CN113627652A - 预测洪水发生区域的方法、装置、终端设备及存储介质 - Google Patents
预测洪水发生区域的方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN113627652A CN113627652A CN202110790097.0A CN202110790097A CN113627652A CN 113627652 A CN113627652 A CN 113627652A CN 202110790097 A CN202110790097 A CN 202110790097A CN 113627652 A CN113627652 A CN 113627652A
- Authority
- CN
- China
- Prior art keywords
- preset
- flood
- feature
- monitoring
- snow
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012544 monitoring process Methods 0.000 claims abstract description 216
- 238000002844 melting Methods 0.000 claims abstract description 122
- 230000008018 melting Effects 0.000 claims abstract description 80
- 238000009825 accumulation Methods 0.000 claims abstract description 24
- 238000013145 classification model Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 20
- 239000005413 snowmelt Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 148
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 16
- 230000008859 change Effects 0.000 description 11
- 238000012360 testing method Methods 0.000 description 6
- 238000002679 ablation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000003570 air Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000006424 Flood reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000012080 ambient air Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本申请提供了一种用于预测洪水发生区域的方法及装置，涉及监测技术领域，能够有效地预测融雪洪水发生区域。该方法包括：获取至少一个监测区域所对应的监测数据，所述监测数据包括用于描述相应监测区域的积雪环境情况的数据；针对每一个监测区域，若确定所述监测区域对应的监测数据符合发生融雪洪水的第一预设条件，则将所述监测区域作为待发生融雪洪水的目标区域。
Description
技术领域
本申请属于监测技术领域，尤其涉及一种用于预测洪水发生区域的方法、装置、终端设备及存储介质。
背景技术
通常，存在于高纬度地区的积雪，春初时节，气温升高，积雪融化形成季节性冰雪融水，并补给河流及湖泊。季节性冰雪融水水量大小与当年积雪量及气温有关。因气温快速回升等多种因素影响，积雪在极短时间内快速融化可能导致融雪性洪水发生。因此，针对高山融雪问题，为避免融雪洪水发生时，规避不及造成严重的灾害，亟待提供一种能够预测融雪洪水发生区域的方法。
发明内容
本申请实施例提供了一种用于预测洪水发生区域的方法、装置、终端设备及存储介质，可以有效地预测融雪洪水发生的区域。
第一方面，本申请实施例提供了一种用于预测洪水发生区域的方法，包括：
获取至少一个监测区域所对应的监测数据，所述监测数据包括用于描述相应监测区域的积雪环境情况的数据，其中，积雪环境情况的数据可以为积雪数据及其地理数据、水文环境数据等数据中的一种或多种；
针对每一个监测区域，若确定所述监测区域对应的监测数据符合发生融雪洪水的第一预设条件，则将所述监测区域作为待发生融雪洪水的目标区域。
本申请实施例提供的用于预测洪水发生区域的方法，先获取至少一个监测区域所对应的监测数据，以便于通过该监测数据来了解监测区域的积雪及其周围地理、水文环境数据，从而确定监测区域所对应的监测数据是否符合发生融雪洪水的第一预设条件，若监测数据符合发生融雪洪水的第一预设条件，则将该监测数据所对应的监测区域作为待发生融雪洪水的目标区域，从而有效地预测融雪洪水发生的区域，并有时间来部署对监测区域进行融雪洪水的防范措施。
第二方面，本申请实施例提供了一种用于预测洪水发生区域的装置，包括：
获取模块，用于获取至少一个监测区域所对应的监测数据，所述监测数据包括用于描述相应监测区域的积雪环境情况的数据，其中，积雪环境情况的数据可以为积雪数据及其地理数据、水文环境数据等数据中的一种或多种；
预测模块，用于针对每一个监测区域，若确定所述监测区域对应的监测数据符合发生融雪洪水的第一预设条件，则将所述监测区域作为待发生融雪洪水的目标区域。
第三方面，本申请实施例提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的用于预测洪水发生区域的方法的流程示意图。
图2是本申请一实施例提供的用于预测洪水发生区域的方法步骤S12的具体实现流程示意图。
图3是本申请一实施例提供的用于预测洪水发生区域的方法的流程示意图。
图4是本申请一实施例提供的用于预测洪水发生区域的方法步骤S12的具体实现流程示意图。
图5是本申请一实施例提供的用于预测洪水发生区域的装置的结构示意图。
图6是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。
在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
请参阅图1，图1是本申请实施例提供的一种用于预测洪水发生区域的方法的实现流程图。本实施例中，用于预测洪水发生区域的方法的执行主体为终端设备。可以理解的是，终端设备的类型包括但不限于手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digitalassistant，PDA)等，本申请实施例对终端设备的具体类型不作任何限制。
如图1所示，本申请实施例提供用于预测洪水发生区域的方法包括以下步骤：
S11：获取至少一个监测区域所对应的监测数据，所述监测数据包括用于描述相应监测区域的积雪环境情况的数据。
在步骤S11中，监测区域为预先确定的可能由于积雪融化而导致融雪洪水发生的区域。例如，新疆天山北坡乌鲁木齐河流域、塔城额敏河流域和西天山伊犁河谷等降雪较为集中且积雪较多的区域，该类区域容易随着积雪融化，从而发生融雪型洪水。
监测数据为针对监测区域的积雪环境情况进行监测得到的数据，比如监测得到的积雪关键参数信息及积雪关键参数信息随着时间而演变时对应的特征参数。所以，可以通过监测数据来了解相应监测区域的积雪数据及其地理数据、水文环境数据等数据。例如，监测数据可以包括积雪面积、雪深、雪水当量、积雪消融量、积雪周围环境气象数据、地形数据和距离监测区域预设高度处的环流数据、水汽、卫星云图等数据中的一种或多种，也即是说可以通过这些数据了解相应监测区域的积雪环境情况。
在本实施例中，由于积雪融化时常会导致季节性冰雪融水水量的增加，进而地可能导致融雪洪水发生。所以，为了确定存在积雪的地方是否可能由于积雪融化而发生洪水，需要先了解存在监测区域对应的积雪数据及其地理数据、水文环境数据等数据以及各个数据的演变情况，也即获取至少一个监测区域所对应的监测数据，以便于通过该监测数据来了解监测区域的积雪环境情况，从而确定监测区域所对应的监测数据是否符合发生融雪洪水的第一预设条件。
至于何时获取至少一个监测区域所对应的监测数据，包括但不限于以下场景：
场景1：当检测到气温达到预设温度阈值时，获取至少一个监测区域所对应的监测数据。
例如，当检测到气温达到0摄氏度时，开始获取至少一个监测区域所对应的监测数据。
场景2：当确定达到预设时间节点时，获取至少一个监测区域所对应的监测数据。
例如，初春时段遇气温快速回升，会加速积雪的融化，从而产生更多的积雪融水。所以，若确定到了表示春天的时间节点，即超过初春时段监测温度阈值，则获取至少一个监测区域所对应的监测数据。
在一些实施例中，由于在应用中，高程和坡度对径流的形成时间和水量影响较大。所以，监测区域为在河流一定范围内，且高程在预设高程范围内和坡度在预设坡度范围内的区域。
可以理解的是，高程越低，地形变化越小，绝对高程越高、相对高程标准差越小，该处附近地形变化越小，越容易发生洪水，洪水危险程度越高。其中，地形起伏程度较小，说明局地地势相对平坦，一旦径流超过局地排泄能力，极有可能出现大面积积水和洪涝；地形起伏较大，说明局地地势有高有低，地表径流可向沟壑汇集并排出，不易形成大面积水淹现象。
S12：针对每一个监测区域，若确定所述监测区域对应的监测数据符合发生融雪洪水的第一预设条件，则将所述监测区域作为待发生融雪洪水的目标区域。
在步骤S12中，第一预设条件描述是对描述积雪环境情况的监测数据进行判断，以确定监测区域是否可能发生融雪洪水的信息。可以理解的是，第一预设条件可以包括用于与监测数据进行比对的判断数据，和对对比结果进行评判的策略信息等信息中的一种或多种。
在本实施例中，针对每一个监测区域，通过将监测区域对应的监测数据与第一预设条件进行比较，可以获知监测数据是否大于或等于第一预设条件中描述的判断数据，进而地了解监测区域对应的监测数据是否符合发生融雪洪水的第一预设条件。且当确定所述监测区域对应的监测数据符合发生融雪洪水的第一预设条件，则将所述监测区域作为待发生融雪洪水的目标区域，从而有效地预测融雪洪水发生的区域，并有时间来部署对监测区域进行融雪洪水的防范措施。
例如，在一个监测区域可能要发生小型的融雪洪水时，对应的积雪雪深应该为35cm，且环境气温>0℃，而在对该监测区域进行监测时，所获取到该监测区域的积雪雪深为35cm，且环境气温>0℃，即表示该监测区域对应的监测数据符合发生融雪洪水的第一预设条件。所以，可以将该监测区域作为待发生融雪洪水的目标区域。
结合图2，在本申请一实施例中，所述针对每一个监测区域，若确定所述监测区域对应的监测数据符合发生融雪洪水的第一预设条件，则将所述监测区域作为待发生融雪洪水的目标区域，包括：
S21：针对每一个监测区域，确定所述监测数据中的每一个预设特征的特征取值；
S22：针对每个预设特征，将所述预设特征的特征取值与所述预设特征对应的预设阈值范围进行比对，所述预设阈值范围基于至少两个历史特征取值确定，所述至少两个历史特征取值基于至少两个历史融雪洪水事件所对应的预设特征在相应预设时间段的取值而确定，所述预设时间段处于相应历史融雪洪水事件发生之前；
S23：根据每一个预设特征的特征取值对应的比对结果，确定所述监测区域的监测数据是否符合所述第一预设条件；
S24：若确定所述监测数据符合所述第一预设条件，则将所述监测区域作为所述目标区域。
在本实施例中，预设特征指的是预先确定的影响融雪洪水发生的特征。例如，降雪量、积雪消融量、积雪雪深或积雪面积等特征。
可以理解的是，预设特征可以包括静态特征和动态特征中一种或多种。其中，静态特征可以指的是监测区域中随时间变化幅度不大的特征，例如地形特征和水文特征。动态特征可以指的是监测区域中随时间进行变化幅度大于静态特征的特征，例如降雪量、环境气温、积雪消融量、积雪雪深或积雪面积等可能促使融雪洪水发生的因素。
特征取值描述的是针对监测区域进行监测操作时，得到的用于描述该监测区域的积雪环境情况的预设特征对应的参数。例如，监测区域的积雪雪深为35cm，即表示该监测区域的预设特征积雪雪深的特征取值为35cm。
可以理解的是，监测数据中的每一个预设特征的特征取值可能包括一个数值，或包括在一个时间段内监测得到的多个数值。
预设阈值范围描述的是可能发生融雪洪水时，预设特征的特征取值应达到的程度。例如，可能发生融雪洪水时的积雪雪深范围为20cm到100cm，当监测数据中描述的积雪雪深为35cm时，由于该积雪雪深对应的特征取值落入预先确定的发生融雪洪水时的积雪雪深范围。所以，表示监测数据中描述的积雪雪深的特征取值达到了可能发生融雪洪水时所对应的程度。
在本实施例中，为了确定能够判断所获得监测数据是否符合第一预设条件，先确定用于判断每个预设特征的特征取值是否达到预设洪水发生标准的预设阈值范围。其中，由于预设阈值范围基于至少两个历史特征取值确定，而且至少两个历史特征取值基于至少两个历史融雪洪水事件所对应的预设特征在相应预设时间段的取值而确定。因此，当一个预设特征的特征取值落入该预设特征对应的预设阈值范围时，表示监测区域对应的监测数据中的该预设特征的特征取值已经达到了可能发生融雪洪水的程度。具体地，在获取到监测区域对应的监测数据后，会先确定监测数据中的每一个预设特征的特征取值，以便于将所述预设特征的特征取值与所述预设特征对应的预设阈值范围进行比对，从而确定每个预设特征对应的特征取值是否落入该预设特征对应的预设阈值范围内，并得到每个预设特征的特征取值对应的比对结果。
可以理解的，在实际应用中，由于促使融雪洪水发生的因素不是唯一的。所以，当每一个预设特征的特征取值对应的比对结果都指示达到发生融雪洪水的标准时，即表示所述监测区域的监测数据符合所述第一预设条件，进而地将所述监测区域作为所述目标区域。
在一些实施例中，当每一个预设特征的特征取值对应的比对结果都指示达到发生融雪洪水的标准时，确定监测数据中的目标预设特征的变化值，所述变化值用于描述在目标预设特征的特征取值在对监测区域进行监测的时间段内的积雪变化情况；
若所述变化值大于预设变化值，则确定所述监测区域的监测数据符合所述第一预设条件。
在本实施例中，所述目标预设特征为导致洪水发生的主要预设特征，例如，积雪深度、积雪消融量、积雪面积和气温等。
可以理解的是，当目标预设特征有多个，且每个目标预设特征对应的变化值的绝对值都大于对应的预设变化值的绝对值时，所述监测区域的监测数据才符合所述第一预设条件。
可以理解的是，变化值可能为负数值，也可能为正数值。若目标预设特征为与融雪洪水正相关的预设特征，当变化值为正数值时，表示随着时间的继续推移，目标预设特征对应的特征取值会继续朝正向变化，且较大概率地促使融雪洪水的发生。若目标预设特征为与融雪洪水负相关的预设特征，当变化值为负数值时，表示随着时间的继续推移，目标预设特征对应的特征取值会继续朝负向变化，且促使融雪洪水的发生的概率较小。其中，与融雪洪水正相关的目标预设特征，指的是正向变化时，促使融雪洪水发生的预设特征，例如，积雪消融量，当积雪消融量的变化值越来越大时，表示积雪消融的速度一直在加快。其中，与融雪洪水负相关的目标预设特征，指的是负向变化时，促使融雪洪水发生的预设特征，例如积雪雪深，当积雪雪深越来越小时，表示积雪消融的速度一直在加快，积雪融水增多，容易导致融雪洪水的发生。
示例的，目标预设特征为与融雪洪水正相关的积雪消融量，且对应的变化值为10％，表示积雪消融的速度一直在加快，随着时间的推移和气温的上升，积雪融水增多，该类情况下容易导致河流中的水量增长，从而导致融雪洪水的发生。
示例的，目标预设特征为与融雪洪水负相关的积雪雪深，且对应的变化值为-10％，表示积雪雪深在变小，积雪消融的速度一直在加快，随着时间的推移和气温的上升，积雪融水增多，该类情况下容易导致河流中的水量增长，从而导致融雪洪水的发生。
在一些实施例中，由于每个预设特征对促使融雪洪水发生的作用力可能不相同，且为了提高数据处理的效率，按每个预设特征对应的预设权重大小，从大到小地将每个预设将所述预设特征的特征取值与所述预设特征对应的预设阈值范围进行比对。
在一些实施例中，为了提高数据处理的效率，针对每个监测区域，按每个预设特征与融雪洪水发生与否的相关性信息，将所述监测数据中的每个预设特征的特征取值进行分类。
按着预设特征对应的相关性信息和权重大小，将每个所述预设特征的特征取值与所述预设特征对应的预设阈值范围进行比对。
其中，相关性信息用于描述预设特征促使融雪洪水发生的概率。
在一些实施例中，为了提高数据处理的效率，按每个预设特征对应的预设权重大小，从大到小地将每个预设将所述预设特征的特征取值与所述预设特征对应的预设阈值范围进行比对的过程中，若多个预设特征的特征取值对应的比对结果均指示未达到发生融雪洪水的标准，且预设特征对应的权重大小的和大于或等于预设权重和，则停止将剩余的预设特征的特征取值与所述预设特征对应的预设阈值范围进行比对。
结合图3，在本申请一实施例中，所述预设阈值范围包括至少两个子阈值范围，所述子阈值范围基于至少两个不同洪水强度的历史融雪洪水事件对应的预设特征在相应预设时间段的取值确定，所述方法还包括：
S31：针对每一个目标区域，将所述监测数据中的每一个预设特征所对应的特征取值分别和所述预设特征对应的每个子阈值范围进行比对；
S32：根据每个子阈值范围对应的比对结果，预测所述目标区域的洪水强度。
在本实施例中，子阈值范围对应的比对结果用于描述预设特征对应的特征取值与子阈值范围的比对情况。
由于不同洪水强度的历史融雪洪水事件对应的各个预设特征的特征取值可能会有所不同，从而才可能导致发生的融雪洪水对应着不同的洪水强度。所以，可以基于至少两个不同洪水强度的历史融雪洪水事件对应的预设特征在相应预设时间段的取值确定各个子阈值范围，以通过各个子阈值范围来表示不同的洪水强度。
可以理解的是，当根据每个子阈值范围对应的比对结果，了解到指示每个预设特征的特征取值与同一个洪水强度的子阈值范围比对成功时，即将该洪水强度作为目标区域的洪水强度，以便于根据该洪水强度对该目标区域进行预警。
结合图4，在本申请一实施例中，所述针对每一个监测区域，若确定所述监测区域对应的监测数据符合发生融雪洪水的第一预设条件，则将所述监测区域作为目标区域，包括：
S41：针对每一个监测区域，将所述监测数据输入目标预测模型进行处理，得到预测结果；
S42：根据所述预测结果确定所述监测区域是否为目标区域。
在本实施例中，预测结果用于描述监测区域对应的监测数据是否指示监测区域可能发生融雪洪水。
可以理解的是，当根据预测结果确定所述监测区域为目标区域时，表示监测区域对应的监测数据符合发生融雪洪水的第一预设条件，且通过本实施例提供的方案，可以有效地提高对监测区域对应的监测数据进行处理，并确定监测区域是否为目标区域的便利性。
在实际应用中，可以理解的是，终端设备中预先存储有预先训练好的目标预测模型。目标预测模型可以由终端设备预先训练好，也可以由其他设备预先训练好后将目标预测模型对应的文件移植至终端设备中。也就是说，训练该目标预测模型的执行主体与使用该目标预测模型进行视频质量评估的执行主体可以是相同的，也可以是不同的。例如，当采用其他设备训练初始预测模型时，其他设备对初始预测模型结束训练后，固定初始预测模型的模型参数，得到目标预测模型对应的文件，然后将该文件移植到终端设备中。
在本申请一实施例中，所述目标预测模型包括至少两个第一分类模型和一个第二分类模型，且所述第一分类模型为基于训练集对初始第一分类模型进行训练得到，所述第二分类模型为基于每个初始第一分类模型对验证集进行预测得到的初始预测结果对初始第二分类模型训练后得到，所述训练集中包含的数据为所述融雪洪水预测特征集中第一预设特征所对应的一部分历史特征取值，所述验证集中包含的数据为除训练集中包含的数据外，所述融雪洪水预测特征集中第一预设特征所对应的另一部分历史特征取值。
在本实施例中，融雪洪水预测特征集中包括至少两个第一预设特征所分别对应的历史特征取值。
在一些实施例中，对于每个第一分类模型，由于每个第一分类模型是利用一个第一预设特征对应的至少两个特征取值训练得到的，且所述至少两个历史特征取值基于至少两个历史融雪洪水事件所对应的预设特征在相应预设时间段的取值而确定。所以，在训练得到一个第一预设特征对应的第一分类模型后，即可根据该用于训练该第一分类模型的第一预设特征对应的各个历史特征取值，确定该第一预设特征对应的预设阈值范围，以便于在将监测数据中与该第一预设特征对应的预设特征的特征取值输入该第一分类模型后，可以确定预设特征的特征取值是否落入该预设特征对应的预设阈值范围。
在一些实施例中，对于融雪洪水预测特征集中包括的每个第一预设特征对应的历史特征取值，分别划分得到至少一个训练集、一个验证集和一个测试集，并利用该第一预设特征对应的至少一个训练集对一个第一分类模型进行训练，和利用验证集对第一分类模型进行验证以得到初始预测结果。其中，验证集对第一分类模型进行验证以得到初始预测结果作为对第二分类模型进行训练的训练集中的数据。
其中，在训练的过程中，为了使得对第一分类模型的训练效果更好，还进行K折交叉验证操作。另外，在每次对第一分类模型训练完成后，利用测试集对该第一分类模型进行测试，以得到该测试集的每次的预测结果，并得到该测试集的每次预测结果的平均值，以将该平均值作为第二分类模型的测试集中的测试数据。
在本申请一实施例中，所述针对每一个监测区域，将所述监测数据输入目标预测模型进行处理，得到预测结果，包括：
针对每一个监测区域，确定所述监测数据中的每一个预设特征的特征取值；
将所述监测数据中的每个预设特征的特征取值输入与所述预设特征对应的第一分类模型中进行处理，得到每个预设特征所对应的第一预测结果；
将每个预设特征所对应的第一预测结果输入所述第二分类模型进行处理，得到所述预测结果。
在本实施例中，通过不同的第一分类模型对检测数据中的不同的预设特征的特征取值进行处理，其目的是，利用不同第一分类模型对不同特征的机器学习能力，对所述监测数据中的每个预设特征的特征取值进行处理，得到每个预设特征所对应的第一预测结果。接着，由第二分类模型根据每个预设特征所对应的第一预测结果进行处理，以得到用于描述监测区域是否为目标区域的预测结果，以有效地提高预测精度、泛化性和模型通用性。
第一预测结果用于描述一个预设特征的特征取值是否达到可以导致融雪洪水发生的程度。
每个第一分类模型之间都互不相同，且用于对监测数据中的不同的预设特征的特征取值进行处理，以得到每个预设特征对应的第一预测结果。例如，第一分类模型包括支持向量机(Support Vector Machine，SVM)和随机森林(Random forest，RF)。
第二分类模型用于根据输入的每个预设特征所对应的第一预测结果处理，得到预测结果，以便于后续可以根据所述预测结果确定所述监测区域是否为目标区域。其中，由于第二分类模型根据输入的每个预设特征所对应的第一预测结果处理，即实现了多个第一分类模型的融合。
在一些实施例中，融雪洪水预测特征集中的第一预设特征对应的历史特征取值中包括各个历史融雪洪水事件对应的第一预设特征在相应预设时间段的取值。
在一些实施例中，第一预测结果用于描述预设特征对应的特征取值是否落入该预设特征对应的预设阈值范围，从而确定预设特征的特征取值是否达到可以导致融雪洪水发生的程度。
预测结果用于描述各个预设特征对应的特征取值是否分别落入每个预设特征对应的预设阈值范围，从而确定监测数据中的各个预设特征对应的特征取值进行结合是否达到可以导致融雪洪水发生的程度，即确定是否达到第一预设条件。
在本申请一实施例中，所述获取融雪洪水预测特征集的过程，包括：
获取至少两个历史融雪洪水事件分别对应的洪水发生前的预设时间段的历史监测数据，所述洪水发生前期历史监测数据包括至少两个第二预设特征所对应的历史特征取值；
根据预设的特征选择算法，确定每个第二预设特征对应的重要性信息；
根据所述重要性信息，从所述至少两个第二预设特征中确定至少两个第一预设特征；
针对每个第一预设特征，获取每个历史融雪洪水事件对应的历史监测数据洪水发生前期监测数据中所述第一预设特征所对应的参数信息历史特征取值；
根据各个第一预设特征对应的历史特征取值，得到所述融雪洪水预设特征集。
在本实施例中，重要性信息用于描述第二预设特征对应的历史特征取值对应描述历史融雪洪水事件对应的洪水发生前的积雪环境情况时的重要程度。可以理解的是，在利用不同的第二预设特征对应历史特征取值描述积雪环境情况时，分别对应的重要程度不同，例如，由于地形特征随着时间变化，变化幅度小，促使融雪洪水发生的作用力小，而积雪深度促使融雪洪水发生的作用力大。所以，用于描述地形的第二预设特征的重要程度低于用于描述积雪深度的第二预设特征的重要程度。
在本实施例中，由于历史融雪洪水事件对应的洪水发生前的预设时间段的历史监测数据中包含的特征数量相对过多，且每个特征的特征取值的重要性也会有所不同，若直接使用该特征对应的特征取值对分类模型进行训练时，容易造成数据的冗余及过拟合的问题。所以，需要对所获得历史融雪洪水事件对应的历史监测数据进行预处理。
具体地，根据预设特征选择算法，确定历史融雪洪水事件对应的历史监测数据中的每个第二预设特征对应的重要性信息；根据所述重要性信息，从所述至少两个第二预设特征中确定至少两个第一预设特征。其中，得到每个第二预设特征对应的重要性信息之后，按照第二预设特征的重要性信息进行排序，以便于剔除不重要的第二预设特征，从而得到至少两个第一预设特征。
在本申请一实施例中，所述针对每一个监测区域，若确定所述监测区域对应的监测数据符合发生融雪洪水的第一预设条件，则将所述监测区域为待发生融雪洪水的目标区域之后，还包括：
对目标地图上的所述目标区域进行标识，所述目标地图包含所述至少一个监测区域。
在本实施例中，在将所述监测区域为待发生融雪洪水的目标区域之后，为了更清楚地了解目标区域的所在位置，在目标地图上对目标区域进行标识，以使得目标区域与目标地图记录的其它区域不同。例如，将一个目标区域标记为红色，而目标地图中的其它部分为绿色。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的用于预测洪水发生区域的方法，图5示出了本申请实施例提供的用于预测洪水发生区域的装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图5，该装置包括：
获取模块101，用于获取至少一个监测区域所对应的监测数据，所述监测数据包括用于描述相应监测区域的积雪环境情况的数据；
预测模块102，用于针对每一个监测区域，若确定所述监测区域对应的监测数据符合发生融雪洪水的第一预设条件，则将所述监测区域作为待发生融雪洪水的目标区域。
在一实施例中，预测模块102，还用于针对每一个监测区域，确定所述监测数据中的每一个预设特征的特征取值；针对每个预设特征，将所述预设特征的特征取值与所述预设特征对应的预设阈值范围进行比对，所述预设阈值范围基于至少两个历史特征取值确定，所述至少两个历史特征取值基于至少两个历史融雪洪水事件所对应的预设特征在相应预设时间段的取值而确定，所述预设时间段处于相应历史融雪洪水事件发生之前；根据每一个预设特征的特征取值对应的比对结果，确定所述监测区域的监测数据是否符合所述第一预设条件；若确定所述监测数据符合所述第一预设条件，则将所述监测区域作为所述目标区域。
在一实施例中，所述预设阈值范围包括至少两个子阈值范围，所述子阈值范围基于至少两个不同洪水强度的历史融雪洪水事件对应的预设特征在相应预设时间段的取值确定。
预测模块102，还用于针对每一个目标区域，将所述监测数据中的每一个预设特征所对应的特征取值分别和所述预设特征对应的每个子阈值范围进行比对；根据每个子阈值范围对应的比对结果，预测所述目标区域的洪水强度
在一实施例中，预测模块102，还用于针对每一个监测区域，将所述监测数据输入目标预测模型进行处理，得到预测结果；根据所述预测结果确定所述监测区域是否为目标区域。
在一实施例中，预测模块102，还用于针对每一个监测区域，确定所述监测数据中的每一个预设特征的特征取值；将所述监测数据中的每个预设特征的特征取值输入与所述预设特征对应的第一分类模型中进行处理，得到每个预设特征所对应的第一预测结果；将每个预设特征所对应的第一预测结果输入所述第二分类模型进行处理，得到所述预测结果。
在一实施例中，该装置还包括构建模块。
构建模块，用于获取至少两个历史融雪洪水事件分别对应的洪水发生前的预设时间段的历史监测数据，所述历史监测数据包括至少两个第二预设特征所对应的历史特征取值；
根据预设的特征选择算法，确定每个第二预设特征对应的重要性信息；根据所述重要性信息，从所述至少两个第二预设特征中确定至少两个第一预设特征；针对每个第一预设特征，获取每个历史融雪洪水事件对应的历史监测数据中所述第一预设特征所对应的历史特征取值；根据各个第一预设特征对应的历史特征取值，得到所述融雪洪水预设特征集。
本实施例提供的一种用于预测洪水发生区域的装置，用于实现方法实施例所述的一种用于预测洪水发生区域的方法，其中各个模块的功能可以参考方法实施例中相应的描述，其实现原理和技术效果类似，此处不再赘述。
图6为本申请一实施例提供的终端设备的结构示意图。如图6所示，该实施例的终端设备6包括：至少一个处理器60(图6中仅示出一个处理器)、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意各个用于预测洪水发生区域的方法实施例中的步骤。
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的举例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所述处理器60可以是中央处理单元(Central Processing Unit，CPU)，该处理器60还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61在一些实施例中可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种终端设备，该终端设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
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。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，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系统，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讯连接可以是通过一些接口、装置或单元的间接耦合或通讯连接，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。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种用于预测洪水发生区域的方法，其特征在于，包括：
获取至少一个监测区域所对应的监测数据，所述监测数据包括用于描述相应监测区域的积雪环境情况的数据；
针对每一个监测区域，若确定所述监测区域对应的监测数据符合发生融雪洪水的第一预设条件，则将所述监测区域作为待发生融雪洪水的目标区域。
2.如权利要求1所述的方法，其特征在于，所述针对每一个监测区域，若确定所述监测区域对应的监测数据符合发生融雪洪水的第一预设条件，则将所述监测区域作为待发生融雪洪水的目标区域，包括：
针对每一个监测区域，确定所述监测数据中的每一个预设特征的特征取值；
针对每个预设特征，将所述预设特征的特征取值与所述预设特征对应的预设阈值范围进行比对，所述预设阈值范围基于至少两个历史特征取值确定，所述至少两个历史特征取值基于至少两个历史融雪洪水事件所对应的预设特征在相应预设时间段的取值而确定，所述预设时间段处于相应历史融雪洪水事件发生之前；
根据每一个预设特征的特征取值对应的比对结果，确定所述监测区域的监测数据是否符合所述第一预设条件；
若确定所述监测数据符合所述第一预设条件，则将所述监测区域作为所述目标区域。
3.如权利要求2所述的方法，其特征在于，所述预设阈值范围包括至少两个子阈值范围，所述子阈值范围基于至少两个不同洪水强度的历史融雪洪水事件对应的预设特征在相应预设时间段的取值确定，所述方法还包括：
针对每一个目标区域，将所述监测数据中的每一个预设特征所对应的特征取值分别和所述预设特征对应的每个子阈值范围进行比对；
根据每个子阈值范围对应的比对结果，预测所述目标区域的洪水发生范围强度。
4.如权利要求1所述的方法，其特征在于，所述针对每一个监测区域，若确定所述监测区域对应的监测数据符合发生融雪洪水的第一预设条件，则将所述监测区域作为目标区域，包括：
针对每一个监测区域，将所述监测数据输入目标预测模型进行处理，得到预测结果；
根据所述预测结果确定所述监测区域是否为所述目标区域。
5.如权利要求4所述的方法，其特征在于，所述目标预测模型包括至少两个第一分类模型和一个第二分类模型，且所述第一分类模型为基于训练集对初始第一分类模型进行训练得到，所述第二分类模型为基于每个初始第一分类模型对验证集进行预测得到的初始预测结果对初始第二分类模型训练后得到，所述训练集中包含的数据为所述融雪洪水预测特征集中第一预设特征所对应的一部分历史特征取值，所述验证集中包含的数据为除训练集中包含的数据外，所述融雪洪水预测特征集中所述第一预设特征所对应的另一部分历史特征取值。
6.如权利要求5所述的方法，其特征在于，所述针对每一个监测区域，将所述监测数据输入目标预测模型进行处理，得到预测结果，包括：
针对每一个监测区域，确定所述监测数据中的每一个预设特征的特征取值；
将所述监测数据中的每个预设特征的特征取值输入与所述预设特征对应的第一分类模型中进行处理，得到每个预设特征所对应的第一预测结果；
将每个预设特征所对应的第一预测结果输入所述第二分类模型进行处理，得到所述预测结果。
7.如权利要求5所述的方法，其特征在于，构建得到所述融雪洪水预测特征集的过程，包括：
获取至少两个历史融雪洪水事件分别对应的洪水发生前的预设时间段的历史监测数据，所述历史监测数据包括至少两个第二预设特征所对应的历史特征取值；
根据预设的特征选择算法，确定每个第二预设特征对应的重要性信息；
根据所述重要性信息，从所述至少两个第二预设特征中确定至少两个第一预设特征；
针对每个第一预设特征，获取每个历史融雪洪水事件对应的历史监测数据中所述第一预设特征所对应的历史特征取值；
根据各个第一预设特征对应的历史特征取值，得到所述融雪洪水预设特征集。
8.一种用于预测洪水发生区域的装置，其特征在于，包括：
获取模块，用于获取至少一个监测区域所对应的监测数据，所述监测数据包括用于描述相应监测区域的积雪环境情况的数据；
预测模块，用于针对每一个监测区域，若确定所述监测区域对应的监测数据符合发生融雪洪水的第一预设条件，则将所述监测区域作为待发生融雪洪水的目标区域。
9.一种终端设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110790097.0A CN113627652B (zh) | 2021-07-13 | 2021-07-13 | 预测洪水发生区域的方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110790097.0A CN113627652B (zh) | 2021-07-13 | 2021-07-13 | 预测洪水发生区域的方法、装置、终端设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113627652A true CN113627652A (zh) | 2021-11-09 |
| CN113627652B CN113627652B (zh) | 2023-04-07 |
Family
ID=78379705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110790097.0A Active CN113627652B (zh) | 2021-07-13 | 2021-07-13 | 预测洪水发生区域的方法、装置、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113627652B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3454285A1 (en) * | 2017-09-11 | 2019-03-13 | Fujitsu Limited | An apparatus and method for assessing flooding behaviour and an apparatus and method for predicting a flood property |
| CN110008301A (zh) * | 2019-04-12 | 2019-07-12 | 杭州鲁尔物联科技有限公司 | 基于机器学习的区域性地质灾害易发性预测方法及装置 |
| 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 |
| CN111080030A (zh) * | 2019-12-26 | 2020-04-28 | 清华大学 | 融雪性洪水预测方法、装置、电子设备和存储介质 |
| CN112668711A (zh) * | 2020-11-30 | 2021-04-16 | 西安电子科技大学 | 基于深度学习的洪水流量预测方法、装置和电子设备 |
| CN112966856A (zh) * | 2021-02-10 | 2021-06-15 | 四川水利职业技术学院 | 一种山洪风险预测方法及预测系统 |
-
2021
- 2021-07-13 CN CN202110790097.0A patent/CN113627652B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3454285A1 (en) * | 2017-09-11 | 2019-03-13 | Fujitsu Limited | An apparatus and method for assessing flooding behaviour and an apparatus and method for predicting a flood property |
| CN110008301A (zh) * | 2019-04-12 | 2019-07-12 | 杭州鲁尔物联科技有限公司 | 基于机器学习的区域性地质灾害易发性预测方法及装置 |
| 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 |
| CN111080030A (zh) * | 2019-12-26 | 2020-04-28 | 清华大学 | 融雪性洪水预测方法、装置、电子设备和存储介质 |
| CN112668711A (zh) * | 2020-11-30 | 2021-04-16 | 西安电子科技大学 | 基于深度学习的洪水流量预测方法、装置和电子设备 |
| CN112966856A (zh) * | 2021-02-10 | 2021-06-15 | 四川水利职业技术学院 | 一种山洪风险预测方法及预测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113627652B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102168024B1 (ko) | 머신러닝을 이용한 홍수 또는 가뭄 위험 분석 장치 및 방법 | |
| US9953517B2 (en) | Risk early warning method and apparatus | |
| CN109631997B (zh) | 工程设备健康检测方法、装置以及电子设备 | |
| CN113255580A (zh) | 抛洒物识别、车辆抛洒滴漏识别方法和装置 | |
| CN113505769B (zh) | 目标检测方法及应用其的车辆抛洒滴漏识别方法 | |
| CN115035475A (zh) | 供水管线实时监控方法、装置、电子设备及介质 | |
| CN117067920B (zh) | 动力电池的故障检测方法、装置、电子设备及电动汽车 | |
| CN111090681A (zh) | 一种团伙挖掘方法、装置、设备及存储介质 | |
| US10120836B2 (en) | Gathering materials on the ocean surface based on forecasting area density | |
| CN116402346A (zh) | 基于城市管网的风险预警方法、系统、设备及存储介质 | |
| CN113627652B (zh) | 预测洪水发生区域的方法、装置、终端设备及存储介质 | |
| Kronthaler et al. | The systematic snow cover diagnosis: a process-based approach for avalanche danger assessment | |
| CN116307691A (zh) | 水文灾情的风险评估方法及装置、电子设备 | |
| CN110597248A (zh) | 园区无人智慧巡检方法、装置、设备及存储介质 | |
| CN116704197B (zh) | 一种河湖遥感图像的处理方法及系统 | |
| CN113963314A (zh) | 降雨量监测方法、装置、计算机设备及存储介质 | |
| CN112272358A (zh) | 天气预警方法、装置和电子设备 | |
| Sprague et al. | Integrating acceleration signal processing and image segmentation for condition assessment of asphalt roads | |
| CN114254977A (zh) | 一种跨区河道物资仓库选址方法、装置及电子设备 | |
| Chen et al. | Oil spill detection based on a superpixel segmentation method for SAR image | |
| CN103729593B (zh) | 一种文件安全性的识别方法和系统 | |
| CN116279935B (zh) | 车辆倾倒预警方法、装置及计算机设备 | |
| CN117908166B (zh) | 基于机器学习的强降水超级单体识别预警方法 | |
| CN117077451B (zh) | 一种道路内部使用寿命评估方法、电子设备及存储介质 | |
| CN118446532B (zh) | 基于脆弱性曲线的暴雨风险预警方法、装置、设备及介质 |
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 |