CN110929946A - 基于地表水文过程的农业洪涝灾害监测预报系统及方法 - Google Patents
基于地表水文过程的农业洪涝灾害监测预报系统及方法 Download PDFInfo
- Publication number
- CN110929946A CN110929946A CN201911203101.8A CN201911203101A CN110929946A CN 110929946 A CN110929946 A CN 110929946A CN 201911203101 A CN201911203101 A CN 201911203101A CN 110929946 A CN110929946 A CN 110929946A
- Authority
- CN
- China
- Prior art keywords
- module
- water body
- monitoring
- disaster
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 192
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000008569 process Effects 0.000 title claims abstract description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 243
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- 230000007613 environmental effect Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000004891 communication Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000013500 data storage Methods 0.000 claims abstract description 11
- 238000012502 risk assessment Methods 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 230000005855 radiation Effects 0.000 claims description 15
- 230000001427 coherent effect Effects 0.000 claims description 12
- 230000008020 evaporation Effects 0.000 claims description 12
- 238000001704 evaporation Methods 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000002689 soil Substances 0.000 claims description 12
- 238000013316 zoning Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 6
- 239000013307 optical fiber Substances 0.000 claims description 6
- 230000002265 prevention Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 239000002352 surface water Substances 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000010287 polarization Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003653 coastal water Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 239000005413 snowmelt Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Alarm Systems (AREA)
Abstract
本发明属于农业洪涝灾害监测预报技术领域，公开了一种基于地表水文过程的农业洪涝灾害监测预报系统及方法，所述农业洪涝灾害监测预报系统包括：降雨量监测模块、水流速监测模块、遥感影像监测模块、环境数据监测模块、中央控制模块、灾害范围提取模块、灾害风险评估模块、数据采集模块、数据处理模块、警报模块、发布模块、数据存储模块、无线通信模块、终端模块、供电模块、显示模块。本发明通过灾害范围提取模块提取出水体覆盖的洪涝灾害范围；通过灾害风险评估能够有效提高变化环境下区域或流域洪涝灾害风险的评价速率，精确挖掘评价指标与洪涝灾害风险等级之间的内在联系，显著提高评价结果的可靠性与精确性，为防洪决策提供依据。
Description
技术领域
本发明属于农业洪涝灾害监测预报技术领域，尤其涉及一种基于地表水文过程的农业洪涝灾害监测预报系统及方法。
背景技术
洪涝灾害包括洪水灾害和雨涝灾害两类。其中，由于强降雨、冰雪融化、冰凌、堤坝溃决、风暴潮等原因引起江河湖泊及沿海水量增加、水位上涨而泛滥以及山洪暴发所造成的灾害称为洪水灾害；因大雨、暴雨或长期降雨量过于集中而产生大量的积水和径流，排水不及时，致使土地、房屋等渍水、受淹而造成的灾害称为雨涝灾害。由于洪水灾害和雨涝灾害往往同时或连续发生在同一地区，有时难以准确界定，往往统称为洪涝灾害。其中，洪水灾害按照成因，可以分为暴雨洪水、融雪洪水、冰凌洪水、风暴潮洪水等。根据雨涝发生季节和危害特点，可以将雨涝灾害分为春涝、夏涝、夏秋涝和秋涝等。然而，现有农业洪涝灾害监测预报技术不能准确获取洪涝灾害范围；不能准确的对洪涝灾害风险进行评估。同时，对洪涝灾害进行较为准确的灾前监测仍然存在较大的困难。因此在洪涝灾前预警应用方面还存在一定的难度，目前还没有形成较好的方法加以解决，尚处于探索阶段。
综上所述，现有技术存在的问题是：
(1)现有农业洪涝灾害监测预报技术不能准确获取洪涝灾害范围；同时，不能准确的对洪涝灾害风险进行评估。
(2)现有技术在洪涝灾前预警应用方面还存在一定的难度，目前还没有形成较好的方法加以解决，尚处于探索阶段。
发明内容
针对现有技术存在的问题，本发明提供了一种基于地表水文过程的农业洪涝灾害监测预报系统及方法。
本发明是这样实现的，一种基于地表水文过程的农业洪涝灾害监测预报系统，所述农业洪涝灾害监测预报系统包括：
降雨量监测模块、水流速监测模块、遥感影像监测模块、环境数据监测模块、中央控制模块、灾害范围提取模块、灾害风险评估模块、数据采集模块、数据处理模块、警报模块、发布模块、数据存储模块、无线通信模块、终端模块、供电模块、显示模块；
降雨量监测模块，与中央控制模块连接，用于通过雨量计监测降雨量；
水流速监测模块，与中央控制模块连接，用于通过流速传感器监测水流速度；
遥感影像监测模块，与中央控制模块连接，用于通过遥感装置对农业区域地表水体进行实时监测；
环境数据监测模块，与中央控制模块连接，用于通过环境数据监测装置对环境进行监测；
中央控制模块，与降雨量监测模块、水流速监测模块、遥感影像监测模块、环境数据监测模块、灾害范围提取模块、灾害风险评估模块、数据采集模块、数据处理模块、警报模块、发布模块、数据存储模块、无线通信模块、终端模块、供电模块、显示模块连接，用于通过主控机控制各个模块正常工作；
灾害范围提取模块，与中央控制模块连接，用于通过提取程序根据采集的图像提取洪涝灾害范围；
灾害风险评估模块，与中央控制模块连接，用于通过评估程序根据监测数据对农业洪涝灾害风险进行评价预估；
数据采集模块，与中央控制模块连接，用于通过数据采集程序采集监测的降雨量、水流速度、环境数据、农业区域遥感影像、灾害风险评估数据、警报通知的实时数据；
数据处理模块，与中央控制模块连接，用于通过数据处理程序对监测的数据进行处理和分析；
警报模块，与中央控制模块连接，用于通过警报器对农业洪涝灾害进行警报通知；
发布模块，与中央控制模块连接，用于通过网站发布农业洪涝灾害监测信息；
数据存储模块，与中央控制模块连接，用于通过云服务器存储监测的降雨量、水流速度、环境数据、农业区域遥感影像、灾害风险评估数据、警报通知的实时数据；
无线通信模块，与中央控制模块连接，用于通过光纤、3G网络、4G网络、WIFI网络、卫星通信网络的任意一种或几种组合对各类信息和数据进行传输和交互；
终端模块，与中央控制模块连接，用于通过云服务器将监测的降雨量、水流速度、环境数据、农业区域遥感影像、灾害风险评估数据、警报通知的实时数据传输至移动终端；
供电模块，与中央控制模块连接，用于通过太阳能电池板为农业洪涝灾害监测预报系统供电；
显示模块，与中央控制模块连接，用于通过显示器显示监测的降雨量、水流速度、环境数据、农业区域遥感影像、灾害风险评估数据、警报通知的实时数据。
进一步，所述环境数据监测模块包括：
风速风向监测单元、空气温度监测单元、空气湿度监测单元、光照强度监测单元、土壤湿度监测单元、大气压力监测单元、蒸发量监测单元、日照辐射监测单元；
风速风向监测单元，用于通过电子式风速风向仪对风速风向进行监测；
空气温度监测单元，用于通过空气温度传感器对空气温度进行监测；
空气湿度监测单元，用于通过空气湿度传感器对空气湿度进行监测；
光照强度监测单元，用于通过光照强度传感器对光照强度进行监测；
土壤湿度监测单元，用于通过土壤湿度传感器对土壤湿度进行监测；
大气压力监测单元，用于通过大气压力传感器对大气压力进行监测；
蒸发量监测单元，用于通过蒸发量传感器对蒸发量进行监测；
日照辐射监测单元，用于通过日照辐射传感器对日照辐射进行监测。
本发明的另一目的在于提供一种基于地表水文过程的农业洪涝灾害监测预报方法，所述农业洪涝灾害监测预报方法包括以下步骤：
步骤一，通过雨量计监测降雨量；通过流速传感器监测水流速度；通过遥感装置对农业区域地表水体进行实时监测；通过环境数据监测装置对环境进行监测。
步骤二，通过主控机控制各个模块正常工作；通过提取程序根据采集的图像提取洪涝灾害范围；通过评估程序根据监测数据对农业洪涝灾害风险进行评价预估。
步骤三，通过数据采集程序采集监测的降雨量、水流速度、环境数据、农业区域遥感影像、灾害风险评估数据、警报通知的实时数据；通过数据处理程序对监测的数据进行处理和分析。
步骤四，通过警报器对农业洪涝灾害进行警报通知；通过网站发布农业洪涝灾害监测信息；通过云服务器存储监测的降雨量、水流速度、环境数据、农业区域遥感影像、灾害风险评估数据、警报通知的实时数据。
步骤五，通过光纤、3G网络、4G网络、WIFI网络、卫星通信网络的任意一种或几种组合对各类信息和数据进行传输和交互；通过云服务器将监测的实时数据传输至移动终端。
步骤六，通过太阳能电池板为农业洪涝灾害监测预报系统供电；通过显示器显示监测的降雨量、水流速度、环境数据、农业区域遥感影像、灾害风险评估数据、警报通知的实时数据。
进一步，所述遥感影像采集方法包括：
(1)输入多时相高分辨率地表反射率遥感影像，结合历史洪涝灾害记录，剔除发生洪涝灾害的遥感影像，通过配准和相对辐射校正对输入的遥感影像进行数据预处理。
(2)根据步骤(1)中经过预处理的遥感影像，计算水体指数，并根据水体指数提取水体范围二值影像；所述水体指数为归一化水体指数NDWI、改进的归一化差异水体指数MNDWI或新型水体指数NWI。
(3)根据步骤(2)中的水体范围二值影像，提取待检测时期水体特征及正常期水体特征；其中：待检测时期水体特征包括待检测时期的水体覆盖范围、水体覆盖频率；正常期水体特征包括正常期的水体最大覆盖范围、水体覆盖频率。
(4)分别将待检测时期的水体覆盖范围、水体覆盖频率与正常期的水体最大覆盖范围、水体覆盖频率进行叠加对比分析，检测异常信息。
(5)分析跟踪步骤(4)中检测的异常信息，若观测区域原先本不应该有水体覆盖的地方被水体连续覆盖，说明该观测区发生洪涝灾害的风险增加，应予以警示。
进一步，步骤(2)中，所述根据水体指数提取水体范围二值影像包括：
(a)根据步骤(1)中经过预处理的遥感影像，利用NDWI计算公式，计算每个像素对应的NDWI值，获得由每个像素NDWI值组成的指数影像，所述NDWI计算公式为：
式中，p(Green)为绿波段反射率值，p(NIR)为近红外反射率值。
(b)对于生成的NDWI指数影像，选取阈值α进行二值分割，阈值α的取值区间为(-1,1)，指数影像中像元值大于等于阈值α的像元被提取为水体像元，其他像元为非水体像元，水体像元取值为1，非水体像元取值为0，得到的二值影像即为水体范围二值影像。
进一步，步骤(3)中，所述正常期的水体最大覆盖范围的计算方法如下：
①按照如下公式对多年同期的水体范围二值影像进行叠加分析：
式中，Ak(i,j)为多年同期的水体范围二值影像，n1为年数，i，j为对应图像的行列号。
②设置阈值β，β的取值范围为0～20％，提取出正常期水体最大覆盖范围影像NA(i,j)；如果B(i,j)的值大于β，则NA(i,j)＝1，否则NA(i,j)＝0。
进一步，所述水体覆盖频率的计算方法如下：
式中，Ak(i,j)表示的是年内观测时段内的水体范围二值影像，A1(i,j)为像元点(i,j)在年内观测时段的初始值；n2为该观测时段内影像个数，i，j为像元点对应的行列号。
式中，Fk(i,j)表示的是多年同期的水体覆盖时长影像，n1为年数，i，j为像元点对应的行列号。
进一步，步骤(4)中，所述异常信息的检测方法为：
1)将待检测时期的水体覆盖范围与正常期的水体最大覆盖范围进行叠置变化检测，若某像元点在待检测时期为有水，而在正常期无水，则该像元点作为异常点检出。
2)将待检测时期的水体覆盖时长、水体覆盖频率分别与正常期的水体覆盖频率、水体覆盖时长进行叠置统计分析，若待检测时期的值背离正常期的值且超出设定阈值，则该像元点作为异常点检出。
3)将待检测时期的水体覆盖面积变化趋势与正常期的水体覆盖面积变化趋势规律进行对比分析，若待检测时期的水体覆盖面积变化规律与正常期的变化规律相背离，则水体覆盖面积变化趋势异常。
进一步，所述灾害范围提取方法如下：
(1)对极化合成孔径雷达影像进行极化目标分解，提取相干散射矩阵，利用上述相干散射矩阵得到上述极化合成孔径雷达影像的极化总功率图像。
(2)构建极化水体增强因子，将该水体增强因子作用于所述极化总功率图像进行水体信息增强。
(3)针对进行了水体信息增强后的所述极化总功率图像，在先验地理信息系统水体矢量的约束下提取水体轮廓信息。
(4)将上述水体轮廓信息与先验地理信息系统水体矢量进行比对做差，得到洪涝灾害范围。
进一步，所述水体信息增强利用所述相干散射矩阵构建水体增强因子：
(1)式中，EI(x)表示像素x处水体增强因子，|T11(x)|、|T22(x)|、|T33(x)|表示所述相干散射矩阵中对角线元素的绝对值，α表示权重调节系数，根据实验经验，设置在1-2之间。
进一步，所述水体轮廓信息提取通过设置上述先验地理信息系统水体矢量的缓冲区，对上述水体信息增强后的上述极化总功率图像进行演化约束，获取水平集分割演化的初始轮廓，并且设置轮廓内外的演化驱动力参数，进行极化合成孔径雷达影像中水体的演化，得到水体轮廓信息。
进一步，所述水平集分割演化通过图像特性构建不同的能量函数来驱动水平集函数进行曲线演化，分割图像。
进一步，所述灾害风险评估方法如下：
1)依据自然灾害风险评价理论，辨识区域洪涝灾害关键影响因子，构建基于致灾因子、孕灾环境、承灾体和防灾减灾能力四种类型的区域洪涝灾害风险评价指标体系，并对区域洪涝灾害风险评价指标体系中的各评价指标归一化处理，然后利用ArcGIS分别生成各评价指标图层。
2)综合考虑主客观因素，基于博弈论耦合层次分析法和CRITIC法，得出各评价指标的最优组合权重，生成致灾因子、孕灾环境、承灾体和防灾减灾能力四种类型的区域洪涝灾害风险分布图层。
3)设定各类型区域洪涝灾害风险分布图层的初始权重系数，并设置初始权重系数变幅，生成历史区域洪涝灾害风险分布图层集，利用自然分级法评估风险等级，得到历史区域洪涝灾害风险区划图集，基于专家意见确定最终历史区域洪涝灾害风险区划图。
4)利用梯度提升决策树法构建区域洪涝灾害风险评价模型，学习各评价指标与历史区域洪涝灾害风险等级之间的非线性关系，输入未来区域洪涝灾害风险影响因子，预测未来区域洪涝灾害风险，并利用ArcGIS生成未来区域洪涝灾害风险区划图。
本发明的优点及积极效果为：本发明通过灾害范围提取模块基于极化合成孔径雷达影像，根据不同极化通道关系多角度增强水体信息，并且在水体先验矢量信息的约束下进行水体分割提取，从而可以有效区分水体与其粗造度相近的地物，提取出水体覆盖的洪涝灾害范围；同时，通过灾害风险评估模块选取洪涝灾害风险评价指标，对评价指标进行归一化处理后利用ArcGIS分别生成各评价指标图层；采用层次分析法确定各评价指标的初始主观权重；采用CRITIC法再次确定各评价指标的客观权重；耦合博弈论进行组合赋权确定最优组合权重，生成各类型的区域洪涝灾害风险分布图层；设置初始权重系数与权重系数变幅，生成历史区域洪涝灾害风险分布图层集；利用自然分级法评估风险等级，得到历史区域洪涝灾害风险区划图集，采用专家打分法选取最终历史区域洪涝灾害风险区划图；采用梯度提升决策树学习各评价指标与洪涝灾害风险等级之间的非线性关系，预测未来区域洪涝灾害风险区划图；能够有效提高变化环境下区域或流域洪涝灾害风险的评价速率，精确挖掘评价指标与洪涝灾害风险等级之间的内在联系，显著提高评价结果的可靠性与精确性，为防洪决策提供依据。
本发明通过遥感影像监测模块对洪涝易发区域进行长时间动态连续监测，并获取连续的遥感影像数据，建立相关模型，获取水体覆盖范围、水体覆盖频率等水体特征的正常期变化规律，从多个角度来分析水体特征的异常，根据异常分析对观测区发生洪涝灾害的风险进行预警，从而有效解决洪涝灾害灾前监测预警的困难问题。
附图说明
图1是本发明实施例提供的基于地表水文过程的农业洪涝灾害监测预报方法流程图。
图2是本发明实施例提供的基于地表水文过程的农业洪涝灾害监测预报系统结构框图；
图中：1、降雨量监测模块；2、水流速监测模块；3、遥感影像监测模块；4、环境数据监测模块；5、中央控制模块；6、灾害范围提取模块；7、灾害风险评估模块；8、数据采集模块；9、数据处理模块；10、警报模块；11、发布模块；12、数据存储模块；13、无线通信模块；14、终端模块；15、供电模块；16、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图2所示，本发明实施例提供的基于地表水文过程的农业洪涝灾害监测预报系统包括：降雨量监测模块1、水流速监测模块2、遥感影像监测模块3、环境数据监测模块4、中央控制模块5、灾害范围提取模块6、灾害风险评估模块7、数据采集模块8、数据处理模块9、警报模块10、发布模块11、数据存储模块12、无线通信模块13、终端模块14、供电模块15、显示模块16；
降雨量监测模块1，与中央控制模块5连接，用于通过雨量计监测降雨量；
水流速监测模块2，与中央控制模块5连接，用于通过流速传感器监测水流速度；
遥感影像监测模块3，与中央控制模块5连接，用于通过遥感装置对农业区域地表水体进行实时监测；
环境数据监测模块4，与中央控制模块5连接，用于通过环境数据监测装置对环境进行监测；
中央控制模块5，与降雨量监测模块1、水流速监测模块2、遥感影像监测模块3、环境数据监测模块4、灾害范围提取模块6、灾害风险评估模块7、数据采集模块8、数据处理模块9、警报模块10、发布模块11、数据存储模块12、无线通信模块13、终端模块14、供电模块15、显示模块16连接，用于通过主控机控制各个模块正常工作；
灾害范围提取模块6，与中央控制模块5连接，用于通过提取程序根据采集的图像提取洪涝灾害范围；
灾害风险评估模块7，与中央控制模块5连接，用于通过评估程序根据监测数据对农业洪涝灾害风险进行评价预估；
数据采集模块8，与中央控制模块5连接，用于通过数据采集程序采集监测的降雨量、水流速度、环境数据、农业区域遥感影像、灾害风险评估数据、警报通知的实时数据；
数据处理模块9，与中央控制模块5连接，用于通过数据处理程序对监测的数据进行处理和分析；
警报模块10，与中央控制模块5连接，用于通过警报器对农业洪涝灾害进行警报通知；
发布模块11，与中央控制模块5连接，用于通过网站发布农业洪涝灾害监测信息；
数据存储模块12，与中央控制模块5连接，用于通过云服务器存储监测的降雨量、水流速度、环境数据、农业区域遥感影像、灾害风险评估数据、警报通知的实时数据；
无线通信模块13，与中央控制模块5连接，用于通过光纤、3G网络、4G网络、WIFI网络、卫星通信网络的任意一种或几种组合对各类信息和数据进行传输和交互；
终端模块14，与中央控制模块5连接，用于通过云服务器将监测的降雨量、水流速度、环境数据、农业区域遥感影像、灾害风险评估数据、警报通知的实时数据传输至移动终端；
供电模块15，与中央控制模块5连接，用于通过太阳能电池板为农业洪涝灾害监测预报系统供电；
显示模块16，与中央控制模块5连接，用于通过显示器显示监测的降雨量、水流速度、环境数据、农业区域遥感影像、灾害风险评估数据、警报通知的实时数据。
进一步，所述环境数据监测模块4包括：
风速风向监测单元4-1、空气温度监测单元4-2、空气湿度监测单元4-3、光照强度监测单元4-4、土壤湿度监测单元4-5、大气压力监测单元4-6、蒸发量监测单元4-7、日照辐射监测单元4-8；
风速风向监测单元4-1，用于通过电子式风速风向仪对风速风向进行监测；
空气温度监测单元4-2，用于通过空气温度传感器对空气温度进行监测；
空气湿度监测单元4-3，用于通过空气湿度传感器对空气湿度进行监测；
光照强度监测单元4-4，用于通过光照强度传感器对光照强度进行监测；
土壤湿度监测单元4-5，用于通过土壤湿度传感器对土壤湿度进行监测；
大气压力监测单元4-6，用于通过大气压力传感器对大气压力进行监测；
蒸发量监测单元4-7，用于通过蒸发量传感器对蒸发量进行监测；
日照辐射监测单元4-8，用于通过日照辐射传感器对日照辐射进行监测。
如图1所示，本发明提供的基于地表水文过程的农业洪涝灾害监测预报方法包括以下步骤：
S101：通过雨量计监测降雨量；通过流速传感器监测水流速度；通过遥感装置对农业区域地表水体进行实时监测；通过环境数据监测装置对环境进行监测。
S102：通过主控机控制各个模块正常工作；通过提取程序根据采集的图像提取洪涝灾害范围；通过评估程序根据监测数据对农业洪涝灾害风险进行评价预估。
S103：通过数据采集程序采集监测的降雨量、水流速度、环境数据、农业区域遥感影像、灾害风险评估数据、警报通知的实时数据；通过数据处理程序对监测的数据进行处理和分析。
S104：通过警报器对农业洪涝灾害进行警报通知；通过网站发布农业洪涝灾害监测信息；通过云服务器存储监测的降雨量、水流速度、环境数据、农业区域遥感影像、灾害风险评估数据、警报通知的实时数据。
S105：通过光纤、3G网络、4G网络、WIFI网络、卫星通信网络的任意一种或几种组合对各类信息和数据进行传输和交互；通过云服务器将监测的实时数据传输至移动终端。
S106：通过太阳能电池板为农业洪涝灾害监测预报系统供电；通过显示器显示监测的降雨量、水流速度、环境数据、农业区域遥感影像、灾害风险评估数据、警报通知的实时数据。
本发明提供的遥感影像采集方法包括：
(1)输入多时相高分辨率地表反射率遥感影像，结合历史洪涝灾害记录，剔除发生洪涝灾害的遥感影像，通过配准和相对辐射校正对输入的遥感影像进行数据预处理。
(2)根据步骤(1)中经过预处理的遥感影像，计算水体指数，并根据水体指数提取水体范围二值影像；所述水体指数为归一化水体指数NDWI、改进的归一化差异水体指数MNDWI或新型水体指数NWI。
(3)根据步骤(2)中的水体范围二值影像，提取待检测时期水体特征及正常期水体特征；其中：待检测时期水体特征包括待检测时期的水体覆盖范围、水体覆盖频率；正常期水体特征包括正常期的水体最大覆盖范围、水体覆盖频率。
(4)分别将待检测时期的水体覆盖范围、水体覆盖频率与正常期的水体最大覆盖范围、水体覆盖频率进行叠加对比分析，检测异常信息。
(5)分析跟踪步骤(4)中检测的异常信息，若观测区域原先本不应该有水体覆盖的地方被水体连续覆盖，说明该观测区发生洪涝灾害的风险增加，应予以警示。
本发明提供的步骤(2)中的根据水体指数提取水体范围二值影像包括：
(a)根据步骤(1)中经过预处理的遥感影像，利用NDWI计算公式，计算每个像素对应的NDWI值，获得由每个像素NDWI值组成的指数影像，所述NDWI计算公式为：
式中，p(Green)为绿波段反射率值，p(NIR)为近红外反射率值。
(b)对于生成的NDWI指数影像，选取阈值α进行二值分割，阈值α的取值区间为(-1,1)，指数影像中像元值大于等于阈值α的像元被提取为水体像元，其他像元为非水体像元，水体像元取值为1，非水体像元取值为0，得到的二值影像即为水体范围二值影像。
本发明提供的步骤(3)中的正常期的水体最大覆盖范围的计算方法如下：
①按照如下公式对多年同期的水体范围二值影像进行叠加分析：
式中，Ak(i,j)为多年同期的水体范围二值影像，n1为年数，i，j为对应图像的行列号。
②设置阈值β，β的取值范围为0～20％，提取出正常期水体最大覆盖范围影像NA(i,j)；如果B(i,j)的值大于β，则NA(i,j)＝1，否则NA(i,j)＝0。
本发明提供的水体覆盖频率的计算方法如下：
式中，Ak(i,j)表示的是年内观测时段内的水体范围二值影像，A1(i,j)为像元点(i,j)在年内观测时段的初始值；n2为该观测时段内影像个数，i，j为像元点对应的行列号。
式中，Fk(i,j)表示的是多年同期的水体覆盖时长影像，n1为年数，i，j为像元点对应的行列号。
本发明提供的步骤(4)中的异常信息的检测方法为：
1)将待检测时期的水体覆盖范围与正常期的水体最大覆盖范围进行叠置变化检测，若某像元点在待检测时期为有水，而在正常期无水，则该像元点作为异常点检出。
2)将待检测时期的水体覆盖时长、水体覆盖频率分别与正常期的水体覆盖频率、水体覆盖时长进行叠置统计分析，若待检测时期的值背离正常期的值且超出设定阈值，则该像元点作为异常点检出。
3)将待检测时期的水体覆盖面积变化趋势与正常期的水体覆盖面积变化趋势规律进行对比分析，若待检测时期的水体覆盖面积变化规律与正常期的变化规律相背离，则水体覆盖面积变化趋势异常。
本发明提供的灾害范围提取方法如下：
(1)对极化合成孔径雷达影像进行极化目标分解，提取相干散射矩阵，利用上述相干散射矩阵得到上述极化合成孔径雷达影像的极化总功率图像。
(2)构建极化水体增强因子，将该水体增强因子作用于所述极化总功率图像进行水体信息增强。
(3)针对进行了水体信息增强后的所述极化总功率图像，在先验地理信息系统水体矢量的约束下提取水体轮廓信息。
(4)将上述水体轮廓信息与先验地理信息系统水体矢量进行比对做差，得到洪涝灾害范围。
本发明提供的水体信息增强利用所述相干散射矩阵构建水体增强因子：
(1)式中，EI(x)表示像素x处水体增强因子，|T11(x)|、|T22(x)|、|T33(x)|表示所述相干散射矩阵中对角线元素的绝对值，α表示权重调节系数，根据实验经验，设置在1-2之间。
本发明提供的水体轮廓信息提取通过设置上述先验地理信息系统水体矢量的缓冲区，对上述水体信息增强后的上述极化总功率图像进行演化约束，获取水平集分割演化的初始轮廓，并且设置轮廓内外的演化驱动力参数，进行极化合成孔径雷达影像中水体的演化，得到水体轮廓信息。
本发明提供的水平集分割演化通过图像特性构建不同的能量函数来驱动水平集函数进行曲线演化，分割图像。
本发明提供的灾害风险评估方法如下：
1)依据自然灾害风险评价理论，辨识区域洪涝灾害关键影响因子，构建基于致灾因子、孕灾环境、承灾体和防灾减灾能力四种类型的区域洪涝灾害风险评价指标体系，并对区域洪涝灾害风险评价指标体系中的各评价指标归一化处理，然后利用ArcGIS分别生成各评价指标图层。
2)综合考虑主客观因素，基于博弈论耦合层次分析法和CRITIC法，得出各评价指标的最优组合权重，生成致灾因子、孕灾环境、承灾体和防灾减灾能力四种类型的区域洪涝灾害风险分布图层。
3)设定各类型区域洪涝灾害风险分布图层的初始权重系数，并设置初始权重系数变幅，生成历史区域洪涝灾害风险分布图层集，利用自然分级法评估风险等级，得到历史区域洪涝灾害风险区划图集，基于专家意见确定最终历史区域洪涝灾害风险区划图。
4)利用梯度提升决策树法构建区域洪涝灾害风险评价模型，学习各评价指标与历史区域洪涝灾害风险等级之间的非线性关系，输入未来区域洪涝灾害风险影响因子，预测未来区域洪涝灾害风险，并利用ArcGIS生成未来区域洪涝灾害风险区划图。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
Claims (10)
1.一种基于地表水文过程的农业洪涝灾害监测预报系统，其特征在于，所述基于地表水文过程的农业洪涝灾害监测预报系统包括：
降雨量监测模块、水流速监测模块、遥感影像监测模块、环境数据监测模块、中央控制模块、灾害范围提取模块、灾害风险评估模块、数据采集模块、数据处理模块、警报模块、发布模块、数据存储模块、无线通信模块、终端模块、供电模块、显示模块；
降雨量监测模块，与中央控制模块连接，用于通过雨量计监测降雨量；
水流速监测模块，与中央控制模块连接，用于通过流速传感器监测水流速度；
遥感影像监测模块，与中央控制模块连接，用于通过遥感装置对农业区域地表水体进行实时监测；
环境数据监测模块，与中央控制模块连接，用于通过环境数据监测装置对环境进行监测；
中央控制模块，与降雨量监测模块、水流速监测模块、遥感影像监测模块、环境数据监测模块、灾害范围提取模块、灾害风险评估模块、数据采集模块、数据处理模块、警报模块、发布模块、数据存储模块、无线通信模块、终端模块、供电模块、显示模块连接，用于通过主控机控制各个模块正常工作；
灾害范围提取模块，与中央控制模块连接，用于通过提取程序根据采集的图像提取洪涝灾害范围；
灾害风险评估模块，与中央控制模块连接，用于通过评估程序根据监测数据对农业洪涝灾害风险进行评价预估；
数据采集模块，与中央控制模块连接，用于通过数据采集程序采集监测的降雨量、水流速度、环境数据、农业区域遥感影像、灾害风险评估数据、警报通知的实时数据；
数据处理模块，与中央控制模块连接，用于通过数据处理程序对监测的数据进行处理和分析；
警报模块，与中央控制模块连接，用于通过警报器对农业洪涝灾害进行警报通知；
发布模块，与中央控制模块连接，用于通过网站发布农业洪涝灾害监测信息；
数据存储模块，与中央控制模块连接，用于通过云服务器存储监测的降雨量、水流速度、环境数据、农业区域遥感影像、灾害风险评估数据、警报通知的实时数据；
无线通信模块，与中央控制模块连接，用于通过光纤、3G网络、4G网络、WIFI网络、卫星通信网络的任意一种或几种组合对各类信息和数据进行传输和交互；
终端模块，与中央控制模块连接，用于通过云服务器将监测的降雨量、水流速度、环境数据、农业区域遥感影像、灾害风险评估数据、警报通知的实时数据传输至移动终端；
供电模块，与中央控制模块连接，用于通过太阳能电池板为农业洪涝灾害监测预报系统供电；
显示模块，与中央控制模块连接，用于通过显示器显示监测的降雨量、水流速度、环境数据、农业区域遥感影像、灾害风险评估数据、警报通知的实时数据。
2.如权利要求1所述基于地表水文过程的农业洪涝灾害监测预报系统，其特征在于，所述环境数据监测模块包括：
风速风向监测单元、空气温度监测单元、空气湿度监测单元、光照强度监测单元、土壤湿度监测单元、大气压力监测单元、蒸发量监测单元、日照辐射监测单元；
风速风向监测单元，用于通过电子式风速风向仪对风速风向进行监测；
空气温度监测单元，用于通过空气温度传感器对空气温度进行监测；
空气湿度监测单元，用于通过空气湿度传感器对空气湿度进行监测；
光照强度监测单元，用于通过光照强度传感器对光照强度进行监测；
土壤湿度监测单元，用于通过土壤湿度传感器对土壤湿度进行监测；
大气压力监测单元，用于通过大气压力传感器对大气压力进行监测；
蒸发量监测单元，用于通过蒸发量传感器对蒸发量进行监测；
日照辐射监测单元，用于通过日照辐射传感器对日照辐射进行监测。
3.一种应用如权利要求1所述基于地表水文过程的农业洪涝灾害监测预报系统的基于地表水文过程的农业洪涝灾害监测预报方法，其特征在于，所述基于地表水文过程的农业洪涝灾害监测预报方法包括以下步骤：
步骤一，通过雨量计监测降雨量；通过流速传感器监测水流速度；通过遥感装置对农业区域地表水体进行实时监测；通过环境数据监测装置对环境进行监测；
步骤二，通过主控机控制各个模块正常工作；通过提取程序根据采集的图像提取洪涝灾害范围；通过评估程序根据监测数据对农业洪涝灾害风险进行评价预估；
步骤三，通过数据采集程序采集监测的降雨量、水流速度、环境数据、农业区域遥感影像、灾害风险评估数据、警报通知的实时数据；通过数据处理程序对监测的数据进行处理和分析；
步骤四，通过警报器对农业洪涝灾害进行警报通知；通过网站发布农业洪涝灾害监测信息；通过云服务器存储监测的降雨量、水流速度、环境数据、农业区域遥感影像、灾害风险评估数据、警报通知的实时数据；
步骤五，通过光纤、3G网络、4G网络、WIFI网络、卫星通信网络的任意一种或几种组合对各类信息和数据进行传输和交互；通过云服务器将监测的实时数据传输至移动终端；
步骤六，通过太阳能电池板为农业洪涝灾害监测预报系统供电；通过显示器显示监测的降雨量、水流速度、环境数据、农业区域遥感影像、灾害风险评估数据、警报通知的实时数据。
4.如权利要求3所述基于地表水文过程的农业洪涝灾害监测预报方法，其特征在于，所述遥感影像采集方法包括：
(1)输入多时相高分辨率地表反射率遥感影像，结合历史洪涝灾害记录，剔除发生洪涝灾害的遥感影像，通过配准和相对辐射校正对输入的遥感影像进行数据预处理；
(2)根据步骤(1)中经过预处理的遥感影像，计算水体指数，并根据水体指数提取水体范围二值影像；所述水体指数为归一化水体指数NDWI、改进的归一化差异水体指数MNDWI或新型水体指数NWI；
(3)根据步骤(2)中的水体范围二值影像，提取待检测时期水体特征及正常期水体特征；其中：待检测时期水体特征包括待检测时期的水体覆盖范围、水体覆盖频率；正常期水体特征包括正常期的水体最大覆盖范围、水体覆盖频率；
(4)分别将待检测时期的水体覆盖范围、水体覆盖频率与正常期的水体最大覆盖范围、水体覆盖频率进行叠加对比分析，检测异常信息；
(5)分析跟踪步骤(4)中检测的异常信息，若观测区域原先本不应该有水体覆盖的地方被水体连续覆盖，说明该观测区发生洪涝灾害的风险增加，应予以警示。
5.如权利要求4所述基于地表水文过程的农业洪涝灾害监测预报方法，其特征在于，步骤(2)中，所述根据水体指数提取水体范围二值影像包括：
(a)根据步骤(1)中经过预处理的遥感影像，利用NDWI计算公式，计算每个像素对应的NDWI值，获得由每个像素NDWI值组成的指数影像，所述NDWI计算公式为：
式中，p(Green)为绿波段反射率值，p(NIR)为近红外反射率值；
(b)对于生成的NDWI指数影像，选取阈值α进行二值分割，阈值α的取值区间为(-1,1)，指数影像中像元值大于等于阈值α的像元被提取为水体像元，其他像元为非水体像元，水体像元取值为1，非水体像元取值为0，得到的二值影像即为水体范围二值影像。
6.如权利要求4所述基于地表水文过程的农业洪涝灾害监测预报方法，其特征在于，步骤(3)中，所述正常期的水体最大覆盖范围的计算方法如下：
①按照如下公式对多年同期的水体范围二值影像进行叠加分析：
式中，Ak(i,j)为多年同期的水体范围二值影像，n1为年数，i，j为对应图像的行列号；
②设置阈值β，β的取值范围为0～20％，提取出正常期水体最大覆盖范围影像NA(i,j)；如果B(i,j)的值大于β，则NA(i,j)＝1，否则NA(i,j)＝0；
所述水体覆盖频率的计算方法如下：
式中，Ak(i,j)表示的是年内观测时段内的水体范围二值影像，A1(i,j)为像元点(i,j)在年内观测时段的初始值；n2为该观测时段内影像个数，i，j为像元点对应的行列号；
式中，Fk(i,j)表示的是多年同期的水体覆盖时长影像，n1为年数，i，j为像元点对应的行列号。
7.如权利要求4所述基于地表水文过程的农业洪涝灾害监测预报方法，其特征在于，步骤(4)中，所述异常信息的检测方法为：
1)将待检测时期的水体覆盖范围与正常期的水体最大覆盖范围进行叠置变化检测，若某像元点在待检测时期为有水，而在正常期无水，则该像元点作为异常点检出；
2)将待检测时期的水体覆盖时长、水体覆盖频率分别与正常期的水体覆盖频率、水体覆盖时长进行叠置统计分析，若待检测时期的值背离正常期的值且超出设定阈值，则该像元点作为异常点检出；
3)将待检测时期的水体覆盖面积变化趋势与正常期的水体覆盖面积变化趋势规律进行对比分析，若待检测时期的水体覆盖面积变化规律与正常期的变化规律相背离，则水体覆盖面积变化趋势异常。
8.如权利要求3所述基于地表水文过程的农业洪涝灾害监测预报方法，其特征在于，所述灾害范围提取方法如下：
(1)对极化合成孔径雷达影像进行极化目标分解，提取相干散射矩阵，利用上述相干散射矩阵得到上述极化合成孔径雷达影像的极化总功率图像；
(2)构建极化水体增强因子，将该水体增强因子作用于所述极化总功率图像进行水体信息增强；
(3)针对进行了水体信息增强后的所述极化总功率图像，在先验地理信息系统水体矢量的约束下提取水体轮廓信息；及
(4)将上述水体轮廓信息与先验地理信息系统水体矢量进行比对做差，得到洪涝灾害范围。
9.如权利要求8所述基于地表水文过程的农业洪涝灾害监测预报方法，其特征在于，所述水体信息增强利用所述相干散射矩阵构建水体增强因子：
(1)式中，EI(x)表示像素x处水体增强因子，|T11(x)|、|T22(x)|、|T33(x)|表示所述相干散射矩阵中对角线元素的绝对值，α表示权重调节系数，根据实验经验，设置在1-2之间；
所述水体轮廓信息提取通过设置上述先验地理信息系统水体矢量的缓冲区，对上述水体信息增强后的上述极化总功率图像进行演化约束，获取水平集分割演化的初始轮廓，并且设置轮廓内外的演化驱动力参数，进行极化合成孔径雷达影像中水体的演化，得到水体轮廓信息；
所述水平集分割演化通过图像特性构建不同的能量函数来驱动水平集函数进行曲线演化，分割图像。
10.如权利要求3所述基于地表水文过程的农业洪涝灾害监测预报方法，其特征在于，所述灾害风险评估方法如下：
1)依据自然灾害风险评价理论，辨识区域洪涝灾害关键影响因子，构建基于致灾因子、孕灾环境、承灾体和防灾减灾能力四种类型的区域洪涝灾害风险评价指标体系，并对区域洪涝灾害风险评价指标体系中的各评价指标归一化处理，然后利用ArcGIS分别生成各评价指标图层；
2)综合考虑主客观因素，基于博弈论耦合层次分析法和CRITIC法，得出各评价指标的最优组合权重，生成致灾因子、孕灾环境、承灾体和防灾减灾能力四种类型的区域洪涝灾害风险分布图层；
3)设定各类型区域洪涝灾害风险分布图层的初始权重系数，并设置初始权重系数变幅，生成历史区域洪涝灾害风险分布图层集，利用自然分级法评估风险等级，得到历史区域洪涝灾害风险区划图集，基于专家意见确定最终历史区域洪涝灾害风险区划图；
4)利用梯度提升决策树法构建区域洪涝灾害风险评价模型，学习各评价指标与历史区域洪涝灾害风险等级之间的非线性关系，输入未来区域洪涝灾害风险影响因子，预测未来区域洪涝灾害风险，并利用ArcGIS生成未来区域洪涝灾害风险区划图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911203101.8A CN110929946A (zh) | 2019-11-29 | 2019-11-29 | 基于地表水文过程的农业洪涝灾害监测预报系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911203101.8A CN110929946A (zh) | 2019-11-29 | 2019-11-29 | 基于地表水文过程的农业洪涝灾害监测预报系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110929946A true CN110929946A (zh) | 2020-03-27 |
Family
ID=69848030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911203101.8A Pending CN110929946A (zh) | 2019-11-29 | 2019-11-29 | 基于地表水文过程的农业洪涝灾害监测预报系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110929946A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111652147A (zh) * | 2020-06-04 | 2020-09-11 | 中电建路桥集团有限公司 | 减负构件在地下车库空心楼盖施工过程的监控系统及方法 |
| CN111798644A (zh) * | 2020-07-03 | 2020-10-20 | 成都理工大学 | 一种便携式山洪灾害预警方法与系统 |
| CN111915847A (zh) * | 2020-08-13 | 2020-11-10 | 成都万江港利科技股份有限公司 | 一种精细化降雨预报系统及其预警方法 |
| CN112382091A (zh) * | 2020-11-11 | 2021-02-19 | 北京世纪高通科技有限公司 | 一种道路积水预警方法及装置 |
| CN112836590A (zh) * | 2021-01-13 | 2021-05-25 | 四川轻化工大学 | 洪涝灾害监测方法、装置、电子设备及存储介质 |
| CN113869621A (zh) * | 2020-06-30 | 2021-12-31 | 宁夏新气象科技服务有限公司 | 一种葡萄晚霜冻气象灾害评估方法及系统 |
| CN114565065A (zh) * | 2022-04-29 | 2022-05-31 | 长江水利委员会水文局 | 一种水文序列数据异常值检测方法 |
| CN114664041A (zh) * | 2022-03-15 | 2022-06-24 | 中科海慧（北京）科技有限公司 | 一种基于深度学习的多传感器融合预警预测方法 |
| CN116187769A (zh) * | 2023-05-04 | 2023-05-30 | 四川省安全科学技术研究院 | 基于情景模拟的城镇洪涝灾害风险研判方法 |
| CN116206216A (zh) * | 2023-05-06 | 2023-06-02 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 一种基于遥感影像的矢量地理信息采集方法及系统 |
| CN116596326A (zh) * | 2023-04-11 | 2023-08-15 | 常州双炬智能科技有限公司 | 一种基于遥感数据的城市环境检测及综合评估方法 |
| CN117333468A (zh) * | 2023-10-17 | 2024-01-02 | 南京北斗创新应用科技研究院有限公司 | 面向多模式时序PolSAR影像的洪涝灾害监测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203894423U (zh) * | 2013-11-08 | 2014-10-22 | 西部电子商务股份有限公司 | 小型气象站 |
| CN104408900A (zh) * | 2014-11-10 | 2015-03-11 | 柳州师范高等专科学校 | 基于动态优化的神经网络洪水预警装置及其方法 |
| CN106443701A (zh) * | 2016-08-31 | 2017-02-22 | 华中农业大学 | 基于时序水范围遥感影像的洪涝灾前预警方法 |
| CN106872956A (zh) * | 2017-02-28 | 2017-06-20 | 民政部国家减灾中心 | 洪涝灾害范围提取方法及系统 |
| CN109858647A (zh) * | 2018-12-21 | 2019-06-07 | 河海大学 | 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法 |
-
2019
- 2019-11-29 CN CN201911203101.8A patent/CN110929946A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203894423U (zh) * | 2013-11-08 | 2014-10-22 | 西部电子商务股份有限公司 | 小型气象站 |
| CN104408900A (zh) * | 2014-11-10 | 2015-03-11 | 柳州师范高等专科学校 | 基于动态优化的神经网络洪水预警装置及其方法 |
| CN106443701A (zh) * | 2016-08-31 | 2017-02-22 | 华中农业大学 | 基于时序水范围遥感影像的洪涝灾前预警方法 |
| CN106872956A (zh) * | 2017-02-28 | 2017-06-20 | 民政部国家减灾中心 | 洪涝灾害范围提取方法及系统 |
| CN109858647A (zh) * | 2018-12-21 | 2019-06-07 | 河海大学 | 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111652147A (zh) * | 2020-06-04 | 2020-09-11 | 中电建路桥集团有限公司 | 减负构件在地下车库空心楼盖施工过程的监控系统及方法 |
| CN113869621A (zh) * | 2020-06-30 | 2021-12-31 | 宁夏新气象科技服务有限公司 | 一种葡萄晚霜冻气象灾害评估方法及系统 |
| CN111798644A (zh) * | 2020-07-03 | 2020-10-20 | 成都理工大学 | 一种便携式山洪灾害预警方法与系统 |
| CN111915847A (zh) * | 2020-08-13 | 2020-11-10 | 成都万江港利科技股份有限公司 | 一种精细化降雨预报系统及其预警方法 |
| CN112382091A (zh) * | 2020-11-11 | 2021-02-19 | 北京世纪高通科技有限公司 | 一种道路积水预警方法及装置 |
| CN112836590B (zh) * | 2021-01-13 | 2022-07-08 | 四川轻化工大学 | 洪涝灾害监测方法、装置、电子设备及存储介质 |
| CN112836590A (zh) * | 2021-01-13 | 2021-05-25 | 四川轻化工大学 | 洪涝灾害监测方法、装置、电子设备及存储介质 |
| CN114664041A (zh) * | 2022-03-15 | 2022-06-24 | 中科海慧（北京）科技有限公司 | 一种基于深度学习的多传感器融合预警预测方法 |
| CN114565065A (zh) * | 2022-04-29 | 2022-05-31 | 长江水利委员会水文局 | 一种水文序列数据异常值检测方法 |
| CN114565065B (zh) * | 2022-04-29 | 2022-08-12 | 长江水利委员会水文局 | 一种水文序列数据异常值检测方法 |
| CN116596326A (zh) * | 2023-04-11 | 2023-08-15 | 常州双炬智能科技有限公司 | 一种基于遥感数据的城市环境检测及综合评估方法 |
| CN116596326B (zh) * | 2023-04-11 | 2024-04-26 | 泰州城发数字科技有限公司 | 一种基于遥感数据的城市环境检测及综合评估方法 |
| CN116187769A (zh) * | 2023-05-04 | 2023-05-30 | 四川省安全科学技术研究院 | 基于情景模拟的城镇洪涝灾害风险研判方法 |
| CN116206216A (zh) * | 2023-05-06 | 2023-06-02 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 一种基于遥感影像的矢量地理信息采集方法及系统 |
| CN117333468A (zh) * | 2023-10-17 | 2024-01-02 | 南京北斗创新应用科技研究院有限公司 | 面向多模式时序PolSAR影像的洪涝灾害监测方法 |
| CN117333468B (zh) * | 2023-10-17 | 2024-05-24 | 南京北斗创新应用科技研究院有限公司 | 面向多模式时序PolSAR影像的洪涝灾害监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110929946A (zh) | 基于地表水文过程的农业洪涝灾害监测预报系统及方法 | |
| Singh et al. | Grid-cell based assessment of soil erosion potential for identification of critical erosion prone areas using USLE, GIS and remote sensing: A case study in the Kapgari watershed, India | |
| Nandi et al. | Flood hazard mapping in Jamaica using principal component analysis and logistic regression | |
| Jain et al. | Flood inundation mapping using NOAA AVHRR data | |
| KR101788104B1 (ko) | 극한 강우를 고려한 실시간 산사태 예보 및 경보 시스템 및 방법 | |
| CN111445011B (zh) | 一种基于气象和遥感数据的山火预警方法 | |
| Munawar | Flood disaster management: Risks, technologies, and future directions | |
| CN113222283B (zh) | 一种基于数字孪生的山洪预报预警方法及系统 | |
| CN107341586A (zh) | 一种基于降雨的地质灾害发生频率的计算方法 | |
| CN112084712A (zh) | 融合主被动微波遥感信息的洪水淹没范围动态模拟方法 | |
| Wambua et al. | Drought forecasting using indices and Artificial Neural Networks for upper Tana River basin, Kenya-A review concept | |
| 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 | |
| Yin et al. | The use of triple collocation approach to merge satellite-and model-based terrestrial water storage for flood potential analysis | |
| CN107403004B (zh) | 一种基于地形数据的遥测雨量站点可疑数值检验方法 | |
| CN113759374A (zh) | 一种城市基础设施的结构健康问题的监测系统和监测方法 | |
| Manaouch et al. | Integrating GIS-based FAHP and WaTEM/SEDEM for identifying potential RWH areas in semi-arid areas | |
| Saeedi et al. | A comprehensive assessment of SM2RAIN-NWF using ASCAT and a combination of ASCAT and SMAP soil moisture products for rainfall estimation | |
| Acierto et al. | Development of a hydrological telemetry system in Bago River | |
| Thien et al. | Detection of Land Use and Land Cover Change Using Remote Sensing and GIS in Ba Ria-Vung Tau Province, Vietnam | |
| Chen et al. | Waterlogging risk assessment for winter wheat using multi-source data in the middle and lower reaches of Yangtze River | |
| Mokhtari et al. | Neural network method for drought modeling using satellite data | |
| Ghasempour et al. | SM2RAIN-ASCAT satellite-based spatiotemporal drought monitoring using multiscale WT-VMD-ENERGY method | |
| Suwanlee et al. | DROUGHT MONITORING FROM 2001–2019 IN NORTHEAST THAILAND USING MODIS NDVI IMAGE TIME SERIES AND Savitzky-Golay APPROACH | |
| Palazzoli | Anthropogenic and climatic controls on surface water across the contiguous United States | |
| Roohi et al. | Snow parameters modeling using remote sensing techniques and HEC-HMS hydrological modeling—case study: Kan Basin |
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 |