CN114111730B - 一种下游水文情报预测的方法及系统 - Google Patents
一种下游水文情报预测的方法及系统 Download PDFInfo
- Publication number
- CN114111730B CN114111730B CN202111373483.6A CN202111373483A CN114111730B CN 114111730 B CN114111730 B CN 114111730B CN 202111373483 A CN202111373483 A CN 202111373483A CN 114111730 B CN114111730 B CN 114111730B
- Authority
- CN
- China
- Prior art keywords
- information
- water
- downstream
- prediction
- upstream
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
- G01C13/008—Surveying specially adapted to open water, e.g. sea, lake, river or canal measuring depth of open water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种下游水文情报预测的方法及系统,其中,所述方法包括:获得水文参数信息,根据水文参数信息,获得上游水情特征信息;获得水域分布信息;根据水域分布信息、参数上游采集位置,获得水域上下游关系信息;获得下游水情预测结果,下游水情预测结果包括下游水位预测信息、下游流量预测信息、预测时间信息;根据水域分布信息,获得下游水域特征信息;根据下游水位预测信息、下游流量预测信息、预测时间信息、下游水域特征信息,获得洪灾预测结果,根据洪灾预测结果、预测时间信息,生成第一预警信息。解决了现有技术中存在水文预测工作监测质量和效率不高,水情预测及时性低,预报结果不准确的技术问题。
Description
技术领域
本发明涉及水文领域,具体涉及一种下游水文情报预测的方法及系统。
背景技术
水文情报专指为防洪、抗旱等特定任务需要而有选择地收集、发送的水文信息。由于水文情势的变化愈来愈多地受人类活动的影响,为了做好水文预报工作,水情信息系统收集的范围已扩大到工程信息、社会信息等非水文要素。水文情报预测是指根据前期或现时的水文气象资料,对某一水体、某一地区或某一水文站在未来一定时间内的水文情况做出定性或定量的预测,对防洪、抗旱、水资源合理利用和国防事业中有重要意义。但是,仍然需要在深化改革中逐步提高水文行业整体素质,进一步搞好水文的基本测报工作,提高质量,更好地为防汛抗旱减灾和经济建设服务。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
存在水文预测工作监测质量和效率不高,水情预测及时性低,预报结果不准确的问题。
发明内容
本申请实施例通过提供了一种下游水文情报预测的方法及系统,解决了现有技术中存在水文预测工作监测质量和效率不高,水情预测及时性低,预报结果不准确的技术问题。达到了通过上下游关系的研判,根据上游水情测试结果和上下游关系,能够得到下游的水情预测结果,并且结合下游水域特征,从而实现对下游洪灾进行及时、准确预警的技术效果。
鉴于上述问题,本申请实施例提供了一种下游水文情报预测的方法及系统。
第一方面,本申请实施例提供了一种下游水文情报预测的方法,其中,所述方法包括:通过水文监测装置对水域上游进行预设参数采集,获得水文参数信息,所述水文参数信息包括参数上游采集位置;根据所述水文参数信息,获得上游水情特征信息;获得水域分布信息;根据所述水域分布信息、参数上游采集位置,获得水域上下游关系信息;将所述上游水情特征信息、所述水域上下游关系信息输入下游水文情报预测模型中,获得下游水情预测结果,所述下游水情预测结果包括下游水位预测信息、下游流量预测信息、预测时间信息;根据所述水域分布信息,获得下游水域特征信息;根据所述下游水位预测信息、所述下游流量预测信息、所述预测时间信息、所述下游水域特征信息,获得洪灾预测结果,所述洪灾预测结果包括所述预测时间信息;根据所述洪灾预测结果、所述预测时间信息,生成第一预警信息。
另一方面,本申请实施例提供了一种下游水文情报预测的系统,其中,所述系统包括:第一获得单元,所述第一获得单元用于通过水文监测装置对水域上游进行预设参数采集,获得水文参数信息,所述水文参数信息包括参数上游采集位置;第二获得单元,所述第二获得单元用于根据所述水文参数信息,获得上游水情特征信息;第三获得单元,所述第三获得单元用于获得水域分布信息;第四获得单元,所述第四获得单元用于根据所述水域分布信息、参数上游采集位置,获得水域上下游关系信息;第五获得单元,所述第五获得单元用于将所述上游水情特征信息、所述水域上下游关系信息输入下游水文情报预测模型中,获得下游水情预测结果,所述下游水情预测结果包括下游水位预测信息、下游流量预测信息、预测时间信息;第六获得单元,所述第六获得单元用于根据所述水域分布信息,获得下游水域特征信息;第七获得单元,所述第七获得单元用于根据所述下游水位预测信息、所述下游流量预测信息、所述预测时间信息、所述下游水域特征信息,获得洪灾预测结果,所述洪灾预测结果包括所述预测时间信息;第一生成单元,所述第一生成单元用于根据所述洪灾预测结果、所述预测时间信息,生成第一预警信息。
第三方面,本申请实施例提供了一种下游水文情报预测的系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过水文监测装置对水域上游进行预设参数采集,获得水文参数信息,所述水文参数信息包括参数上游采集位置;根据所述水文参数信息,获得上游水情特征信息;获得水域分布信息;根据所述水域分布信息、参数上游采集位置,获得水域上下游关系信息;将所述上游水情特征信息、所述水域上下游关系信息输入下游水文情报预测模型中,获得下游水情预测结果,所述下游水情预测结果包括下游水位预测信息、下游流量预测信息、预测时间信息;根据所述水域分布信息,获得下游水域特征信息;根据所述下游水位预测信息、所述下游流量预测信息、所述预测时间信息、所述下游水域特征信息,获得洪灾预测结果,所述洪灾预测结果包括所述预测时间信息;根据所述洪灾预测结果、所述预测时间信息,生成第一预警信息的技术方案,本申请实施例通过提供了一种下游水文情报预测的方法及系统,达到了通过上下游关系的研判,根据上游水情测试结果和上下游关系,能够得到下游的水情预测结果,并且结合下游水域特征,从而实现对下游洪灾进行及时、准确预警的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种下游水文情报预测的方法的流程示意图;
图2为本申请实施例一种下游水文情报预测的方法的获得水域上下游关系信息的流程示意图;
图3为本申请实施例一种下游水文情报预测的方法的获得洪灾预测结果的流程示意图;
图4为本申请实施例一种下游水文情报预测的方法的执行泄洪策略的流程示意图;
图5为本申请实施例一种下游水文情报预测的系统的结构示意图;
图6为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第四获得单元14,第五获得单元15,第六获得单元16,第七获得单元17,第一生成单元18,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
下面将结合本发明实施例中的附图,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。
申请概述
水文情报预测是指根据前期或现时的水文气象资料,对某一水体、某一地区或某一水文站在未来一定时间内的水文情况做出定性或定量的预测,对防洪、抗旱、水资源合理利用和国防事业中有重要意义。但是,仍然需要在深化改革中逐步提高水文行业整体素质,进一步搞好水文的基本测报工作,提高质量,更好地为防汛抗旱减灾和经济建设服务。因此,本发明的目的是解决现有技术中存在水文预测工作监测质量和效率不高,水情预测及时性低,预报结果不准确的技术问题,并提出如下技术方案:
本申请实施例提供了一种下游水文情报预测的方法,其中,所述方法包括:通过水文监测装置对水域上游进行预设参数采集,获得水文参数信息,所述水文参数信息包括参数上游采集位置;根据所述水文参数信息,获得上游水情特征信息;获得水域分布信息;根据所述水域分布信息、参数上游采集位置,获得水域上下游关系信息;将所述上游水情特征信息、所述水域上下游关系信息输入下游水文情报预测模型中,获得下游水情预测结果,所述下游水情预测结果包括下游水位预测信息、下游流量预测信息、预测时间信息;根据所述水域分布信息,获得下游水域特征信息;根据所述下游水位预测信息、所述下游流量预测信息、所述预测时间信息、所述下游水域特征信息,获得洪灾预测结果,所述洪灾预测结果包括所述预测时间信息;根据所述洪灾预测结果、所述预测时间信息,生成第一预警信息。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种下游水文情报预测的方法,其中,所述方法应用于水文情报预测系统,所述系统包括水文监测装置,所述方法包括:
S100:通过水文监测装置对水域上游进行预设参数采集,获得水文参数信息,所述水文参数信息包括参数上游采集位置;
进一步的,所述预设参数包括降水量、水流量、水位高度,所述水文参数信息还包括水文采集时间。
具体而言,所述水文监测装置为水文监测工作中能够实现监测水文信息的任一检测装置,如水流速监测装置、水位高度监测装置等,所述水域为任一需要情报预测的水域,对所述水域上游进行参数采集,首先预设参数,包括降水量、水流量、水位高度;其次通过所述水文监测装置进行预设参数采集,获得所述水文参数信息,其中所述水文参数信息包括参数上游采集位置和水文采集时间。由于采集位置和采集时间对采集结果的准确性具有较大影响,因此需要对采集位置和采集时间进行准确记录。通过对水域上游的参数进行采集,获得水文信息能够对后续水文情报预测提供大量准确、可靠的水文数据资料。
S200:根据所述水文参数信息,获得上游水情特征信息;
进一步的,所述根据所述水文参数信息,获得上游水情特征信息,步骤S200包括:
S210:根据所述水文参数信息,获得上游降水量信息、上游水流量信息、上游水位高度信息;
S220:获得第一水情回归函数;
S230:基于所述第一水情回归函数,根据所述上游水位高度信息、所述上游降水量信息,获得第一水情特征;
S240:获得第二水情回归函数;
S250:基于所述第二水情回归函数,根据所述上游水位高度信息、所述上游水流量信息,获得第二水情特征;
S260:将所述第一水情特征、所述第二水情特征输入水情预测模型,所述水情预测模型为通过多组训练数据经过训练获得,每组训练数据中均包括第一水情特征、第二水情特征以及标识水情预测结果的标识信息;
S270:获得所述水情预测模型的输出结果,所述输出结果为所述上游水情特征信息。
具体而言,基于所述水文参数信息进行水情特征分析,获得所述上游水情特征信息。首先,根据所述水文参数信息,分别获得上游降水量信息、上游水流量信息和上游水位高度信息。降水量是一定时段内降落到某一点或某一面积上的总水量,用深度表示。回归分析(regression analysis)指的是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。回归分析按照涉及的变量的多少,分为一元回归和多元回归分析;按照因变量的多少,可分为简单回归分析和多重回归分析;按照自变量和因变量之间的关系类型,由于水位高度和降水量间存在相互依赖的关系如降水量突然增大,水位高度也会相应升高,故根据所述上游水位高度信息,上游降水量信息,进行回归分析,利用该分析水域的历史水情数据,进行回归线拟合,得到水位高度与降水量之间的回归函数关系,并通过损失函数计算对回归函数关系进行参数优化,直到回归函数关系的参数达到预设的优化标准,其中优化标准为损失函数最小,将优化后确定的回归函数作为第一水情回归函数,即第一水情回归函数用于表示降水量、水位高度之间的水情影响关系,通过对当前检测得到的所述上游水流量信息通过第一水情回归函数进行计算,得到预测的上游水位上涨高度,利用预测的上游水位上涨高度和当前检测到的上游水位高度信息相加计算,得到预测水位高度,根据预测水位高度得到第一水情特征,第一水情特征即为降水量对上游水情变化造成的影响特征。同样的,由于水位高度和水流量之间也存在相互依赖关系,例如水流量增大,水位高度相应降低。利用该上游的历史检测数据,拟合得到水位高度与水流量之间的回归线,利用损失函数对回归线的参数进行优化,确定回归函数参数从而确定第二水情回归函数,第二水情回归函数用于表示水流量对于水位的水情影响关系,将检测到的上游水流量通过第二水情回归函数进行计算,得到预测水位高度值,再结合当前检测得到的上游水位高度信息,得到当前水流量造成预测的水位高度信息,根据预测的水位高度信息作为第二水情特征,即用于表示当前的水流量会造成怎样的水情影响。
进一步,为了对上游的水情进行综合特征的分析,将第一水情特征和第二水情特征进行综合评价,判断当前的水流量和降水量对于当前的水位高度造成的上游的水情变化情况,本申请实施例为了提高运算的效率、可靠性,加入了神经网络模型,所述水情预测模型即为经过训练收敛完成的神经网络模型,将所述第一水情特征、所述第二水情特征输入水情预测模型,所述水情预测模型为通过多组训练数据经过训练获得的神经网络模型,神经网络是由大量的、简单的处理单元广泛地互相连接而形成的复杂神经网络系统,神经网络模型是以神经元的数学模型为基础来描述的,人工神经网络,是对人类大脑系统的一阶特性的一种描述。每组训练数据中均包括第一水情特征、第二水情特征以及标识水情预测结果的标识信息。输入所述第一水情特征、所述第二水情特征后,获得所述水情预测模型的输出结果,所述输出结果为所述上游水情特征信息。通过拟合回归函数获得上游的第一水情特征和第二水情特征后,通过水情预测模型对上游水情特征信息进行预测,能够获得科学、准确的预测结果。
S300:获得水域分布信息;
具体而言,获得水域分布信息,所述水域分布信息包括该水域的空间分布信息、源头、水域范围、地理位置、河道的宽窄、周围环境、地势落差等信息。分析水域上下游关系时,需要掌握水域的分布信息,通过掌握水域分布信息能够为水域上下游关系的分析以及实现对下游水文情报的预测奠定基础。
S400:根据所述水域分布信息、参数上游采集位置,获得水域上下游关系信息;
进一步的,如图2所示,所述根据所述水域分布信息、参数上游采集位置,获得水域上下游关系信息,步骤S400包括:
S410:根据所述水域分布信息、所述参数上游采集位置,获得上游水域分布标记;
S420:根据所述上游水域分布标记、所述水域分布信息,获得水域地势变化节点;
S430:基于所述水域地势变化节点,获得关联水域分布标记;
S440:根据所述上游水域分布标记、所述关联水域分布标记,获得水域变化数据集合,所述水域变化数据集合包括上游水域分布标记与每个关联水域分布标记之间的水域变化数据;
S450:根据所述水域变化数据集合,构建水域水情关联映射列表;
S460:获得下游位置信息;
S470:根据所述参数上游采集位置、所述下游位置信息在所述水域水情关联映射列表进行匹配,获得所述水域上下游关系信息。
具体而言,所述水域分布信息包括空间分布信息、源头、水域范围、地理位置、河道的宽窄、周围环境、地势落差等信息。根据所述水域分布信息能够得知水域的范围、上下游的位置分布。参数上游采集位置为在上游进行参数采集的采集点,所述参数上游采集位置包括该位置处的经度、纬度等。故基于所述水域分布信息、所述参数上游采集位置能够得到上游水域分布标记,从而将水域的上游的分布标记出来。根据所述上游水域分布标记、所述水域分布信息,获得水域地势变化节点,即水域中地势起伏的变化节点。由于水域地势变化,会导致上游产生多个分支,从而形成多个下游,如长江支流流域面积1万平方公里以上的支流就有49条。基于所述水域地势变化节点,获得关联水域分布标记,即根据地势变化的位置将因地势变化导致形成的多个下游进行分布标记,其中标记的多个下游为所述关联水域。
从而获得所述水域变化数据集合,所述水域变化数据集合包括上游水域分布标记与每个关联水域分布标记之间的水域变化数据。根据所述水域变化数据集合,构建水域水情关联映射列表,即构建上游水域中参数上游采集位置与不同下游水域水情之间的关联映射列表。获得下游的位置信息,通过参数上游采集位置和所述下游位置信息,在所述水域水情关联映射列表中进行水域变化数据的匹配,从而得到所述水域上下游关系信息。通过水域水情关联映射列表的构建,能够得到准确的上下游关系信息。
S500:将所述上游水情特征信息、所述水域上下游关系信息输入下游水文情报预测模型中,获得下游水情预测结果,所述下游水情预测结果包括下游水位预测信息、下游流量预测信息、预测时间信息;
S600:根据所述水域分布信息,获得下游水域特征信息;
具体而言,所述下游水文情报预测模型为一神经网络模型,将所述上游水情特征信息、所述水域上下游关系信息作为输入信息,输入所述下游水文情报预测模型中,输出所述下游水情预测结果,所述下游水情预测结果包括下游水位预测信息、下游流量预测信息、预测时间信息。根据所述水域分布信息,获得下游水域特征信息,所述下游水域特征信息是在所述水域分布信息的基础上分析得到的。基于所述下游水文情报预测模型能够对水域下游的水情进行科学、准确的预测,最终能够得到准确的预测结果,从而提高水文情报预测的质量。
S700:根据所述下游水位预测信息、所述下游流量预测信息、所述预测时间信息、所述下游水域特征信息,获得洪灾预测结果,所述洪灾预测结果包括所述预测时间信息;
S800:根据所述洪灾预测结果、所述预测时间信息,生成第一预警信息。
具体而言,基于所述下游水位预测信息、所述下游流量预测信息、所述预测时间信息、所述下游水域特征信息,获得洪灾预测结果。也就是说当预测得到某一时间的下游的水位、流量、水域特征后,能够对下游是否会发生洪灾以及发生洪灾的规模进行预测和判断,从而获得所述洪灾预测结果。并且所述洪灾预测结果包括所述预测时间信息,所述预测时间信息为预测得到洪灾发生的时间。因为预测时间信息对于灾害防范以及精准预测至关重要,故根据所述洪灾预测结果、所述预测时间信息,生成第一预警信息。所述第一预警信息发送至相关应急救援部门和当地民众,能够起到及时防范和减少人民生命安全损失的效果,通过下游的水位、流量能够实现精准预测,提高水文预报工作的质量和效率。
进一步的,如图3所示,所述根据所述下游水位预测信息、所述下游流量预测信息、所述预测时间信息、所述下游水域特征信息,获得洪灾预测结果,步骤S700包括:
S710:根据所述下游水位预测信息、所述下游流量预测信息、所述预测时间信息,拟合下游水域水情曲线,所述下游水域水情曲线与所述预测时间信息相对应;
S720:根据所述下游水域特征信息,获得下游水域承受改变范围;
S730:根据所述下游水域水情曲线,所述下游水域承受改变范围,获得警戒信息,其中,所述警戒信息为所述下游水域水情曲线超出所述下游水域承受改变范围对应的节点,所述警戒信息包括警戒预测时间节点、警戒水情差值;
S740:根据所述警戒预测时间节点、所述警戒水情差值,获得所述洪灾预测结果。
具体而言,下游水位预测信息、下游流量预测信息为连续的多个时间的预测值,随着时间的推延,下游水位预测信息、下游流量预测信息为进行对应调整和变化的,即下游水位预测信息和下游流量预测信息均包括了与其相对应的时间预测信息,按照时间预测信息作为横坐标,利用下游水位预测信息、下游流量预测信息的变化值,进行下游水域水情曲线的拟合,包括水位变化曲线、流量变化曲线,根据水位变化曲线与流量变化曲线可以进行对应时间节点的水情特征的获取,即时间节点的水位高度和水流量大小,若水位高度和水流量均处于峰值,则该处即为水灾发生概率最大的时间。所述下游水域特征信息包括下游的地理位置、河道特征、面积等。所述下游水域承受改变范围为当上游降水量增多、水流量增大时,或上游降水量减少、水流量降低时,下游水域能够承受的变化范围,而下游水域承受改变范围由下游水域特征信息决定,如下游的河道的宽窄,上下游地势落差等。根据所述下游水域水情曲线,所述下游水域承受改变范围,获得警戒信息。其中所述警戒信息为所述下游水域水情曲线超出所述下游水域承受改变范围对应的节点。并且所述警戒信息包括警戒预测时间节点、警戒水情差值。所述警戒预测时间节点为预测发出警戒信号的时间节点,所述警戒水情差值为实际水情与达到警戒标准的水情之间的差值。根据所述警戒预测时间节点、所述警戒水情差值,获得所述洪灾预测结果。考虑到了下游水域承受改变范围,从而能够使洪灾预测结果更加贴合下游水域情况,更加准确。
进一步的,本申请实施例还包括:
S741:根据所述下游水域特征信息、所述下游水域承受改变范围,获得预警设定要求;
S742:基于所述预警设定要求,根据所述下游水域水情曲线,所述下游水域承受改变范围,获得预警预测时间信息;
S743:根据所述预警预测时间信息、所述预警设定要求,获得第二预警信息。
具体而言,根据下游水域特征制定不同的预警设定要求,进行提前预警,尤其对于水域面积广、波及范围广、危害程度大的水域,需要提前进行预警,例如水域附近有工厂、村庄、农田、城市。若没有采用提前预警,而是在临近灾害发生时才进行预警可能造成严重后果,来不及进行泄洪措施,需要提前较长时间预警。对于水域面积小、下游河道宽阔,危害程度较轻,周围无波及的人、事、物,则可以缩短提前预警的时间。因而结合不同的水域特征设定对应的预警要求。根据所述下游水域特征信息、所述下游水域承受改变范围预先制定所述预警设定要求,不同的下游预警设定要求不同。基于所述预警设定要求,根据所述下游水域水情曲线,所述下游水域承受改变范围,获得预警预测时间信息。故根据所述预警预测时间信息、所述预警设定要求,获得第二预警信息进行提前预警。能够精准掌握时间节点,实现预先预警,能够在重大水情灾害发生之前及时采取措施。
进一步的,如图4所述,所述生成第一预警信息之后,步骤S800还包括:
S810:根据所述警戒水情差值、所述下游水域承受改变范围,获得泄洪需求;
S820:获得泄洪手段数据库;
S830:基于所述泄洪需求在所述泄洪手段数据库中进行匹配,获得泄洪手段信息;
S840:根据所述泄洪手段信息、所述警戒水情差值,获得泄洪策略,所述泄洪策略包括泄洪开始时间点、泄洪时长、手段参数信息;
S850:根据所述泄洪开始时间点、泄洪时长、手段参数信息,获得泄洪执行信息。
具体而言,基于所述警戒水情差值、所述下游水域承受改变范围,获得泄洪需求。所述警戒水情差值为实际水情与达到警戒标准的水情之间的差值。所述下游水域承受改变范围为当上游降水量增多、水流量增大时,或上游降水量减少、水流量降低时,下游水域能够承受的变化范围。根据需要泄洪的水位高度即所述警戒水情差值来预估泄洪水量,从而获得泄洪需求,所述泄洪需求为泄洪水量,判断是否需要泄洪。进一步,基于大数据获得所述泄洪手段数据库,所述泄洪手段数据库包含了大量的泄洪方法手段。基于历史泄洪经验和下游能够实现的泄洪手段,将所述泄洪需求在所述泄洪手段数据库中进行匹配,根据匹配结果获得泄洪手段信息。根据所述泄洪手段信息和所述警戒水情差值获得泄洪策略,例如:根据目前实时的警戒水情差值和匹配到的泄洪手段,确定何时开始泄洪,确定是否多种泄洪手段进行符合使用,以及符合使用的先后顺序等泄洪策略。所述泄洪策略包括泄洪开始时间点、泄洪时长、手段参数信息。基于具体的泄洪开始时间点、泄洪时长、手段参数信息获得开始执行泄洪行动的信息即所述泄洪执行信息。通过泄洪结果,统计泄洪后的水位情况、是否仍存在警戒情况的发生等,可以对泄洪方案的有效性进行评价,从而将一次泄洪过程中的所有数据进行存储,分析从而指导后续泄洪策略的制定。根据洪灾预测结果匹配对应的泄洪策略能够提前进行筹措和安排,并且通过策略评价,能够对预测方案的可行性进行预测。
综上所述,本申请实施例所提供的一种下游水文情报预测的方法及系统具有如下技术效果:
1、由于采用了通过水文监测装置对水域上游进行预设参数采集,获得水文参数信息,所述水文参数信息包括参数上游采集位置;根据所述水文参数信息,获得上游水情特征信息;获得水域分布信息;根据所述水域分布信息、参数上游采集位置,获得水域上下游关系信息;将所述上游水情特征信息、所述水域上下游关系信息输入下游水文情报预测模型中,获得下游水情预测结果,所述下游水情预测结果包括下游水位预测信息、下游流量预测信息、预测时间信息;根据所述水域分布信息,获得下游水域特征信息;根据所述下游水位预测信息、所述下游流量预测信息、所述预测时间信息、所述下游水域特征信息,获得洪灾预测结果,所述洪灾预测结果包括所述预测时间信息;根据所述洪灾预测结果、所述预测时间信息,生成第一预警信息的技术方案,本申请实施例通过提供了一种下游水文情报预测的方法及系统,达到了通过上下游关系的研判,根据上游水情测试结果和上下游关系,能够得到下游的水情预测结果,并且结合下游水域特征,从而实现对下游洪灾进行及时、准确预警的技术效果。
2、由于采用了预设预警设定要求的方法,能够精准掌握时间节点预先预警,从而实现在重大水情灾害发生之前及时采取措施的技术效果。
实施例二
基于与前述实施例中一种下游水文情报预测的方法相同的发明构思,如图5所示,本申请实施例提供了一种下游水文情报预测的系统,其中,所述系统包括:
第一获得单元11,所述第一获得单元11用于通过水文监测装置对水域上游进行预设参数采集,获得水文参数信息,所述水文参数信息包括参数上游采集位置;
第二获得单元12,所述第二获得单元12用于根据所述水文参数信息,获得上游水情特征信息;
第三获得单元13,所述第三获得单元13用于获得水域分布信息;
第四获得单元14,所述第四获得单元14用于根据所述水域分布信息、参数上游采集位置,获得水域上下游关系信息;
第五获得单元15,所述第五获得单元15用于将所述上游水情特征信息、所述水域上下游关系信息输入下游水文情报预测模型中,获得下游水情预测结果,所述下游水情预测结果包括下游水位预测信息、下游流量预测信息、预测时间信息;
第六获得单元16,所述第六获得单元16用于根据所述水域分布信息,获得下游水域特征信息;
第七获得单元17,所述第七获得单元17用于根据所述下游水位预测信息、所述下游流量预测信息、所述预测时间信息、所述下游水域特征信息,获得洪灾预测结果,所述洪灾预测结果包括所述预测时间信息;
第一生成单元18,所述第一生成单元18用于根据所述洪灾预测结果、所述预测时间信息,生成第一预警信息。
进一步的,所述系统包括:
第八获得单元,所述第八获得单元用于根据所述水文参数信息,获得上游降水量信息、上游水流量信息、上游水位高度信息;
第九获得单元,所述第九获得单元用于获得第一水情回归函数;
第一执行单元,所述第一执行单元用于基于所述第一水情回归函数,根据所述上游水位高度信息、所述上游降水量信息,获得第一水情特征;
第十获得单元,所述第十获得单元用于获得第二水情回归函数;
第二执行单元,所述第二执行单元用于基于所述第二水情回归函数,根据所述上游水位高度信息、所述上游水流量信息,获得第二水情特征;
第十一获得单元,所述第十一获得单元用于将所述第一水情特征、所述第二水情特征输入水情预测模型,所述水情预测模型为通过多组训练数据经过训练获得,每组训练数据中均包括第一水情特征、第二水情特征以及标识水情预测结果的标识信息;
第十二获得单元,所述第十二获得单元用于获得所述水情预测模型的输出结果,所述输出结果为所述上游水情特征信息。
进一步的,所述系统包括:
第十三获得单元,所述第十三获得单元用于根据所述水域分布信息、所述参数上游采集位置,获得上游水域分布标记;
第十四获得单元,所述第十四获得单元用于根据所述上游水域分布标记、所述水域分布信息,获得水域地势变化节点;
第十五获得单元,所述第十五获得单元用于基于所述水域地势变化节点,获得关联水域分布标记;
第十六获得单元,所述第十六获得单元用于根据所述上游水域分布标记、所述关联水域分布标记,获得水域变化数据集合,所述水域变化数据集合包括上游水域分布标记与每个关联水域分布标记之间的水域变化数据;
第一构建单元,所述第一构建单元用于根据所述水域变化数据集合,构建水域水情关联映射列表;
第十七获得单元,所述第十七获得单元用于获得下游位置信息;
第十八获得单元,所述十八获得单元用于根据所述参数上游采集位置、所述下游位置信息在所述水域水情关联映射列表进行匹配,获得所述水域上下游关系信息。
进一步的,所述系统包括:
第三执行单元,所述第三执行单元用于根据所述下游水位预测信息、所述下游流量预测信息、所述预测时间信息,拟合下游水域水情曲线,所述下游水域水情曲线与所述预测时间信息相对应;
第十九获得单元,所述十九获得单元用于根据所述下游水域特征信息,获得下游水域承受改变范围;
第二十获得单元,所述二十获得单元用于根据所述下游水域水情曲线,所述下游水域承受改变范围,获得警戒信息,其中,所述警戒信息为所述下游水域水情曲线超出所述下游水域承受改变范围对应的节点,所述警戒信息包括警戒预测时间节点、警戒水情差值;
第二十一获得单元,所述二十一获得单元用于根据所述警戒预测时间节点、所述警戒水情差值,获得所述洪灾预测结果。
进一步的,所述系统包括:
第二十二获得单元,所述二十二获得单元用于根据所述下游水域特征信息、所述下游水域承受改变范围,获得预警设定要求;
第二十三获得单元,所述二十三获得单元用于基于所述预警设定要求,根据所述下游水域水情曲线,所述下游水域承受改变范围,获得预警预测时间信息;
第二十四获得单元,所述二十四获得单元用于根据所述预警预测时间信息、所述预警设定要求,获得第二预警信息。
进一步的,所述系统包括:
第二十五获得单元,所述二十五获得单元用于根据所述警戒水情差值、所述下游水域承受改变范围,获得泄洪需求;
第二十六获得单元,所述二十六获得单元用于获得泄洪手段数据库;
第二十七获得单元,所述二十七获得单元用于基于所述泄洪需求在所述泄洪手段数据库中进行匹配,获得泄洪手段信息;
第二十八获得单元,所述二十八获得单元用于根据所述泄洪手段信息、所述警戒水情差值,获得泄洪策略,所述泄洪策略包括泄洪开始时间点、泄洪时长、手段参数信息;
第二十九获得单元,所述二十九获得单元用于根据所述泄洪开始时间点、泄洪时长、手段参数信息,获得泄洪执行信息。
示例性电子设备
下面参考图6来描述本申请实施例的电子设备。
基于与前述实施例中一种下游水文情报预测的方法相同的发明构思,本申请实施例还提供了一种下游水文情报预测的系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行第一方面任一项所述的方法。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdiscread-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种下游水文情报预测的方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例提供了一种下游水文情报预测的方法,其中,所述方法包括:通过水文监测装置对水域上游进行预设参数采集,获得水文参数信息,所述水文参数信息包括参数上游采集位置;根据所述水文参数信息,获得上游水情特征信息;获得水域分布信息;根据所述水域分布信息、参数上游采集位置,获得水域上下游关系信息;将所述上游水情特征信息、所述水域上下游关系信息输入下游水文情报预测模型中,获得下游水情预测结果,所述下游水情预测结果包括下游水位预测信息、下游流量预测信息、预测时间信息;根据所述水域分布信息,获得下游水域特征信息;根据所述下游水位预测信息、所述下游流量预测信息、所述预测时间信息、所述下游水域特征信息,获得洪灾预测结果,所述洪灾预测结果包括所述预测时间信息;根据所述洪灾预测结果、所述预测时间信息,生成第一预警信息。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (6)
1.一种下游水文情报预测的方法,其中,所述方法应用于水文情报预测系统,所述系统包括水文监测装置,所述方法包括:
通过水文监测装置对水域上游进行预设参数采集,获得水文参数信息,所述水文参数信息包括参数上游采集位置,其中,所述预设参数包括降水量、水流量、水位高度,所述水文参数信息还包括水文采集时间;根据所述水文参数信息,获得上游水情特征信息;
获得水域分布信息;
根据所述水域分布信息、参数上游采集位置,获得水域上下游关系信息;
将所述上游水情特征信息、所述水域上下游关系信息输入下游水文情报预测模型中,获得下游水情预测结果,所述下游水情预测结果包括下游水位预测信息、下游流量预测信息、预测时间信息;
根据所述水域分布信息,获得下游水域特征信息;
根据所述下游水位预测信息、所述下游流量预测信息、所述预测时间信息、所述下游水域特征信息,获得洪灾预测结果,所述洪灾预测结果包括所述预测时间信息;
根据所述洪灾预测结果、所述预测时间信息,生成第一预警信息;
其中,所述根据所述水文参数信息,获得上游水情特征信息,包括:
根据所述水文参数信息,获得上游降水量信息、上游水流量信息、上游水位高度信息;
获得第一水情回归函数;
基于所述第一水情回归函数,根据所述上游水位高度信息、所述上游降水量信息,获得第一水情特征;
获得第二水情回归函数;
基于所述第二水情回归函数,根据所述上游水位高度信息、所述上游水流量信息,获得第二水情特征;
将所述第一水情特征、所述第二水情特征输入水情预测模型,所述水情预测模型为通过多组训练数据经过训练获得,每组训练数据中均包括第一水情特征、第二水情特征以及标识水情预测结果的标识信息;
获得所述水情预测模型的输出结果,所述输出结果为所述上游水情特征信息;
所述根据所述下游水位预测信息、所述下游流量预测信息、所述预测时间信息、所述下游水域特征信息,获得洪灾预测结果,包括:
根据所述下游水位预测信息、所述下游流量预测信息、所述预测时间信息,拟合下游水域水情曲线,所述下游水域水情曲线与所述预测时间信息相对应;
根据所述下游水域特征信息,获得下游水域承受改变范围;
根据所述下游水域水情曲线,所述下游水域承受改变范围,获得警戒信息,其中,所述警戒信息为所述下游水域水情曲线超出所述下游水域承受改变范围对应的节点,所述警戒信息包括警戒预测时间节点、警戒水情差值;
根据所述警戒预测时间节点、所述警戒水情差值,获得所述洪灾预测结果。
2.如权利要求1所述的方法,其中,所述根据所述水域分布信息、参数上游采集位置,获得水域上下游关系信息,包括:
根据所述水域分布信息、所述参数上游采集位置,获得上游水域分布标记;
根据所述上游水域分布标记、所述水域分布信息,获得水域地势变化节点;
基于所述水域地势变化节点,获得关联水域分布标记;
根据所述上游水域分布标记、所述关联水域分布标记,获得水域变化数据集合,所述水域变化数据集合包括上游水域分布标记与每个关联水域分布标记之间的水域变化数据;
根据所述水域变化数据集合,构建水域水情关联映射列表;
获得下游位置信息;
根据所述参数上游采集位置、所述下游位置信息在所述水域水情关联映射列表进行匹配,获得所述水域上下游关系信息。
3.如权利要求1所述的方法,其中,所述方法还包括:
根据所述下游水域特征信息、所述下游水域承受改变范围,获得预警设定要求;
基于所述预警设定要求,根据所述下游水域水情曲线,所述下游水域承受改变范围,获得预警预测时间信息;
根据所述预警预测时间信息、所述预警设定要求,获得第二预警信息。
4.如权利要求1所述的方法,其中,所述生成第一预警信息之后,所述方法还包括:
根据所述警戒水情差值、所述下游水域承受改变范围,获得泄洪需求;
获得泄洪手段数据库;
基于所述泄洪需求在所述泄洪手段数据库中进行匹配,获得泄洪手段信息;
根据所述泄洪手段信息、所述警戒水情差值,获得泄洪策略,所述泄洪策略包括泄洪开始时间点、泄洪时长、手段参数信息;
根据所述泄洪开始时间点、泄洪时长、手段参数信息,获得泄洪执行信息。
5.一种下游水文情报预测的系统,其中,所述系统包括:
第一获得单元,所述第一获得单元用于通过水文监测装置对水域上游进行预设参数采集,获得水文参数信息,所述水文参数信息包括参数上游采集位置,其中,所述预设参数包括降水量、水流量、水位高度,所述水文参数信息还包括水文采集时间;
第二获得单元,所述第二获得单元用于根据所述水文参数信息,获得上游水情特征信息;
第三获得单元,所述第三获得单元用于获得水域分布信息;
第四获得单元,所述第四获得单元用于根据所述水域分布信息、参数上游采集位置,获得水域上下游关系信息;
第五获得单元,所述第五获得单元用于将所述上游水情特征信息、所述水域上下游关系信息输入下游水文情报预测模型中,获得下游水情预测结果,所述下游水情预测结果包括下游水位预测信息、下游流量预测信息、预测时间信息;
第六获得单元,所述第六获得单元用于根据所述水域分布信息,获得下游水域特征信息;
第七获得单元,所述第七获得单元用于根据所述下游水位预测信息、所述下游流量预测信息、所述预测时间信息、所述下游水域特征信息,获得洪灾预测结果,所述洪灾预测结果包括所述预测时间信息;
第一生成单元,所述第一生成单元用于根据所述洪灾预测结果、所述预测时间信息,生成第一预警信息;
第八获得单元,所述第八获得单元用于根据所述水文参数信息,获得上游降水量信息、上游水流量信息、上游水位高度信息;
第九获得单元,所述第九获得单元用于获得第一水情回归函数;
第一执行单元,所述第一执行单元用于基于所述第一水情回归函数,根据所述上游水位高度信息、所述上游降水量信息,获得第一水情特征;
第十获得单元,所述第十获得单元用于获得第二水情回归函数;
第二执行单元,所述第二执行单元用于基于所述第二水情回归函数,根据所述上游水位高度信息、所述上游水流量信息,获得第二水情特征;
第十一获得单元,所述第十一获得单元用于将所述第一水情特征、所述第二水情特征输入水情预测模型,所述水情预测模型为通过多组训练数据经过训练获得,每组训练数据中均包括第一水情特征、第二水情特征以及标识水情预测结果的标识信息;
第十二获得单元,所述第十二获得单元用于获得所述水情预测模型的输出结果,所述输出结果为所述上游水情特征信息;
第三执行单元,所述第三执行单元用于根据所述下游水位预测信息、所述下游流量预测信息、所述预测时间信息,拟合下游水域水情曲线,所述下游水域水情曲线与所述预测时间信息相对应;
第十九获得单元,所述十九获得单元用于根据所述下游水域特征信息,获得下游水域承受改变范围;
第二十获得单元,所述二十获得单元用于根据所述下游水域水情曲线,所述下游水域承受改变范围,获得警戒信息,其中,所述警戒信息为所述下游水域水情曲线超出所述下游水域承受改变范围对应的节点,所述警戒信息包括警戒预测时间节点、警戒水情差值;
第二十一获得单元,所述二十一获得单元用于根据所述警戒预测时间节点、所述警戒水情差值,获得所述洪灾预测结果。
6.一种下游水文情报预测的系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使系统以执行如权利要求1~4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111373483.6A CN114111730B (zh) | 2021-11-19 | 2021-11-19 | 一种下游水文情报预测的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111373483.6A CN114111730B (zh) | 2021-11-19 | 2021-11-19 | 一种下游水文情报预测的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114111730A CN114111730A (zh) | 2022-03-01 |
CN114111730B true CN114111730B (zh) | 2022-08-02 |
Family
ID=80396454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111373483.6A Active CN114111730B (zh) | 2021-11-19 | 2021-11-19 | 一种下游水文情报预测的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114111730B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822969B (zh) * | 2023-08-30 | 2023-11-17 | 安徽金海迪尔信息技术有限责任公司 | 基于模型组合的水利模型云计算方法与系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5731700B1 (ja) * | 2014-07-25 | 2015-06-10 | エー・シー・エス株式会社 | 水位予測に基づいた土砂災害予測システム |
JP6707500B2 (ja) * | 2017-09-01 | 2020-06-10 | 東急建設株式会社 | 河川水位予測システム |
CN110836683A (zh) * | 2018-08-15 | 2020-02-25 | 光大水务科技发展(南京)有限公司 | 河道管理方法、河道管理装置及终端 |
CN112782788B (zh) * | 2019-11-06 | 2022-05-31 | 中国科学院国家空间科学中心 | 一种区域大气水文耦合预警决策系统及方法 |
CN111795681A (zh) * | 2020-06-30 | 2020-10-20 | 杭州鲁尔物联科技有限公司 | 一种山洪灾害预警方法、装置、服务器及存储介质 |
CN113375645A (zh) * | 2021-06-21 | 2021-09-10 | 南方电网调峰调频发电有限公司 | 水情测报系统 |
-
2021
- 2021-11-19 CN CN202111373483.6A patent/CN114111730B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114111730A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112417788A (zh) | 基于大数据的水环境污染分析系统及方法 | |
Khatibi et al. | Inclusive Multiple Models (IMM) for predicting groundwater levels and treating heterogeneity | |
Tsakiris et al. | Regionalization of low flows based on canonical correlation analysis | |
CN109886477B (zh) | 水污染的预测方法、装置及电子设备 | |
CN103840988A (zh) | 一种基于rbf神经网络的网络流量测量方法 | |
CN107491970A (zh) | 实时反作弊检测监控方法和系统以及计算设备 | |
CN115587667A (zh) | 智慧环保平台水环境管理系统的污染分析管理模块及方法 | |
CN114111730B (zh) | 一种下游水文情报预测的方法及系统 | |
CN114061705A (zh) | 一种智能化水位监测分析预警方法及系统 | |
Liu et al. | A risk assessment method based on RBF artificial neural network-cloud model for urban water hazard | |
CN110544130A (zh) | 流量异动监测方法、装置、计算机设备和存储介质 | |
CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
Li et al. | Flash flood early warning research in China | |
CN116558574B (zh) | 基于大数据的气站安全监测方法和装置 | |
Seyam et al. | The influence of accurate lag time estimation on the performance of stream flow data-driven based models | |
CN112348290A (zh) | 河流水质预测方法、装置、存储介质及设备 | |
Gomes et al. | Regionalization of precipitation with determination of homogeneous regions via fuzzy c-means | |
CN112215398A (zh) | 电力用户负荷预测模型建立方法、装置、设备及存储介质 | |
CN111667689A (zh) | 车辆旅行时间预测的方法、设备和计算机设备 | |
CN109523077B (zh) | 一种风电功率预测方法 | |
Stergiopoulos et al. | Interdependency analysis of junctions for congestion mitigation in transportation infrastructures | |
CN110826196A (zh) | 一种工业设备运行数据的处理方法及装置 | |
CN114157486B (zh) | 通信流量数据异常检测方法、装置、电子设备及存储介质 | |
Tagawa et al. | An approach to chance constrained problems using weighted empirical distribution and differential evolution with application to flood control planning | |
CN109670593B (zh) | 一种评估、以及预测深度学习模型中层计算时间的方法 |
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 |