CN117370751B - 一种交叉验证的水文数据弹性监测方法及*** - Google Patents
一种交叉验证的水文数据弹性监测方法及*** Download PDFInfo
- Publication number
- CN117370751B CN117370751B CN202311186256.1A CN202311186256A CN117370751B CN 117370751 B CN117370751 B CN 117370751B CN 202311186256 A CN202311186256 A CN 202311186256A CN 117370751 B CN117370751 B CN 117370751B
- Authority
- CN
- China
- Prior art keywords
- hydrologic
- link
- acquisition
- data
- danger
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 238
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000002790 cross-validation Methods 0.000 title claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 68
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 53
- 238000005070 sampling Methods 0.000 claims description 25
- 238000011144 upstream manufacturing Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 9
- 238000012502 risk assessment Methods 0.000 claims description 8
- 238000007477 logistic regression Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 abstract description 10
- 230000000875 corresponding effect Effects 0.000 description 72
- 230000004044 response Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013523 data management Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008707 rearrangement Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种交叉验证的水文数据弹性监测方法及***,包括如下步骤:S1、获取水文特性数据的信息价值度并构建有效指标数据集;S2、基于有效指标数据集构建危情分析模型获取每一个水文监测节点的危情概率;S3、基于危情概率对初始水文采集链路L得到第一危情集合G1和第二危情集合G2;S4、基于第一危情集合G1和第二危情集合G2构建对应的第一水文采集子链路Lx和第二水文采集子链路Ly;S5、基于第一水文采集子链路Lx或/和第二水文采集子链路Ly生成原生水文数据包;S6、基于初始水文采集链路L中各水文监测节点的采集时序依次对原生水文数据包进行解析得到危情分析报告。显著提高水文监测点的水文数据的监管效率和数据传输的安全性。
Description
技术领域
本发明涉及数据分析技术领域,具体的,涉及一种交叉验证的水文数据弹性监测方法及***。
背景技术
水文数据监测对于维护生态平衡、确保水资源的可持续利用、提高灾害防范和加强科学研究都具有不可替代的重要性,主要体现在以下几个方面:
(1)水资源管理:水文数据监测为水资源管理提供了基础数据,了解水文数据可以帮助决策者了解水资源的供应情况、变化趋势和需求,从而更好地规划水资源的合理利用和分配;
(2)环境保护:监测水文数据可以帮助监测水质、水流速度和水位等水文要素,以便及时发现和应对环境问题,如水污染、水质下降等,从而保护水生态***的健康;
(3)灾害预警:水文数据监测是自然灾害预警的关键组成部分;例如,洪水、干旱、泥石流等灾害的发生可以通过监测水文数据提前预警,采取措施减少损失;(4)气象预测:水文数据与气象数据紧密相关,水文数据可用于改进气象预测模型。水文要素如河流和湖泊对气温和降水有显著影响,因此水文数据有助于提高气象预测的准确性;
(5)科学研究:水文数据对于水文学、水资源学、气象学和环境科学等领域的研究至关重要。科学家可以利用水文数据来深入了解自然水循环过程、气象事件与水文事件之间的关系等;
(6)决策支持:水文数据为政府、机构和企业提供了决策支持。例如,政府可以根据水文数据来规划水资源的开发和保护政策,企业可以基于水文数据来规划水资源的利用和管理。
现有水文监测***由于缺乏对各个水情监测点的水文信息进行分析,往往采用固有的采样周期对各个水情监测点进行采集,导致大量数据冗余;其次,数据水文数据传输过程中由于缺乏必要的***措施,导致水文数据在传输过程中存在较高的被篡改、被窃取的可能性,为后续的数据分析和决策埋下较高的安全隐患。
在所述背景技术部分公开的上述信息仅用于加强对本申请的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的是针对现有水文数据的监管存在安全性不高和效率低下的问题,提出了一种交叉验证的水文数据弹性监测方法,通过对水文特性数据进行分析,预测每个水文监测节点的危情概率,并基于危情概率对水文监测节点进行分类,不同类型的水文监测节对应不同的水情采样周期和对应的加解密手段,显著提高水文监测点的水文数据的监管效率,同时采用交叉验证的加解密方式可以显著提高数据传输的安全性。
第一方面,本发明实施例中提供的一种技术方案是,一种交叉验证的水文数据弹性监测方法,包括如下步骤:
S1、获取水文特性数据的信息价值度,将信息价值度大于设定阈值H1的水文特性数据作为有效指标数据构建有效指标数据集;
S2、基于有效指标数据集构建危情分析模型;基于危情分析模型获取每一个水文监测节点的危情概率;
S3、基于危情概率对初始水文采集链路L对应的水文监测节点进行分类得到第一危情集合G1和第二危情集合G2;
S4、基于水文监测节点的采集时序对第一危情集合G1和第二危情集合G2中的各水文监测节点进行编排构建对应的第一水文采集子链路Lx和第二水文采集子链路Ly;
S5、基于第一水文采集子链路Lx或/和第二水文采集子链路Ly中各水文监测节点及其对应的邻接关系生成原生水文数据包;
S6、基于初始水文采集链路L中各水文监测节点的采集时序依次对原生水文数据包进行解析得到危情分析报告。
本方案中,通过信息价值度的计算和阈值设定,可以高效地筛选出对水文监测具有重要价值的数据,构建一个有效的指标数据集,助于减少数据的冗余和噪音,提高了后续分析的效率和准确性;基于有效指标数据集构建的危情分析模型可以更准确地反映水文情况的变化趋势和潜在风险,助于及早发现可能的危险情况,提前采取预防措施;对每个水文监测节点的危情概率进行个性化预测,根据实际情况对不同节点采取不同的响应措施,助于更精细化的水文监测和预警;基于危情概率的分类和编排,可以迅速构建水文采集子链路,减少响应时间。同时,生成的原生水文数据包包含了关键信息,便于后续的解析和分析;通过交叉验证方式对数据包进行解析并生成危情分析报告便于决策者和相关人员可以及时了解当前水文情况,采取必要的行动;通过对水文数据弹性高效监测,显著提高水文监测点的水文数据的监管效率,同时采用交叉验证的加解密方式可以显著提高数据传输的安全性。
作为优选,S1中,获取水文特性数据的信息价值度,将信息价值度大于设定阈值H1的特性数据作为有效指标数据构建有效指标数据集,包括如下步骤:获取表征水文特性的水文特性数据,采用IV指数分析法获取水文特性数据的信息价值度,将信息价值度大于设定阈值H1的水文特性数据作为有效指标数据,构建有效指标数据集;
其中,水文特性数据包括:水质参数信息、水源位置信息、水量信息以及水质监测仪位置信息。
本方案中,方案使用IV指数分析法,通过计算IV指数,可以迅速确定哪些水文特性数据具有较高的信息价值,这有助于减少数据的冗余和噪音,提高了后续分析的效率;水文特性数据包括水质参数、水源位置、水量以及水质监测仪位置等多个维度的信息,方案将这些不同维度的数据融合在一起,构建了一个多维度的指标数据集,有助于更全面地了解水文情况;通过设定信息价值度阈值H1,方案可以筛选出高质量的指标数据,这些数据更有代表性,有助于准确地反映水文特性,构建的有效指标数据集为后续危情分析模型的构建提供准确可靠的数据基础。
作为优选,S2中,基于有效指标数据集构建危情分析模型;基于危情分析模型获取每一个水文监测节点的危情概率,包括如下步骤:
以有效指标数据作为自变量,以危情概率作为目标变量,基于逻辑回归模型构建危情分析模型;
获取监控区域内所有待分析水质监测仪所对应的有效指标数据,将水质监测仪作为水文监测节点,通过危情分析模型获取每一个水文监测节点的危情概率。
本方案中,建立的逻辑回归模型可以对水文监测节点的危情概率进行预测;可以同时分析监控区域内所有待分析水质监测仪对应的水文监测节点,通过对历史水情监测点的水文信息进行前期分析获得整个区域的危情概率信息,有助于更全面地了解区域的水文状况;危情概率信息可用于指导决策,特别是在水资源管理、灾害预警等领域,决策者可以根据这些信息采取相应的行动,减少潜在的风险和损失。逻辑回归模型可以根据有效指标数据对危情概率进行高精度的预测,助于提供准确的水文监测结果,并且可以实时更新,确保数据的时效性。
作为优选,S3中,基于危情概率对初始水文采集链路L对应的水文监测节点进行分类得到第一危情集合G1和第二危情集合G2;包括如下步骤:
依据每个水文监测节点的地理位置对水文监测节点进行初始节点编号获取对应的采样时序,基于采样时序构建初始水文采集链路L;
依次获取每个水文监测节点对应的危情概率,提取初始水文采集链路L中危情概率大于等于P0的所有水文监测节点构建第一危情集合G1;提取初始水文采集链路L中危情概率小于P0的所有水文监测节点构建第二危情集合G2。
本方案中,通过对水文监测节点的地理位置进行编号,可以建立一个有序的节点列表,有助于对监测节点进行管理和跟踪,并确保采样时序的一致性;利用危情概率,可以将监测节点划分为不同的危情集合,第一危情集合包含危情概率大于等于P0的节点,这些节点可能面临较高的水文风险,对应的采样频率可以升高;第二危情集合包含危情概率小于P0的节点,这些节点可能相对较安全,对应的采样频率可以降低;通过将监测节点分为不同的危情集合,可以有针对性地进行水文采集,对于第一危情集合中的节点,可能需要更频繁地进行采集以及更密切地监测水文情况。而对于第二危情集合中的节点,可以降低采集频率,以节省资源;方案可以优化资源的分配和利用,确保水文监测的有效性,通过对危情概率进行筛选,可以将有限的采样资源集中用于最需要关注的区域,从而提高了监测效率。
作为优选,S4中,基于水文监测节点的采集时序对第一危情集合G1和第二危情集合G2中的各水文监测节点进行编排构建对应的第一水文采集子链路Lx和第二水文采集子链路Ly;包括如下步骤:
基于采集时序对应的初始节点编号对第一危情集合G1中的水文监测节点进行重新编排得到第一水文采集子链路Lx;
基于采集时序对应的初始节点编号对第二危情集合G2中的水文监测节点进行重新编排得到第二水文采集子链路Ly。
本方案中,通过重新编排水文监测节点,可以确保采集时序是有序的,这意味着在采集数据时,可以按照预定的顺序进行,从而更容易分析和处理监测数据;针对第一危情集合中的节点,重新编排可以使其更频繁地进行采集,以更及时地监测潜在的水文风险,而对于第二危情集合中的节点,可以降低采集频率,以节省资源,重新编排的水文采集子链路可以更好地匹配实际数据传输的能力,这有助于减少数据传输的拥塞和延迟,确保监测数据的及时性;一旦水文监测节点的危情概率升高,重新编排可以使得相关节点更快地被采集,从而实现更快速的响应和决策,通过重新编排水文监测节点,可以更好地利用有限的采集资源,确保其用于最需要关注的区域,从而提高了资源的有效利用率;通过重新编排水文监测节点,实现了针对性、有序、高效的水文数据采集策略,有助于更好地理解和管理水文情况,提高了水文监测的效率和实用性。
作为优选,S5中,基于第一水文采集子链路Lx或/和第二水文采集子链路Ly中各水文监测节点及其对应的邻接关系生成原生水文数据包;包括如下步骤:
获取每一个水文监测节点的相对于初始水文采集链路L的第一邻接关系和相对于第一水文采集子链路Lx的第二邻接关系;所述第一邻接关系作为第一首部编码,所述第二邻接关系作为第一尾部编码;基于第一首部编码、当前水文监测节点的水文信息、第一尾部编码构建隶属于第一水文采集子链路Lx的第一原生水文数据包;
获取每一个水文监测节点的相对于初始水文采集链路L的第一邻接关系和相对于第二水文采集子链路Ly的第三邻接关系;所述第一邻接关系作为第二首部编码,所述第三邻接关系作为第二尾部编码;基于第二首部编码、当前水文监测节点的水文信息、第二尾部编码构建隶属于第二水文采集子链路Ly的第二原生水文数据包。
本方案中,通过将首部编码、水文信息和尾部编码组合在一起,生成了原生水文数据包,这个包将包含所有必要的信息,以便后续的数据分析和处理;每个原生水文数据包都整合了水文信息和节点的邻接关系,这有助于将相关信息放在一起,以便更容易地进行分析,且信息的解析遵循内部设定的解析逻辑,不宜被破解,进一步提高了数据安全性;生成的数据包具有结构化的格式,便于后续的处理和分析。这有助于确保数据的可读性和一致性。
作为优选,所述第一邻接关系为当前水文监测节点在初始水文采集链路L中关联的上游节点编号和下游节点编号构建的第一混合编码作为第一首部编码或第二首部编码;
所述第二邻接关系为当前水文监测节点在第一水文采集子链路Lx中关联的上游节点编号和下游节点编号构建的第二混合编码作为第一尾部编码;
所述第三邻接关系为当前水文监测节点在第二水文采集子链路Ly中关联的上游节点编号和下游节点编号构建的第三混合编码作为第二尾部编码。
本方案中,通过不同的邻接关系构建不同的混合编码,可以确保编码的精确性,每个编码都与特定的水文监测节点关联,这有助于在数据包中建立节点之间的关联性;使用这些混合编码,可以更容易地生成包含水文数据的数据包,数据包具备固定的数据结构,由于数据包的生成方式和解析方式存储在各自对应的载体中(例如,水文监测器中存储有当前节点对应的第一混合编码、第二混合编码或第三混合编码;而水文数据弹性监测***中存在有对应的第一邻接关系对照表、第二邻接关系对照表、第三邻接关系对照表),可以保证数据的安全。这些数据包可以按照混合编码的规则进行构建,从而确保数据包的安全性、正确性和完整性。
作为优选,依次生成当前水文监测节点隶属于初始水文采集链路L的第一混合编码构建第一邻接关系对照表;
依次生成当前水文监测节点隶属于第一水文采集子链路Lx的第二混合编码构建第二邻接关系对照表;
依次生成当前水文监测节点隶属于第二水文采集子链路Ly的第三混合编码构建第三邻接关系对照表。
本方案中,通过生成混合编码和邻接关系对照表,可以建立水文监测节点之间的关系模型;每个水文监测节点都将被分配到不同的编码,并与相应的水文采集子链路相关联,有助于后续的数据管理和查询;邻接关系对照表将有助于在需要时快速查询和检索相关的节点信息;通过混合编码和邻接关系对照表,可以将节点关系可视化,以更清晰地呈现水文监测网络的结构,生成的对照表还可用于数据分析,例如查找具有相似邻接关系的节点或识别异常连接;总之,建立水文监测节点之间的关系模型或映射关系,为数据管理、查询、可视化和分析提供了有力支持,有助于更好地理解和利用水文监测数据。
作为优选,S6中,基于初始水文采集链路L中各水文监测节点的采集时序依次对原生水文数据包进行解析得到危情分析报告;包括如下步骤:
依据第一采样频率以及对应的采集时序获取第一原生水文数据包;根据第一原生水文数据包在初始水文采集链路L中的编号调取对应第一邻接关系表中的第一混合编码进行数据包的首部解析;根据第一原生水文数据包在第一水文采集子链路Lx中的编号调取对应第二邻接关系表中的第二混合编码进行数据包的尾部解析,得到第一原生水文数据包对应的水文监测节点的水文信息;
依据第二采样频率以及对应的采集时序获取第二原生水文数据包;根据第二原生水文数据包在初始水文采集链路L中的编号调取对应第一邻接关系表中的第一混合编码进行数据包的首部解析;根据第二原生水文数据包在第二水文采集子链路Ly中的编号调取对应第三邻接关系表中的第三混合编码进行数据包的尾部解析,得到第二原生水文数据包对应的水文监测节点的水文信息;
依据获取的水文监测节点的水文信息生成对应的危情分析报告。
第二方面,本发明实施例中还提供的一种技术方案是:水文数据弹性监测***,包括:
获取模块:获取水文特性数据的信息价值度,将信息价值度大于设定阈值H1的水文特性数据作为有效指标数据构建有效指标数据集;
第一构建模块:基于有效指标数据集构建危情分析模型;基于危情分析模型获取每一个水文监测节点的危情概率;
分类模块:基于危情概率对初始水文采集链路L对应的水文监测节点进行分类得到第一危情集合G1和第二危情集合G2;
第二构建模块:基于水文监测节点的采集时序对第一危情集合G1和第二危情集合G2中的各水文监测节点进行编排构建对应的第一水文采集子链路Lx和第二水文采集子链路Ly;
生成模块:基于第一水文采集子链路Lx或/和第二水文采集子链路Ly中各水文监测节点及其对应的邻接关系生成原生水文数据包;
解析模块:基于初始水文采集链路L中各水文监测节点的采集时序依次对原生水文数据包进行解析得到危情分析报告。
第三方面,本发明实施例中提供的一种技术方案是:一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时实现所述的一种交叉验证的水文数据弹性监测方法的步骤。
第四方面,本发明实施例中提供的一种技术方案是:一种存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现所述的一种交叉验证的水文数据弹性监测方法的步骤。
本发明至少具备如下实质性有益效果:本申请提出一种交叉验证的水文数据弹性监测方法及***,基于有效指标数据集构建的危情分析模型可以对水文特性数据进行分析,预测每个水文监测节点的危情概率,可以更准确地反映水文情况的变化趋势和潜在风险,助于及早发现可能的危险情况,提前采取预防措施;对每个水文监测节点的危情概率进行个性化预测,根据预测结果对各个节点的采样频率进行调整,显著提高水文监测点的水文数据的监管效率;根据实际情况对不同节点采取不同的响应措施,助于更精细化的水文监测和预警;基于危情概率的分类和编排,可以迅速构建水文采集子链路,减少响应时间;同时,生成的原生水文数据包包含了关键信息,便于后续的解析和分析;通过交叉验证方式对数据包进行解析并生成危情分析报告便于决策者和相关人员可以及时了解当前水文情况,采取必要的行动;通过对水文数据弹性高效监测,显著提高水文监测点的水文数据的监管效率,同时采用交叉验证的加解密方式可以显著提高数据传输的安全性。
上述发明内容仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。
图1为本发明的一种交叉验证的水文数据弹性监测方法的流程图。
具体实施方式
为使本发明的目的、技术方案以及优点更加清楚明白,下面结合附图和实施例对本发明作进一步详细说明,应当理解的是,此处所描述的具体实施方式仅是本发明的一种最佳实施例,仅用以解释本发明,并不限定本发明的保护范围,本领域普通技术人员在没有做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。
在更加详细地讨论示例性实施例之前,应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作(或步骤)可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤;所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一:
如图1所示,一种交叉验证的水文数据弹性监测方法,包括如下步骤:
S1、获取水文特性数据的信息价值度,将信息价值度大于设定阈值H1的水文特性数据作为有效指标数据构建有效指标数据集。
具体地,包括如下步骤:
获取表征水文特性的水文特性数据,采用IV指数分析法获取水文特性数据的信息价值度,将信息价值度大于设定阈值H1的水文特性数据作为有效指标数据,构建有效指标数据集;
其中,水文特性数据包括:水质参数信息、水源位置信息、水量信息以及水质监测仪位置信息。
本实施例中,方案使用IV指数分析法(一种用于评估变量对于一个二分类问题的预测性能的统计方法),通过计算IV指数,可以迅速确定哪些水文特性数据具有较高的信息价值,这有助于减少数据的冗余和噪音,提高了后续分析的效率;水文特性数据包括水质参数、水源位置、水量以及水质监测仪位置等多个维度的信息,方案将这些不同维度的数据融合在一起,构建了一个多维度的指标数据集,有助于更全面地了解水文情况;通过设定信息价值度阈值H1(例如H1=0.3),方案可以筛选出高质量的指标数据,这些数据更有代表性,有助于准确地反映水文特性,构建的有效指标数据集为后续危情分析模型的构建提供准确可靠的数据基础。
可以理解的是,水质参数信息包括:PH值信息a1、溶解氧信息a2,水温a3、浑浊度a4、生物指标a5;水源位置信息包括水源海拔高度信息a6、水体地理坐标信息a7,水源名称信息a8;水量信息包括水流量信息a9、水位信息a10;水质监测仪位置信息包括监测仪器的地理坐标信息a11、监测站标识信息a12、监测深度信息a13;通过IVIV指数分析法计算每个具体指标信息的信息价值度,将信息价值度大于0.3的信息筛选出来作为有效指标信息,例如有效指标信息可以为[a1,a2,a6,a8,a9,a11,a12,a13],构建的有效指标数据集为后续危情分析模型的构建提供准确可靠的数据基础。
S2、基于有效指标数据集构建危情分析模型;基于危情分析模型获取每一个水文监测节点的危情概率。
具体地,包括如下步骤:
以有效指标数据作为自变量,以危情概率作为目标变量,基于逻辑回归模型构建危情分析模型;
获取监控区域内所有待分析水质监测仪所对应的有效指标数据,将水质监测仪作为水文监测节点,通过危情分析模型获取每一个水文监测节点的危情概率。
本实施例中,建立的逻辑回归模型可以对水文监测节点的危情概率进行预测;可以同时分析监控区域内所有待分析水质监测仪对应的水文监测节点,通过对历史水情监测点的水文信息进行前期分析获得整个区域的危情概率信息,有助于更全面地了解区域的水文状况;危情概率信息可用于指导决策,特别是在水资源管理、灾害预警等领域,决策者可以根据这些信息采取相应的行动,减少潜在的风险和损失。逻辑回归模型可以根据有效指标数据对危情概率进行高精度的预测,助于提供准确的水文监测结果,并且可以实时更新,确保数据的时效性。
S3、基于危情概率对初始水文采集链路L对应的水文监测节点进行分类得到第一危情集合G1和第二危情集合G2。
具体地,包括如下步骤:
依据每个水文监测节点的地理位置对水文监测节点进行初始节点编号获取对应的采样时序,基于采样时序构建初始水文采集链路L;
依次获取每个水文监测节点对应的危情概率,提取初始水文采集链路L中危情概率大于等于P0的所有水文监测节点构建第一危情集合G1;提取初始水文采集链路L中危情概率小于P0的所有水文监测节点构建第二危情集合G2。
本实施例中,通过对水文监测节点的地理位置进行编号,可以建立一个有序的节点列表,有助于对监测节点进行管理和跟踪,并确保采样时序的一致性;利用危情概率,可以将监测节点划分为不同的危情集合,第一危情集合包含危情概率大于等于P0的节点,这些节点可能面临较高的水文风险,对应的采样频率可以升高;第二危情集合包含危情概率小于P0的节点,这些节点可能相对较安全,对应的采样频率可以降低;通过将监测节点分为不同的危情集合,可以有针对性地进行水文采集,对于第一危情集合中的节点,可能需要更频繁地进行采集以及更密切地监测水文情况。而对于第二危情集合中的节点,可以降低采集频率,以节省资源;方案可以优化资源的分配和利用,确保水文监测的有效性,通过对危情概率进行筛选,可以将有限的采样资源集中用于最需要关注的区域,从而提高了监测效率。
可以理解的是,当L=[A1,A2,A 3,A4,A5,A6,A 7,A8],需要监控的水文监测点位8个,通过以上方式对水文监测点的危情概率进行计算,并于设定阈值P0进行比较,可以获取的第一危情集合G1=[A1,A5,A7,A3],获取的第二危情集合G2=[A2,A8,A 4,A6]。
S4、基于水文监测节点的采集时序对第一危情集合G1和第二危情集合G2中的各水文监测节点进行编排构建对应的第一水文采集子链路Lx和第二水文采集子链路Ly。
作为优选,S4中,基于水文监测节点的采集时序对第一危情集合G1和第二危情集合G2中的各水文监测节点进行编排构建对应的第一水文采集子链路Lx和第二水文采集子链路Ly;包括如下步骤:
基于采集时序对应的初始节点编号对第一危情集合G1中的水文监测节点进行重新编排得到第一水文采集子链路Lx;
基于采集时序对应的初始节点编号对第二危情集合G2中的水文监测节点进行重新编排得到第二水文采集子链路Ly。
本实施例中,通过重新编排水文监测节点,可以确保采集时序是有序的,这意味着在采集数据时,可以按照预定的顺序进行,从而更容易分析和处理监测数据;针对第一危情集合中的节点,重新编排可以使其更频繁地进行采集,以更及时地监测潜在的水文风险,而对于第二危情集合中的节点,可以降低采集频率,以节省资源,重新编排的水文采集子链路可以更好地匹配实际数据传输的能力,这有助于减少数据传输的拥塞和延迟,确保监测数据的及时性;一旦水文监测节点的危情概率升高,重新编排可以使得相关节点更快地被采集,从而实现更快速的响应和决策,通过重新编排水文监测节点,可以更好地利用有限的采集资源,确保其用于最需要关注的区域,从而提高了资源的有效利用率;通过重新编排水文监测节点,实现了针对性、有序、高效的水文数据采集策略,有助于更好地理解和管理水文情况,提高了水文监测的效率和实用性。
可以理解的是,通过初始节点编号对第一危情集合G1和第二危情集合G2中的节点进行排序得到:第一水文采集子链路Lx=[A1,A3,A5,A7],第二水文采集子链路Ly=[A2,A4,A6,A8]。
S5、基于第一水文采集子链路Lx或/和第二水文采集子链路Ly中各水文监测节点及其对应的邻接关系生成原生水文数据包。
具体地,包括如下步骤:
获取每一个水文监测节点的相对于初始水文采集链路L的第一邻接关系和相对于第一水文采集子链路Lx的第二邻接关系;所述第一邻接关系作为第一首部编码,所述第二邻接关系作为第一尾部编码;基于第一首部编码、当前水文监测节点的水文信息、第一尾部编码构建隶属于第一水文采集子链路Lx的第一原生水文数据包;例如:第一原生水文数据包构建的集合为D1=[r1-DA1-x1,r3-DA3-x2,r5-DA5-x3,r7-DA7-x4];其中,DA1、DA3、DA5、DA7分别为对应水文监测节点实施采集的水文数据;所述r1、r3、r5、r7分别为对应水文监测节点的第一首部编码;x1、x3、x5、x7分别为对应水文监测节点的第一尾部首部编码;
获取每一个水文监测节点的相对于初始水文采集链路L的第一邻接关系和相对于第二水文采集子链路Ly的第三邻接关系;所述第一邻接关系作为第二首部编码,所述第三邻接关系作为第二尾部编码;基于第二首部编码、当前水文监测节点的水文信息、第二尾部编码构建隶属于第二水文采集子链路Ly的第二原生水文数据包;例如:第二原生水文数据包构建的集合D2=[r2-DA2-y1,r4-DA4-y2,r6-DA6-y3,r8-DA8-y4];其中,DA2、DA4、DA6、DA8分别为对应水文监测节点实施采集的水文数据;所述r2、r4、r6、r8分别为对应水文监测节点的第二首部编码;x2、x4、x6、x8分别为对应水文监测节点的第二尾部首部编码。
本实施例中,通过将首部编码、水文信息和尾部编码组合在一起,生成了原生水文数据包,这个包将包含所有必要的信息,以便后续的数据分析和处理;每个原生水文数据包都整合了水文信息和节点的邻接关系,这有助于将相关信息放在一起,以便更容易地进行分析,且信息的解析遵循内部设定的解析逻辑,不宜被破解,进一步提高了数据安全性;生成的数据包具有结构化的格式,便于后续的处理和分析。这有助于确保数据的可读性和一致性。
进一步地,所述第一邻接关系为当前水文监测节点在初始水文采集链路L中关联的上游节点编号和下游节点编号构建的第一混合编码作为第一首部编码或第二首部编码;
所述第二邻接关系为当前水文监测节点在第一水文采集子链路Lx中关联的上游节点编号和下游节点编号构建的第二混合编码作为第一尾部编码;
所述第三邻接关系为当前水文监测节点在第二水文采集子链路Ly中关联的上游节点编号和下游节点编号构建的第三混合编码作为第二尾部编码。
本实施例中,通过不同的邻接关系构建不同的混合编码,可以确保编码的精确性,每个编码都与特定的水文监测节点关联,这有助于在数据包中建立节点之间的关联性;使用这些混合编码,可以更容易地生成包含水文数据的数据包,数据包具备固定的数据结构,由于数据包的生成方式和解析方式存储在各自对应的载体中(例如,水文监测器中存储有当前节点对应的第一混合编码、第二混合编码或第三混合编码;而水文数据弹性监测***中存在有对应的第一邻接关系对照表、第二邻接关系对照表、第三邻接关系对照表),可以保证数据的安全。这些数据包可以按照混合编码的规则进行构建,从而确保数据包的安全性、正确性和完整性。
作为优选,依次生成当前水文监测节点隶属于初始水文采集链路L的第一混合编码构建第一邻接关系对照表,例如:第一邻接关系对照表g1=[r1,r2,r3,r4,r5,r6,r7,r8];其中,r1表示初始水文采集链路L中的第一序列位对应的上游节点和下游节点的第一混合编码,当不存在上游节点或下游节点时,对应编码用dull代替,同理,其余节点的第一混合编码可以采样相同的方式获取,例如,r3=A2-A4,可以得到:g1=[dull-A2,A 1-A3,A2-A4,A 3-A5,A 4-A6,A 5-A7,A6-A8,A 7-dull];
依次生成当前水文监测节点隶属于第一水文采集子链路Lx的第二混合编码构建第二邻接关系对照表;例如:g2=[x1,x2,x3,x4];其中,x1表示第一水文采集子链路Lx中的第一序列位对应的上游节点和下游节点的第二混合编码,当不存在上游节点或下游节点时,对应编码用dull代替,同理,其余节点的第二混合编码可以采样相同的方式获取,由于Lx=[A1,A3,A5,A7],可知x3=A3-A7,可以得到:
第二邻接关系对照表g2=[dull-A3,A 1-A5,A3-A7,A5-dull];
依次生成当前水文监测节点隶属于第二水文采集子链路Ly的第三混合编码构建第三邻接关系对照表。例如:第三邻接关系对照表g3=[y1,y2,y3,y4];其中,y1表示第二水文采集子链路Ly中的第1序列位对应的上游节点和下游节点的第三混合编码,当不存在上游节点或下游节点时,对应编码用dull代替,同理,其余节点的第三混合编码可以采样相同的方式获取,由于Ly=[A2,A4,A6,A8],可知y3=A4-A8,可以得到:g3=[dull-A4,A 2-A6,A4-A8,A6-dull]。
本实施例中,通过生成混合编码和邻接关系对照表,可以建立水文监测节点之间的关系模型;每个水文监测节点都将被分配到不同的编码,并与相应的水文采集子链路相关联,有助于后续的数据管理和查询;邻接关系对照表将有助于在需要时快速查询和检索相关的节点信息;通过混合编码和邻接关系对照表,可以将节点关系可视化,以更清晰地呈现水文监测网络的结构,生成的对照表还可用于数据分析,例如查找具有相似邻接关系的节点或识别异常连接;总之,建立水文监测节点之间的关系模型或映射关系,为数据管理、查询、可视化和分析提供了有力支持,有助于更好地理解和利用水文监测数据。
S6、基于初始水文采集链路L中各水文监测节点的采集时序依次对原生水文数据包进行解析得到危情分析报告。
具体地,包括如下步骤:
依据第一采样频率以及对应的采集时序获取第一原生水文数据包;根据第一原生水文数据包在初始水文采集链路L中的编号调取对应第一邻接关系表中的第一混合编码进行数据包的首部解析;根据第一原生水文数据包在第一水文采集子链路Lx中的编号调取对应第二邻接关系表中的第二混合编码进行数据包的尾部解析,得到第一原生水文数据包对应的水文监测节点的水文信息;
依据第二采样频率以及对应的采集时序获取第二原生水文数据包;根据第二原生水文数据包在初始水文采集链路L中的编号调取对应第一邻接关系表中的第一混合编码进行数据包的首部解析;根据第二原生水文数据包在第二水文采集子链路Ly中的编号调取对应第三邻接关系表中的第三混合编码进行数据包的尾部解析,得到第二原生水文数据包对应的水文监测节点的水文信息;
依据获取的水文监测节点的水文信息生成对应的危情分析报告。
实施例二:
本发明实施例中还提供的一种技术方案是:水文数据弹性监测***,包括:获取模块:获取水文特性数据的信息价值度,将信息价值度大于设定阈值H1的水文特性数据作为有效指标数据构建有效指标数据集;
第一构建模块:基于有效指标数据集构建危情分析模型;基于危情分析模型获取每一个水文监测节点的危情概率;
分类模块:基于危情概率对初始水文采集链路L对应的水文监测节点进行分类得到第一危情集合G1和第二危情集合G2;
第二构建模块:基于水文监测节点的采集时序对第一危情集合G1和第二危情集合G2中的各水文监测节点进行编排构建对应的第一水文采集子链路Lx和第二水文采集子链路Ly;
生成模块:基于第一水文采集子链路Lx或/和第二水文采集子链路Ly中各水文监测节点及其对应的邻接关系生成原生水文数据包;
解析模块:基于初始水文采集链路L中各水文监测节点的采集时序依次对原生水文数据包进行解析得到危情分析报告。
本实施例至少具备如下有益效果:通过信息价值度的计算和阈值设定,可以高效地筛选出对水文监测具有重要价值的数据,构建一个有效的指标数据集,助于减少数据的冗余和噪音,提高了后续分析的效率和准确性;基于有效指标数据集构建的危情分析模型可以更准确地反映水文情况的变化趋势和潜在风险,助于及早发现可能的危险情况,提前采取预防措施;对每个水文监测节点的危情概率进行个性化预测,根据实际情况对不同节点采取不同的响应措施,助于更精细化的水文监测和预警;基于危情概率的分类和编排,可以迅速构建水文采集子链路,减少响应时间。同时,生成的原生水文数据包包含了关键信息,便于后续的解析和分析;通过交叉验证方式对数据包进行解析并生成危情分析报告便于决策者和相关人员可以及时了解当前水文情况,采取必要的行动;通过对水文数据弹性高效监测,显著提高水文监测点的水文数据的监管效率,同时采用交叉验证的加解密方式可以显著提高数据传输的安全性。
实施例三:
本发明实施例中提供的一种技术方案是:一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时实现所述的一种交叉验证的水文数据弹性监测方法的步骤。
实施例四:
本发明实施例中提供的一种技术方案是:一种存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现所述的一种交叉验证的水文数据弹性监测方法的步骤。
通过以上实施方式的描述,所属领域的技术人员可以了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中可以根据需要而将上述功能分配由不同的功能模块完成,即将具体装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的实施例中,应该理解到,所揭露的结构和方法,可以通过其它的方式实现。例如,以上所描述的关于结构的实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个结构,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,结构或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述之具体实施方式为本发明一种交叉验证的水文数据弹性监测方法及***的较佳实施方式,并非以此限定本发明的具体实施范围,本发明的范围包括并不限于本具体实施方式,凡依照本发明之形状、结构所作的等效变化均在本发明的保护范围内。
Claims (9)
1.一种交叉验证的水文数据弹性监测方法,其特征在于,包括如下步骤:
S1、获取水文特性数据的信息价值度,将信息价值度大于设定阈值H1的水文特性数据作为有效指标数据构建有效指标数据集;
S2、基于有效指标数据集构建危情分析模型;基于危情分析模型获取每一个水文监测节点的危情概率;
S3、基于危情概率对初始水文采集链路L对应的水文监测节点进行分类得到第一危情集合G1和第二危情集合G2;
S4、基于水文监测节点的采集时序对第一危情集合G1和第二危情集合G2中的各水文监测节点进行编排构建对应的第一水文采集子链路Lx和第二水文采集子链路Ly;
S5、基于第一水文采集子链路Lx或/和第二水文采集子链路Ly中各水文监测节点及其对应的邻接关系生成原生水文数据包;
S6、基于初始水文采集链路L中各水文监测节点的采集时序依次对原生水文数据包进行解析得到危情分析报告;
S5中,基于第一水文采集子链路Lx或/和第二水文采集子链路Ly中各水文监测节点及其对应的邻接关系生成原生水文数据包;包括如下步骤:
获取每一个水文监测节点的相对于初始水文采集链路L的第一邻接关系和相对于第一水文采集子链路Lx的第二邻接关系;所述第一邻接关系作为第一首部编码,所述第二邻接关系作为第一尾部编码;基于第一首部编码、当前水文监测节点的水文信息、第一尾部编码构建隶属于第一水文采集子链路Lx的第一原生水文数据包;
获取每一个水文监测节点的相对于初始水文采集链路L的第一邻接关系和相对于第二水文采集子链路Ly的第三邻接关系;所述第一邻接关系作为第二首部编码,所述第三邻接关系作为第二尾部编码;基于第二首部编码、当前水文监测节点的水文信息、第二尾部编码构建隶属于第二水文采集子链路Ly的第二原生水文数据包;
依次生成当前水文监测节点隶属于初始水文采集链路L的第一混合编码构建第一邻接关系对照表;
依次生成当前水文监测节点隶属于第一水文采集子链路Lx的第二混合编码构建第二邻接关系对照表;
依次生成当前水文监测节点隶属于第二水文采集子链路Ly的第三混合编码构建第三邻接关系对照表;
S6中,基于初始水文采集链路L中各水文监测节点的采集时序依次对原生水文数据包进行解析得到危情分析报告;包括如下步骤:
依据第一采样频率以及对应的采集时序获取第一原生水文数据包;根据第一原生水文数据包在初始水文采集链路L中的编号调取对应第一邻接关系表中的第一混合编码进行数据包的首部解析;根据第一原生水文数据包在第一水文采集子链路Lx中的编号调取对应第二邻接关系表中的第二混合编码进行数据包的尾部解析,得到第一原生水文数据包对应的水文监测节点的水文信息;
依据第二采样频率以及对应的采集时序获取第二原生水文数据包;根据第二原生水文数据包在初始水文采集链路L中的编号调取对应第一邻接关系表中的第一混合编码进行数据包的首部解析;根据第二原生水文数据包在第二水文采集子链路Ly中的编号调取对应第三邻接关系表中的第三混合编码进行数据包的尾部解析,得到第二原生水文数据包对应的水文监测节点的水文信息;
依据获取的水文监测节点的水文信息生成对应的危情分析报告。
2.根据权利要求1所述的一种交叉验证的水文数据弹性监测方法,其特征在于,
S1中,获取水文特性数据的信息价值度,将信息价值度大于设定阈值H1的特性数据作为有效指标数据构建有效指标数据集,包括如下步骤:
获取表征水文特性的水文特性数据,采用IV指数分析法获取水文特性数据的信息价值度,将信息价值度大于设定阈值H1的水文特性数据作为有效指标数据,构建有效指标数据集;
其中,水文特性数据包括:水质参数信息、水源位置信息、水量信息以及水质监测仪位置信息。
3.根据权利要求1或2所述的一种交叉验证的水文数据弹性监测方法,其特征在于,S2中,基于有效指标数据集构建危情分析模型;基于危情分析模型获取每一个水文监测节点的危情概率,包括如下步骤:
以有效指标数据作为自变量,以危情概率作为目标变量,基于逻辑回归模型构建危情分析模型;
获取监控区域内所有待分析水质监测仪所对应的有效指标数据,将水质监测仪作为水文监测节点,通过危情分析模型获取每一个水文监测节点的危情概率。
4.根据权利要求1所述的一种交叉验证的水文数据弹性监测方法,其特征在于,
S3中,基于危情概率对初始水文采集链路L对应的水文监测节点进行分类得到第一危情集合G1和第二危情集合G2;包括如下步骤:
依据每个水文监测节点的地理位置对水文监测节点进行初始节点编号获取对应的采样时序,基于采样时序构建初始水文采集链路L;
依次获取每个水文监测节点对应的危情概率,提取初始水文采集链路L中危情概率大于等于P0的所有水文监测节点构建第一危情集合G1;提取初始水文采集链路L中危情概率小于P0的所有水文监测节点构建第二危情集合G2。
5.根据权利要求1所述的一种交叉验证的水文数据弹性监测方法,其特征在于,
S4中,基于水文监测节点的采集时序对第一危情集合G1和第二危情集合G2中的各水文监测节点进行编排构建对应的第一水文采集子链路Lx和第二水文采集子链路Ly;包括如下步骤:
基于采集时序对应的初始节点编号对第一危情集合G1中的水文监测节点进行重新编排得到第一水文采集子链路Lx;
基于采集时序对应的初始节点编号对第二危情集合G2中的水文监测节点进行重新编排得到第二水文采集子链路Ly。
6.根据权利要求1所述的一种交叉验证的水文数据弹性监测方法,其特征在于,
所述第一邻接关系为当前水文监测节点在初始水文采集链路L中关联的上游节点编号和下游节点编号构建的第一混合编码作为第一首部编码或第二首部编码;
所述第二邻接关系为当前水文监测节点在第一水文采集子链路Lx中关联的上游节点编号和下游节点编号构建的第二混合编码作为第一尾部编码;
所述第三邻接关系为当前水文监测节点在第二水文采集子链路Ly中关联的上游节点编号和下游节点编号构建的第三混合编码作为第二尾部编码。
7.水文数据弹性监测***,适用于如权利要求1-6任一项所述的一种交叉验证的水文数据弹性监测方法,其特征在于,包括:
获取模块:获取水文特性数据的信息价值度,将信息价值度大于设定阈值H1的水文特性数据作为有效指标数据构建有效指标数据集;
第一构建模块:基于有效指标数据集构建危情分析模型;基于危情分析模型获取每一个水文监测节点的危情概率;
分类模块:基于危情概率对初始水文采集链路L对应的水文监测节点进行分类得到第一危情集合G1和第二危情集合G2;
第二构建模块:基于水文监测节点的采集时序对第一危情集合G1和第二危情集合G2中的各水文监测节点进行编排构建对应的第一水文采集子链路Lx和第二水文采集子链路Ly;
生成模块:基于第一水文采集子链路Lx或/和第二水文采集子链路Ly中各水文监测节点及其对应的邻接关系生成原生水文数据包;
解析模块:基于初始水文采集链路L中各水文监测节点的采集时序依次对原生水文数据包进行解析得到危情分析报告。
8.一种电子设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时实现如权利要求1-6任一项所述的一种交叉验证的水文数据弹性监测方法的步骤。
9.一种存储介质,其特征在于,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如权利要求1-6任一项所述的一种交叉验证的水文数据弹性监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311186256.1A CN117370751B (zh) | 2023-09-13 | 2023-09-13 | 一种交叉验证的水文数据弹性监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311186256.1A CN117370751B (zh) | 2023-09-13 | 2023-09-13 | 一种交叉验证的水文数据弹性监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117370751A CN117370751A (zh) | 2024-01-09 |
CN117370751B true CN117370751B (zh) | 2024-03-19 |
Family
ID=89406728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311186256.1A Active CN117370751B (zh) | 2023-09-13 | 2023-09-13 | 一种交叉验证的水文数据弹性监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117370751B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003043494A1 (en) * | 2001-11-23 | 2003-05-30 | Medit As | A cluster system for remote monitoring and diagnostic support |
CN102967490A (zh) * | 2012-11-23 | 2013-03-13 | 华东师范大学 | 一种实时水样采集***及其采集方法 |
CN105429977A (zh) * | 2015-11-13 | 2016-03-23 | 武汉邮电科学研究院 | 基于信息熵度量的深度包检测设备异常流量监控方法 |
CN106777060A (zh) * | 2016-12-09 | 2017-05-31 | 合肥国为电子有限公司 | 节点式地震仪数据文件管理***及方法 |
CN113125355A (zh) * | 2019-12-31 | 2021-07-16 | 芯视界(北京)科技有限公司 | 水质监管*** |
CN113869456A (zh) * | 2021-10-15 | 2021-12-31 | 山东摄云信息技术有限公司 | 采样监测方法、装置、电子设备及存储介质 |
CN114118754A (zh) * | 2021-11-19 | 2022-03-01 | 河南省鹤壁水文水资源勘测局 | 一种基于机器学习的水文水资源监测方法及*** |
CN115294718A (zh) * | 2022-08-09 | 2022-11-04 | 九江职业技术学院 | 一种基于多源数据融合的火灾预警*** |
CN115790611A (zh) * | 2023-02-09 | 2023-03-14 | 广东广宇科技发展有限公司 | 一种用于智慧城市水利信息的无人机采集导航方法及*** |
CN115964757A (zh) * | 2022-11-30 | 2023-04-14 | 青岛理工大学 | 基于区块链的流域环境监测及处置方法和装置 |
CN116070793A (zh) * | 2023-03-28 | 2023-05-05 | 浙江水文新技术开发经营公司 | 一种基于数据处理的水文灾害预测*** |
CN116183857A (zh) * | 2023-04-23 | 2023-05-30 | 南京斯瑞菱信息技术有限公司 | 一种环保型智能水质监测分析*** |
CN116258097A (zh) * | 2023-02-24 | 2023-06-13 | 杭州五易科技有限公司 | 一种更新水文模型方法、装置、电子设备和介质 |
CN116502034A (zh) * | 2023-05-06 | 2023-07-28 | 浙江水文新技术开发经营公司 | 一种基于无线通讯的河流水文监测*** |
CN116609860A (zh) * | 2023-07-18 | 2023-08-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于集成学习算法的水文模型实时校正方法和*** |
-
2023
- 2023-09-13 CN CN202311186256.1A patent/CN117370751B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003043494A1 (en) * | 2001-11-23 | 2003-05-30 | Medit As | A cluster system for remote monitoring and diagnostic support |
CN102967490A (zh) * | 2012-11-23 | 2013-03-13 | 华东师范大学 | 一种实时水样采集***及其采集方法 |
CN105429977A (zh) * | 2015-11-13 | 2016-03-23 | 武汉邮电科学研究院 | 基于信息熵度量的深度包检测设备异常流量监控方法 |
CN106777060A (zh) * | 2016-12-09 | 2017-05-31 | 合肥国为电子有限公司 | 节点式地震仪数据文件管理***及方法 |
CN113125355A (zh) * | 2019-12-31 | 2021-07-16 | 芯视界(北京)科技有限公司 | 水质监管*** |
CN113869456A (zh) * | 2021-10-15 | 2021-12-31 | 山东摄云信息技术有限公司 | 采样监测方法、装置、电子设备及存储介质 |
CN114118754A (zh) * | 2021-11-19 | 2022-03-01 | 河南省鹤壁水文水资源勘测局 | 一种基于机器学习的水文水资源监测方法及*** |
CN115294718A (zh) * | 2022-08-09 | 2022-11-04 | 九江职业技术学院 | 一种基于多源数据融合的火灾预警*** |
CN115964757A (zh) * | 2022-11-30 | 2023-04-14 | 青岛理工大学 | 基于区块链的流域环境监测及处置方法和装置 |
CN115790611A (zh) * | 2023-02-09 | 2023-03-14 | 广东广宇科技发展有限公司 | 一种用于智慧城市水利信息的无人机采集导航方法及*** |
CN116258097A (zh) * | 2023-02-24 | 2023-06-13 | 杭州五易科技有限公司 | 一种更新水文模型方法、装置、电子设备和介质 |
CN116070793A (zh) * | 2023-03-28 | 2023-05-05 | 浙江水文新技术开发经营公司 | 一种基于数据处理的水文灾害预测*** |
CN116183857A (zh) * | 2023-04-23 | 2023-05-30 | 南京斯瑞菱信息技术有限公司 | 一种环保型智能水质监测分析*** |
CN116502034A (zh) * | 2023-05-06 | 2023-07-28 | 浙江水文新技术开发经营公司 | 一种基于无线通讯的河流水文监测*** |
CN116609860A (zh) * | 2023-07-18 | 2023-08-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于集成学习算法的水文模型实时校正方法和*** |
Non-Patent Citations (3)
Title |
---|
Monitoring, prediction, and evaluation of mountain geological hazards based on InSAR technology;Yang F等;《Scientific Programming》;20220117;1-12 * |
The Interannual Fluctuations in Mass Changes and Hydrological Elasticity on the Tibetan Plateau from Geodetic Measurements;He M等;《Remote Sensing》;20211024;第13卷(第21期);1-18 * |
石羊河流域平原地下水位动态特征与监测网观测频率优化;刘志明等;《中国沙漠》;20060131;第26卷(第1期);85-89 * |
Also Published As
Publication number | Publication date |
---|---|
CN117370751A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Laffan et al. | Range‐weighted metrics of species and phylogenetic turnover can better resolve biogeographic transition zones | |
Isinkaralar et al. | A cellular automata-based approach for spatio-temporal modeling of the city center as a complex system: The case of Kastamonu, Türkiye | |
CN111813770B (zh) | 数据模型的构建方法、装置及计算机可读存储介质 | |
US7308392B2 (en) | Processes and systems for predicting biological species invasions | |
Karimi et al. | Urban expansion modeling using an enhanced decision tree algorithm | |
CN111984702A (zh) | 村镇聚落的空间演化分析方法、装置、设备及存储介质 | |
Guo et al. | Monitoring and simulation of dynamic spatiotemporal land use/cover changes | |
CN112418571A (zh) | 企业环保综合评价的方法和装置 | |
Smith et al. | UTILIZATION OF LANDSCAPE INDICATORS TO MODEL POTENTIAL PATHOGEN IMPAIRED WATERS 1 | |
Li et al. | Research on land‐use evolution and ecosystem services value response in mountainous counties based on the SD‐PLUS model | |
Nikolopoulos et al. | Long-memory traces in PM 10 time series in Athens, Greece: Investigation through DFA and R/S analysis | |
CN111581927A (zh) | 海洋经济运行监测与预警***及计算机设备 | |
Argent et al. | Tracing the density impulse in rural settlement systems: A quantitative analysis of the factors underlying rural population density across South-Eastern Australia, 1981–2001 | |
Al Sayed et al. | Modelling dependency networks to inform data structures in BIM and smart cities | |
Fu et al. | Spatial–temporal distribution of global production–living–ecological space during the period 2000–2020 | |
CN117370751B (zh) | 一种交叉验证的水文数据弹性监测方法及*** | |
CN116128378B (zh) | 一种城市体检评估方法、***、存储介质及电子设备 | |
Chuangchang et al. | Modelling urban growth over time using grid-digitized method with variance inflation factors applied to spatial correlation | |
Lee et al. | Streamlining urban forest monitoring based on a large-scale tree survey: a case study of highway vegetation in Hong Kong | |
Skokanová et al. | Contrasting invasion patterns of two closely related Solidago alien species | |
CN113657546A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
Li et al. | Quantitative morphology of polder landscape based on SOM identification model: Case study of typical polders in the south of Yangtze River | |
Lehnen et al. | Climate envelope modeling for ocelot conservation planning: peering inside the black box | |
Yang et al. | How can SHAP (SHapley Additive exPlanations) interpretations improve deep learning based urban cellular automata model? | |
Zhang et al. | A new method for identifying key and common themes based on text mining: An example in the field of urban expansion |
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 |