坡安全降水阈值,计算对应陡坡的安全降水量;
调取历史灾害数据,分别计算全部网格区域中发生滑坡灾害时坡底有水流经过时发生灾害次数、坡底无水流经过时发生灾害次数占总发生灾害次数的比例,并将对应比例加1,得到灾害修正系数;
计算滑坡灾害的概率:,其中,为第一初始系数,为第二初
始系数,为各陡坡的预计降水量,为安全降水量,为灾害修正系数。
可选的,计算发生滑坡灾害的概率,还包括:
当网格区域内存在多个陡坡时,以发生滑坡灾害概率最高的数据作为本网格区域发生滑坡灾害的概率。
可选的,根据所述GIS模型和预计降水量,确定各陡坡的预计降水量和陡坡面积,包括:
根据所述GIS模型,计算各陡坡的平面面积;
根据所述陡坡的平面面积和单位面积的预计降水量,确定各陡坡的预计降水量。
可选的,根据所述安全排水量、蓄水量、渗水量、预计降水量和总注水预估量,计算发生洪水灾害的概率,包括:
根据所述GIS模型和历史数据,计算当前网格区域的额定溢出水量;
发生洪水灾害的概率为:,其中为预计降水量,为总
注水预估量,为蓄水量,为渗水量,为安全排水量,为额定溢出水量;
当小于1时,为发生洪水灾害的概率;大于1时,则对应洪水灾害的等级。
可选的,根据所述GIS模型和历史数据,计算当前网格区域的额定溢出水量,包括:
根据所述GIS模型,筛选与当前网格区域地势信息、土质信息相同的相似网格区域;
根据历史数据,确定相似网格区域未发生洪水灾害时的最大溢出水量;
计算相似网格区域未发生洪水灾害时的最大溢出水量的平均值;
将所述最大溢出水量的平均值作为当前网格区域的额定溢出水量。
可选的,根据所述GIS模型,计算对应土质信息发生灾害的第一初始系数和对应地势信息发生灾害的第二初始系数,包括:
根据所述历史数据,确定发生滑坡灾害时各种土质对应的比例,并根据各种土质对应的比例,生成每种土质对应的第一初始系数;
根据所述历史数据,确定发生滑坡灾害时各种坡度对应的比例,并根据各种坡度对应的比例,生成每种坡度对应的第二初始系数。
第二方面,本申请提供一种GIS与多源数据融合的安全预报警***,采用如下的技术方案:
一种GIS与多源数据融合的安全预报警***,包括:
获取模块,用于调取基于被监测地区实地勘测数据生成的GIS模型;所述GIS模型中将被监测地区分成多个网格区域;分别获取各网格区域的降水量信息、水位信息和气象预报;
模型计算模块,用于根据所述GIS模型和水位信息计算各网格区域的安全排水量、蓄水量和渗水量;根据所述安全排水量、蓄水量、渗水量、降水信息和气象预报,再结合GIS模型,对各网格区域发生洪水灾害和滑坡灾害的概率进行预测。
综上所述,本申请包括以下至少一种有益技术效果:先调取被监测地区的GIS模型,GIS模型中的信息可以作为静态数据;再获取降水量信息、水位信息和气象预报,作为被监测地区的动态数据;同时,将被监测地区进行网格划分,动态数据与静态数据相结合,计算每个网格区域发生灾害的概率,从而提高对被监测地区灾害预测的精度。进一步地,具有相同静态数据与动态数据的网格区域之间还可以看作是相似的,便于分析和管理。
附图说明
图1是本申请其中一实施例的GIS与多源数据融合的安全预报警方法的流程示意图。
图2是本申请其中一实施例的GIS与多源数据融合的安全预报警***的示意图。
图3是本申请实施例一种终端的结构示意图。
附图标记说明:201、获取模块;202、模型计算模块;301、CPU;302、ROM;303、RAM;304、总线;305、I/O接口;306、输入部分;307、输出部分;308、存储部分;309、通信部分;310、驱动器;311、可拆卸介质。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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全部其他实施例,都属于本申请保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
以下结合附图1至3对本申请做进一步详细说明。
地理信息***(Geographic Information System,GIS)是被设计为捕获、存储、操纵、分析、管理和本空间或***的地理数据。GIS应用程序是允许用户创建交互式查询(用户创建的搜索),分析空间信息,编辑地图中的数据以及显示所有这些操作的结果的工具。GIS有时是指地理信息科学(GIScience),它是地理概念,应用和***的基础。
可以使用GIS引用可以在空间上以及在时间上也可以在位置上定位的任何变量。地球时空中的位置或范围可以记录为发生的日期/时间、并且x、y和z 坐标分别表示经度、纬度和海拔。这些GIS坐标可以表示其他量化的时空参考***,例如,胶卷帧号、水位计站,高速公路英里标记、测量师基准、建筑物地址、街道交叉口、入口大门、水深探测、POS或CAD图来源/单位。通过GIS模型,能够建立被监测地区的三维模型,便于进一步融合多源数据进行灾害分析。
为了提高灾害预测准确度,本申请提供了一种GIS与多源数据融合的安全预报警方法。
参照图1,一种GIS与多源数据融合的安全预报警方法,包括如下步骤:
S101:调取基于被监测地区实地勘测数据生成的GIS模型。
具体地,在获取被监测地区的GIS模型前,需要先对被检测地区进行实勘并采集实地勘测数据,实地勘测数据包括:土质信息、地势信息、植被覆盖率和植被种类、河道信息等。其中,河道信息又包括河道的宽度和预设的安全水位线。获取实地勘测数据的方式包括地形测绘、航拍、卫星图像、土壤采样等方式获取,其中一种实施方式可以为:通过地形测绘和卫星图像,完成对地势信息和河道信息的获取。通过卫星图像计算植被在网格区域内的覆盖率,通过航拍采集植被区域的图像,再结合对航拍图像的进一步图像识别,确定植被的种类。通过在被监测区域内进行均匀采样的方式进行土壤采样,确定被监测区域的土质信息。
进一步地,将实地勘测信息输入至三维建模软件中,生成被监测地区的GIS模型。生成GIS模型后,若被监测地区的总面积较大,还需要根据预设的划分标准,将被监测地区划分为多个网格区域。每个网格区域都有各自的编号,且与对应网格区域的实地勘测信息相关联。在一个实施场景中,网格区域的划分规格是以10km为单位的,通常是包括一个县或镇的规模。
S102:分别获取各网格区域的降水量信息、水位信息和气象预报。
具体地,网格区域内的降水量信息由网格区域内的雨量计确定,水位信息由河道内的水位计确定,气象预报则由卫星图像确定。在一个实施场景中,可以在网格区域内也采用均匀采样或五点取样的方式进行降水量的采集,对于河道水位的测量可以在河道在网格区域的上下游分别设置水位计,并在河道沿岸设置多个采样点,用于测量河道的水位信息。
S103:根据GIS模型和水位信息计算各网格区域的安全排水量、蓄水量和渗水量。根据安全排水量、蓄水量、渗水量、降水信息和气象预报,再结合GIS模型,对各网格区域发生洪水灾害和滑坡灾害的概率进行预测。
随着降水量增大导致各网格区域的积水量超过网格区域的承载力时,则就有可能发生灾害。具体地,在每个网格区域内,蓄水量、渗水量和安全排水量由网格区域内河道信息、土质信息、植被覆盖率和植被种类相关。因此,需要先获取存在河道的网格区域内河道的水位信息,再根据GIS模型中存储的实地勘测数据、河道的水位信息和河道信息计算各网格区域内的植被和土壤的渗水量,以及河道和低洼地区的蓄水量。再根据各区域河道预设的安全水位线和河道信息,计算安全排水量。无河道的地区则不计算安全排水量,按照预设值为固定值计算。有河道的区域还需要根据河道上下游区域统一确定,如一个河道经过4个网格区域,则最终的安全排水量需要根据4个网格区域来确定,需要同时计算4个区域的降水总量和河道的总体总蓄水量和排水量。
在一个实施场景中,蓄水量的计算包括河道蓄水量和下凹地形蓄水量。根据GIS模型,根据网格区域内的地势信息确定网格区域内的下凹地形并分别计算各下凹地形的蓄水量,再计算下凹地形的蓄水量的和。一个网格区域的某个河道信息中河道的宽度根据历史数据中得到,例如在正常水位时,河道宽度为50米,当水位上涨至安全水位线后,则河道宽度为70米。此时,河道体积的变化量就是河道蓄水量。将河道蓄水量、下凹地形蓄水量相加,就可以认为是网格区域的蓄水量。同时,根据河道内河水流速,能够计算河道的泄洪能力,即安全排水量。土质信息中还包括土壤含水量,根据土壤含水量计算土壤的吸水能力,再结合对应土质信息的土壤的基础吸水能力,计算土壤的渗水量。
进一步地,根据降水量信息和气象预报,判断各网格区域是否需要向其他网格区域排水。根据气象预报预估的降水量,进一步计算网格区域内的预计降水量,以及是否超过了本区域的蓄水量、渗水量和安全排水量的和。当超过本区域的蓄水量、渗水量和安全排水量时,则对应地区存在溢出水,预计降水量与蓄水量、渗水量和安全排水量的差记为第一溢出水量。而对应的,再结合考虑到各网格区域之间地势信息,能够进一步分析各网格区域之间第一溢出水量的排水方向。如地势低的网格区域就会接受来自地势高的网格区域的排水,根据地势信息,还能够确定各网格区域接收的总注水预估量,如一个网格区域的第一溢出水量均排向另一网格区域,另一网格区域也未接收其他网格区域的排水,则另一网格区域的总注水预估量等于第一个网格区域的第一溢出水量。对于更复杂的排水情况,则对照GIS模型进行更为细致的分析。同时,对应的被注水网格区域的发生洪水灾害的概率则对应提高。
在一个实施场景中,针对滑坡灾害的考量,数据模型的计算原理为:首先调取各网格区域的滑坡灾害的历史数据计算灾害修正系数,查看各网格区域发生滑坡的总次数,并根据发生次数,计算坡底有水流经过时发生灾害的次数与坡底无水流经过时发生灾害的次数的比例,并将对应的比例加1,作为坡底有无水流经过的灾害系数。例如,坡底有水流经过时发生灾害次数有8次,坡底无水流经过时发生灾害的次数为2次,则坡底有水流经过时发生灾害的比例为80%,计算坡底有水流经过时的灾害修正系数为1.8,坡底无水流经过时的灾害修正系数为1.2。进一步的,再计算陡坡的土质信息对应第一初始系数,以及陡坡的地势信息对应第二初始系数。计算第一初始系数和第二初始系数的方式为:根据历史数据,确定发生滑坡灾害时各种土质对应的比例,并根据各种土质对应的比例,生成每种土质对应的第一初始系数。根据历史数据,确定发生滑坡灾害时各种坡度对应的比例。如,对应砂土土质的发生灾害的次数占比为70%,黏土土质的占比为5%,若初始系数为10,则对应砂土土质的第一初始系数为7,黏土土质的第一初始系数为0.5。根据各种坡度对应的比例,生成每种坡度对应的第二初始系数。如,对应坡度为31%-40%、41-50%发生灾害的占比分别为10%和25%,若初始系数为10,则31%-40%的坡度对应的第二初始系数为1,41%-50%的坡度对应的第二初始系数为2.5。再进一步地,计算各陡坡的预计降水量和陡坡的安全降水量。其中,陡坡的预计降水量是根据陡坡的面积得到的,陡坡面积计算时,需要得到陡坡的平面面积。根据GIS模型能够直接获取陡坡的平面面积。再根据降水信息和气象预报,估算陡坡的预计降水量。而陡坡的安全降水量是从历史数据中得到的,具体方式为:先获取对应坡度和土质的陡坡未发生滑坡灾害的最大单位面积降水量和发生滑坡灾害的最小单位面积降水量,取二者中小的值作为对应陡坡坡度和土质的滑坡安全降水阈值。再根据陡坡面积和滑坡安全降水阈值,得到对应陡坡的安全降水量。
综上,计算滑坡灾害的概率:,其中,为第一初始系数,为第
二初始系数,为各陡坡的预计降水量,为安全降水量,为灾害修正系数。当一个
网格区域内存在多个陡坡时,则分别计算每个陡坡发生滑坡灾害的概率,并从中选取发生
滑坡灾害概率最高的作为当前网格区域发生滑坡灾害的概率。
在另一个实施场景中,针对上述过程中滑坡灾害的考量,还包括对土***移的监测,包括:在易发生滑坡灾害的地区,还通过设置微形变雷达来监测土***移,当监测到土体形变达到对应阈值时,则根据对应阈值的预警等级进行预警。
在一个实施场景中,针对上述过程中洪水灾害的考量,数据模型的计算原理为:根
据安全排水量、蓄水量、渗水量、预计降水量和总注水预估量,计算发生洪水灾害的概率。发
生洪水灾害的概率:,其中为预计降水量,为总注水预估量,为蓄水量,为渗水量,为安全排水量,为额定溢出水量。对额定溢出水量的定
义为,在预计降水量加上总注水预估量,再减去安全排水量、蓄水量和渗水量之后,仍小于
额定溢出水量时,则认为发生洪水灾害的概率小于1。而额定溢出水量则是由历史数据确定
的,根据GIS模型,筛选与当前网格区域地势信息、土质信息相同的相似网格区域。再根据历
史数据,确定相似网格区域未发生洪水灾害时的最大降水量,并计算相似网格区域未发生
洪水灾害时的最大降水量的平均值。将最大溢出水量的平均值作为当前网格区域的额定溢
出水量。
得到洪水灾害和滑坡灾害发生的概率后,就能够从数据库中调取与灾害发生概率
匹配的预警等级。如,当小于1时,为发生灾害的概率。大于1时,则对应洪水灾害的等
级,当为1-2之间时,对应一级灾害预警。
进行灾害预警后,还需要根据实际发生灾害的情况对数据模型进行修正,若进行预警后存在,预警发生灾害,但未发生的情景,则对当前区域给予一个修正系数n。再次进行灾害预警时,需要在计算值前增加修正系数n,修正系数n的拟定根据实际灾害预警时的概率与灾害实际发生与否相关,若预测概率中发生灾害的概率越大,而实际并未发生,则n的值越小。而反正,若预测概率中发生灾害的概率越小,而灾害实际发生,则n的值越大。在实际场景中,n的初始值由人为设定,n的计算值由实际数据等比例计算。
本申请提供一种GIS与多源数据融合的安全预报警***,采用如下的技术方案:
参照图2,一种GIS与多源数据融合的安全预报警***,包括:
获取模块201,用于调取基于被监测地区实地勘测数据生成的GIS模型;GIS模型中将被监测地区分成多个网格区域;分别获取各网格区域的降水量信息、水位信息和气象预报。
模型计算模块202,用于根据GIS模型和水位信息计算各网格区域的安全排水量、蓄水量和渗水量;根据安全排水量、蓄水量、渗水量、降水信息和气象预报,再结合GIS模型,对各网格区域发生洪水灾害和滑坡灾害的概率进行预测。
图3示出了适于用来实现本申请实施例的终端的结构示意图。
如图3所示,终端包括中央处理单元(Central Processing Unit,CPU)301,其可以根据存储在只读存储器(Read-Only Memory,ROM)302中的程序或者从存储部分加载到随机访问存储器(Random Access Memory,RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有***操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(Input/Output,I/O)接口305也连接至总线304。
以下部件连接至I/O接口305:包括键盘、鼠标等的输入部分306;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分307;包括硬盘等的存储部分308;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311,诸如磁盘、光盘、磁光盘、半导体存储器等,根据需要安装在驱动器310上,以便于从其上读出的计算机程序根据需要被安装入存储部分308。
特别地,根据本申请的实施例,上文参考流程图1描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在机器可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分309从网络上被下载和安装,和/或从可拆卸介质311被安装。在该计算机程序被中央处理单元(CPU)301执行时,执行本申请的***中限定的上述功能。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一种或多种导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件,或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、寄存器文件(Register File,RF)等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,前述模块、程序段或代码的一部分包含一种或多种用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行的执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框,以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,例如,可以描述为:一种处理器包括获取模块和模型计算模块。其中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的终端中所包含的;也可以是单独存在,而未装配入该终端中的。上述计算机可读存储介质存储有一个或者多个程序,当上述前述程序被一个或者一个以上的处理器用来执行描述于本申请的数据加密传输方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离前述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其他技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (7)
1.一种GIS与多源数据融合的安全预报警方法,其特征在于,包括:
调取基于被监测地区实地勘测数据生成的GIS模型;所述GIS模型中将被监测地区分成多个网格区域;
分别获取各网格区域的降水量信息、水位信息和气象预报;
根据所述GIS模型和水位信息计算各网格区域的安全排水量、蓄水量和渗水量;
根据所述GIS模型中的土质信息,计算对应土质信息发生灾害的第一初始系数;
根据所述GIS模型中的地势信息,计算对应地势信息发生灾害的第二初始系数;
根据所述各网格区域的降水信息和气象预报计算预计降水量;
根据各网格区域的安全排水量、蓄水量、渗水量、预计降水量,计算各网格区域的第一溢出水量;
根据所述地势信息,确定各网格区域的排水方向;
根据所述排水方向和第一溢出水量,计算各网格区域的总注水预估量;
根据所述GIS模型和预计降水量,确定各陡坡的预计降水量和陡坡面积;
根据所述陡坡面积,基于预设滑坡安全降水阈值,计算对应陡坡的安全降水量;
调取历史灾害数据,分别计算全部网格区域中发生滑坡灾害时坡底有水流经过时发生灾害次数、坡底无水流经过时发生灾害次数占总发生灾害次数的比例,并将对应比例加1,得到灾害修正系数;
计算滑坡灾害的概率:其中,A为第一初始系数,B为第二初始系数,C为各陡坡的预计降水量,C′为安全降水量,D为灾害修正系数;
根据所述GIS模型和历史数据,计算当前网格区域的额定溢出水量;
发生洪水灾害的概率为:其中C为预计降水量,F为总注水预估量,Q为蓄水量,M为渗水量,N为安全排水量,S为额定溢出水量;
当P小于1时,为发生洪水灾害的概率;P大于1时,则对应洪水灾害的等级。
2.根据权利要求1所述的GIS与多源数据融合的安全预报警方法,其特征在于,根据所述排水方向和第一溢出水量,计算各网格区域的总注水预估量,包括:
根据其他网格区域的排水方向,结合GIS模型,确定周围网格区域对当前网格区域的排水量占第一溢出水量的比例;
再根据各网格区域的第一溢出水量与对应比例,得到当前网格区域的总注水预估量。
3.根据权利要求1所述的GIS与多源数据融合的安全预报警方法,其特征在于,计算发生滑坡灾害的概率,还包括:
当网格区域内存在多个陡坡时,以发生滑坡灾害概率最高的数据作为本网格区域发生滑坡灾害的概率。
4.根据权利要求1所述的GIS与多源数据融合的安全预报警方法,其特征在于,根据所述GIS模型和预计降水量,确定各陡坡的预计降水量和陡坡面积,包括:
根据所述GIS模型,计算各陡坡的平面面积;
根据所述陡坡的平面面积和单位面积的预计降水量,确定各陡坡的预计降水量。
5.根据权利要求1所述的GIS与多源数据融合的安全预报警方法,其特征在于,根据所述GIS模型和历史数据,计算当前网格区域的额定溢出水量,包括:
根据所述GIS模型,筛选与当前网格区域地势信息、土质信息相同的相似网格区域;
根据历史数据,确定相似网格区域未发生洪水灾害时的最大溢出水量;
计算相似网格区域未发生洪水灾害时的最大溢出水量的平均值;
将所述最大溢出水量的平均值作为当前网格区域的额定溢出水量。
6.根据权利要求1所述的GIS与多源数据融合的安全预报警方法,其特征在于,根据所述GIS模型,计算对应土质信息发生灾害的第一初始系数和对应地势信息发生灾害的第二初始系数,包括:
根据所述历史数据,确定发生滑坡灾害时各种土质对应的比例,并根据各种土质对应的比例,生成每种土质对应的第一初始系数;
根据所述历史数据,确定发生滑坡灾害时各种坡度对应的比例,并根据各种坡度对应的比例,生成每种坡度对应的第二初始系数。
7.一种GIS与多源数据融合的安全预报警***,其特征在于,包括:
获取模块(201),用于调取基于被监测地区实地勘测数据生成的GIS模型;所述GIS模型中将被监测地区分成多个网格区域;分别获取各网格区域的降水量信息、水位信息和气象预报;
模型计算模块(202),用于根据所述GIS模型和水位信息计算各网格区域的安全排水量、蓄水量和渗水量;根据所述GIS模型中的土质信息,计算对应土质信息发生灾害的第一初始系数;根据所述GIS模型中的地势信息,计算对应地势信息发生灾害的第二初始系数;根据所述各网格区域的降水信息和气象预报计算预计降水量;根据各网格区域的安全排水量、蓄水量、渗水量、预计降水量,计算各网格区域的第一溢出水量;根据所述地势信息,确定各网格区域的排水方向;根据所述排水方向和第一溢出水量,计算各网格区域的总注水预估量;根据所述GIS模型和预计降水量,确定各陡坡的预计降水量和陡坡面积;根据所述陡坡面积,基于预设滑坡安全降水阈值,计算对应陡坡的安全降水量;调取历史灾害数据,分别计算全部网格区域中发生滑坡灾害时坡底有水流经过时发生灾害次数、坡底无水流经过时发生灾害次数占总发生灾害次数的比例,并将对应比例加1,得到灾害修正系数;计算滑坡灾害的概率:其中,A为第一初始系数,B为第二初始系数,C为各陡坡的预计降水量,C′为安全降水量,D为灾害修正系数;根据所述GIS模型和历史数据,计算当前网格区域的额定溢出水量;发生洪水灾害的概率为:/>其中C为预计降水量,F为总注水预估量,Q为蓄水量,M为渗水量,N为安全排水量,S为额定溢出水量;当P小于1时,为发生洪水灾害的概率;P大于1时,则对应洪水灾害的等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311181814.5A CN116912070B (zh) | 2023-09-14 | 2023-09-14 | 一种gis与多源数据融合的安全预报警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311181814.5A CN116912070B (zh) | 2023-09-14 | 2023-09-14 | 一种gis与多源数据融合的安全预报警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116912070A CN116912070A (zh) | 2023-10-20 |
CN116912070B true CN116912070B (zh) | 2023-12-05 |
Family
ID=88365358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311181814.5A Active CN116912070B (zh) | 2023-09-14 | 2023-09-14 | 一种gis与多源数据融合的安全预报警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912070B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101369022A (zh) * | 2007-08-13 | 2009-02-18 | 仁荷大学教产学协力团 | 采用地理信息***的洪水灾害预测*** |
CN103914951A (zh) * | 2014-04-03 | 2014-07-09 | 云南电力试验研究院(集团)有限公司电力研究院 | 基于gis电网自然灾害数据信息挖掘与预警响应分析方法 |
CN104574835A (zh) * | 2015-01-30 | 2015-04-29 | 国网河南省电力公司郑州供电公司 | 一种基于gis的电网灾害监测及预警***和方法 |
JP5731700B1 (ja) * | 2014-07-25 | 2015-06-10 | エー・シー・エス株式会社 | 水位予測に基づいた土砂災害予測システム |
CN111144656A (zh) * | 2019-12-27 | 2020-05-12 | 兰州大方电子有限责任公司 | 一种基于gis的灾害评价分析方法 |
CN111210073A (zh) * | 2020-01-06 | 2020-05-29 | 四川省公路规划勘察设计研究院有限公司 | 一种滑坡灾害预测方法及装置 |
-
2023
- 2023-09-14 CN CN202311181814.5A patent/CN116912070B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101369022A (zh) * | 2007-08-13 | 2009-02-18 | 仁荷大学教产学协力团 | 采用地理信息***的洪水灾害预测*** |
CN103914951A (zh) * | 2014-04-03 | 2014-07-09 | 云南电力试验研究院(集团)有限公司电力研究院 | 基于gis电网自然灾害数据信息挖掘与预警响应分析方法 |
JP5731700B1 (ja) * | 2014-07-25 | 2015-06-10 | エー・シー・エス株式会社 | 水位予測に基づいた土砂災害予測システム |
CN104574835A (zh) * | 2015-01-30 | 2015-04-29 | 国网河南省电力公司郑州供电公司 | 一种基于gis的电网灾害监测及预警***和方法 |
CN111144656A (zh) * | 2019-12-27 | 2020-05-12 | 兰州大方电子有限责任公司 | 一种基于gis的灾害评价分析方法 |
CN111210073A (zh) * | 2020-01-06 | 2020-05-29 | 四川省公路规划勘察设计研究院有限公司 | 一种滑坡灾害预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
四川宝轮服务区降雨型滑坡活动过程分析;郭斌;贾燕;梁彧;纪志阳;;中国地质灾害与防治学报(第04期);49-55 * |
基于二维浅水方程的城市地面洪水演进数值模拟研究;冀永鹏;张洪兴;王运涛;李晋;张明亮;;水资源与水工程学报(第02期);44-51+58 * |
Also Published As
Publication number | Publication date |
---|---|
CN116912070A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116070918B (zh) | 一种城市洪涝安全评估及洪涝灾害防治方法 | |
Hostache et al. | Assimilation of spatially distributed water levels into a shallow-water flood model. Part II: Use of a remote sensing image of Mosel River | |
CN111795681A (zh) | 一种山洪灾害预警方法、装置、服务器及存储介质 | |
CN111062125B (zh) | 海绵型综合管廊水文效应评估方法 | |
CN115659816A (zh) | 基于孪生模型的城市内涝点预测方法及*** | |
Kim et al. | Improvement of urban flood damage estimation using a high‐resolution digital terrain | |
Ramly et al. | Flood estimation for SMART control operation using integrated radar rainfall input with the HEC-HMS model | |
Zotou et al. | Using Sentinel-1 imagery to assess predictive performance of a hydraulic model | |
Shastry et al. | Using steady‐state backwater analysis to predict inundated area from national water model streamflow simulations | |
Kim et al. | Hurricane scenario generation for uncertainty modeling of coastal and inland flooding | |
Tran et al. | Improving hydrologic modeling using cloud-free modis flood maps | |
Chen et al. | A coupled river basin‐urban hydrological model (DRIVE‐Urban) for real‐time urban flood modeling | |
JP7294529B2 (ja) | 分析装置、分析方法及びプログラム | |
CN116912070B (zh) | 一种gis与多源数据融合的安全预报警方法及*** | |
Costa et al. | Modified NRCS-CN-TUH methods for distributed rainfall-runoff modeling | |
Oruc Baci et al. | Improving flood inundation modeling skill: Interconnection between model parameters and boundary conditions | |
CN115600047A (zh) | 一种基于栅格分析的小流域面平均降雨量测算方法和*** | |
Zhang et al. | Urban waterlogging prediction and risk analysis based on rainfall time series features: A case study of Shenzhen | |
Amir et al. | Hydrologic and hydrodynamic modelling of extreme flood events to assess the impact of climate change in a large basin with limited data | |
Wang et al. | Life loss estimation based on dam-break flood uncertainties and lack of information in mountainous regions of Western China | |
Nilsson | A dynamic and spatially distributed rainfall runoff model-Developing a model for overland flow in GIS, based on a multiple flow direction algorithm | |
Hedger et al. | Mapping natural and artificial migration hindrances for fish using LiDAR remote sensing | |
CN117292507A (zh) | 基于元模型的安全监测智能管理方法及*** | |
du Plessis et al. | Revised Regional Maximum Flood (RMF) method and regionalisation | |
Chen | Development and evaluation of a hydrological and hydraulic coupled flood prediction system enabled by remote sensing, numerical weather prediction, and deep learning technologies |
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 |