CN104408900B - 基于动态优化的神经网络洪水预警装置及其方法 - Google Patents

Abstract

本发明提供一种基于动态优化的神经网络洪水预警装置及其方法，该装置包括信息处理单元，与信息处理单元连接的信息收集模块、GPS卫星定位模块、GIS地理信息模块、无线网络模块，与无线网络模块连接的客户端。信息处理单元用于匹配后的资料信息进行数据同化，同化后的数据包括历史资料数据和实施资料数据，利用历史资料数据建立网络洪水预报模型，并利用实施资料信息对建立的网络洪水预报模型进行校正以得到动态化的网络洪水预报模型，并利用该网络洪水预报模型输出灾害评估结果；无线网络模块将该灾害评估结果发送给客户端。本发明通过网络洪水预报模型及时准确做出山洪灾害分析判断，为实时制定和选择防御方案提供可靠依据。

Description

基于动态优化的神经网络洪水预警装置及其方法

技术领域

本发明涉及地理探测技术领域，尤其涉及一种基于动态优化的神经网络洪水预警装置及其方法。

背景技术

洪水预测和报警是根据洪水形成的客观规律，利用现在已经掌握的水文、气象资料，预报河流某一段面在未来一定时期内(即预见期)将要出现的流量、水位过程。洪水灾害是当今世界上主要的自然灾害之一，防治洪水灾害是世界各国普遍关注的问题。70年代，美国首先提出采用非工程措施(Non-structural measures)的概念，即通过洪水预报、防洪调度、分洪、滞洪、立法、洪水保险、洪泛区管理以及造林、水土保持等非工程措施来减缓洪涝灾害，改变损失分摊方法，加强防洪管理，顺应洪水的天然特性，因势利导，以达到防洪减灾的目的。洪水灾害具有如下几个特点：

(1)不确定性。灾害性洪水的发生具有随机的特点，加之人们对自然现象和社会现象认识的局限性，导致洪水灾害的发生具有随机性的特点。(2)可防御性。虽然人们不可能完全控制洪水，但通过各种努力，可以把洪水灾害的影响程度和空间范围，减少到最低限度。(3)区域性。洪水灾害的发生一般不是一个点或一条线，而是一个面，连片成灾。大江大河洪水灾害，可能涉及几个省，小河溃堤也可能殃及一个或数个县。(4)差异性。影响洪灾损失的因素很多，包括淹没水深、水流速度、淹没历时、财产水平及构成、农作物构成及防洪安全建设、预报和预警技术等。在不同淹没区，或同一淹没区的不同时间，不同受灾对象，其损失程度和大小是有差别的。

洪水预报是根据洪水的形成和运动规律，利用过去和实测的水文气象资料，对未来一定时段内的洪水发展情况所作的预测预报分析，是防汛减灾的一项重要的非工程措施。通过准确预测洪灾发生的趋势，可以争取时间，采取正确的防洪救灾对策，以减轻灾害的影响。美国从上世纪70年代至80年代初，美国由许多研究人员共同努力奠定了洪水预警系统科学研究的基础。其中，决策理论用于江河干流洪水预报响应系统的模型化和评价是这一时期的重要标志。美国有2万多个洪水多发区域，其中3000个在国家气象局的洪水预报范围内，1000个有当地的洪水预警系统，其余的是县一级的预报系统。美国把全国分为13个流域，每个流域都建立了洪水预警系统，每天进行一次洪水预报。

此外，美国还利用先进的现代信息技术和专业技术，对洪灾进行及时准确的预测，发布警示信息，并逐步建立以地理信息系统(GIS)、遥感系统(RS)和全球定位系统(GPS)为核心的3S洪水预警系统。英国的洪水风险研究中心对洪水预警研究和应用都有突出的贡献，它成立于1970年，目前已经发展成为一个在国内和国际享有盛誉的、与世界上许多发达国家和发展中国家都有业务联系的机构。该中心负责拟定国家洪水预警系统的指导方针，这些方针只要稍加修改就可以用于任何情况的洪水预警。澳大利亚属于干早的大陆，降雨径流很少，但其气候变化无常，破坏性的洪水时有发生。这些洪水，对东部和东南沿海占全国80％以上人口的重要城市及其他城市地区，造成特别大的损失。防洪工作主要由州与地方政府负责，联邦政府起协调作用，并提供部分资金。近年来，澳大利亚的防洪工作逐渐成为流域综合管理过程的一部分，通过以流域为基础的管理委员会或托管机构进行协调。澳大利亚注重优先解决受影响最频繁地区紧迫的防洪和排水问题，并迅速采取工程措施和非工程措施，以解决现有洪水问题，有效地控制开发，限制未来洪水的范围。

日本在第二次世界大战结束后，防洪立即成为日本经济恢复和重建的一项重要工作。防洪的重要性突出体现在资金的分配上，日本防洪和灾后恢复投资约占政府对公共工程总投资的2/3。日本在重视防洪工程措施建设的同时，其国立防灾减灾中心积极开展并实施非工程措施的开发研究。我国防洪预警系统建设起步较晚，但近几年来取得了很大的进展，正在缩小与发达国家之间的差距。从“六五”到“八五”期间，通过国家的“遥感技术应用研究”科技攻关项目，我国在建立洪水灾害监测信息系统方面取得了一系列成果，“八五”期间开发的信息系统在1995年6、7月份江西省鄱阳湖、湖南省洞庭湖地区的洪水灾害以及辽宁省辽河和浑河流域洪水灾害监测中取得了较好的效果。中国科学院与中国气象局(85-906项目)初步建立了台风、暴雨和洪水灾害实时信息系统。中国科学院和国家教委有关科研、教学部门研制了气象卫星对小区域自然灾害进行应急监测的技术系统。近年来，我国许多地区都进行了防洪预警系统的开发，最具代表性的当属长江荆江河段洪水预警公共信息平台的建设和应用。该平台防洪减灾信息内容之全、数据精度之高在国内尚属首次，而且其在洪水预警公共信息平台概念的提出、洪水预警公共信息平台开发和预警信息综合处理技术等方面已处于国际领先水平。然而，我国预警系统建设水平与发达国家相比还具有一定差距，我国3S技术应用方面起步较晚，“七五”期间开始尝试利用遥感和地理信息系统技术相结合开展洪水灾害监测预报与评估等研究工作，至1998年采用微波雷达技术对“98大洪水”灾区进行全方位的遥感监测。但是，我国对于洪水灾害的遥感监测应用所得到的结果基本上仅仅限于淹没范围和淹没区内土地利用类型的空间分布，距离防洪减灾预警实际需求尚有差距。

然而，现有洪水预警方法主要是对水库、河流的水位，山体滑坡等信息进行收集，然后利用收集的信息结合GPS卫星定位，然后通过3G网络传输报警信息，基本上以观测的数据来直接判断洪水是否对堤坝有危险，或者是否会造成流域沿岸淹没的危险，该预报方法预报的信息不够准确，而且得到的报警信息内容不够丰富多元化。

发明内容

本发明的目的在于解决上述现有技术存在的缺陷，提供一种预报信息不但精确、而且报警信息丰富多元的基于动态优化的神经网络洪水预警装置及其方法。

一种基于动态优化的神经网络洪水预警装置，包括：

信息收集模块，用于收集洪水报警信息所需的资料信息；

GPS卫星定位模块，与信息处理单元连接，用于将收集的资料信息与GPS卫星定位模块的信息进行匹配；

GIS地理信息模块，与信息处理单元连接，用于将收集的资料信息与GIS地理信息模块的信息进行匹配；

信息处理单元，与所述信息收集模块连接，用于匹配后的资料信息进行数据同化，同化后的数据包括历史资料数据和实时资料数据，利用遗传算法和粒子群算法混合来优化神经网络的连接权和网络结构，同时结合历史资料数据建立神经网络洪水预报模型，同时将该预报模型采用三维显示的方式进行显示；并利用实时资料信息对建立的神经网络洪水预报模型进行校正以得到动态优化的具有三维可视效果的神经网络洪水预报模型，并利用优化后的神经网络洪水预报模型输出灾害评估结果；

无线网络模块，与信息处理单元连接，用于将灾害评估结果发送客户端；

客户端，包括能够以短信形式接收预测结果的手机或掌上电脑、以及能够接收呈现动态化显示灾害评估结果预报信息图像的显示器。

进一步地，如上所述的基于动态优化的神经网络洪水预警装置，所述信息收集模块包括：高空热带气旋探测器、风场气压探测器、雨量计量器、温湿度探测器、水位探测器、土壤湿度传感器、山体滑坡探测器、河流堤坝探测器、城市雨水网管排水探测器，堤坝防洪闸门运行监测器。

一种基于动态优化的神经网络洪水预警方法，包括以下步骤：

步骤1、利用信息收集装置收集洪水报警信息所需的资料信息；所述资料信息按时间划分包括：历史资料数据和实时资料数据，所述历史资料数据和实时资料数据分别与GPS卫星定位模块、GIS地理信息模块的信息相对应匹配；

步骤2、对收集匹配后的资料信息进行资料同化；

步骤3、对同化的资料提取数据的主要特征，把其作为预报因子，利用遗传算法-粒子群算法来混合优化神经网络的连接权和网络结构，同时结合同化后的历史资料数据建立网络神经洪水预报模型；所述主要特征包括：流域内区域断面流量的长期趋势、径流总量的长期趋势和水位时间序列的长期趋势、季节变动规则、循环变动规则和不规则变动影响因子；

步骤4、利用建立的网络神经洪水预报模型输出初步预测结果；所述预测结果包括：雨量、水位、流速、流量、城市雨水流量、城市雨水网管的排水和城市积水区域面积；

步骤5、利用同化后的实时资料信息对网络神经洪水预报模型输出的初步预测结果进行校正，以得到优化的网络神经洪水预报模型；

步骤6、将优化的网络神经洪水预报模型输出的实际预测结果与卫星定位模块和GIS地理信息模块相结合，来动态呈现出校正后的预报模型预测洪水情况图像；

步骤7、利用校正后的预报模型输出的预测洪水情况，对其进行灾害评估；

步骤8、将评估结果以动态图像的呈现方式发送给具有显示器的客户端，将评估结果的信息进行处理后利以短信形式发送给短信接收客户端。

进一步地，如上所述的基于动态优化的神经网络洪水预警方法，步骤1中所述资料信息包括：利用高空热带气旋探测器收集高空气旋压力情况；利用风场气压探测器收集风场形成周边气压情况；利用雨量计量器收集实时降水量；利用温湿度探测器收集温度和湿度；利用水位探测器收集流域径流的水位和流速；利用土壤湿度传感器收集土壤容积含水量、土壤墒情监测信息；利用山体滑坡探测器收集边坡软弱结构面或结构带所产生的剪切位移而整体地向斜坡下方移动情信息；利用河流堤坝探测器收集堤坝的水利运行信息；利用城市雨水网管排水探测器收集城市雨水管网的运行、排水信息；利用堤坝防洪闸门运行监测器收集闸门的运行状况信息。

进一步地，如上所述的基于动态优化的神经网络洪水预警方法，步骤2中所述对收集的资料信息进行资料同化包括以下步骤：

①、把所有收集匹配后的资料基于原始数据的均值和标准差进行数据的标准化，即将A的原始值x使用z-score标准化到x′。

进一步地，如上所述的基于动态优化的神经网络洪水预警方法，在步骤①之后，还包括：将标准化后的数据与GPS卫星定位模块和GIS地理信息模块的信息进一步同化，使观测和收集的数据在空间和时间一致。

进一步地，如上所述的基于动态优化的神经网络洪水预警方法，步骤3中具体包括以下步骤：

步骤3.1：将神经网络连接权和网络结构初始化，同时粒子群的位置和速度也初始化；

步骤3.2：确定编码方法、解码方案和适应度函数；

步骤3.3：利用同化后的历史资料数据和特征因子计算适应度、并设定结；

步骤3.4：利用粒子群优化神经网络的连接权和网络结构；

步骤3.5：生成一组神经网络个体；

步骤3.6：利用二进制粒子群算法动态选择集成个体；

步骤3.7：利用浮点数粒子群算法确定集成个体的连接权；

步骤3.8：生成动态优化的神经网络预测模型。

进一步地，如上所述的基于动态优化的神经网络洪水预警方法，步骤5所述利用同化后的实时资料信息与对预报模型输出的预测结果进行校正包括以下步骤：

①、收集最近3天的洪水报警信息所需的资料信息；

②、利用历史数据建立的预报模型来预测实时的水位、流速和流量，同时也预测土壤湿度、山体滑坡、河流堤坝、城市雨水网管排水的信息；

③、将收集的实时观测资料和预报模型预测的信息进行比对，若精度达到预定要求，则判定可以利用原来的模型预测未来3天情况，若误差超出预定要求，则利用实时资料调整预报模型的参数，使得误差精度在预定要求范围以内，然后再利用动态调整后的预测模型来预测未来3天的情况。

有益效果：

本发明提供的洪水预警装置利用实时水、雨情和气象产品应用子系统提供的降雨资料，汇总到调度中心主机房，然后利用这些资料建立动态优化的神经网络系统预测模型，运用实时校正技术和可视化的三维显示技术，完成对主要流域、重点防洪地区、重点水库和蓄(滞)洪区的预报，提供具有不同预见期和精度的洪水预报成果，为防汛部门及其它政府机构提供一个能对重要防洪地区进行快速准确的暴雨洪水预测预报服务，进而为防汛部门及其它政府机构的洪水预防工作提供了导向。

附图说明

图1为本发明基于动态优化神经的网络洪水预警装置结构示意图；

图2为本发明基于动态优化的神经网络神经洪水预报模型建立方法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面本发明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。

图1为本发明基于动态优化神经的网络洪水预警装置结构示意图，如图1所示，本发明提供的一种基于动态优化的神经网络洪水预警装置，包括：

信息收集模块，用于收集洪水报警信息所需的资料信息；所述信息收集模块包括：高空热带气旋探测器、风场气压探测器、雨量计量器、温湿度探测器、水位探测器、土壤湿度传感器、山体滑坡探测器、河流堤坝探测器、城市雨水网管排水探测器，堤坝防洪闸门运行监测器。

GPS卫星定位模块，与信息处理单元连接，用于将收集的资料信息与GPS卫星定位模块的信息进行匹配；

GIS地理信息模块，与信息处理单元连接，用于将收集的资料信息与GIS地理信息模块的信息进行匹配；

信息处理单元，与所述信息收集模块连接，用于匹配后的资料信息进行数据同化，同化后的数据包括历史资料数据和实施资料数据，利用遗传算法和粒子群算法混合来优化神经网络的连接权和网络结构，同时结合历史资料数据建立网络神经洪水预报模型，同时将该预报模型采用三维显示的方式进行显示；并利用实时资料信息对建立的神经网络洪水预报模型进行校正以得到动态优化的具有三维可视效果的神经网络洪水预报模型，并利用优化后的神经网络洪水预报模型输出灾害评估结果；

无线网络模块，与信息处理单元连接，用于将灾害评估结果发送客户端；

客户端，包括能够以短信形式接收预测结果的手机或掌上电脑、以及能够接收呈现动态化显示灾害评估结果预报信息图像的显示器。

下面对本发明基于动态优化的网络洪水预警方法进行阐述：

该方法包括以下步骤：

步骤一、利用信息收集装置收集洪水报警信息所需的不同资料信息，所述不同的资料信息包括：利用高空热带气旋探测器收集高空气旋压力情况、利用风场气压探测器收集风场形成周边气压情况、利用雨量计量器收集实时降水量、利用温湿度探测器收集温度和湿度、利用水位探测器收集流域径流的水位和流速、利用土壤湿度传感器收集土壤容积含水量，土壤墒情监测、利用山体滑坡探测器收集边坡软弱结构面(带)产生剪切位移而整体地向斜坡下方移动情况，利用河流堤坝探测器收集堤坝的水利运行信息，利用城市雨水网管排水探测器收集城市雨水管网的运行、排水信息、堤坝防洪闸门运行监测器收集闸门的运行状况，所述不同的资料信息按时间划分包括：历史资料数据和实时资料数据，所述历史资料数据和实时资料数据分别与GPS卫星定位模块、GIS地理信息模块的信息相对应匹配；

步骤二、对收集的资料信息进行资料同化；

具体地，为了将不同时空间、不同时间、采用不同方法观测手段获得的数据与预测模型有机结合，纳入统一的分析与预报系统，建立模型与数据相互协调的优化关系，使得分析结果误差达到最小，本发明将收集的与GPS卫星定位模块和GIS地理信息模块匹配后的所有资料进行同化，该同化的方法具体为：把所有收集的匹配后的资料基于原始数据的均值和标准差进行数据的标准化，将A的原始值x使用z-score标准化到x′；(所述z-score为阿特曼Z-score模型，即使经过处理的数据符合标准正态分布，即均值为0，标准差为1)。

进一步地，由于GPS卫星定位模块与GIS地理信息模块所包含的信息不够细致，因此，GPS卫星定位模块与GIS地理信息模块在同化后的数据对应点可能没有对应的信息，因此，需要将标准化后的数据与GPS卫星定位模块和GIS地理信息模块的信息进一步同化，使观测和收集的数据空间一致，为使观测和收集的数据空间一致，本发明采用最优插值方法、逐步修订方法和变分法对GPS卫星定位模块和GIS地理信息模块和收集到的资料进行同化；为使观测和收集的数据时间一致，本发明采用线性卡尔曼滤波方法、扩展卡尔曼滤波方法和集合卡尔曼滤波方法对GPS卫星定位模块和GIS地理信息模块和收集到的资料同化。

步骤三、对同化的资料提取数据的主要特征，把其作为预报因子，利用遗传算法-粒子群算法来混合优化神经网络的连接权和网络结构，同时结合同化后的历史资料数据建立网络神经洪水预报模型；

如图2所示，建立基于动态优化的神经网络神经洪水预报模型包括以下步骤：

步骤1：提取同化的数据主要特征，作为预报因子。所述主要特征是：流域内重要区域断面的流量、径流总量和水位时间序列的长期趋势、季节变动规则、循环变动规则和不规则变动影响因子。(时间和空间考虑序列，即就是对径流序列的数据分析)

(1)本发明采用的时间序列形式，以时间数列所能流域内流量、流速和水位，进行引伸外推，预测其未来的流量、流速和水位。设为流域内{x_t，t＝1，2，3，...，N}流量，单位时间内通过某一过水断面的水量，单位为立方米每秒设(m³/s)为流量时间序列。它是将流量指标的数值，按时间先后顺序排到所形成的数列，它所反映出来的是流量发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间流量。

(2)设为流域内{y_t，t＝1，2，3，...，N}径流总量，单位是立方米(m³)，时段Δt内通过河流某一断面的总水量。以所计算时段的时间乘以该时段内的平均流量，就得径流总量y，即y＝x·Δt。设为流域{Z_t，t＝1，2，3，...，N}水位时间序列。这样做的目的就是主要观测径流数据单位时间的变化情况，这个序列是流域内某个断面径流总量时间序列，可以用于后续的水位预测，如在上游某个截面1个小时有大量来水，而在下游的河道内部情况不明的前提下，而此时下游堤坝就需要注意防护。

(3)流量时间序列可看成受各种周期扰动的叠加，频域分析就是确定各周期的振动能量的分配，这种分配称为“谱”，或“功率谱”。因此需要时间序列进行谱分析。

以下以流量说明数据分析过程，设经过小波分析提取高频信号和低频信号，对其标准化，再次进行奇异谱分析和均生函数提取信息熵，设标准化的流量时间序列：

x_H ⁽⁰⁾＝{x₁，x₂，...，x_N} (1)

作一阶差分运算：

Δx(H)＝x(t+1)-x(t)，t＝1，2，...N-1 (2)

得到一阶差分序列：

x⁽¹⁾(H)＝{Δx(1)，Δx(2)，……Δx(N-1)} (3)

(4)作二阶差分运算，得到二阶差分序列：

x⁽²⁾(H)＝{Δ²x(1)，Δ²x(2)，……Δ²x(N-2)} (4)

(5)计算

序列均生函数可以由一个上三角阵表示：

对于一阶差分序列，二阶差分序列同样计算：

x⁽¹⁾(t)＝{Δx(1)，Δx(2)，......Δx(N-1)} (7)

x⁽²⁾(t)＝{Δ²x(1)，Δ²x(2)，......Δ²x(N-2)} (8)

均生函数序列

及

当1＝1时

1＝2时

然后再对一阶、二阶差分均生函数序列以及原序列均生函数作周期性延拓计算：

其中t＝1，2，...N；1＝1，2，...M

公式(1-5)是进行谱分析数据差分处理，看看数据与前几个时刻关联。当序列含有确定性的周期分量时，通过f(t)的极大值点寻找这些分量的周期。

(6)计算序列作分类预报的信息熵计算

其中I为对分类预报的信息熵评分，n_ij为i类事件与j类估计事件的列联表中的个数。并通过对各延拓均生函数分类预报信息熵的计算值作卡方检验，挑选出分类预报信息熵相对高的延拓均生函数序列，通过对数据的分析，即得到时间序列流量前期因子，在时间上和空间上影响当前时刻流量和总水量的因子矩阵。以上各个公式的主要目的就是通过数据在单位时间的变换情况，分析径流数据的动态规律，径流数据的变化率，以及径流数据目前时刻状态和前几个时刻状态相关，具体的关系如何，以此推演未来时间的径流情况。

步骤2：将神经网络连接权和网络结构初始化，同时粒子群的位置和速度也初始化；

具体地，在区间[-1，1]随机生成网络的连接权，网络结构连接采取全连接的方式、神经网络的整体结构采用四层连接，由输入层(数据输入)，2个隐含层，输出层(数据的输出)构成，同时对粒子群算法的粒子个数设为200，进化代数设为100，并进一步对速度、加速度和更新系数随机生成。

步骤3：确定编码方法、解码方案和适应度函数；

具体地，连接权采用浮点数编码，连接结构采用布尔代数编码，同时对于编码方案采用线性小生境淘汰算法，加速运算的收敛。

步骤4：利用同化后的历史资料数据和特征因子计算适应度、并设定结束代数；

具体地，设网络误差为，其中Z_t为实际数据(如，径流的流速)，为网络预测输出，t为预测的样本个数，则适应度函数设定为：

f(y)＝1/(1+y)

步骤5：利用遗传-粒子群优化神经网络的连接全和网络结构；

具体地，首先利用遗传算法对编码后的浮点数、布尔代数进化100次，对进化后的编码(粗搜索)，采用粒子群算法神经网络的连接权，结构再次进化100次(精细搜索)，在遗传算法进化过程中，以进化代数控制进程，而在粒子群算法进化过程中，以适应度和进化代数共同控制进程，如果适应度小于0.001或者进化代数达到100次，结束计算过程。

步骤6：生成一组神经网络个体；

具体地，把最后一代解码，生成一组优化以后的神经网络连接权和连接结构确定的个体。二进制布尔代数解码，如果代码是1，说明该节点有相互连接，如果该解码是0，说明该节点没有连接，则删除该节，和其对应相连节点都删除。浮点数解码，得到神经网络连接的数值大小。

步骤7：利用二进制粒子群算法动态选择集成个体，；

具体地，把最后一组神经网络个体的结构和连接权确定以后，利用二进制粒子群选择最优神经网络进行预测，再次进化，如果结果是1，说明该个体参与预测计算，如果该个体进化的结果是0，说明该个体不参与预测计算。

步骤8：利用浮点数粒子群算法确定集成个体的连接权；

具体地，再利用浮点数优化确定参与集成运算个体的权重。利用粒子群算法进化个体权重大小即可。

步骤9：生成动态优化的神经网络预测模型。

具体地，通过以上步骤确定进化后的神经网络个体参与预测计算的具体情况，如参与的个体是那几个，具体的权重是多少，已经知道，即用这些个体参与模型未来的预测计算。

步骤四、利用建立的网络神经洪水预报模型输出初步预测结果，所述预测结果包括：雨量、水位、流速、流量、城市雨水流量、城市雨水网管的排水和城市积水区域面积；

步骤五、利用同化后的实时资料信息对网络神经洪水预报模型输出的初步预测结果进行校正，以得到优化的网络神经洪水预报模型；

所述建立的预报模型，利用实时资料进行校正，具体包括以下步骤：

①、收集最近3天的各种实时资料，包括：高空热带气旋探测器、风场气压探测器、雨量计量器、温湿度探测器、水位探测器、土壤湿度传感器、山体滑坡探测器、河流堤坝探测器、城市雨水网管排水探测器，堤坝防洪闸门运行监测器各种资料。

②、利用历史数据建立动态优化的神经网络模型预测实时的水位、流速和流量，同时也预测土壤湿度、山体滑坡、河流堤坝、城市雨水网管排水的情况。

③、资料的比对，实时观测资料和模型预测资料比对，若精度达到预定要求，判定可以利用原来的模型预测未来3天情况(主汛期)，若误差精度较大，则利用实时资料调整模型的参数，使得误差精度达到要求以后，在利用动态调整后的模型预测未来3天情况(主汛期)。

步骤六、将优化的网络神经洪水预报模型输出的实际预测结果与卫星定位模块和GIS地理信息模块相结合，来动态呈现出校正后的预报模型预测洪水情况图像；

所述动态的呈现出预测的洪水情况包括：

①、预测的雨量、水位、流速、流量、城市雨水流量、城市雨水网管的排水和城市积水区域面积等结合GIS地理信息模块。

②、利用GIS地理信息模块，将反映降雨量的雨量线、水位线、流速线、流量线、城市雨水流量线等迅速制图。

③、通过流域内有限个采集点的量测估计出整个流域的情况，并对各种线图相同区域的图层进行叠加分析。

④、计算的流域内若干截面的水位、流速和流量的资料，结合GPS和GIS地理信息模块结合的输出流域堤坝的水位会在什么位置，预计半个小时以后会在什么位置，依据当前的情况会淹没多的区域，如流域流经城市的房地产、公共卫生、农田、景观建筑、运输和物流等，包括空间定位数据、图形数据、遥感图像数据。

⑤、动态呈现各种地理数据，如流域河流的流速、流量、水位，以及流经城市的房地产、公共卫生、农田、景观建筑、运输和物流等。如动态显示30分钟后，水位会在什么位置，流经城市会淹没在什么区域，面积是多少，估计会有多的损失，估计需要多少人要转移，多少农田会被淹没等重要的信息；动态显示60分钟后水位会在什么位置，流经城市会淹没在什么区域，面积是多少，估计会有多的损失，估计需要多少人要转移，多少农田会被淹没等重要的信息。

步骤七、利用校正后的预报模型输出的预测洪水情况，对其进行灾害评估；

如若有洪水，评估流经区域的洪水淹没经济损失情况评估，结果给相关部门参考，对于动态呈现结果，利用专家系统给出决策方案，如需要在段长时间搬迁低洼地带的人员，需要调运多少物资在河堤什么位置，重点水库和蓄(滞)洪区的联合调度，防洪方案等。

步骤八、将评估结果以动态图像的呈现方式发送给具有显示器的客户端，将评估结果的信息进行处理后利以短息形式发送给短信接收客户端。

将评估的结果以及动态呈现出预测的洪水情况图像发送给具有显示器的客户端，将预测的洪水情况信息处理后利用短息形式发送给短信接收客户端。实时汛情监视装置：利用中心机房发回的信息，以声、光、闪烁等方式在流域内重要地段报警；防汛信息服务装置：以多媒体，短信等方式提供历史雨、水、工情信息的统计、分析和查询功能，包括各种报表和图表；

本发明有益效果：1、运用实时校正技术和可视化的三维显示技术，对流域、重点防洪地区、重点水库和蓄(滞)洪区的预报，提供具有不同预见期和精度的洪水预报；2、通过预报分析模型，及时准确做出山洪灾害分析判断，山洪预报的及时性和准确性，为实时制定和选择防御方案提供可靠依据；3、提供智能防御预案、决策会商。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于动态优化的神经网络洪水预警装置，其特征在于，包括：

信息收集模块，用于收集洪水报警信息所需的资料信息；

GPS卫星定位模块，与信息处理单元连接，用于将收集的资料信息与GPS卫星定位模块的信息进行匹配；

GIS地理信息模块，与信息处理单元连接，用于将收集的资料信息与GIS地理信息模块的信息进行匹配；

信息处理单元，与所述信息收集模块连接，用于匹配后的资料信息进行数据同化，同化后的数据包括历史资料数据和实时资料数据，利用遗传算法和粒子群算法混合来优化神经网络的连接权和网络结构，同时结合历史资料数据建立神经网络洪水预报模型，同时将该预报模型采用三维显示的方式进行显示；并利用实时资料信息对建立的神经网络洪水预报模型进行校正以得到动态优化的具有三维可视效果的神经网络洪水预报模型，并利用优化后的神经网络洪水预报模型输出灾害评估结果；

无线网络模块，与信息处理单元连接，用于将灾害评估结果发送客户端；

客户端，包括能够以短信形式接收预测结果的手机或掌上电脑、以及能够接收呈现动态化显示灾害评估结果预报信息图像的显示器。

2.根据权利要求1所述的基于动态优化的神经网络洪水预警装置，其特征在于，所述信息收集模块包括：高空热带气旋探测器、风场气压探测器、雨量计量器、温湿度探测器、水位探测器、土壤湿度传感器、山体滑坡探测器、河流堤坝探测器、城市雨水网管排水探测器，堤坝防洪闸门运行监测器。

3.一种基于动态优化的神经网络洪水预警方法，其特征在于，包括以下步骤：

步骤1、利用信息收集装置收集洪水报警信息所需的资料信息；所述资料信息按时间划分包括：历史资料数据和实时资料数据，所述历史资料数据和实时资料数据分别与GPS卫星定位模块、GIS地理信息模块的信息相对应匹配；

步骤2、对收集匹配后的资料信息进行资料同化；

步骤3、对同化的资料提取数据的主要特征，把其作为预报因子，利用遗传算法-粒子群算法来混合优化神经网络的连接权和网络结构，同时结合同化后的历史资料数据建立网络神经洪水预报模型；所述主要特征包括：流域内区域断面流量的长期趋势、径流总量的长期趋势和水位时间序列的长期趋势、季节变动规则、循环变动规则和不规则变动影响因子；

步骤4、利用建立的网络神经洪水预报模型输出初步预测结果；所述预测结果包括：雨量、水位、流速、流量、城市雨水流量、城市雨水网管的排水和城市积水区域面积；

步骤5、利用同化后的实时资料信息对网络神经洪水预报模型输出的初步预测结果进行校正，以得到优化的网络神经洪水预报模型；

步骤6、将优化的网络神经洪水预报模型输出的实际预测结果与卫星定位模块和GIS地理信息模块相结合，来动态呈现出校正后的预报模型预测洪水情况图像；

步骤7、利用校正后的预报模型输出的预测洪水情况，对其进行灾害评估；

步骤8、将评估结果以动态图像的呈现方式发送给具有显示器的客户端，将评估结果的信息进行处理后利以短信形式发送给短信接收客户端。

4.根据权利要求3所述的基于动态优化的神经网络洪水预警方法，其特征在于，步骤1中所述资料信息包括：利用高空热带气旋探测器收集高空气旋压力情况；利用风场气压探测器收集风场形成周边气压情况；利用雨量计量器收集实时降水量；利用温湿度探测器收集温度和湿度；利用水位探测器收集流域径流的水位和流速；利用土壤湿度传感器收集土壤容积含水量、土壤墒情监测信息；利用山体滑坡探测器收集边坡软弱结构面或结构带所产生的剪切位移而整体地向斜坡下方移动情信息；利用河流堤坝探测器收集堤坝的水利运行信息；利用城市雨水网管排水探测器收集城市雨水管网的运行、排水信息；利用堤坝防洪闸门运行监测器收集闸门的运行状况信息。

5.根据权利要求3所述的基于动态优化的神经网络洪水预警方法，其特征在于，步骤2中所述对收集的资料信息进行资料同化包括以下步骤：

①、把所有收集匹配后的资料基于原始数据的均值和标准差进行数据的标准化，即将A的原始值x使用z-score标准化到x′。

6.根据权利要求5所述的基于动态优化的神经网络洪水预警方法，其特征在于，在步骤①之后，还包括：将标准化后的数据与GPS卫星定位模块和GIS地理信息模块的信息进一步同化，使观测和收集的数据在空间和时间一致。

7.根据权利要求3所述的基于动态优化的神经网络洪水预警方法，其特征在于，步骤3中具体包括以下步骤：

步骤3.1：将神经网络连接权和网络结构初始化，同时粒子群的位置和速度也初始化；

步骤3.2：确定编码方法、解码方案和适应度函数；

步骤3.3：利用同化后的历史资料数据和特征因子计算适应度、并设定结；

步骤3.4：利用粒子群优化神经网络的连接权和网络结构；

步骤3.5：生成一组神经网络个体；

步骤3.6：利用二进制粒子群算法动态选择集成个体；

步骤3.7：利用浮点数粒子群算法确定集成个体的连接权；

步骤3.8：生成动态优化的神经网络预测模型。

8.根据权利要求3所述的基于动态优化的神经网络洪水预警方法，其特征在于，步骤5所述利用同化后的实时资料信息与对预报模型输出的预测结果进行校正包括以下步骤：

①、收集最近3天的洪水报警信息所需的资料信息；

②、利用历史数据建立的预报模型来预测实时的水位、流速和流量，同时也预测土壤湿度、山体滑坡、河流堤坝、城市雨水网管排水的信息；

③、将收集的实时观测资料和预报模型预测的信息进行比对，若精度达到预定要求，则判定可以利用原来的模型预测未来3天情况，若误差超出预定要求，则利用实时资料调整预报模型的参数，使得误差精度在预定要求范围以内，然后再利用动态调整后的预测模型来预测未来3天的情况。