CN117809439B - 一种基于多种环境因素中河流流量异常预警*** - Google Patents
一种基于多种环境因素中河流流量异常预警*** Download PDFInfo
- Publication number
- CN117809439B CN117809439B CN202410199511.4A CN202410199511A CN117809439B CN 117809439 B CN117809439 B CN 117809439B CN 202410199511 A CN202410199511 A CN 202410199511A CN 117809439 B CN117809439 B CN 117809439B
- Authority
- CN
- China
- Prior art keywords
- data
- early warning
- hydrologic
- abnormal
- river
- 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
- 230000007613 environmental effect Effects 0.000 title claims abstract description 19
- 230000005856 abnormality Effects 0.000 title claims description 40
- 230000002159 abnormal effect Effects 0.000 claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000000007 visual effect Effects 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 60
- 238000012544 monitoring process Methods 0.000 claims description 34
- 230000001133 acceleration Effects 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 24
- 239000003673 groundwater Substances 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 15
- 238000007726 management method Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000001932 seasonal effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 230000008020 evaporation Effects 0.000 description 3
- 238000001704 evaporation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000008235 industrial water Substances 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于多种环境因素中河流流量异常预警***,涉及河流预警技术领域,构建各个数据采集点处的水文系数,对水文系数做趋势分析,依据分析结果在若干个数据采集点中筛选出相应的异常节点,若异常节点的密度高于预期,向预警区域内的管理人员发送报警指令;由样本数据训练获取水文预警模型,使用训练后的水文预警模型对预警区域内的河流水文状态进行预测,将预测数据做可视化处理后,将异常节点上水文数据发送给附近的管理人员;对预测数据集合内的数据做特征识别,由异常特征从预先构建的水文异常知识图谱内匹配出对应的应急方案。快速地匹配出对应的应急方案,并再将其分别发送至管理人员,对当前存在异常情况进行处理。
Description
技术领域
本发明涉及河流预警技术领域,具体为一种基于多种环境因素中河流流量异常预警***。
背景技术
河流流量异常通常指的是河流的流量出现了不寻常地变化,可能是由于自然因素或人为因素引起的。这些异常变化可能包括流量的突然增加或减少、流量的持续性变化、流量的季节性变化等。河流流量的异常变化可能会对河流生态***、水资源利用、防洪和灌溉等方面产生影响。例如,流量的突然增加可能导致洪水,而流量的突然减少可能导致干旱。此外,流量的持续性变化可能会影响河流的水位、水质和水温等,从而对河流生态***产生影响。
为了预防和应对河流流量异常,需要加强对河流的监测和管理,包括实时监测河流流量、水位和水质等参数,及时预警和应对流量异常事件。河流流量异常通常由多种因素引起,例如:
自然因素:气候变化是引起河流流量异常的自然因素之一。极端气候事件,如暴雨、干旱等,可以导致河流流量的突然增加或减少。此外,季节性的降雨变化也会对河流流量产生影响。例如,季风带来的季节性降雨会导致河流流量的季节性变化。
人为因素:人类活动也会对河流流量产生影响。例如,水利工程(如水库、水闸等)的调度和运行会改变河流的流量过程。农业灌溉、工业用水和居民生活用水等也会对河流流量产生影响。此外,土地利用变化(如城市化、森林砍伐等)也会改变河流流域的水文循环,从而影响河流流量。
在申请公布号为CN116029551A的中国发明专利中,公开了一种基于水库河流的旱涝预警方法及装置、设备,方法包括:接收水库的数据终端发送来的水文信息,所述水文信息包括所述水库的第一水文信息、汇入所述水库的主河流的第二水文信息和汇入所述主河流的各个支河流各自的第三水文信息;根据所述第一水文信息、所述第二水文信息、所述第三水文信息以及预先建立的自然灾害分析模型,确定是否存在自然灾害的风险,并在存在自然灾害风险时发出预警信息。有利于相关工作人员根据预警制定应对措施,最大程度的减轻自然灾害可能造成的损失。
结合以上申请,在现有的河流流量异常预警方法中,通常是在河流所在区域内设置若干个监测点,于监测点处实时采集数据,以预先构建的预测模型对采集的数据作出处理,在获取到相应的预测数据后,再判断河流流量是否存在异常,如果存在异常,则发出预警;
这种预警方式简单直接,效率也较高,但是河流不是完全独立存在的,其产生异常的原因通常较多,在产生异常时也具有较多的前奏,而现有的河流流量异常预警方法对这些前奏均存在一定忽视,也即,现有的河流异常预警的都是单一预警,不能相互验证,因此可靠性相对有限,容易产生错误预警,并且在实际发出预警后,也难以对当前或即将存在的异常的处理起到指导作用。
为此,本发明提供了一种基于多种环境因素中河流流量异常预警***。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于多种环境因素中河流流量异常预警***,通过对水文系数做趋势分析,依据分析结果在若干个数据采集点中筛选出相应的异常节点,若异常节点的密度高于预期,向预警区域内的管理人员发送报警指令;由样本数据训练获取水文预警模型,使用训练后的水文预警模型对预警区域内的河流水文状态进行预测,将预测数据做可视化处理后,将异常节点上水文数据发送给附近的管理人员;对预测数据集合内的数据做特征识别,由异常特征从预先构建的水文异常知识图谱内匹配出对应的应急方案。快速地匹配出对应的应急方案,并再将其分别发送至管理人员,对当前存在异常情况进行处理,解决了背景技术中的技术问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于多种环境因素中河流流量异常预警***,监测单元,在预警区域的各个子区域内设置若干个监测点,并由监测数据构建预警区域内的预警条件集合,由预警条件集合生成相应的条件系数,若所获取的条件系数/>超过条件阈值,向对应子区域的管理人员发出预警指令;
质量分析单元,在预警区域内的数据采集点处采集水利数据并构建相应的水文数据列,依据各个数据采集点的险情优先级,依次获取各个水文数据列的数据质量系数/>,以用于对相应的水文数据列的数据质量进行判断,若所述水文数据列的数据质量系数/>低于预期,则对其做出优化;其中,数据质量系数/>获取方式如下:对水文数据列内数据的离散度S及聚集度M做线性归一化处理,将相应的数据值映射至区间/>内,再依照如下公式:/>权重系数:/>,且;
筛选单元,构建各个数据采集点处的水文系数,并在结合其预测值的基础上,对水文系数/>做趋势分析,依据分析结果在若干个数据采集点中筛选出相应的异常节点,若异常节点的密度高于预期,向预警区域内的管理人员发送报警指令;
预测单元,由样本数据训练获取水文预警模型,使用训练后的水文预警模型对预警区域内的河流水文状态进行预测,将预测数据做可视化处理后,将异常节点上水文数据发送给附近的管理人员;
匹配单元,对预测数据集合内的数据做特征识别,由识别获取的异常特征从预先构建的水文异常知识图谱内匹配出对应的应急方案,并将所述应急方案发送至对应的管理人员。
进一步的,构建覆盖预警区域的电子地图,在电子地图上区域将预警区域分割为若干个子区域,且使各个子区域内不完全被河流覆盖,在各个子区域内设置监测点;
在河岸边缘处对子区域内的空气湿度及地下水位做持续性监测,在获取相应的监测数据后,分别对若干组的空气湿度及地下水位的绘制变化曲线;从变化曲线中获取最近的相邻两点间的斜率,分别作为空气湿度率Rv及地下水位率Dv;将空气湿度率Rv及地下水位率Dv汇总,构建预警区域内的预警条件集合。
进一步的,由预警条件集合生成相应的条件系数,具体方式如下,对无量纲化的空气湿度率Rv及地下水位率Dv做如下处理:其中,/>,m为子区域的个数,/>为空气湿度率的合格参考值,/>为地下水位率的合格参考值;权重系数:,且/>。
进一步的,在发出预警指令后,在预警区域内设置若干个数据采集点,在各个数据采集点获取河流的当前的水位增速Zs,并结合数据采集点在电子地图上的位置,计算获取其接近中心度Cn,由此获取各个数据采集点处的险情优先级;
接收各个数据采集点处的水文数据后,构建各个水文数据列,将各个水文数据列内的数据依据数据采集时间做有序排列,并在做数据分析后获取水文数据列内的数据的离散度S与聚集度M。
进一步的,险情优先级的获取方式如下:对水位增速Zs及接近中心度Cn做线性归一化处理,将相应的数据值映射至区间/>内,再依照如下公式:其中,/>为权重系数,/>,且/>,/>为水位增速的均值,/>为接近中心度的均值。
进一步的,若水文数据列的数据质量系数低于质量阈值,预先构建异常阈值:/>其中,/>,n为水文数据列的内数据的个数,/>为数据均值;
将不在异常阈值内数据作为异常数据,依据插值法对异常数据做出替换,并将处理后的数据列标记为优化数据列。
进一步的,各个数据采集点当前的水文系数的获取方式如下:将获取到的流量增速Lz、水位增速Sz、含水量增速Hz做线性归一化处理,将相应的数据值映射至区间内,再依照如下公式:其中,,k为数据采集点的个数,/>为流量增速的合格参考值,/>为水位增速的合格参考值,/>为含水量增速的合格参考值,权重系数:/>,且。
进一步的,在连续获取到若干个时间节点上的水文系数后,将水文系数沿着时间轴排列,构建水文系数列,使用训练后的平滑指数模型,对水文系数的变化进行预测,获取连续若干个预测值,并在此基础上计算水文系数列的相对强弱指数;
在相对强弱指数不在内时,将相应的数据采集点标注为异常节点,获取异常节点在预警区域内的密度作为节点密度。
进一步的,以各个监测点处地下水位持续升高作为起始条件,使用训练后的水文预警模型对预警区域内的河流水文状态进行预测并获取预测数据,构建预测数据集合;将预测数据集合内的水文数据依据各个子区域进行归类,并将归类后的预测数据与历史数据汇合;
依据各个子区域内的水文数据的变化趋势,可视化处理后获取各项水文数据变化曲线,获取预警区域内的管理人员的位置信息后,以固定时间间隔,将其中异常节点上可视化的水文数据发送给附近的管理人员。
进一步的,以水文异常作为目标词,预先构建异常维护知识图谱;对预测数据集合内的数据做特征识别,并在设置异常标准后,筛选出若干个异常特征,由异常特征在水文异常知识图谱内匹配出对应的应急方案;
依据应急方案的执行区域,对匹配出的应急方案做出分解,获取若干个子方案;将子方案优先发送至对应的应急管理人员,若对应子区域的管理人员不在所述子区域内,则再将其发送至相临近的管理人员。
(三)有益效果
本发明提供了一种基于多种环境因素中河流流量异常预警***,具备以下有益效果:
1、在对河流流量做异常情形监控时,预先对预警区域内的空气湿度及地下水位进行监测,由监测数据构建条件系数,通过条件系数/>能够对预警区域内产生异常的潜在风险进行预判,在判断出预警区域内存在一定的潜在风险时,能够及时提前做出处理,避免预警区域内异常情况进一步的扩大。
2、通过构建的数据质量系数对水文数据列的数据质量进行评价,在数据质量较差时,能够及时地对采集到的数据做出处理,能够避免过度异常的数据对后续的预警形成干扰,保持预警的可靠性;在水文数据列的数据质量难以到达预期时,从相应的水文数据列筛选出相应的异常数据,在实现对预警区域内水文异常预警时,减少异常数据带来的干扰。
3、依据水文系数对当前时间节点上水文异常情况进行评价,能够对之前发出预警指令形成验证;对水文系数/>做趋势分析,并获取相对强弱指数,最后以此筛选出其中的异常节点,实现对预警区域内的异常情形的再次验证;在对预警区域内的异常进行预警时,能够降低错误的风险,对预警的可靠性形成保障。
4、通过在各个数据采集点处采集并处理后的水文数据列的基础上,构建水文预警模型,在确认约束条件后,由训练后的水文预警模型对预警区域内的水文状态数据进行预测,并在设置预测节点后,获取相应的预测数据。
5、在确定出异常节点的基础上,依据各个管理人员负责范围,将可视化后的水利数据发送给对应的管理人后,在预警区域内存在异常时,对应的管理人员能够快速判断出当前异常的紧急性,使紧急情况能够被及时地处理,降低异常情况的扩散。
6、对预测获取的数据做识别,获取相应的异常特征,依据异常特征与应急方案间对应性,在预警区域内已经存在异常或者险情时,能够快速地匹配出对应的应急方案,并在将其分别发送至管理人员后,可以快速地对当前存在异常情况进行处理,避免已经存在险情扩大和蔓延。
附图说明
图1为本发明河流流量异常预警***结构示意图;
图2为本发明河流流量异常预警方法流程示意图。
具体实施方式
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,所描述的实施例仅仅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。
请参阅图1及图2,本发明提供一种基于多种环境因素中河流流量异常预警***,具体包括如下内容:
监测单元,在预警区域的各个子区域内设置若干个监测点,并由监测数据构建预警区域内的预警条件集合,由预警条件集合生成相应的条件系数,若所获取的条件系数/>超过条件阈值,向对应子区域的管理人员发出预警指令;
具体包括如下内容:
步骤101、在需要对河流异常做预警时,确定河流及其覆盖区域后,将其确定为预警区域,并构建覆盖所述预警区域的电子地图,在电子地图上区域将预警区域分割为若干个子区域,且使各个子区域内不完全被河流覆盖,分别进行编号,在各个子区域内设置监测点,并将监测点的位置在电子地图上标记;
步骤102、在河岸边缘处对子区域内的空气湿度及地下水位做持续性监测,在获取相应的监测数据后,分别对若干组的空气湿度及地下水位的绘制变化曲线;
从变化曲线中获取最近的相邻两点间的斜率,分别作为空气湿度率Rv及地下水位率Dv;将空气湿度率Rv及地下水位率Dv汇总,构建预警区域内的预警条件集合;
需要作出说明的是:空气湿度和地下水位是影响河流流量异常的重要环境因素之一。它们对河流流量的影响可以通过以下方式进行解释:
空气湿度影响河流流量,蒸发作用:空气湿度高时,蒸发作用增强,水分从地表和河流蒸发到大气中,导致河流流量减少;降水增加:空气湿度高可能意味着大气中水分含量较高,有利于降水的形成和增加。当降水增加时,河流流量可能会增加。
地下水位影响河流流量,补给源:地下水是河流的重要补给源之一。当地下水位较高时,地下水会通过渗透和地下水流补给到河流,增加河流流量。渗漏和地下水***:地下水位的变化会影响河岸和河床的渗漏和地下水***,进而影响河流流量。
步骤103、由预警条件集合生成相应的条件系数,具体方式如下,对无量纲化的空气湿度率Rv及地下水位率Dv做如下处理:其中,/>,m为大于1的正整数,为子区域的个数,/>为空气湿度率的合格参考值,/>为地下水位率的合格参考值;权重系数:/>,且/>;权重系数参考层次分析法确定;为空气湿度率在第i个子区域内的值;/>为地下水位率在第i个子区域内的值;
结合历史数据及水文异常管理的预期,预先构建条件阈值,若所获取的条件系数超过条件阈值,则说明当前预警区域内产生异常情况的风险较大,需要及时的进行处理,否则可能会存在一定的安全隐患,此时,向各个子区域的管理人员发出预警指令;
使用时,结合步骤101至103中的内容:
在对河流流量做异常情形监控时,预先对预警区域内的空气湿度及地下水位进行监测,以此作为代表性参数,由监测数据构建条件系数,通过条件系数/>能够对预警区域内产生异常的潜在风险进行预判,在判断出预警区域内存在一定的潜在风险时,能够及时提前做出处理,避免预警区域内异常情况进一步的扩大。
在现有的河流流量异常预警方法中,通常是在河流所在区域内设置若干个监测点,于监测点处实时采集数据,以预先构建的预测模型对采集的数据作出处理,在获取到相应的预测数据后,再判断河流流量是否存在异常,如果存在异常,则发出预警;
这种预警方式简单直接,效率也较高,但是河流不是完全独立存在的,其产生异常的原因通常较多,在产生异常时也具有较多的前奏,而现有的河流流量异常预警方法对这些前奏均存在一定忽视,也即,现有的河流异常预警的都是单一预警,不能相互验证,因此可靠性相对有限,容易产生错误预警,并且在实际发出预警后,也难以对当前或即将存在的异常的处理起到指导作用。
质量分析单元,在预警区域内的数据采集点处采集水利数据并构建相应的水文数据列,依据各个数据采集点的险情优先级,依次获取各个水文数据列的数据质量系数/>,以用于对相应的水文数据列的数据质量进行判断,若所述水文数据列的数据质量系数/>低于预期,则对其做出优化;
具体包括如下内容:
步骤201、在发出预警指令后,在预警区域内设置若干个数据采集点,并将各个数据采集点的位置在电子地图上标注,在各个数据采集点获取河流的当前的水位增速Zs,并结合数据采集点在电子地图上的位置,计算获取其接近中心度Cn,由此获取各个数据采集点处的险情优先级,其具体方式如下:对水位增速Zs及接近中心度Cn做线性归一化处理,将相应的数据值映射至区间/>内,再依照如下公式:其中,/>为权重系数,/>,且/>,/>为水位增速的均值,/>为接近中心度的均值,/>为第i个数据采集点的水位增速,/>为第i个数据采集点的接近中心度;
在预警区域内具有水利异常或险情时,通过构建险情优先级,依据险情优先级/>对各个数据采集点做排序,而通过有序的对若干个数据采集点做险情处理,可以实现险情和异常的高效处理,避免险情扩散;
步骤202、接收各个数据采集点处的水文数据后,例如:降雨量、风速风向、湿度温度、水文蒸发量及河流水位、流量等;依据水文数据的种类,构建各个水文数据列,依据各个数据采集点的险情优先级,可以依次对所述水文数据列做数据质量分析:
将各个水文数据列内的数据依据数据采集时间做有序排列,并在做数据分析后获取水文数据列内的数据方差与均值的比值,以其作数据列的离散度S;获取水文数据列内数据的相对极差,以其作为聚集度M;
步骤203、由水文数据列的离散度S及聚集度M生成相应的数据质量系数,其具体方式如下:对离散度S及聚集度M做线性归一化处理,将相应的数据值映射至区间/>内,再依照如下公式:/>权重系数:,且/>;权重系数的获取可参考层次分析法;
于各个数据采集点处对水文数据完成采集后,通过构建的数据质量系数对水文数据列的数据质量进行评价,在数据质量较差时,能够及时的对采集到的数据做出处理,能够避免过度异常的数据对后续的预警形成干扰,保持预警的可靠性;
步骤204、结合历史及对数据质量的管理预期,预先设置质量阈值,若水文数据列的数据质量系数低于质量阈值,说明当前的数据质量相对较低,需要对部分存在明显异常的数据进行替换;依照如下方式筛选出异常数据:参考如下方式预先构建异常阈值:/>其中,/>,n为大于1的正整数,为水文数据列的内数据的个数,/>为数据均值,/>为第i个数据;
将不在异常阈值内数据作为异常数据,依据插值法对异常数据做出替换,并将处理后的数据列标记为优化数据列;
需要说明的是:差值法是一种常见的数据处理和分析方法,用于计算数据之间的差异或变化。它通常涉及计算相邻数据点之间的差异,以获得数据集的差值序列。
差值法可用于各种数据类型和领域,包括时间序列数据、空间数据和图像数据等。它的应用范围广泛,可以用于数据平滑、趋势分析、异常检测等。
在时间序列数据分析中,差值法常用于去除趋势和季节性成分,以便更好地观察数据的周期性和随机变化。通过计算相邻时间点的差异,可以构建差分序列,进而进行更准确的分析和预测。在空间数据分析中,差值法可以用于计算相邻空间点之间的差异,以揭示地理空间上的变化模式和潜在规律。
差值法的基本步骤如下:
确定要计算差值的数据集或序列;计算相邻数据点之间的差异或变化;可以使用简单的减法操作(后一个数减去前一个数)来计算差值;根据具体需求,可以进一步对差值序列进行平滑、聚合、插值等处理;分析和解释差值序列的结果,根据需求进行进一步的应用和决策。
差值法可能会放大数据中的噪声或异常值,在应用差值法时,需要谨慎处理和验证数据,并结合其他分析方法和领域知识来解释和使用差值序列的结果。
使用时,结合步骤201至203中的内容:
于数据采集点处对水利数据完成采集后,通过对各个水文数据列内的数据质量评估,在水文数据列的数据质量难以到达预期时,从相应的水文数据列筛选出相应的异常数据,在对异常数据进行替换处理后,可以对由各个数据采集点获取的数据质量形成保障,在实现对预警区域内水文异常预警时,减少异常数据带来的干扰,减少错误产生的概率。
筛选单元,构建各个数据采集点处的水文系数,并在结合其预测值的基础上,对水文系数/>做趋势分析,依据分析结果在若干个数据采集点中筛选出相应的异常节点,若异常节点的密度高于预期,向预警区域内的管理人员发送报警指令;
具体包括如下内容:
步骤301、在完成对水文数据列的优化后,从所述水文数据列中分别获取当前时间节点上的河流的流量、水位及土壤含水量较前一时间节点的增量,以分别获取相应的流量增速Lz、水位增速Sz、含水量增速Hz;依照如下方式获取各个数据采集点当前的水文系数:
将流量增速Lz、水位增速Sz、含水量增速Hz做线性归一化处理,将相应的数据值映射至区间内,再依照如下公式:其中,/>为流量增速的合格参考值,/>为水位增速的合格参考值,/>为含水量增速的合格参考值,权重系数:/>,且/>,其中,权重系数可以参考层次分析法获取;
其中,,k为数据采集点的个数,是大于1的正整数,/>为流量增速在i数据采集点上的值,/>为水位增速在i数据采集点上的值,/>为含水量增速在i数据采集点上的值;
在整体上构建覆盖预警区域内的水文系数后,依据水文系数/>能对当前时间节点上水文异常情况进行评价,能够对之前发出预警指令形成验证;同时,若是河流流量确实存在一定程度上的异常,则能够立即做出处理;
步骤302、在连续获取到若干个时间节点上的水文系数后,将水文系数沿着时间轴排列,构建水文系数列,使用训练后的平滑指数模型,对水文系数的变化进行预测,获取连续若干个预测值,并在此基础上计算水文系数列的相对强弱指数;
需要说明的是:相对强弱指数是一种金融领域的技术指标,用于衡量价格变动的强度和速度,帮助判断资产的超买和超卖情况。RSI的计算基于一定时期内的价格变动幅度,一般使用14日作为常见的计算周期。以下是计算RSI的基本步骤:
计算价格变动的增益和损失:将每个周期的收盘价与前一个周期的收盘价进行比较,计算价格变动的增益(如果是正数)或损失(如果是负数)。
计算相对强度:将一定周期内的增益值求和,得到总增益;将一定周期内的损失值求和取绝对值,得到总损失;其中,
计算相对强度(RS)=总增益/总损失;
计算相对强弱指数(RSI)=100-(100/(1+RS));
RSI的取值范围通常在0到100之间。一般来说,当RSI值高于70时,表示资产处于超买状态,价格可能过高,可能会有回调或调整的风险;当RSI值低于30时,表示资产处于超卖状态,价格可能过低,可能会有反弹或上涨的机会。因此,投资者可以根据RSI指标判断买入或卖出的时机;在本申请中,申请人将其用于对水文系数的趋势分析;
步骤303、在相对强弱指数不在内时,将相应的数据采集点标注为异常节点,获取异常节点在预警区域内的密度作为节点密度,依据对异常管理的预期,预先构建密度阈值,若节点密度超过密度阈值时,说明预警区域内不少区域内均存在一定的异常,此时,向预警区域内的管理人员发送报警指令;
使用时,结合步骤301至303中的内容:
在连续获取到若干个水文系数后,对水文系数/>做趋势分析,并获取相对强弱指数,最后以此筛选出其中的异常节点,于是,异常节点较多时,例如多于10%时,实现对预警区域内的异常情形的再次验证;在对预警区域内的异常进行预警时,能够降低错误的风险,对预警的可靠性形成保障。
预测单元,由样本数据训练获取水文预警模型,使用训练后的水文预警模型对预警区域内的河流水文状态进行预测,将预测数据做可视化处理后,将异常节点上水文数据发送给附近的管理人员;
具体包括如下内容:
步骤401、在发送出报警指令后,将若干个水文数据列汇总,并在对水文数据列内的数据做特征识别后,获取相应的数据特征,将数据特征汇总构建数据特征集合;在数据特征集合内抽取部分数据,分别作为训练集和测试集,由Bp神经网络构建初始模型,对初始模型做训练和测试后,将训练后的初始模型作为水文预警模型;
步骤402、以各个监测点处地下水位持续升高作为起始条件,使用训练后的水文预警模型对预警区域内的河流水文状态进行预测并获取预测数据,构建预测数据集合;将预测数据集合内的水文数据依据各个子区域进行归类,并将归类后的预测数据与历史数据汇合;
步骤403、依据各个子区域内的水文数据的变化趋势,可视化处理后获取各项水文数据变化曲线,获取预警区域内的管理人员的位置信息后,以固定时间间隔,将其中异常节点上可视化的水文数据发送给附近的管理人员;
使用时,结合步骤401至403中的内容:
在接收到报警指令后,通过之前在各个数据采集点处采集并处理后的水文数据列的基础上,构建水文预警模型,在确认约束条件后,由训练后的水文预警模型对预警区域内的水文状态数据进行预测,并在设置预测节点后,获取相应的预测数据;
作为进一步的内容:在确定出异常节点的基础上,依据各个管理人员负责范围,将可视化后的水利数据发送给对应的管理人后,在预警区域内存在异常时,对应的管理人员能够快速判断出当前异常的紧急性,使紧急情况能够被及时地处理,降低异常情况的扩散。
匹配单元,对预测数据集合内的数据做特征识别,由识别获取的异常特征从预先构建的水文异常知识图谱内匹配出对应的应急方案,并将所述应急方案发送至对应的管理人员;
具体包括如下内容:
步骤501、以水文异常作为目标词,预先构建异常维护知识图谱;对预测数据集合内的数据做特征识别,并在设置异常标准后,筛选出若干个异常特征,由异常特征在水文异常知识图谱内匹配出对应的应急方案;
其中,构建异常维护知识图谱的具体步骤可以参考如下内容:
在定义本体,包括实体类型,如河流、水库、降雨事件、水位、流量、地形、土壤类型等;属性,如水位高度、流量速率、降雨量等;和实体间的关系,例如“河流-流过-地区”或“降雨-影响-水位”;收集相关数据,包括气象站数据、水文监测数据、遥感数据、地理信息***(GIS)、历史文档、新闻报告等;整合不同来源的数据,统一数据格式和标准,以便于处理;
使用文本挖掘和自然语言处理技术从非结构化数据中识别和抽取相关实体,如地名、河流名称、事件类型等;从数据中抽取实体间的关系,并将其结构化表示,将抽取的结构化知识存储在一个合适的知识库中,如图数据库或三元组存储***;在经过优化后,完成水文异常知识图谱的构建;
步骤502、获取预警区域内的管理人员的位置信息后,依据应急方案的执行区域,对匹配出的应急方案做出分解,获取若干个子方案;将子方案优先发送至对应的应急管理人员,若对应子区域的管理人员不在所述子区域内,则再将其发送至相临近的管理人员;
需要说明的是:知识图谱是一种结构化的知识表示方法,用于描述和组织现实世界中的实体、概念、关系和属性等知识元素,并通过它们之间的关联性构建一个知识网络。
知识图谱的主要特点包括:
实体和关系:知识图谱通过定义和描述实体(如人物、地点、事件等)以及实体之间的关系(如属于、位于、发生等)来表示现实世界中的知识。
属性和特征:知识图谱可以为实体和关系定义属性和特征,用于描述它们的性质、属性、类别等。
语义关联:知识图谱通过语义关联(如同义关系、上下位关系、关联关系等)将实体和关系连接起来,形成一个有向图或无向图的结构。
多层次结构:知识图谱可以通过层次结构和分类体系来组织和表达知识,使得知识的组织和检索更加方便和高效。
开放和扩展性:知识图谱可以不断地从多个数据源和知识库中获取新的知识,实现开放和扩展性。
语义推理和查询:知识图谱可以支持基于语义的推理和查询,通过寻找实体和关系之间的逻辑规则和关联性,发现新的知识和关联。
使用时,结合步骤501至502中的内容:
在对预警区域内水文状态数据完成预测,完成知识图谱的构建后,对预测获取的数据做识别,获取相应的异常特征,依据异常特征与应急方案间对应性,在预警区域内已经存在异常或者险情时,能够快速地匹配出对应的应急方案,并在将其分别发送至管理人员后,可以快速地对当前存在异常情况进行处理,避免已经存在险情扩大和蔓延。
需要说明的是:层次分析法是一种定性和定量相结合的分析方法,它可以将复杂的问题分解为多个层次,通过比较各层次因素的重要性,可以帮助决策者对复杂问题进行决策,确定最终的决策方案,在这个过程中,层次分析法可以用来确定这些指标的权重系数;层次分析法的步骤如下:
明确问题:首先需要明确决策问题,确定决策的目标和备选方案;
建立层次结构模型:根据问题的性质和决策目标,将问题分解为不同的层次,通常包括目标层、准则层和方案层;目标层是决策问题的总目标,准则层是用于评估备选方案的准则,方案层是备选方案;
构造判断矩阵:通过两两比较同一层次中的元素相对于上一层中某一元素的重要性,构造判断矩阵。判断矩阵中的元素表示两个元素相对重要性的比值;
层次单排序:根据判断矩阵,计算同一层次中元素相对于上一层中某一元素的相对重要性排序权重。这一过程称为层次单排序;
一致性检验:检验判断矩阵的一致性,即检验判断矩阵是否满足一致性条件。如果满足一致性条件,则认为层次单排序结果是合理的;
层次总排序:计算各层元素对***目标的合成权重,进行总排序,以确定递阶结构图中最底层各个元素的总排序权重;
通过层次分析法,决策者可以将复杂的决策问题分解为不同的层次,并基于定性和定量的分析进行决策;这种方法能够提高决策的准确性和有效性,特别适用于那些难以用定量方法解决的复杂问题。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一些逻辑功能划分,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***,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,装置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。
所述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或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。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,在本申请各个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。
所述功能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,可以存储在一个计算机可读取存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述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-onlymemory,ROM)、随机存取存储器(randomaccessmemory,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,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (9)
1.一种基于多种环境因素中河流流量异常预警***,其特征在于,包括如下内容:
监测单元,在预警区域的各个子区域内设置若干个监测点,并由监测数据构建预警区域内的预警条件集合,由预警条件集合生成相应的条件系数,若所获取的条件系数/>超过条件阈值,向对应子区域的管理人员发出预警指令;
其中,由预警条件集合生成相应的条件系数,具体方式如下,对无量纲化的空气湿度率Rv及地下水位率Dv做如下处理:
其中,,m为子区域的个数,/>为空气湿度率的合格参考值,/>为地下水位率的合格参考值;权重系数:/>,且/>;
质量分析单元,在预警区域内的数据采集点处采集水利数据并构建相应的水文数据列,依据各个数据采集点的险情优先级,依次获取各个水文数据列的数据质量系数/>,若所述水文数据列的数据质量系数/>低于预期,则对其做出优化;其中,数据质量系数/>获取方式如下:对水文数据列内数据的离散度S及聚集度M做线性归一化处理,将相应的数据值映射至区间/>内,再依照如下公式:/>
权重系数:,且/>;
筛选单元,构建各个数据采集点处的水文系数,并在结合其预测值的基础上,对水文系数/>做趋势分析,依据分析结果在若干个数据采集点中筛选出相应的异常节点,若异常节点的密度高于预期,向预警区域内的管理人员发送报警指令;
预测单元,由样本数据训练获取水文预警模型,使用训练后的水文预警模型对预警区域内的河流水文状态进行预测,将预测数据做可视化处理后,将异常节点上水文数据发送给附近的管理人员;
匹配单元,对预测数据集合内的数据做特征识别,由识别获取的异常特征从预先构建的水文异常知识图谱内匹配出对应的应急方案,并将所述应急方案发送至对应的管理人员。
2.根据权利要求1所述的基于多种环境因素中河流流量异常预警***,其特征在于:
构建覆盖预警区域的电子地图,在电子地图上区域将预警区域分割为若干个子区域,且使各个子区域内不完全被河流覆盖,在各个子区域内设置监测点;
在河岸边缘处对子区域内的空气湿度及地下水位做持续性监测,在获取相应的监测数据后,分别对若干组的空气湿度及地下水位的绘制变化曲线;从变化曲线中获取最近的相邻两点间的斜率,分别作为空气湿度率Rv及地下水位率Dv;将空气湿度率Rv及地下水位率Dv汇总,构建预警区域内的预警条件集合。
3.根据权利要求1所述的基于多种环境因素中河流流量异常预警***,其特征在于:
发出预警指令后,在预警区域内设置若干个数据采集点,在各个数据采集点获取河流的当前的水位增速Zs,并结合数据采集点在电子地图上的位置,计算获取其接近中心度Cn,由此获取各个数据采集点处的险情优先级;
接收各个数据采集点处的水文数据后,构建各个水文数据列,将各个水文数据列内的数据依据数据采集时间做有序排列,并在做数据分析后获取水文数据列内的数据的离散度S与聚集度M。
4.根据权利要求3所述的基于多种环境因素中河流流量异常预警***,其特征在于:
险情优先级的获取方式如下:对水位增速Zs及接近中心度Cn做线性归一化处理,将相应的数据值映射至区间/>内,再依照如下公式:
其中,为权重系数,/>,且/>,/>为水位增速的均值,/>为接近中心度的均值。
5.根据权利要求1所述的基于多种环境因素中河流流量异常预警***,其特征在于:
若水文数据列的数据质量系数低于质量阈值,预先构建异常阈值/>:
其中,,n为水文数据列的内数据的个数,/>为数据均值,/>为第i个数据;
将不在异常阈值内数据作为异常数据,依据插值法对异常数据做出替换,并将处理后的数据列标记为优化数据列。
6.根据权利要求1所述的基于多种环境因素中河流流量异常预警***,其特征在于:
各个数据采集点当前的水文系数的获取方式如下:将获取到的流量增速Lz、水位增速Sz、含水量增速Hz做线性归一化处理,将相应的数据值映射至区间/>内,再依照如下公式:
其中,,k为数据采集点的个数,/>为流量增速的合格参考值,/>为水位增速的合格参考值,/>为含水量增速的合格参考值,权重系数:,且/>。
7.根据权利要求6所述的基于多种环境因素中河流流量异常预警***,其特征在于:
在连续获取到若干个时间节点上的水文系数后,将水文系数/>沿着时间轴排列,构建水文系数列,使用训练后的平滑指数模型,对水文系数/>的变化进行预测,获取连续若干个预测值,并在此基础上计算水文系数列的相对强弱指数;
在相对强弱指数不在内时,将相应的数据采集点标注为异常节点,获取异常节点在预警区域内的密度作为节点密度。
8.根据权利要求1所述的基于多种环境因素中河流流量异常预警***,其特征在于:
以各个监测点处地下水位持续升高作为起始条件,使用训练后的水文预警模型对预警区域内的河流水文状态进行预测并获取预测数据,构建预测数据集合;将预测数据集合内的水文数据依据各个子区域进行归类,并将归类后的预测数据与历史数据汇合;
依据各个子区域内的水文数据的变化趋势,可视化处理后获取各项水文数据变化曲线,获取预警区域内的管理人员的位置信息后,以固定时间间隔,将其中异常节点上可视化的水文数据发送给附近的管理人员。
9.根据权利要求1所述的基于多种环境因素中河流流量异常预警***,其特征在于:
以水文异常作为目标词,预先构建异常维护知识图谱;对预测数据集合内的数据做特征识别,并在设置异常标准后,筛选出若干个异常特征,由异常特征在水文异常知识图谱内匹配出对应的应急方案;
依据应急方案的执行区域,对匹配出的应急方案做出分解,获取若干个子方案;将子方案优先发送至对应的应急管理人员,若对应子区域的管理人员不在所述子区域内,则再将其发送至相临近的管理人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410199511.4A CN117809439B (zh) | 2024-02-23 | 2024-02-23 | 一种基于多种环境因素中河流流量异常预警*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410199511.4A CN117809439B (zh) | 2024-02-23 | 2024-02-23 | 一种基于多种环境因素中河流流量异常预警*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117809439A CN117809439A (zh) | 2024-04-02 |
CN117809439B true CN117809439B (zh) | 2024-05-14 |
Family
ID=90432130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410199511.4A Active CN117809439B (zh) | 2024-02-23 | 2024-02-23 | 一种基于多种环境因素中河流流量异常预警*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117809439B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118035774A (zh) * | 2024-04-15 | 2024-05-14 | 四川能投云电科技有限公司 | 一种水位和压力信号数据安全控制方法及*** |
CN118070199A (zh) * | 2024-04-18 | 2024-05-24 | 云南钧衡电力检测技术有限公司 | 一种电力设备检测方法及检测*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894741A (zh) * | 2016-05-04 | 2016-08-24 | 南京信息工程大学 | 一种多资源融合的洪水灾害监测预警装置及方法 |
WO2016198873A1 (en) * | 2015-06-09 | 2016-12-15 | Smith Alexis Hannah | Flood risk mapping and warning system and method |
CN108267178A (zh) * | 2018-04-17 | 2018-07-10 | 四川农业大学 | 一种河流环境的监测预警方法及其*** |
JP2021165689A (ja) * | 2020-04-08 | 2021-10-14 | 東日本旅客鉄道株式会社 | 豪雨時の河川氾濫予測方法および河川氾濫予測装置 |
CN114547541A (zh) * | 2022-02-28 | 2022-05-27 | 安徽新宇环保科技股份有限公司 | 一种应用于河涌巡测的*** |
US11513244B1 (en) * | 2020-04-22 | 2022-11-29 | Earthsystems Technologies, Inc. | System and method for predictive monitoring geological and meteorological effects on subsurface infrastructure systems and reporting emergency conditions |
CN116029551A (zh) * | 2023-01-04 | 2023-04-28 | 浪潮卓数大数据产业发展有限公司 | 基于水库河流的旱涝预警方法及装置、设备 |
CN116822969A (zh) * | 2023-08-30 | 2023-09-29 | 安徽金海迪尔信息技术有限责任公司 | 基于模型组合的水利模型云计算方法与*** |
-
2024
- 2024-02-23 CN CN202410199511.4A patent/CN117809439B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016198873A1 (en) * | 2015-06-09 | 2016-12-15 | Smith Alexis Hannah | Flood risk mapping and warning system and method |
CN105894741A (zh) * | 2016-05-04 | 2016-08-24 | 南京信息工程大学 | 一种多资源融合的洪水灾害监测预警装置及方法 |
CN108267178A (zh) * | 2018-04-17 | 2018-07-10 | 四川农业大学 | 一种河流环境的监测预警方法及其*** |
JP2021165689A (ja) * | 2020-04-08 | 2021-10-14 | 東日本旅客鉄道株式会社 | 豪雨時の河川氾濫予測方法および河川氾濫予測装置 |
US11513244B1 (en) * | 2020-04-22 | 2022-11-29 | Earthsystems Technologies, Inc. | System and method for predictive monitoring geological and meteorological effects on subsurface infrastructure systems and reporting emergency conditions |
CN114547541A (zh) * | 2022-02-28 | 2022-05-27 | 安徽新宇环保科技股份有限公司 | 一种应用于河涌巡测的*** |
CN116029551A (zh) * | 2023-01-04 | 2023-04-28 | 浪潮卓数大数据产业发展有限公司 | 基于水库河流的旱涝预警方法及装置、设备 |
CN116822969A (zh) * | 2023-08-30 | 2023-09-29 | 安徽金海迪尔信息技术有限责任公司 | 基于模型组合的水利模型云计算方法与*** |
Non-Patent Citations (3)
Title |
---|
"Deep learning models to predict flood events in fast-flowing watersheds";Luppichini M, Barsanti M, Giannecchini R, et al.;《Science of the Total Environment》;20221231;134297-134413 * |
"多源信息融合技术在内陆湖库水华预警中的研究进展与展望";曾维华;《长江流域资源与环境》;20090131;第第18卷卷(第第1期期);72-78 * |
"Development of deep learning models to improve the accuracy of water levels time series prediction through multivariate hydrological data";Park K, Jung Y, Seong Y, et al.;《Water》;20220204;第14卷(第3期);10.3390/w14030469 * |
Also Published As
Publication number | Publication date |
---|---|
CN117809439A (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117809439B (zh) | 一种基于多种环境因素中河流流量异常预警*** | |
CN106022518B (zh) | 一种基于bp神经网络的管道破损概率预测方法 | |
Zou et al. | Comprehensive flood risk assessment based on set pair analysis-variable fuzzy sets model and fuzzy AHP | |
Dixon | Applicability of neuro-fuzzy techniques in predicting ground-water vulnerability: a GIS-based sensitivity analysis | |
Kwak et al. | Discerning the success of sustainable planning: A comparative analysis of urban heat island dynamics in Korean new towns | |
Smakhtin et al. | Review, automated estimation and analyses of drought indices in South Asia | |
Kim et al. | Assessing climate change vulnerability with group multi-criteria decision making approaches | |
Bashari et al. | Risk of fire occurrence in arid and semi-arid ecosystems of Iran: an investigation using Bayesian belief networks | |
Shin et al. | A Bayesian network‐based probabilistic framework for drought forecasting and outlook | |
Cheng et al. | Predicting daily ozone concentration maxima using fuzzy time series based on a two-stage linguistic partition method | |
Zhu et al. | [Retracted] Analysis of the Impact of Climate Change on National Vulnerability Based on Fuzzy Comprehensive Evaluation | |
Nandalal et al. | Flood risk analysis using fuzzy models | |
CN117787658B (zh) | 一种基于灌区的河水流量异常条件下水资源调度*** | |
CN116109462A (zh) | 一种自然灾害后饮水水源地污染监测预警方法及*** | |
CN116881749B (zh) | 一种污染场地施工监测方法及*** | |
Karyotis et al. | Deep learning for flood forecasting and monitoring in urban environments | |
Xie et al. | Autoencoder-based deep belief regression network for air particulate matter concentration forecasting | |
CN116777079A (zh) | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 | |
Li et al. | Urban flood risk assessment based on DBSCAN and K-means clustering algorithm | |
CN116645013A (zh) | 一种城市生态韧性评估预警方法、装置及相关设备 | |
Zhou et al. | Real‐time prediction and ponding process early warning method at urban flood points based on different deep learning methods | |
Liu et al. | Uncertainty quantification of machine learning models to improve streamflow prediction under changing climate and environmental conditions | |
Lin et al. | Hurricane freshwater flood risk assessment model for residential buildings in southeast US coastal states considering climate change | |
Mascali et al. | A machine learning-based Anomaly Detection Framework for building electricity consumption data | |
CN116108198A (zh) | 基于大数据ai构建知识图谱的水质诊断方法及存储介质 |
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 |