CN112699599A - 基于bp-geo的洪涝灾害预警方法 - Google Patents

基于bp-geo的洪涝灾害预警方法 Download PDF

Info

Publication number
CN112699599A
CN112699599A CN202011491818.XA CN202011491818A CN112699599A CN 112699599 A CN112699599 A CN 112699599A CN 202011491818 A CN202011491818 A CN 202011491818A CN 112699599 A CN112699599 A CN 112699599A
Authority
CN
China
Prior art keywords
disaster
flood
data
early warning
geo
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
Application number
CN202011491818.XA
Other languages
English (en)
Inventor
张录军
钱诗萌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University
Original Assignee
Nanjing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University filed Critical Nanjing University
Priority to CN202011491818.XA priority Critical patent/CN112699599A/zh
Publication of CN112699599A publication Critical patent/CN112699599A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)

Abstract

本发明公开了一种基于BP‑GEO的洪涝灾害预警方法，其中，具体包括如下步骤：步骤1、根据高程数据求解区域微地形特征，并利用区域微地形特征对径流数据进行修正；步骤2、利用模糊C值聚类法将流域地理位置结合灾害影响程度进行分类；步骤3、利用BP神经网络模型，构建洪涝灾害预报系统；步骤4、利用灾害损失评估模型并结合受灾地区具体情况，并进行洪涝灾害预警并评定灾害等级及损失情况，本发明不仅考虑了微地形特征对径流的影响，并且利用聚类分析的方法将洪涝流域进行分类，最后结合BP神经网络技术进行较为准确的洪涝预报，使灾害评估模型能预先给出防灾指导方案。

Description

基于BP-GEO的洪涝灾害预警方法
技术领域
本发明属于洪涝灾害监测技术领域，具体涉及基于BP-GEO的洪涝灾害预警方法。
背景技术
随着全球气候的变化，海平面上升和城市化的不断推进，加之我国地理环境复杂，自然灾害发生的频率和强度不断加大。由于对水资源的需求，多数城市建在大海、河流、湖泊等水系的附近，一旦遭遇大暴雨，洪涝灾害就容易发生。
20世纪中国发生过四次大规模的水患，而小型规模的洪灾几乎年年都在发生。全国大约2/3的地区受到不同类型和不同危害程度的洪水灾害。洪涝灾害可造成粮食减产，导致巨额经济损失，破坏土地资源和生态环境，对社会经济和环境具有多方面的影响。洪涝灾害可由很多原因造成，在各种致灾原因中，暴雨是最常见和最具威胁性的。同时，暴雨本身也是危害最严重的气象灾害之一，暴雨天气出现，多伴随雷电和狂风，常导致平面积水、河道漫溢、农田毁坏、房屋倒塌等。
在暴雨洪涝灾害的预报预警服务系统中，美国联邦紧急事务管理(FEMA)早已利用GIS技术辅助预测洪灾危害，而后，中国开始利用这一技术进行洪灾的预警。但这一方法没有考虑流域洪水形成的复杂性。另外，水文模型是暴雨洪涝灾害预报的重要的依据之一。目前，我国所采用的水文预报模型主要有我国自行研制开发的新安江模型、双超产流模型、河北雨洪模型、姜湾径流模型等，从国外引进的模型主要有Tank、Sacramento和SMAR等模型，但计算较为复杂，对历史资料的要求较高。由于流域洪水的形成非常复杂，降雨径流关系通常是动态的，非线性的，所以神经网络在洪水预报中更加智能和实用，但并未考虑地形在暴雨洪水预警中的重要作用，预报结果在某些方面仍旧缺乏可信度。
上述方法均只考虑了暴雨洪涝预报的单一方面，预报结果准确度不高，因此需要更为完善的预报模型进行暴雨和洪涝灾害的预警。
发明内容
本发明的目的在于提供基于BP-GEO的洪涝灾害预警方法，以解决现有技术不全面的问题。
为实现上述目的，本发明提供如下技术方案：基于BP-GEO的洪涝灾害预警方法，其中，具体包括如下步骤：
步骤1、根据高程数据求解区域微地形特征，并利用区域微地形特征对径流数据进行修正；
步骤2、利用模糊C值聚类法将流域地理位置结合灾害影响程度进行分类；
步骤3、利用BP神经网络模型，构建洪涝灾害预报系统；
步骤4、利用灾害损失评估模型并结合受灾地区具体情况，并进行洪涝灾害预警并评定灾害等级及损失情况。
优选的，所述步骤1中，具体包括如下步骤：
步骤11、根据高程数据求解区域微地形特征：
步骤111、计算区域微地形特征，
Figure BDA0002840912330000021
步骤112、计算坡度及坡向，
Figure BDA0002840912330000022
步骤12、利用区域微地形特征对径流数据进行修正：
步骤121、坡面的修正系数k为，
Figure BDA0002840912330000031
其中，Δh为高程差，c为山坡倾角系数，则，
Figure BDA0002840912330000032
步骤122、沟壑径流修正系数k为，k＝1.35。
优选的，所述步骤2中，具体包括如下步骤：
步骤21、生成0-1间的随机数初始化样本的隶属矩阵U，则，
Figure BDA0002840912330000033
步骤22、利用公式：
Figure BDA0002840912330000034
计算出c个聚类中心ci(i＝1,…,c)；
步骤23、计算FCM的价值函数J，则，
Figure BDA0002840912330000035
步骤24、计算矩阵U：
Figure BDA0002840912330000036
并返回步骤2.2。
优选的，所述步骤23中：
uij∈[0,1]为第j个数据点属于第i个聚类的程度；
dij＝||ci-xj||为第i个聚类中心与第j个数据点间的欧氏距离；
ci为模糊组i的聚类中心；
m∈[1,∞]为加权指数。
优选的，所述步骤23还包括：
步骤231、构造新的目标函数，并求得使计算FCM的价值函数J达到最小值的必要条件，则，
Figure BDA0002840912330000041
其中，λj(j＝1,…,n)为n个约束式的拉格朗日乘子，若n个约束式的拉格朗日乘子小于确定阈值，或它相对于上次价值函数值的改变量小于阈值，则算法停止。
优选的，所述步骤3中，具体步骤如下：
步骤31、建立洪水水位预报神经网络模型的模式对：
步骤311、输入层单元数据给定，上游水位站水位数据个数为n1，下游水位站水位数据个数为n2，且n＝n1+n2，则，
Figure BDA0002840912330000042
步骤312、输出单元数据给定，预报下游站，且时间间隔为Nδ，(N+1)δ，…，(N+q-1)δ后的洪水水位数据，
Figure BDA0002840912330000043
步骤32、确定目标函数，
Figure BDA0002840912330000044
其中，
Figure BDA0002840912330000045
Figure BDA0002840912330000046
步骤33、输入单元数据规范化，将输入单元的数据规范为0.2-0.8之间：
Figure BDA0002840912330000051
步骤34、规范化输出单元数据：
Figure BDA0002840912330000052
优选的，所述步骤311中，i＝1,2,…,n,k＝1,2,…,m，且
Figure BDA0002840912330000053
及
Figure BDA0002840912330000054
为上下游水位站水位等时间间隔为δ的序列；
所述步骤33中，
Figure BDA0002840912330000055
M＝max{n1,n2}，
所述步骤34中，
Figure BDA0002840912330000056
优选的，所述步骤3是用于构造人工神经网络的训练模式对，当训练成功后，并得到预报值
Figure BDA0002840912330000057
时，必须给出还原公式，
Figure BDA0002840912330000058
Figure BDA0002840912330000059
优选的，所述的步骤4中，所述灾害损失评估模型为：
Figure BDA00028409123300000510
优选的，所述灾害损失评估模型中：
I为洪水单元号；
j为行业序号；
k为水深级别；
m为淹没历时等级；
n为预警时间等级；
Days为淹没时间天数。
本发明的技术效果和优点：该基于BP-GEO的洪涝灾害预警方法不仅考虑了微地形特征对径流的影响，并且利用聚类分析的方法将洪涝流域进行分类，最后结合BP神经网络技术进行较为准确的洪涝预报，使灾害评估模型能预先给出防灾指导方案。
附图说明
图1为本发明的暴雨洪涝灾害预警模型预测与评估流程；
图2为本发明人工神经网络结构示意图。
具体实施方式
下面将结合本发明实施例中的附图1-2，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。
本发明提供了如图1-2中所示的基于BP-GEO的洪涝灾害预警方法，其中，具体包括如下步骤：
步骤1、根据高程数据求解区域微地形特征，并利用区域微地形特征对径流数据进行修正；
步骤2、利用模糊C值聚类法将流域地理位置结合灾害影响程度进行分类；
步骤3、利用BP神经网络模型，构建洪涝灾害预报系统；
步骤4、利用灾害损失评估模型并结合受灾地区具体情况，并进行洪涝灾害预警并评定灾害等级及损失情况。
具体的，所述步骤1中，具体包括如下步骤：
步骤11、根据高程数据求解区域微地形特征：
步骤111、计算区域微地形特征，
Figure BDA0002840912330000071
步骤112、计算坡度及坡向，
Figure BDA0002840912330000072
步骤12、利用区域微地形特征对径流数据进行修正：
步骤121、坡面的修正系数k为，
Figure BDA0002840912330000073
其中，Δh为高程差，c为山坡倾角系数，则，
Figure BDA0002840912330000074
步骤122、沟壑径流修正系数k为，k＝1.35。
具体的，所述步骤2中，具体包括如下步骤：
步骤21、生成0-1间的随机数初始化样本的隶属矩阵U，则，
Figure BDA0002840912330000075
步骤22、利用公式：
Figure BDA0002840912330000076
计算出c个聚类中心ci(i＝1,…,c)；
步骤23、计算FCM的价值函数J，则，
Figure BDA0002840912330000077
步骤24、计算矩阵U：
Figure BDA0002840912330000078
并返回步骤2.2。
具体的，所述步骤23中：
uij∈[0,1]为第j个数据点属于第i个聚类的程度；
dij＝||ci-xj||为第i个聚类中心与第j个数据点间的欧氏距离；
ci为模糊组i的聚类中心；
m∈[1,∞]为加权指数。
具体的，所述步骤23还包括：
步骤231、构造新的目标函数，并求得使计算FCM的价值函数J达到最小值的必要条件，则，
Figure BDA0002840912330000081
其中，λj(j＝1,…,n)为n个约束式的拉格朗日乘子，若n个约束式的拉格朗日乘子小于确定阈值，或它相对于上次价值函数值的改变量小于阈值，则算法停止。
具体的，所述步骤3中，具体步骤如下：
步骤31、建立洪水水位预报神经网络模型的模式对：
步骤311、输入层单元数据给定，上游水位站水位数据个数为n1，下游水位站水位数据个数为n2，且n＝n1+n2，则，
Figure BDA0002840912330000082
步骤312、输出单元数据给定，预报下游站，且时间间隔为Nδ，(N+1)δ，…，(N+q-1)δ后的洪水水位数据，
Figure BDA0002840912330000083
步骤32、确定目标函数，
Figure BDA0002840912330000091
其中，
Figure BDA0002840912330000092
Figure BDA0002840912330000093
步骤33、输入单元数据规范化，将输入单元的数据规范为0.2-0.8之间：
Figure BDA0002840912330000094
步骤34、规范化输出单元数据：
Figure BDA0002840912330000095
具体的，所述步骤311中，i＝1,2,…,n,k＝1,2,…,m，且
Figure BDA0002840912330000096
及
Figure BDA0002840912330000097
为上下游水位站水位等时间间隔为δ的序列；
所述步骤33中，
Figure BDA0002840912330000098
M＝max{n1,n2}，
所述步骤34中，
Figure BDA0002840912330000099
具体的，所述步骤3是用于构造人工神经网络的训练模式对，当训练成功后，并得到预报值
Figure BDA00028409123300000910
时，必须给出还原公式，
Figure BDA00028409123300000911
Figure BDA00028409123300000912
具体的，所述的步骤4中，所述灾害损失评估模型为：
Figure BDA00028409123300000913
具体的，所述灾害损失评估模型中：
I为洪水单元号；
j为行业序号；
k为水深级别；
m为淹没历时等级；
n为预警时间等级；
Days为淹没时间天数。
实施例：
步骤1、根据高程数据求解区域微地形特征，包括坡度、坡向及高程差，并利用区域微地形特征对径流数据进行修正，对修正后的径流数据以及降水数据、水文站测得的上下游水位数据进行整合。
在步骤1中，求解微地形特征及对径流数据修正具体包括如下步骤：
步骤11、计算区域微地形特征的具体公式和计算方法如下：
步骤111、计算区域微地形特征，
Figure BDA0002840912330000101
式(1)中，slopewe表示东西(X轴)方向上的坡度，slopesn表示南北(Y轴)方向上的坡度，Δh为高程差，Δx为东西(X轴)方向上的水平距离，Δy为南北(Y轴)方向上的水平距离。
步骤112、计算坡度及坡向，由式(1)可知坡度和坡向的计算公式为，
Figure BDA0002840912330000102
式(2)中，slope表示坡度，aspect表示坡向，slopewe表示东西(X轴)方向上的坡度，slopesn表示南北(Y轴)方向上的坡度，与式(1)一致。
步骤12、根据区域微地形特征对区域径流数据进行修正，具体包括如下几个方面：
步骤121、坡面的修正系数数k为：
Figure BDA0002840912330000111
式(3)中，Δh为高程差，c为山坡倾角系数，则，计算公式如下：
Figure BDA0002840912330000112
步骤122、计算出沟壑径流修正系数k，k＝1.35。
步骤2、利用模糊C值聚类法(FCM)将流域地理位置结合灾害影响程度进行分类。
在步骤2中，利用模糊C值聚类法将流域地理位置结合灾害影响程度进行分类具体包括如下步骤：
步骤21、生成0-1间的随机数初始化样本的隶属矩阵U，使得：
Figure BDA0002840912330000113
步骤22、利用公式：
Figure BDA0002840912330000114
计算出c个聚类中心ci(i＝1，…，c)。
步骤23、根据下式(7)计算FCM的价值函数(目标函数)J，则，
Figure BDA0002840912330000115
式(7)中，uij∈[0，1]表示第j个数据点属于第i个聚类的程度，dij＝||ci-xj||为第i个聚类中心与第j个数据点间的欧氏距离，ci为模糊组i的聚类中心，m∈[1，∞]为加权指数。
所述步骤23还包括步骤231，构造新的目标函数，求得使(7)式达到最小值的必要条件，则，
Figure BDA0002840912330000116
式(8)中，λj(j＝1，…，n)是上式的n个约束式的拉格朗日乘子，若它小于某个确定的阈值，或它相对于上次价值函数值的改变量小于某个阈值，则算法停止。
步骤24、计算新的矩阵U，
Figure BDA0002840912330000121
并返回步骤2.2。
步骤3、利用BP人工神经网络模型，构建洪涝灾害预报系统。
在步骤3中，构建基于BP人工神经网络结构构建暴雨洪涝灾害预报系统的具体步骤如下：
步骤31、建立洪水水位预报神经网络模型的模式对：
步骤311、首先，输入层单元数据给定，如果上下游水位站分别取水位数据个数为n1和n2，其中n＝n1+n2，则，
Figure BDA0002840912330000122
其中，i＝1，2，…，n，k＝1，2，…，m，
Figure BDA0002840912330000123
和
Figure BDA0002840912330000124
l＝1，2，…，为上下游水位站水位等时间间隔为δ的序列。
步骤312、输出单元数据给定，如果想预报下游站，当前时间间隔Nδ，(N+1)δ，…，(N+q-1)δ后的洪水水位数据，则，
Figure BDA0002840912330000125
Figure BDA0002840912330000126
步骤32、确定目标函数，
Figure BDA0002840912330000127
式(12)中：
Figure BDA0002840912330000128
Figure BDA0002840912330000131
式(12)、(13)及(14)中：Se是预报误差的均方差，σY是预报要素值的均方差，
Figure BDA0002840912330000132
是实测值，
Figure BDA0002840912330000133
是预报值，
Figure BDA0002840912330000134
是第t个输出单元的实测值均值；m是系列点次的个数。
步骤33、规范化输入的单元数据，考虑到输入单元数据的规范化是在过去已有数据基础上进行的，为估计到在预测阶段可能超过历史洪峰的情况，这里把输入单元的数据规范在0.2到0.8之间，具体规范化方法如下：
Figure BDA0002840912330000135
式(15)中：
Figure BDA0002840912330000136
Figure BDA0002840912330000137
M＝max{n1，n2}。
步骤34、规范化输出单元数据，具体规范方法如下：
Figure BDA0002840912330000138
(16)，式(16)中：
Figure BDA0002840912330000139
以上的规范化处理，主要是用于构造人工神经网络的训练模式对，当训练成功后，得到了预报值
Figure BDA00028409123300001310
时，还必须给出还原公式，具体还原公式如下，
Figure BDA00028409123300001311
步骤4、利用灾害损失评估模型-CAS-LOS模型，并结合受灾地区具体情况，并进行洪涝灾害预警并评定出灾害等级及损失情况。
在步骤4中，评估灾害损失的模型为：
Figure BDA00028409123300001312
式(18)中，I为洪水单元号；j为行业序号；k为水深级别；m为淹没历时等级；n为预警时间等级；Days为淹没时间天数。
本发明不仅考虑了微地形特征对径流的影响，并且利用聚类分析的方法将洪涝流域进行分类，最后结合BP神经网络技术进行准确的洪涝预报，并且灾害评估模型也能预先给出防灾指导方案，使BP-GEO模型能够成为准确的洪涝灾害预警方法。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于BP-GEO的洪涝灾害预警方法，其特征在于，具体包括如下步骤：
步骤1、根据高程数据求解区域微地形特征，并利用区域微地形特征对径流数据进行修正；
步骤2、利用模糊C值聚类法将流域地理位置结合灾害影响程度进行分类；
步骤3、利用BP神经网络模型，构建洪涝灾害预报系统；
步骤4、利用灾害损失评估模型并结合受灾地区具体情况，并进行洪涝灾害预警并评定灾害等级及损失情况。
2.根据权利要求1所述的基于BP-GEO的洪涝灾害预警方法，其特征在于，所述步骤1中，具体包括如下步骤：
步骤11、根据高程数据求解区域微地形特征：
步骤111、计算区域微地形特征，
Figure FDA0002840912320000011
步骤112、计算坡度及坡向，
Figure FDA0002840912320000012
步骤12、利用区域微地形特征对径流数据进行修正：
步骤121、坡面的修正系数k为，
Figure FDA0002840912320000013
其中，Δh为高程差，c为山坡倾角系数，则，
Figure FDA0002840912320000014
步骤122、沟壑径流修正系数k为，k＝1.35。
3.根据权利要求1所述的基于BP-GEO的洪涝灾害预警方法，其特征在于，所述步骤2中，具体包括如下步骤：
步骤21、生成0-1间的随机数初始化样本的隶属矩阵U，则，
Figure FDA0002840912320000021
步骤22、利用公式：
Figure FDA0002840912320000022
计算出c个聚类中心ci(i＝1,…,c)；
步骤23、计算FCM的价值函数J，则，
Figure FDA0002840912320000023
步骤24、计算矩阵U：
Figure FDA0002840912320000024
并返回步骤2.2。
4.根据权利要求3所述的基于BP-GEO的洪涝灾害预警方法，其特征在于，所述步骤23中：
uij∈[0,1]为第j个数据点属于第i个聚类的程度；
dij＝||ci-xj||为第i个聚类中心与第j个数据点间的欧氏距离；
ci为模糊组i的聚类中心；
m∈[1,∞]为加权指数。
5.根据权利要求3所述的基于BP-GEO的洪涝灾害预警方法，其特征在于，所述步骤23还包括：
步骤231、构造新的目标函数，并求得使计算FCM的价值函数J达到最小值的必要条件，则，
Figure FDA0002840912320000025
其中，λj(j＝1,…,n)为n个约束式的拉格朗日乘子，若n个约束式的拉格朗日乘子小于确定阈值，或它相对于上次价值函数值的改变量小于阈值，则算法停止。
6.根据权利要求1所述的基于BP-GEO的洪涝灾害预警方法，其特征在于，所述步骤3中，具体步骤如下：
步骤31、建立洪水水位预报神经网络模型的模式对：
步骤311、输入层单元数据给定，上游水位站水位数据个数为n1，下游水位站水位数据个数为n2，且n＝n1+n2，则，
Figure FDA0002840912320000031
步骤312、输出单元数据给定，预报下游站，且时间间隔为Nδ，(N+1)δ，…，(N+q-1)δ后的洪水水位数据，
Figure FDA0002840912320000032
步骤32、确定目标函数，
Figure FDA0002840912320000033
其中，
Figure FDA0002840912320000034
Figure FDA0002840912320000035
步骤33、输入单元数据规范化，将输入单元的数据规范为0.2-0.8之间：
Figure FDA0002840912320000041
步骤34、规范化输出单元数据：
Figure FDA0002840912320000042
7.根据权利要求6所述的基于BP-GEO的洪涝灾害预警方法，其特征在于，所述步骤311中，i＝1,2,…,n,k＝1,2,…,m，且
Figure FDA0002840912320000043
及
Figure FDA0002840912320000044
为上下游水位站水位等时间间隔为δ的序列；
所述步骤33中，
Figure FDA0002840912320000045
M＝max{n1,n2}；
所述步骤34中，
Figure FDA0002840912320000046
8.根据权利要求1所述的基于BP-GEO的洪涝灾害预警方法，其特征在于，所述步骤3是用于构造人工神经网络的训练模式对，当训练成功后，并得到预报值
Figure FDA0002840912320000047
时，必须给出还原公式，
Figure FDA0002840912320000048
9.根据权利要求1所述的基于BP-GEO的洪涝灾害预警方法，其特征在于，所述的步骤4中，所述灾害损失评估模型为：
Figure FDA0002840912320000049
10.根据权利要求1所述的基于BP-GEO的洪涝灾害预警方法，其特征在于，所述灾害损失评估模型中：
I为洪水单元号；
j为行业序号；
k为水深级别；
m为淹没历时等级；
n为预警时间等级；
Days为淹没时间天数。
CN202011491818.XA 2020-12-17 2020-12-17 基于bp-geo的洪涝灾害预警方法 Pending CN112699599A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011491818.XA CN112699599A (zh) 2020-12-17 2020-12-17 基于bp-geo的洪涝灾害预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011491818.XA CN112699599A (zh) 2020-12-17 2020-12-17 基于bp-geo的洪涝灾害预警方法

Publications (1)

Publication Number Publication Date
CN112699599A true CN112699599A (zh) 2021-04-23

Family

ID=75508633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011491818.XA Pending CN112699599A (zh) 2020-12-17 2020-12-17 基于bp-geo的洪涝灾害预警方法

Country Status (1)

Country Link
CN (1) CN112699599A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344305A (zh) * 2021-08-05 2021-09-03 中国水利水电科学研究院 一种暴雨内涝事件的快速预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344305A (zh) * 2021-08-05 2021-09-03 中国水利水电科学研究院 一种暴雨内涝事件的快速预测方法

Similar Documents

Publication Publication Date Title
CN111582755B (zh) 一种基于多维度集合信息山洪灾害综合风险动态评估方法
CN108227041B (zh) 基于站点实测数据和模式结果的水平能见度预报方法
CN110852577B (zh) 基于城市韧性与城市流域水文模型的城市洪涝评估方法
CN106650767B (zh) 基于聚类分析和实时校正的洪水预报方法
CN112070286B (zh) 复杂地形流域的降水预报预警系统
CN112800634B (zh) 耦合干湿状态辨识与多源信息融合的降水估计方法及系统
Boucher et al. A comparison between ensemble and deterministic hydrological forecasts in an operational context
CN111428942B (zh) 基于变网格技术提取微地形因子的线路覆冰厚度预测方法
CN110274656B (zh) 一种城市内河水位预报预警方法
CN111325947B (zh) 一种基于长短期记忆网络的风暴潮洪涝预警方法和系统
CN115423272B (zh) 一种融合历史淹没强度的洪涝风险评估方法和系统
CN115689293B (zh) 一种基于压力-状态-响应框架的城市内涝韧性评估方法
CN113591572A (zh) 基于多源数据和多时相数据的水土流失定量监测方法
CN111538798A (zh) 一种顾及dsm和dlg的城市汇水区精细化提取方法
CN114942596B (zh) 一种城市防洪排水智能控制系统
CN111815043A (zh) 一种基于暴雨特征的洪水流量预测方法及系统
CN117575873B (zh) 综合气象水文敏感性的洪水警戒方法与系统
CN112699599A (zh) 基于bp-geo的洪涝灾害预警方法
Amodei et al. Deterministic and fuzzy verification methods for a hierarchy of numerical models
CN112766581A (zh) 一种计算机自动识别预报人工防雹作业潜势的方法
CN116434479A (zh) 一种区域性洪涝灾害等级预测预警方法及系统
CN113269376B (zh) 一种河流洪峰流量范围计算方法
CN115201938A (zh) 基于雷暴高压分析的强对流天气临近预报方法及系统
Yang et al. Return period for urban rainwater drainage networks based on the lowest total social investment method: a case study in Tianjin, China
Chantip et al. Development of dynamic flash flood hazard index (DFFHI) in Wang river basin, Thailand

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