CN112966856A - 一种山洪风险预测方法及预测系统 - Google Patents

一种山洪风险预测方法及预测系统 Download PDF

Info

Publication number
CN112966856A
CN112966856A CN202110182429.7A CN202110182429A CN112966856A CN 112966856 A CN112966856 A CN 112966856A CN 202110182429 A CN202110182429 A CN 202110182429A CN 112966856 A CN112966856 A CN 112966856A
Authority
CN
China
Prior art keywords
data
value
model
training
torrential flood
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
CN202110182429.7A
Other languages
English (en)
Inventor
刘明锦
张智涌
王宾
陈万林
高瑞洁
高键
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.)
Sichuan Water Conservancy Vocational College
Original Assignee
Sichuan Water Conservancy Vocational College
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 Sichuan Water Conservancy Vocational College filed Critical Sichuan Water Conservancy Vocational College
Priority to CN202110182429.7A priority Critical patent/CN112966856A/zh
Publication of CN112966856A publication Critical patent/CN112966856A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种山洪风险预测方法及预测系统，获取第一数据，对第一数据进行数据清洗，获得第二数据；将第二数据划分为训练数据集与测试数据集，构建神经网络模型，将训练数据集输入到神经网络模型中，采用损失函数对神经网络模型进行训练，获得训练模型；将测试数据集输入到训练模型中获得最优模型，将下一次获取的山洪影响因素数据输入到山洪预测风险模型中，获得待预测山洪值，并将待预测山洪值与预设阈值做比较，若待预测山洪值大于预设阈值时，则目标区域有山洪暴发风险，否则，目标区域没有山洪暴发风险；本发明的有益效果为通过设置传感器模块对多种不同的实时数据进行采集，提高了对地区山洪预测的准确性；能够实时给用户提供预警。

Description

一种山洪风险预测方法及预测系统
技术领域
本发明涉及山洪风险预测技术领域，尤其涉及一种山洪风险预测方法及预测系统。
背景技术
山洪灾害是世界上危害最大的自然灾害之一，山洪灾害具有突发性强、破坏力大、难以预测等特点，容易造成大量人员伤亡、严重的财产损坏和环境灾难。山洪灾害的防御工作是我国防汛减灾工作的重点与难点问题。能够及时、准确的进行山洪灾害的预警预报工作有利于指导受灾群众快速撤离、减轻灾害损失、保障人民的生命财产安全，是目前最为有效可行的防灾减灾的非工程措施，是山洪灾害防御的重要研究方向。
为了对山洪进行精准预测，不同领域的国内外学者近年来从多个不同的角度进行了很多有意义的研究。由于山洪和强对流降水的密切关系，气象类的学者更倾向于对触发山洪的强降水检测进行研究；水文地质防汛等领域类的学者则倾向于采用水文类临界雨阈值以及一些较为稳定的水文汇流模型来进行计算，其本质上也依赖于气象信息；随着计算机建模的兴起，现在也有学者利用需要进行山洪预测的计算机进行建模，考虑地形、地质条件等因素，结合气象信息对山洪进行预测分析。
总的来说，目前主流的山洪预测的核心思想还是结合各地区影响暴雨洪水的各类相关资料(历史水文数据、气象类、地形地貌数据等)，研究其规律并建立的相关的经验关系。在以往的研究中，大多以山洪成因的各类影响因素为初始条件，用历史数据作为主要参考对象，从而根据不同的水文地质环境建立的山洪预测模型。该类模型针对性较强，有历史数据支撑，但本身存在模型灵活度不高、历史数据准确性等问题，因此山洪数据预测值误差较大，同时因为各地区环境不一样，山洪成因不同，因此存在模型迁移难度大的问题。
发明内容
本发明的目的在于提供一种山洪风险预测方法及预测系统，将神经网络模型的方法与采集的历史山洪影响因素结合起来，且用于对实时山洪数据进行预测，能够准确及时的预测单某个区域是否具有山洪暴发的风险性。
本发明通过下述技术方案实现：
一种山洪风险预测方法，包括以下步骤：
S1：获取第一数据，所述第一数据为目标区域内历史采集的山洪影响因素数据；
S2：对第一数据进行数据清洗，获得第二数据；
S3：将第二数据划分为训练数据集与测试数据集，构建神经网络模型，将训练数据集输入到神经网络模型中，采用损失函数与梯度下降调节的方法对神经网络模型进行训练，获得训练模型；
S4：将测试数据集输入到训练模型中，对训练模型进行测试优化，获得最优模型，所述最优模型为山洪风险预测模型；
S5：将下一次获取的山洪影响因素数据输入到山洪预测风险模型中，获得待预测山洪值，并将待预测山洪值与预设阈值做比较，若待预测山洪值大于预设阈值时，则目标区域有山洪暴发风险，若待预测山洪值小于预设阈值，则目标区域没有山洪暴发风险，所述预设阈值为山洪暴发与山洪不爆发之间的临界点。
传统的对某个地区进行山洪预测风险的方法依赖的是气象、地形地貌以及历史数据等信息对地区的山洪风险进行的一个预测，通过研究此类数据，寻找相关的经验关系，对地区的山洪风险进行一个评估，但是采用这种方法评估的山洪风险，其模型灵活度不高，历史数据不准确，计算出来的山洪预测值的风险误差大，本发明提供一种一种山洪风险预测方法及预测系统，通过将传感器采集实时数据与网络神经模型相结合，并根据每次采集的数据对神经网络模型不断的更新，能够准确预估地区的山洪风险程度。
优选地，所述步骤S3具体的操作方法包括：
S31：将训练数据集输入到神经网络模型中，通过神经网络正向传播计算损失函数与训练误差；
S32：通过损失函数进行神经网络反向传播计算，不断更新神经网络中的参数；
S33：重复步骤S31-S32，直到神经网络模型中的训练误差达到预期值，输出训练模型。
优选地，所述预期值为训练山洪值接近目标山洪值,且误差小于等于20％，则：
Figure RE-GDA0003056598220000021
y′i为训练山洪值，y为目标山洪值。
优选地，所述影响因素数据包括实时采集的实时降雨量、实时风力、实时风向、实时空气湿度、实时坡度、实时温度、实时土壤墒情。
优选地，所述数据清洗为：
检查第一数据是否超出异常范围值，若超出，则进行剔除，若不超出，则进行下一步；
对第一数据依次进行无效值处理、缺失值处理，将第一数据转换为标准格式的数据，该数据为第二数据。
优选地，所述训练误差函数的具体表达式为：
Figure RE-GDA0003056598220000031
yi为预测山洪值，y为实际山洪值，n为数据个数，MSE为n个数据预测结果误差平方的均值。
优选地，所述待预测的山洪值yi的计算表达式为：
yi＝w1xi1+w2xi2,...wdxid+b,i＝1,...,n
w1,w2,...,wd,b均为影响因素，w为权重，b为偏重，xil...,xid为山洪预测中第i个传感器数据的取值。
本发明还公开了一种山洪风险预测系统，所述预测系统包括：
传感器模块，用于获取第一数据，所述第一数据为实时采集的山洪影响因素数据；
数据处理模块，用于对第一数据进行数据清洗，获得第二数据；
神经网络模块，用于将第二数据划分为训练数据集与测试数据集，构建神经网络模型，将训练数据集输入到神经网络模型中，采用损失函数与梯度下降调节的方法对神经网络模型进行训练，获得训练模型；将测试数据集输入到训练模型中，对训练模型进行测试优化，获得最优模型，所述最优模型为山洪风险预测模型；
判断识别模块，用于将下一次获取的山洪影响因素数据输入到山洪预测风险模型中，获得待预测山洪值，并将待预测山洪值与预设阈值做比较，若待预测山洪值大于预设阈值时，则该地区有山洪暴发风险，若待预测山洪值小于预设阈值，则该地区没有山洪暴发风险，所述预设阈值为山洪暴发与山洪不爆发之间的临界点。
优选地，所述预测系统还包括NTP服务器，所述NTP服务器用于对所述传感器采集的数据、所述大数据平台中存储的数据以及所述神经网络模块中计算的数据进行数据时间同步。。
本发明与现有技术相比，具有如下的优点和有益效果：
1、采用本发明提供的一种山洪风险预测方法及预测系统，通过设置传感器模块对多种不同的实时数据进行采集，提高了对地区山洪预测的准确性；
2、采用本发明提供的一种山洪风险预测方法及预测系统，能够准确预测目标区域的山洪风险暴发的程度，能够实时给用户提供预警。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为山洪风险预测方法示意图；
图2为山洪风险预测系统示意图。
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明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例一
本实施例公开了一种山洪风险预测方法，如图1所示，包括以下步骤：
S1：获取第一数据，所述第一数据为目标区域内历史采集的山洪影响因素数据；影响因素数据包括实时采集的实时降雨量、实时风力、实时风向、实时空气湿度、实时坡度、实时温度、实时土壤墒情等各种数据。
山洪的成因与降雨量有着密切的关系，随着降雨量的不断增多，不同下渗率的土壤湿度逐渐饱和，达到山洪暴发的临界雨量，根据地质地形的不同，山洪的形成时间会有所不同。根据流域面积的不同，降雨与最终汇流成山洪有一定的时间差，因此可以看出，降雨是山洪暴发的最主要成因，且山洪暴发是根据该检测地区的实时影响的数据进行检测，因此需要对实时影响的数据进行实地实时检测。
S2：对第一数据进行数据清洗，获得第二数据；
所述数据清洗为：
检查第一数据是否超出异常范围值，若超出，则进行剔除，若不超出，则进行下一步；
对第一数据依次进行无效值处理、缺失值处理，将第一数据转换为标准格式的数据，该数据为第二数据。
数据清洗是将数据输入到数据清理处理器，由处理器进行：
一致性检查(一致性检查(consistency check)是根据每个传感器变量的合理取值范围和相互关系，检查数据是否合乎要求，从而发现超出正常范围、逻辑上不合理或者相互矛盾的数据，如实时温度超过45度等异常情况)。
无效值和缺失值的处理(如传感器失灵导致的数据异常或缺失)；终将数据转换成标准可接收的标准格式，从而完成数据清洗工作。
将获取的第一数据中，不符合规定的数据进行剔除，对符合规定数据留下。
S3：将第一数据划分为训练数据集与测试数据集，构建神经网络模型，将训练数据集输入到神经网络模型中，采用损失函数与梯度下降调节的方法对神经网络模型进行训练，获得训练模型；
S31：将训练数据集输入到神经网络模型中，通过神经网络正向传播计算损失函数与训练误差；
S32：通过损失函数进行神经网络反向传播计算，不断更新神经网络中的参数；
S33：重复步骤S31-S32，直到神经网络模型中的训练误差达到预期值，输出训练模型。
所述预期值为训练山洪值接近目标山洪值,且误差小于等于20％，理想状况下为yi-y＝0，一般情况下，即
Figure RE-GDA0003056598220000051
y′i为训练山洪值，y为目标山洪值。
所述训练方差函数的具体表达式为：
Figure RE-GDA0003056598220000052
yi为预测山洪值，y为实际山洪值，n为数据个数，MSE为n个数据预测结果误差平方的均值，MSE为损失函数。
引入损失函数主要是对参数w和b进行不断优化，使得最终计算出来得到的模型为最优模型，采用梯度下降调节的方法为：
设如果fx在点xn有定义且可微，则认为fx在点xn沿着梯度的负方向-▽f(xn)下降的是最快的。反复调节x，使得fx接近最小值或者极小值，调节的方式为：
xn+1＝xn+λ▽f(x),n≥0
在公式中，λ代表学习率。
S4：将测试数据集输入到训练模型中，对训练模型进行测试优化，获得最优模型，所述最优模型为山洪风险预测模型；
将第一数据分为训练数据集与测试数据集，分割为训练数据集主要是用于调整训练模型中的参数，即进行模型的训练，模型在这份数据集上的误差被称为训练误差；
测试数据集用于测试，模型在这份数据集上的误差被称为测试误差，训练模型的目的是为了通过从训练数据中找到规律来预测未知的新数据，所以测试误差是更能反映模型表现的指标。分割数据的比例主要考虑以下两个因素：更多的机器学习训练数据会降低参数估计的方差，从而得到更可信的模型，即传感器采集的数据越多，计算越精准；而更多的测试数据会降低测试误差的方差，从而得到更可信的测试误差。
S5：将下一次获取的山洪影响因素数据输入到山洪预测风险模型中，获得待预测山洪值，并将待预测山洪值与预设阈值做比较，若待预测山洪值大于预设阈值时，则目标区域有山洪暴发风险，若待预测山洪值小于预设阈值，则目标区域没有山洪暴发风险，预设阈值为山洪暴发与山洪不爆发之间的临界点。
待预测的山洪值yi的计算表达式为：
yi＝w1xi1+w2xi2,...wdxid+b,i＝1,...,n
w1,w2,...,wd,b均为影响因素，w为权重，b为偏重，xil...,xid为山洪预测中第i个传感器数据的取值，待预测山洪值yi就是构建的模型中的预测的目标值，在这个山洪预测风险模的型中，未知的影响因素为w1,w2,...,wd,b，即要计算和优化的目标，通过计算和优化影响因素 w1,w2,...,wd,b，使其无限接近实际值y。
实施例二
本实施例公开了一种山洪风险预测系统，如图2所示，风险预测系统能实现如实施例一中的风险预测方法，所述预测系统包括：
传感器模块，用于获取第一数据，所述第一数据为实时采集的山洪影响因素数据，传感器模块为不同的传感器，不同的传感器用于采集不同的山洪影响数据，并将采集的实时数据传输到数据处理模块中，进行保存与处理，通过大量积累传感器传输过来的数据，能够对神经网络模型中的参数进行不断的优化与诊断；
数据处理模块，用于对第一数据进行数据清洗，获得第二数据，数据处理模块主要是对传感器采集的数据进行处理，需要将传感器采集的数据做归一化或者统一化处理的方法，对数据进行整合，将数据整合为标准数据；
神经网络模块，用于将第一数据划分为训练数据集与测试数据集，构建神经网络模型，将训练数据集输入到神经网络模型中，采用损失函数与梯度下降调节的方法对神经网络模型进行训练，获得训练模型；将测试数据集输入到训练模型中，对训练模型进行测试优化，获得最优模型，所述最优模型为山洪风险预测模型，神经网络模块主要是对历史数据进行建模的过程，所有通过传感器采集的数据都会进行存储；
判断识别模块，用于将下一次获取的山洪影响因素数据输入到山洪预测风险模型中，获得待预测山洪值，并将待预测山洪值与预设阈值做比较，若待预测山洪值大于预设阈值时，则该地区有山洪暴发风险，若待预测山洪值小于预设阈值，则该地区没有山洪暴发风险，所述预设阈值为山洪暴发与山洪不爆发之间的临界点，通过对实时采集的数据进行山洪暴发风险的判断，能够实时预测当前区域内的山洪暴发的风险。
预测系统还包括NTP服务器，所述NTP服务器用于对所述传感器采集的数据、所述大数据平台中存储的数据以及所述神经网络模块中计算的数据进行数据时间同步，模型中通过 NTP服务器进行数据时间同步，保证所有平台的数据时间步调保持一致。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种山洪风险预测方法，其特征在于，包括以下步骤：
S1：获取第一数据，所述第一数据为目标区域内历史采集的山洪影响因素数据；
S2：对第一数据进行数据清洗，获得第二数据；
S3：将第二数据划分为训练数据集与测试数据集，构建神经网络模型，将训练数据集输入到神经网络模型中，采用损失函数与梯度下降调节的方法对神经网络模型进行训练，获得训练模型；
S4：将测试数据集输入到训练模型中，对训练模型进行测试优化，获得最优模型，所述最优模型为山洪风险预测模型；
S5：将下一次获取的山洪影响因素数据输入到山洪预测风险模型中，获得待预测山洪值，并将待预测山洪值与预设阈值做比较，若待预测山洪值大于预设阈值时，则目标区域有山洪暴发风险，若待预测山洪值小于预设阈值，则目标区域没有山洪暴发风险，所述预设阈值为山洪暴发与山洪不爆发之间的临界点。
2.根据权利要求1所述的一种山洪风险预测方法，其特征在于，所述步骤S3具体的操作方法包括：
S31：将训练数据集输入到神经网络模型中，通过神经网络正向传播计算损失函数与训练误差；
S32：通过损失函数进行神经网络反向传播计算，不断更新神经网络中的参数；
S33：重复步骤S31-S32，直到神经网络模型中的训练误差达到预期值，输出训练模型。
3.根据权利要求2所述的一种山洪风险预测方法，其特征在于，所述预期值为训练山洪值接近目标山洪值,且误差小于等于20％，则：
Figure FDA0002942499400000011
y′i为训练山洪值，y为目标山洪值。
4.根据权利要求1所述的一种山洪风险预测方法，其特征在于，所述影响因素数据包括但不限于由传感器数据实时采集的实时降雨量、实时风力、实时风向、实时空气湿度、实时坡度、实时温度、实时土壤墒情。
5.根据权利要求1所述的一种山洪风险预测方法，其特征在于，所述数据清洗为：
检查第一数据是否超出异常范围值，若超出，则进行剔除，若不超出，则进行下一步；
对第一数据依次进行无效值处理、缺失值处理，将第一数据转换为标准格式的数据，该数据为第二数据。
6.根据权利要求2所述的一种山洪风险预测方法，其特征在于，所述训练误差的函数具体表达式为：
Figure FDA0002942499400000021
yi为预测山洪值，y为实际山洪值，n为数据个数，均方误差(Mean Squared Error)MSE)为n个数据预测结果误差平方的均值。
7.根据权利要求1所述的一种山洪风险预测方法，其特征在于，所述待预测的山洪值yi的计算表达式为：
yi＝w1xi1+w2xi2，...wdxid+b，i＝1，...，n
w1,w2,...,wd,b均为影响因素，w为权重，b为偏重，xil...,xid为山洪预测中第i个传感器数据的取值。
8.一种山洪风险预测系统，其特征在于，所述预测系统包括：
传感器模块，用于获取第一数据，所述第一数据为实时采集的山洪影响因素数据；
数据处理模块，用于对第一数据进行数据清洗，获得第二数据；
神经网络模块，用于将第二数据划分为训练数据集与测试数据集，构建神经网络模型，将训练数据集输入到神经网络模型中，采用损失函数与梯度下降调节的方法对神经网络模型进行训练，获得训练模型；将测试数据集输入到训练模型中，对训练模型进行测试优化，获得最优模型，所述最优模型为山洪风险预测模型；
判断识别模块，用于将下一次获取的山洪影响因素数据输入到山洪预测风险模型中，获得待预测山洪值，并将待预测山洪值与预设阈值做比较，若待预测山洪值大于预设阈值时，则该地区有山洪暴发风险，若待预测山洪值小于预设阈值，则该地区没有山洪暴发风险，所述预设阈值为山洪暴发与山洪不爆发之间的临界点。
9.根据权利要求8所述的一种山洪风险预测系统，其特征在于，所述预测系统还包括NTP服务器，所述NTP服务器用于对所述传感器采集的数据、所述大数据平台中存储的数据以及所述神经网络模块中计算的数据进行数据时间同步。
CN202110182429.7A 2021-02-10 2021-02-10 一种山洪风险预测方法及预测系统 Pending CN112966856A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110182429.7A CN112966856A (zh) 2021-02-10 2021-02-10 一种山洪风险预测方法及预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110182429.7A CN112966856A (zh) 2021-02-10 2021-02-10 一种山洪风险预测方法及预测系统

Publications (1)

Publication Number Publication Date
CN112966856A true CN112966856A (zh) 2021-06-15

Family

ID=76284731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110182429.7A Pending CN112966856A (zh) 2021-02-10 2021-02-10 一种山洪风险预测方法及预测系统

Country Status (1)

Country Link
CN (1) CN112966856A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627652A (zh) * 2021-07-13 2021-11-09 中国气象局乌鲁木齐沙漠气象研究所 预测洪水发生区域的方法、装置、终端设备及存储介质
CN114493243A (zh) * 2022-01-21 2022-05-13 河海大学 一种基于岭模型树算法的山洪灾害易发性评估方法
CN114548751A (zh) * 2022-02-21 2022-05-27 山东大学 一种监管场景下的突发事件智能推演方法、系统、设备及存储介质
CN115081341A (zh) * 2022-07-25 2022-09-20 江西武大扬帆科技有限公司 一种流域洪水仿真预警方法及系统
CN115456430A (zh) * 2022-09-20 2022-12-09 重庆大学 一种景区涨潮预警方法及系统
CN116844307A (zh) * 2023-07-24 2023-10-03 广州市水务规划勘测设计研究院有限公司 一种多情景山洪预警方法
CN117318051A (zh) * 2023-11-28 2023-12-29 江苏清智云能综合能源服务有限公司 一种基于物联网技术的智慧能源储能管控系统及方法
CN118171914A (zh) * 2024-04-26 2024-06-11 中国建筑科学研究院有限公司 一种建筑变形风险预测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480341A (zh) * 2017-07-21 2017-12-15 河海大学 一种基于深度学习的大坝安全综合评判方法
CN108280553A (zh) * 2018-02-24 2018-07-13 中山大学 基于gis-神经网络集成的山洪灾害风险区划及预测方法
CN111047099A (zh) * 2019-12-16 2020-04-21 杭州鲁尔物联科技有限公司 一种区域性山洪风险预测方法及系统
CN111222698A (zh) * 2020-01-06 2020-06-02 重庆邮电大学 面向物联网的基于长短时记忆网络的积水水位预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480341A (zh) * 2017-07-21 2017-12-15 河海大学 一种基于深度学习的大坝安全综合评判方法
CN108280553A (zh) * 2018-02-24 2018-07-13 中山大学 基于gis-神经网络集成的山洪灾害风险区划及预测方法
CN111047099A (zh) * 2019-12-16 2020-04-21 杭州鲁尔物联科技有限公司 一种区域性山洪风险预测方法及系统
CN111222698A (zh) * 2020-01-06 2020-06-02 重庆邮电大学 面向物联网的基于长短时记忆网络的积水水位预测方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627652A (zh) * 2021-07-13 2021-11-09 中国气象局乌鲁木齐沙漠气象研究所 预测洪水发生区域的方法、装置、终端设备及存储介质
CN114493243A (zh) * 2022-01-21 2022-05-13 河海大学 一种基于岭模型树算法的山洪灾害易发性评估方法
CN114493243B (zh) * 2022-01-21 2023-05-02 河海大学 一种基于岭模型树算法的山洪灾害易发性评估方法
CN114548751B (zh) * 2022-02-21 2024-05-31 山东大学 一种监管场景下的突发事件智能推演方法、系统、设备及存储介质
CN114548751A (zh) * 2022-02-21 2022-05-27 山东大学 一种监管场景下的突发事件智能推演方法、系统、设备及存储介质
CN115081341A (zh) * 2022-07-25 2022-09-20 江西武大扬帆科技有限公司 一种流域洪水仿真预警方法及系统
CN115456430A (zh) * 2022-09-20 2022-12-09 重庆大学 一种景区涨潮预警方法及系统
CN116844307A (zh) * 2023-07-24 2023-10-03 广州市水务规划勘测设计研究院有限公司 一种多情景山洪预警方法
CN116844307B (zh) * 2023-07-24 2023-12-26 广州市水务规划勘测设计研究院有限公司 一种多情景山洪预警方法
CN117318051A (zh) * 2023-11-28 2023-12-29 江苏清智云能综合能源服务有限公司 一种基于物联网技术的智慧能源储能管控系统及方法
CN117318051B (zh) * 2023-11-28 2024-02-06 江苏清智云能综合能源服务有限公司 一种基于物联网技术的智慧能源储能管控系统及方法
CN118171914A (zh) * 2024-04-26 2024-06-11 中国建筑科学研究院有限公司 一种建筑变形风险预测方法及系统
CN118171914B (zh) * 2024-04-26 2024-09-10 中国建筑科学研究院有限公司 一种建筑变形风险预测方法及系统

Similar Documents

Publication Publication Date Title
CN112966856A (zh) 一种山洪风险预测方法及预测系统
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
CN110008301B (zh) 基于机器学习的区域性地质灾害易发性预测方法及装置
CN113538861B (zh) 基于矿产地质勘查的地质灾害信息管理系统
CN113408917B (zh) 自然灾害风险评估方法、装置、计算机设备及存储介质
CN113887972A (zh) 一种基于水文过程的综合旱情监测与评估方法
CN112035448A (zh) 一种综合地基gnss水汽和气象要素的神经网络短临降水预报方法
CN117371337B (zh) 一种基于数字孪生的水利模型构建方法及系统
CN114547951B (zh) 一种基于数据同化的大坝状态预测方法及系统
CN113128098B (zh) 基于de-lof的混凝土坝奇异值检测方法和设备
CN116227752A (zh) 一种基于物联网的园区设施管理系统
CN116990847B (zh) 基于边缘计算的北斗gnss接收机解算方法和系统
CN115359629B (zh) 一种基于序贯评估法的区域滑坡灾害预警方法
CN112504357A (zh) 一种河道过流能力动态分析方法和系统
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
CN115685389A (zh) 一种基于降尺度和汇水区动态划分的下凹桥积水预测方法
Gao et al. A framework for automatic calibration of SWMM considering input uncertainty
CN118036440A (zh) 风机地基沉降预警方法、系统、电子设备及存储介质
CN113435049B (zh) 一种基于逻辑回归的雨量设备故障分析系统
CN115359630A (zh) 一种基于XGB和CatBoost双重提升树算法的滑坡预警方法
CN115310258A (zh) 一种基于lstm的地下管道寿命预测方法
Shiyamalagowri et al. Model-based clustering approach for regional flood frequency analysis
Xu et al. Improving the real-time probabilistic channel flood forecasting by incorporating the uncertainty of inflow using the particle filter
Chuchro et al. A Big Data processing strategy for hybrid interpretation of flood embankment multisensor data
CN114023049B (zh) 一种山洪灾害预警指标检验复核方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210615

RJ01 Rejection of invention patent application after publication