CN114254568A - 基于人工智能决策树的gps遥感洪水预警方法 - Google Patents

基于人工智能决策树的gps遥感洪水预警方法 Download PDF

Info

Publication number
CN114254568A
CN114254568A CN202210183348.3A CN202210183348A CN114254568A CN 114254568 A CN114254568 A CN 114254568A CN 202210183348 A CN202210183348 A CN 202210183348A CN 114254568 A CN114254568 A CN 114254568A
Authority
CN
China
Prior art keywords
detection
flood
decision tree
formula
measurement
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
Application number
CN202210183348.3A
Other languages
English (en)
Other versions
CN114254568B (zh
Inventor
马广迪
杨为琛
张国
杨生娟
李天宇
孔诗元
施妍慧
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.)
Zhejiang Ev Image Geographic Information Technology Co ltd
Original Assignee
Zhejiang Ev Image Geographic Information Technology Co ltd
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 Zhejiang Ev Image Geographic Information Technology Co ltd filed Critical Zhejiang Ev Image Geographic Information Technology Co ltd
Priority to CN202210183348.3A priority Critical patent/CN114254568B/zh
Publication of CN114254568A publication Critical patent/CN114254568A/zh
Application granted granted Critical
Publication of CN114254568B publication Critical patent/CN114254568B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于人工智能决策树的GPS遥感洪水预测方法，包括如下步骤：S1、读取GPS卫星原始观测值；S2、原始观测值的预处理；S3、采用历元间的伪距差、载波相位差和历元时间间隔的信息生成洪水探测量，所述洪水探测量包括第一探测量和第二探测量；S4、采用基于人工智能决策树算法建立分卫星分频率的洪水探测模型；S5、联合GPS双频信号的第一探测量和第二探测量对洪水进行探测，并根据探测阈值将结果进行标记；S6、根据探测结果进行洪水预警或对洪水探测模型更新迭代。采用基于人工智能决策树算法建立高精度的洪水探测模型，深度挖掘探测量和其它辅助特征参数之间的相关性，降低误探率，保证洪水探测的精准度和稳定性。

Description

基于人工智能决策树的GPS遥感洪水预警方法
技术领域
本发明涉及导航卫星遥感反演技术领域，具体指一种基于人工智能决策树的GPS遥感洪水预测方法。
背景技术
随着全球气候变暖以及由城镇化发展而引发的城市水文效应变化，导致极端强降雨天气极其容易造成城市内涝以及城镇局部洪水发生，使得城市洪涝灾害的风险不断增大。比如，2016年7月初发生在湖北省武汉市的城市洪涝，2018年7月低发生在新疆哈密市的城乡局部洪水灾害以及2021年7月低发生在河南新乡的城市局部洪水等，造成几十人死亡，且直接经济损失高达30亿元，可见城市短时局部内涝以及洪水严重威胁着人民群众的生命财产安全。因此，建立实时高效精准的城市洪水探测预警方法，增强城市雨洪管理和预防能力，保障人民群众的生命和财产安全是当前城市地理测绘遥感领域亟待解决的问题之一。
当前，基于导航卫星反演洪水的探测方法从观测值角度主要可以分为两大类，第一类是基于信号载噪比观测值进行的洪水预警探测，但不同弧段的载噪比性能表现差异较大，特别是在洪水探测过程中，高弧段（高度角大于60度）时的载噪比波动比低弧段（高度角低于30度）时更明显，这就导致常规的基于低弧段载噪比的探测方法效率降低。另外，基于载噪比的探测方法受接收机类型制约较为严重。比如，不同厂家的接收机输出的载噪比观测值差异很大，导致难以建立统一规范的探测阈值。而有些载噪比又采用近似输出，导致载噪比分辨率较低，严重降低洪水探测精度。此外，有些接收机也不具备输出载噪比的功能，这会导致该方法失效。第二类是基于伪距和载波相位观测值的方法进行洪水探测预警，但现有方法都是通过对伪距和载波相位观测值进行组合后进行探测，而组合观测值会导致噪声和其它误差（如对流层残差和电离层残差）放大，导致现有基于伪距和载波相位观测值的探测方法精度较低。此外，现在方法没有顾及粗差对观测值的影响，导致探测成功率较低，而对探测模型的建立忽略了特征参数的关联性，这也导致现有方法误探率较高，产生过多虚假预警。
因此，亟需一种顾及伪距和载波相位粗差和噪声影响的算法，进而能够建立精确的洪水探测模型，不仅可以提高洪水探测的实时性和精确性，也可以有效保证洪水探测的成功率和稳定性，为洪水灾害预警提供强有力的支撑。
发明内容
本发明根据现有技术的不足，提出一种基于人工智能决策树的GPS遥感洪水预测方法，采用基于人工智能决策树算法建立高精度的洪水探测模型，模型即一个存储了探测观测量（伪距变化率和载波相位变化率）以及相应辅助信息（高度角、方位角、卫星号、降雨量、探测阈值等）的数据库，以文本的形式存储在电脑上，深度挖掘探测量和其它辅助特征参数之间的相关性，降低误探率，保证洪水探测的精准度和稳定性，并联合GPS卫星L1频和L2频进行双频联合探测，进一步保证探测精度。
为了解决上述技术问题，本发明的技术方案为：
一种基于人工智能决策树的GPS遥感洪水预测方法，包括如下步骤：
S1、读取GPS卫星原始观测值，包括伪距、载波相位观测值，并获取辅助特征信息，所述辅助特征信号包括计算相应的高度角，方位角和历元时间间隔；
S2、原始观测值的预处理
S2-1、采用基于均值漂移聚类算法对观测值中的粗差进行探测并剔除；
S2-2、采用基于均衡阈值策略的小波包变换算法消除高频随机噪声影响；
S3、采用历元间的伪距差、载波相位差和历元时间间隔信息生成洪水探测量，所述洪水探测量包括第一探测量和第二探测量，
所述伪距差通过相邻历元的伪距观测值进行做差得到，所述载波相位差通过相邻历元的载波相位观测值进行做差得到，所述历元时间间隔为相邻历元之间的时间间隔可通过历元的时间做差得到；
S4、采用基于人工智能决策树算法建立分卫星分频率的洪水探测模型, 该模型即为将每颗卫星每个频率的信息，如伪距变化率、载波相位变化率、高度角、方位角、卫星号、降雨量、探测阈值单独进行分类，并以文本的形式存储在电脑上的一个数据库中，后续用的时候直接搜索该文本数据库即可；
S5、联合GPS双频信号的第一探测量和第二探测量对洪水进行探测，并根据探测阈值将结果进行标记；
S6、根据探测结果进行洪水预警或对洪水探测模型更新迭代。
1、根据权利要求1所述的基于人工智能决策树的GPS遥感洪水预测方法，其特征在于，所述步骤S1中，通过全球IGS站采集伪距和载波相位观测值。
作为优选，所述步骤S2-1包括
1）采用均值漂移聚类算法估计收集的观测值数据集的密度中心，得到不含有粗差值数据的搜索半径，作为后续粗差探测的检验向量；
2）利用计算得到的检验向量对观测日当天的数据进行粗差探测，对于大于探测检验向量的观测数据，则认定为该观测值为粗差，进行剔除，对于小于或等于该探测检验向量内的观测数据，则进行保存，用于后续的洪水探测。
作为优选，所述均值漂移聚类算法如下：
对于给定的数据集
Figure 575482DEST_PATH_IMAGE001
中的任一数据点的核密度函数估计可以通过下式得到：
Figure 23780DEST_PATH_IMAGE002
（1）
式中，n表示数据长度，h是密度核的带宽，d表示数据集的维数，K是核函数，x为输入信号值，
Figure 334676DEST_PATH_IMAGE003
表示范数运算，此处使用使密度估计的均方误差最小的核函数，即Epanechnikov核，定义表示如下：
Figure 261044DEST_PATH_IMAGE004
（2）
式中，c d 是d维单位高维球的体积，T表示转置运算，属于矩阵领域常规符号，其它符号含义同公式（1）相同，对公式（1）进行求导，可得到x点的概率密度梯度为：
Figure 606574DEST_PATH_IMAGE005
（3）
式中，n表示数据长度，h是密度核的带宽，d表示数据集的维数，n x 是超球体内数据集的个数，h d c d 表示超球体的体积，其球体的中心是点x，式中
Figure 225775DEST_PATH_IMAGE006
表示x点的密度估计，可以表示为：
Figure 23966DEST_PATH_IMAGE007
（4）
R h (x)表示半径为h的超球体范围内所有数据构成的集合，表示为：
Figure 754025DEST_PATH_IMAGE008
，此外，根据公式（1）和公式（2）可得，(d+2)/h 2为常数，
Figure 157324DEST_PATH_IMAGE009
为变量，即：
Figure 681847DEST_PATH_IMAGE010
（5）
式中，M h (x)就是均值漂移向量，该向量会沿着密度增加最快的方向移动，最终在局部密度最大点处收敛，
整理上述公式（3）、公式（4）和公式（5），其均值漂移向量可表示为：
Figure 967335DEST_PATH_IMAGE011
（6）
其迭代过程表示如下：a、根据公式（5）计算均值漂移向量M h (x)；b、转移M h (x)至下一个迭代点；c、重复a和b至收敛到局部密度最大点为止，最终输出用于后续粗差探测的检验向量。
作为优选，所述步骤S2-2包括
1）通过小波包变换将信号进行分解，得到待去噪的小波系数；
2）利用均衡阈值策略选取最优去噪阈值对分解后的小波系数进去去噪；
3）利用降噪后的小波系数对信号进行小波包反变换，完成信号的重构，得到去噪后的信号。
作为优选，所述小波包变换的分解过程表示如下：
Figure 32243DEST_PATH_IMAGE012
（7）
式中，t和k分别表示连续和离散信号的时间变量序列号，
Figure 86786DEST_PATH_IMAGE013
和
Figure 47789DEST_PATH_IMAGE014
分别是小波包变换的正交尺度函数和小波函数，
Figure 23835DEST_PATH_IMAGE015
表示上一级的信号，初始计算时表示原始信号，
Figure 833047DEST_PATH_IMAGE016
和
Figure 7676DEST_PATH_IMAGE017
分别是正交镜像滤波前置尺度函数和小波母函数，并且两者满足以下关系：
Figure 874001DEST_PATH_IMAGE018
（8）
假设
Figure 399660DEST_PATH_IMAGE019
并且
Figure 9633DEST_PATH_IMAGE020
成立，则当
Figure 773190DEST_PATH_IMAGE021
时可以获得如下递归关系，即：
Figure 75995DEST_PATH_IMAGE022
（9）
上述公式即为信号的小波包分解。
作为优选，所述均衡阈值策略，其公式表示如下：
Figure 557792DEST_PATH_IMAGE023
（10）
式中，U j,k 表示原始小波系数，
Figure 237035DEST_PATH_IMAGE024
表示去噪后的小波系数，α为
Figure 120678DEST_PATH_IMAGE025
，sign(˙)表示符号函数，j表示分解层，k表示序列节点，λ表示阈值，其计算公式表示为：
Figure 594384DEST_PATH_IMAGE026
（11）
式中，median(˙)表示取序列中位数值，N表示信号长度。
作为优选，所述重构的过程表示如下：
Figure 563477DEST_PATH_IMAGE027
（12）
式中，
Figure 515253DEST_PATH_IMAGE028
即为去噪后的信号，j表示分解层数，其它参数含义与公式(7～11）中相同。
作为优选，所述步骤S3中，
所述历元时间间隔的获取方法：
第一个历元的时间表示为T1，第二个历元的时间表示为T2，则历元时间间隔为：ΔT=T2-T1；
所述伪距差和载波相位差的获取：
对相邻历元的伪距和载波相位观测值进行做差，具体表示如下：
Figure 722243DEST_PATH_IMAGE029
（13）
式中，P和L分别表示伪距和载波相位观测值，i表示历元，其中Δ表示相邻历元之间做差，
最后，通过历元时间间隔和历元间差值分别计算伪距和载波相位的变化率，具体表示为：
Figure 366851DEST_PATH_IMAGE030
（14）
式中，ΔT为历元时间间隔，ΔP和ΔL分别为历元间伪距和载波相位差，δP和δL分别为历元间伪距和载波相位变化率，通过上述过程可以计算得到第一探测量和第二探测量，所述第一探测量为伪距变化率，所述第二探测量为载波相位变化率。
作为优选，所述步骤S4的方法如下：
1）采用大地测量型接收机持续收集GPS原始伪距和载波相位观测值，通过步骤S2消除粗差和噪声的影响，并利用步骤S3计算得到第一探测量和第二探测量,同时计算相应历元时刻的高度角和方位角信息，为后续模型建立和模型搜索提供辅助,此外，利用雨量计同步测量雨量信息，将该数据与GPS卫星收集的数据保持时间上的同步;
2）利用第一探测量、第二探测量、相应历元时刻的高度角和方位角信息以及时间同步的雨量信息做为决策树的输入参数，并根据上述决策树推测出探测阈值；
3）通过上述生成的决策树，最终建立其分卫星分频率的洪水探测模型，所述洪水探测模型为以数据库的形式保存在计算机上，所述数据库主要包括第一探测量、第二探测量、相应的高度角方位角和探测阈值。
作为优选，所述决策树为ID3决策树算法，主要是计算每个属性的信息增益
值，最终选取具有最大值的属性作为分裂属性，以此来对数据集进行划分，最终形成决策树，其数学表达式如下：
假设X是一个取值有限的离散随机变量，离散随机变量用n表示，则它的概
率分布可以表示为：
Figure 823240DEST_PATH_IMAGE031
（15）
则随机变量X的熵定义为：
Figure 844286DEST_PATH_IMAGE032
（16）
其中，当p i =0时，定义0log0=0，从上述定义可以知道，信息熵只取决于X的分布，
而与X的具体值无关，因此X的熵也可以定义为H(p)，即H(p)=H(X).
对于随机变量（X,Y），其联合概率分布可以表示为：
Figure 439871DEST_PATH_IMAGE033
（17）
式中，n和m分布是X和Y的取值个数，则X给定条件下Y的条件熵H(Y|X)表示为：
Figure 255380DEST_PATH_IMAGE034
（18）
式中，
Figure 199066DEST_PATH_IMAGE035
公式（18）为X给定条件下Y的条件概率分布的熵对X的数学期望；进一步，对于数据集D的经验熵可表示为H（D）,属性A对数据集D的经验条件熵表示为H（D|A），则属性A对数据集D的信息增益为g(D,A)表示为：
Figure 758223DEST_PATH_IMAGE036
（19）
信息增益表示在A知道的情况下，了解D所需要的信息减少的量，因此，基于上述定义，可得ID3的算法过程如下：
（1）输入：给定训练的数据集D，此处训练数据集就是我们之前得到的第一探测量、载波相位变化率、高度角、方位角和雨量信息；
（2）创建一个初始节点，如果数据集D中所有数据样本都在同一类，则算法终止，将这个类作为类标签，返回决策树；
（3）否则，依据ID3算法选取信息增益最大的属性，将该属性作为本节点的分裂属性；
（4）对该分裂属性中的每一个样本值，延伸一个相应的分支，并根据属性值划分样本；
（5）重复上述（2-4）过程，自顶向下进行递归，只到满足以下三个条件
为止：1）分支没有样本；2）没有可用的属性进行划分；3）待分裂节点的所有
样本属于同一类；（6）输出：最终决策树。
作为优选，所述步骤S5包括
S5-1、采用基于GPS卫星双频的伪距变化率的探测量对洪水进行探测；
S5-2、采用基于GPS卫星双频的第二探测量对洪水进行探测。
本发明具有以下的特点和有益效果：
一、可以利用现有GPS导航卫星对洪水进行探测，与现有方法相比，既可以解决基于载噪比的方法受接收机类型制约而导致探测精度低或探测失效等问题，也可以解决基于伪距载波相位组合法受噪声和其它误差（如电离层误差和对流层误差）影响大而导致探测精度低等问题。
二、同时联合GPS双频信号的伪距和载波相位变化率联合探测可以保证探测成功率和稳定性等问题，从而满足高精度、高实时性和高稳定性的洪水探测。
三、考虑到原始观测值粗差导致的观测值精度低等问题，采用基于均值漂移聚类的粗差探测方法对原始观测值的粗差进行探测并剔除，保证数据优良率。
四、利用基于均衡阈值策略的小波包变换算法滤除高频随机噪声，仅保留含有多径信号影响的观测值，提高探测量精度。
五、利用历元间做差和历元时间间隔信息生成伪距变化率和载波相位变化率，同时采用两种探测量也保证探测精度和稳定性。
六、采用基于人工智能决策树算法建立洪水探测模型，深度挖掘探测量、辅助特征参数和降雨量之间的相关性，降低洪水误探率。
七、联合GPS双频段信号联合探测，有效保证探测成功率和稳定性。同时利用新数据对探测模型进行更新迭代，提高模型的长期稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，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 基于人工智能决策树的GPS遥感洪水预警方法流程图。
图2 基于ID3算法决策树模型对数据处理后的结果简要展示图。
图3 基于GPS卫星伪距变化率的洪水预警算法流程图。
图4 基于GPS卫星载波相位变化率的洪水预警算法流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
本发明提供了一种基于人工智能决策树的GPS遥感洪水预测方法，如图1所示，包括如下步骤：
S1、读取GPS卫星原始观测值，包括伪距、载波相位观测值，并获取辅助特征信息，所述辅助特征信息包括计算相应的高度角，方位角和历元时间间隔；
S2、原始观测值的预处理
S2-1、采用基于均值漂移聚类算法对观测值中的粗差进行探测并剔除；
S2-2、采用基于均衡阈值策略的小波包变换算法消除高频随机噪声影响；
S3、采用历元间的伪距差、载波相位差和历元时间间隔的信息生成洪水探测量，所述洪水探测量包括第一探测量和第二探测量，
所述伪距差通过相邻历元的伪距观测值进行做差得到，所述载波相位差通过相邻历元的载波相位观测值进行做差得到，所述历元时间间隔为相邻历元之间的时间间隔可通过历元的时间做差得到；
S4、采用基于人工智能决策树算法建立分卫星分频率的洪水探测模型, 该
模型即为将每颗卫星每个频率的信息，如伪距变化率、载波相位变化率、高度
角，方位角、卫星号、降雨量、探测阈值等单独进行分类，并以文本的形式存
储在电脑上的一个数据库中，后续用的时候直接搜索该文本数据库即可；
S5、联合GPS双频信号的第一探测量和第二探测量对洪水进行探测，并根据探测阈值将结果进行标记；
S6、根据探测结果进行洪水预警或对洪水探测模型更新迭代。
上述技术方案中，可以利用现有GPS导航卫星对洪水进行探测，与现有方法相比，既可以解决基于载噪比的方法受接收机类型制约而导致探测精度低或探测失效等问题，大大降低了硬件设备的需要和成本，也可以解决基于伪距载波相位组合法受噪声和其它误差（如电离层误差和对流层误差）影响大而导致探测精度低等问题。
可以理解的，高度角和方位角的计算为本领域中常规的技术手段，因此本实施例中不对高度角和方位角的计算进行具体的说明。
进一步的，所述步骤S1中，通过全球IGS站采集伪距和载波相位观测值。
可以理解的，由于IGS站均建在环境开阔地带，接收环境较好，所以含有粗差观测值的概率较小，因此非常适合做为估计粗差搜索半径的数据集。
本发明的进一步设置，所述步骤S2-1包括
1）采用均值漂移聚类算法估计收集的观测值数据集的密度中心，得到不含有粗差值数据的搜索半径，作为后续粗差探测的检验向量；
进一步的，所述均值漂移聚类算法如下：
对于给定的数据集
Figure 674226DEST_PATH_IMAGE037
中的任一数据点的核密度函数估计可以通过下式得到：
Figure 191795DEST_PATH_IMAGE038
（1）
式中，n表示数据长度，h是密度核的带宽，d表示数据集的维数，K是核函数，x为输入信号值，
Figure 622777DEST_PATH_IMAGE003
表示范数运算，属于数学常规方法，此处使用使密度估计的均方误差最小的核函数，即Epanechnikov核，定义表示如下：
Figure 720046DEST_PATH_IMAGE039
（2）
式中，c d 是d维单位高维球的体积，T表示转置运算，属于矩阵领域常规符号，其它符号含义同公式（1）相同，对公式（1）进行求导，可得到x点的概率密度梯度为：
Figure 552872DEST_PATH_IMAGE040
（3）
式中，n表示数据长度，h是密度核的带宽，d表示数据集的维数，n x 是超球体内数据集的个数，h d c d 表示超球体的体积，其球体的中心是点x，式中
Figure 444605DEST_PATH_IMAGE006
表示x点的密度估计，可以表示为：
Figure 362882DEST_PATH_IMAGE041
（4）
R h (x)表示半径为h的超球体范围内所有数据构成的集合，表示为：
Figure 263842DEST_PATH_IMAGE042
，此外，根据公式（1）和公式（2）可得，(d+2)/h 2为常数，
Figure 420017DEST_PATH_IMAGE009
为变量，即：
Figure 748230DEST_PATH_IMAGE010
（5）
式中，M h (x)就是均值漂移向量，该向量会沿着密度增加最快的方向移动，最终在局部密度最大点处收敛，
整理上述公式（3）、公式（4）和公式（5），其均值漂移向量可表示为：
Figure 888225DEST_PATH_IMAGE043
（6）
其迭代过程表示如下：a、根据公式（5）计算均值漂移向量M h (x)；b、转移M h (x)至下一个迭代点；c、重复a和b至收敛到局部密度最大点为止，最终输出用于后续粗差探测的检验向量。
2）利用计算得到的检验向量对观测日当天的数据进行粗差探测，对于大于探测检验向量的观测数据，则认定为该观测值为粗差，进行剔除，对于小于或等于该探测检验向量内的观测数据，则进行保存，用于后续的洪水探测。
本实施例的进一步设置，所述步骤S2-2包括
1）通过小波包变换将信号进行分解，得到待去噪的小波系数；
具体的，所述小波包变换的分解过程表示如下：
Figure 404262DEST_PATH_IMAGE044
（7）
式中，t和k分别表示连续和离散信号的时间变量序列号，
Figure 946101DEST_PATH_IMAGE045
和
Figure 179637DEST_PATH_IMAGE046
分别是小波包变换的正交尺度函数和小波函数，
Figure 806927DEST_PATH_IMAGE047
表示上一级的信号，初始计算时表示原始信号，
Figure 49690DEST_PATH_IMAGE048
和
Figure 242773DEST_PATH_IMAGE049
分别是正交镜像滤波前置尺度函数和小波母函数，并且两者满足以下关系：
Figure 443948DEST_PATH_IMAGE050
（8）
假设
Figure 558534DEST_PATH_IMAGE019
并且
Figure 339408DEST_PATH_IMAGE020
成立，则当
Figure 59103DEST_PATH_IMAGE051
时可以获得如下递归关系，即：
Figure 900020DEST_PATH_IMAGE052
（9）
上述公式即为信号的小波包分解。
需要指出的是，小波包变换每次只能由一个信号分解为一个低频和一个高频信号，因此需要进行迭代。考虑GPS信号的特征，这里选择三层迭代分解，即:总的分解层数为三层。经过三层小波包分解后，可以得到相应的小波系数。
2）利用均衡阈值策略选取最优去噪阈值对分解后的小波系数进去去噪，
可以理解的，现有的硬阈值策略会导致小波系数存在不连续的情况，而软阈值策略会导致信号逼近程度差，造成重构信号误差大的情况。因此，这里采用均衡阈值策略，其公式表示如下：
Figure 501902DEST_PATH_IMAGE053
（10）
式中，U j,k 表示原始小波系数，
Figure 86468DEST_PATH_IMAGE054
表示去噪后的小波系数，α为
Figure 457406DEST_PATH_IMAGE055
，sign(˙)表示符号函数，j表示分解层，k表示序列节点，λ表示阈值，其计算公式表示为：
Figure 469224DEST_PATH_IMAGE056
（11）
式中，median(˙)表示取序列中位数值，N表示信号长度。上述均衡阈值策略可有效提高小波包变换去噪效果。
3）利用降噪后的小波系数对信号进行小波包反变换，完成信号的重构，得到去噪后的信号，
具体的，所述重构的过程表示如下：
Figure 295754DEST_PATH_IMAGE057
（12）
式中，
Figure 949589DEST_PATH_IMAGE028
即为去噪后的信号，j表示分解层数，其它参数含义与公式(7～11）中相同。
通过上述技术方案，可以有效滤除高频随机噪声，得到仅保留多路径反射信号的伪距和载波相位观测值。
本实施例的进一步设置，所述步骤S3中，
所述历元时间间隔的获取方法：
第一个历元的时间表示为T1，第二个历元的时间表示为T2，则历元时间间隔为：ΔT=T2-T1；
所述伪距差和载波相位差的获取：
对相邻历元的伪距和载波相位观测值进行做差，具体表示如下：
Figure 175034DEST_PATH_IMAGE058
（13）
式中，P和L分别表示伪距和载波相位观测值，i表示历元，其中Δ表示相邻历元之间做差，
最后，通过历元时间间隔和历元间差值分别计算伪距和载波相位的变化率，具体表示为：
Figure 357753DEST_PATH_IMAGE030
（14）
式中，ΔT为历元时间间隔，ΔP和ΔL分别为历元间伪距和载波相位差，δP和δL分别为历元间伪距和载波相位变化率，通过上述过程可以计算得到第一探测量和第二探测量，所述第一探测量为伪距变化率，所述第二探测量为载波相位变化率。
本实施例的进一步设置，如图2所示，所述步骤S4的方法如下：
1）采用大地测量型接收机持续收集GPS原始伪距和载波相位观测值，通过步骤S2消除粗差和噪声的影响，并利用步骤S3计算得到第一探测量和第二探测量,同时计算相应历元时刻的高度角和方位角信息，为后续模型建立和模型搜索提供辅助,此外，利用雨量计同步测量雨量信息，将该数据与GPS卫星收集的数据保持时间上的同步;
2）利用第一探测量、第二探测量、相应历元时刻的高度角和方位角信息以及时间同步的雨量信息做为决策树的输入参数，并根据上述决策树推测出探测阈值；
3）通过上述生成的决策树，最终建立其分卫星分频率的洪水探测模型，所述洪水探测模型为以数据库的形式保存在计算机上，所述数据库主要包括第一探测量、第二探测量、相应的高度角方位角和探测阈值。
具体的，所述决策树为ID3决策树算法，ID3算法是一种经典的决策树算法，主要是计算每个属性的信息增益值，最终选取具有最大值的属性作为分裂属性，以此来对数据集进行划分，最终形成决策树，其数学表达式如下：
假设X是一个取值有限的离散随机变量，离散随机变量用n表示，则它的概率分布可以表示为：
Figure 934228DEST_PATH_IMAGE059
（15）
则随机变量X的熵定义为：
Figure 63858DEST_PATH_IMAGE060
（16）
其中，当p i =0时，定义0log0=0，从上述定义可以知道，信息熵只取决于X的分布，而与X的具体值无关，因此X的熵也可以定义为H(p)，即H(p)=H(X)。
对于随机变量（X,Y），其联合概率分布可以表示为：
Figure 143810DEST_PATH_IMAGE061
（17）
式中，n和m分布是X和Y的取值个数，则X给定条件下Y的条件熵H(Y|X)表示为：
Figure 763010DEST_PATH_IMAGE034
（18）
式中，
Figure 561202DEST_PATH_IMAGE035
公式（18）为X给定条件下Y的条件概率分布的熵对X的数学期望；
进一步，对于数据集D的经验熵可表示为H（D）,属性A对数据集D的经验条件熵表示为H（D|A），则属性A对数据集D的信息增益为g(D,A)表示为：
Figure 291260DEST_PATH_IMAGE062
（19）
信息增益表示在A知道的情况下，了解D所需要的信息减少的量，因此，基于上述定义，可得ID3的算法过程如下：
（1）输入：给定训练的数据集D，此处训练数据集就是我们之前得到的伪距变化率、载波相位变化率、高度角、方位角和雨量信息；
可以理解的，该数据集中还包括卫星号、接收机类型、信号频率等可查询得到的辅助特征参数。
（2）创建一个初始节点，如果数据集D中所有数据样本都在同一类，则算法终止，将这个类作为类标签，返回决策树；
（3）否则，依据ID3算法选取信息增益最大的属性，将该属性作为本节点的分裂属性；
（4）对该分裂属性中的每一个样本值，延伸一个相应的分支，并根据属性值划分样本；
（5）重复上述（2-4）过程，自顶向下进行递归，只到满足以下三个条件为止：1）分支没有样本；2）没有可用的属性进行划分；3）待分裂节点的所有样本属于同一类；
（6）输出：最终决策树。
具体的，探测阈值的获取方法如下：
根据上述生成的决策树信息生成相应的探测阈值。决策树生成后包含伪距变化率和载波相位变化率，相应的高度角和方位角，以及该时刻的降雨的雨量信息，可根据这些信息计算不同卫星不同频率不同高度角和方位角下的伪距变化率和载波相位变化率和降雨量的对应关系，以此推测出相应的探测阈值。本实施例中，当降雨量为0mm时，在高度角E 1 和方位角A 1下的G01卫星L1频率的伪距变化率为δP 1，而当降雨量在100mm时，相同高度角方位角下的G01卫星L1频率的伪距变化率设为δP 2，则可得此时G01卫星L1频率在高度角E 1 和方位角A 1时的探测阈值为：
∆T=|δP 2- δP 1| （20）
可以理解的，这个探测阈值的生成是根据不同卫星、不同频段和不同高度角和方位角独立生成的，比如G01卫星的L1的探测阈值和L2频段的不一样，G01和其它卫星的也不一样，不同高度角和方位角的也是不一样。从而实现多频段的预测，能够有效的提高预测的精度并提高预测的稳定性。
本发明的进一步设置，所述步骤S5包括
S5-1、采用基于GPS卫星双频的伪距变化率的探测量对洪水进行探测；
具体的，如图3所示，所述步骤S5-1主要有三部分组成：首先，根据原始伪距观测值计算当前探测日的伪距变化率，其计算过程与步骤2和步骤3相同，得到当前历元时刻的第一探测量，即:伪距变化率。并计算该历元时刻的高度角和方位角，为后续模型搜索提供空域基准。高度角和方位角计算过程较简单，属于该领域常规方法，此处不再描述。其次，将计算得到的GPS双频，其中GPS双频包括L1频段和L2频段的伪距变化率和相关的特征参数（即高度角、方位角和雨量信息）输入洪水探测模型（即步骤S4中建立的数据库）中进行探测，如果两个频率的伪距变化率波动范围均超过设定的探测阈值，则进行标记。探测阈值在决策树内根据降雨量和伪距变化率的关系同步生成，存储在探测模型当中。若只有一个频率超过设定的探测阈值，则进行模型更新。若两个频率都没有出现超过探测阈值的情况，则不进行任何处理。最后，将探测结果进行保存并输出。
S5-2、采用基于GPS卫星双频的第二探测量对洪水进行探测。
具体的，如图4所示，所述步骤S5-2主要有三部分组成：首先，根据原始载波相位观测值计算当前探测日的载波相位变化率，其计算过程与步骤2和步骤3相同，得到当前历元时刻的第二探测量，即:载波相位变化率。并计算该历元时刻的高度角和方位角，为后续模型搜索提供空域基准，该过程较简单，属于该领域常规方法，此处不再描述。其次，将计算得到的GPS双频，GPS双频包括L1频段和L2频段的载波相位变化率和相关的特征参数（即高度角、方位角和雨量信息）输入洪水探测模型（即步骤S4中建立的数据库）中进行探测，如果两个频率的载波相位变化率波动范围均超过设定的探测阈值，则进行标记。探测阈值在决策树内根据降雨量和载波相位变化率的关系同步生成，存储在探测模型当中。若只有一个频率超过设定的探测阈值，则进行模型更新。若两个频率都没有出现超过探测阈值的情况，则不进行任何处理。最后，将探测结果进行保存并输出。
本发明的进一步设置，所述步骤S6中，将经过两种探测量的洪水探测结果进行联合处理，若两个探测量都存在标记，则认为存在洪水危险，需进行一级洪水预警处理。若只有一种情况出现标记，则进行二级洪水预警，若两者都没有标记，则更新原有探测模型，提高原有模型探测精度和准确率。
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式包括部件进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。

Claims (12)

1.一种基于人工智能决策树的GPS遥感洪水预测方法，其特征在于，包括如下步骤：
S1、读取GPS卫星原始观测值，包括伪距、载波相位观测值，并获取辅助特征信息，所述辅助特征信号包括计算相应的高度角，方位角和历元时间间隔；
S2、原始观测值的预处理
S2-1、采用基于均值漂移聚类算法对观测值中的粗差进行探测并剔除；
S2-2、采用基于均衡阈值策略的小波包变换算法消除高频随机噪声影响；
S3、采用历元间的伪距差、载波相位差和历元时间间隔的信息生成洪水探测量，所述洪水探测量包括第一探测量和第二探测量，所述
所述伪距差通过相邻历元的伪距观测值进行做差得到，所述载波相位差通过相邻历元的载波相位观测值进行做差得到，所述历元时间间隔为相邻历元之间的时间间隔可通过历元的时间做差得到；
S4、采用基于人工智能决策树算法建立分卫星分频率的洪水探测模型；
S5、联合GPS双频信号的第一探测量和第二探测量对洪水进行探测，并根据探测阈值将结果进行标记；
S6、根据探测结果进行洪水预警或对洪水探测模型更新迭代。
2.根据权利要求1所述的基于人工智能决策树的GPS遥感洪水预测方法，其特征在于，所述步骤S1中，通过全球IGS站采集伪距和载波相位观测值。
3.根据权利要求1所述的基于人工智能决策树的GPS遥感洪水预测方法，其特征在于，所述步骤S2-1包括
1）采用均值漂移聚类算法估计收集的观测值数据集的密度中心，得到不含有粗差值数据的搜索半径，作为后续粗差探测的检验向量；
2）利用计算得到的检验向量对观测日当天的数据进行粗差探测，对于大于探测检验向量的观测数据，则认定为该观测值为粗差，进行剔除，对于小于或等于该探测检验向量内的观测数据，则进行保存，用于后续的洪水探测。
4.根据权利要求3所述的基于人工智能决策树的GPS遥感洪水预测方法，其特征在于，所述均值漂移聚类算法如下：
对于给定的数据集
Figure 190813DEST_PATH_IMAGE001
中的任一数据点的核密度函数估计可以通过下式得到：
Figure 442802DEST_PATH_IMAGE002
（1）
式中，n表示数据长度，h是密度核的带宽，d表示数据集的维数，K是核函数，x为输入信号值，
Figure 925648DEST_PATH_IMAGE003
表示范数运算，此处使用使密度估计的均方误差最小的核函数，即Epanechnikov核，定义表示如下：
Figure 554076DEST_PATH_IMAGE004
（2）
式中，c d 是d维单位高维球的体积，T表示转置运算，属于矩阵领域常规符号，其它符号含义同公式（1）相同，对公式（1）进行求导，可得到x点的概率密度梯度为：
Figure 403214DEST_PATH_IMAGE005
（3）
式中，n表示数据长度，h是密度核的带宽，d表示数据集的维数，n x 是超球体内数据集的个数，h d c d 表示超球体的体积，其球体的中心是点x，式中
Figure 91684DEST_PATH_IMAGE006
表示x点的密度估计，可以表示为：
Figure 790388DEST_PATH_IMAGE007
（4）
R h (x)表示半径为h的超球体范围内所有数据构成的集合，表示为：
Figure 956927DEST_PATH_IMAGE008
，此外，根据公式（1）和公式（2）可得，(d+2)/h 2为常数，
Figure 378681DEST_PATH_IMAGE009
为变量，即：
Figure 723206DEST_PATH_IMAGE010
（5）
式中，M h (x)就是均值漂移向量，该向量会沿着密度增加最快的方向移动，最终在局部密度最大点处收敛，
整理上述公式（3）、公式（4）和公式（5），其均值漂移向量可表示为：
Figure 128779DEST_PATH_IMAGE011
（6）
其迭代过程表示如下：a、根据公式（5）计算均值漂移向量M h (x)；b、转移M h (x)至下一个迭代点；c、重复a和b至收敛到局部密度最大点为止，最终输出用于后续粗差探测的检验向量。
5.根据权利要求3所述的基于人工智能决策树的GPS遥感洪水预测方法，其特征在于，所述步骤S2-2包括
1）通过小波包变换将信号进行分解，得到待去噪的小波系数；
2）利用均衡阈值策略选取最优去噪阈值对分解后的小波系数进去去噪；
3）利用降噪后的小波系数对信号进行小波包反变换，完成信号的重构，得到去噪后的信号。
6.根据权利要求5所述的基于人工智能决策树的GPS遥感洪水预测方法，其特征在于，所述小波包变换的分解过程表示如下：
Figure 613856DEST_PATH_IMAGE012
（7）
式中，t和k分别表示连续和离散信号的时间变量序列号，
Figure 155696DEST_PATH_IMAGE013
和
Figure 920390DEST_PATH_IMAGE014
分别是小波包变换的正交尺度函数和小波函数，
Figure 563992DEST_PATH_IMAGE015
表示上一级的信号，初始计算时表示原始信号，
Figure 603492DEST_PATH_IMAGE016
和
Figure 514685DEST_PATH_IMAGE017
分别是正交镜像滤波前置尺度函数和小波母函数，并且两者满足以下关系：
Figure 450280DEST_PATH_IMAGE018
（8）
假设
Figure 830446DEST_PATH_IMAGE019
并且
Figure 627632DEST_PATH_IMAGE020
成立，则当
Figure 144064DEST_PATH_IMAGE021
时可以获得如下递归关系，即：
Figure 250560DEST_PATH_IMAGE022
（9）
上述公式即为信号的小波包分解。
7.根据权利要求6所述的基于人工智能决策树的GPS遥感洪水预测方法，其特征在于，所述均衡阈值策略，其公式表示如下：
Figure 627009DEST_PATH_IMAGE023
（10）
式中，U j,k 表示原始小波系数，
Figure 477154DEST_PATH_IMAGE024
表示去噪后的小波系数，α为
Figure 864404DEST_PATH_IMAGE025
，sign(˙)表示符号函数，j表示分解层，k表示序列节点，λ表示阈值，其计算公式表示为：
Figure 141801DEST_PATH_IMAGE026
（11）
式中，median(˙)表示取序列中位数值，N表示信号长度。
8.根据权利要求7所述的基于人工智能决策树的GPS遥感洪水预测方法，其特征在于，所述重构的过程表示如下：
Figure 230980DEST_PATH_IMAGE027
（12）
式中，
Figure 134083DEST_PATH_IMAGE028
即为去噪后的信号，j表示分解层数，其它参数含义与公式(7～11）中相同。
9.根据权利要求1所述的基于人工智能决策树的GPS遥感洪水预测方法，其特征在于，所述步骤S3中，
所述历元时间间隔的获取方法：
第一个历元的时间表示为T1，第二个历元的时间表示为T2，则历元时间间隔为：ΔT=T2-T1；
所述伪距差和载波相位差的获取：
对相邻历元的伪距和载波相位观测值进行做差，具体表示如下：
Figure 890686DEST_PATH_IMAGE029
（13）
式中，P和L分别表示伪距和载波相位观测值，i表示历元，其中Δ表示相邻历元之间做差，
最后，通过历元时间间隔和历元间差值分别计算伪距和载波相位的变化率，具体表示为：
Figure 89718DEST_PATH_IMAGE030
（14）
式中，ΔT为历元时间间隔，ΔP和ΔL分别为历元间伪距和载波相位的差，δP和δL分别为历元间伪距和载波相位的变化率，通过上述过程可以计算得到第一探测量和第二探测量，所述第一探测量为伪距变化率，所述第二探测量为载波相位变化率。
10.根据权利要求1所述的基于人工智能决策树的GPS遥感洪水预测方法，其特征在于，所述步骤S4的方法如下：
1）采用大地测量型接收机持续收集GPS原始伪距和载波相位观测值，通过步骤S2消除粗差和噪声的影响，并利用步骤S3计算得到第一探测量和第二探测量,同时计算相应历元时刻的高度角和方位角信息，为后续模型建立和模型搜索提供辅助,此外，利用雨量计同步测量雨量信息，将该数据与GPS卫星收集的数据保持时间上的同步;
2）利用第一探测量、第二探测量、相应历元时刻的高度角和方位角信息以及时间同步的雨量信息做为决策树的输入参数，并根据上述决策树推测出探测阈值；
3）通过上述生成的决策树，最终建立其分卫星分频率的洪水探测模型，所述洪水探测模型为以数据库的形式保存在计算机上，所述数据库主要包括第一探测量、第二探测量、相应的高度角、方位角和探测阈值。
11.根据权利要求10所述的基于人工智能决策树的GPS遥感洪水预测方法，其特征在于，所述决策树为ID3决策树算法，主要是计算每个属性的信息增益值，最终选取具有最大值的属性作为分裂属性，以此来对数据集进行划分，最终形成决策树，其数学表达式如下：
假设X是一个取值有限的离散随机变量，离散随机变量用n表示，则它的概率分布可以表示为：
Figure 666192DEST_PATH_IMAGE031
（15）
则随机变量X的熵定义为：
Figure 858139DEST_PATH_IMAGE032
（16）
其中，当p i =0时，定义0log0=0，从上述定义可以知道，信息熵只取决于X的分布，而与X的具体值无关，因此X的熵也可以定义为H(p)，即H(p)=H(X).
对于随机变量（X,Y），其联合概率分布可以表示为：
Figure 718517DEST_PATH_IMAGE033
（17）
式中，n和m分布是X和Y的取值个数，则X给定条件下Y的条件熵H(Y|X)表示为：
Figure 603296DEST_PATH_IMAGE034
（18）
式中，
Figure 417800DEST_PATH_IMAGE035
公式（18）为X给定条件下Y的条件概率分布的熵对X的数学期望；
进一步，对于数据集D的经验熵可表示为H（D）,属性A对数据集D的经验条件熵表示为H（D|A），则属性A对数据集D的信息增益为g(D,A)表示为：
Figure 944596DEST_PATH_IMAGE036
（19）
信息增益表示在A知道的情况下，了解D所需要的信息减少的量，因此，基于上述定义，可得ID3的算法过程如下：
（1）输入：给定训练的数据集D，此处训练数据集包括伪距变化率、载波相位变化率、高度角、方位角和雨量信息；
（2）创建一个初始节点，如果数据集D中所有数据样本都在同一类，则算法终止，将这个类作为类标签，返回决策树；
（3）否则，依据ID3算法选取信息增益最大的属性，将该属性作为本节点的分裂属性；
（4）对该分裂属性中的每一个样本值，延伸一个相应的分支，并根据属性值划分样本；
（5）重复上述（2-4）过程，自顶向下进行递归，只到满足以下三个条件为止：1）分支没有样本；2）没有可用的属性进行划分；3）待分裂节点的所有样本属于同一类；
（6）输出：最终决策树。
12.根据权利要求11所述的基于人工智能决策树的GPS遥感洪水预测方法，其特征在于，所述步骤S5包括
S5-1、采用基于GPS卫星双频的伪距变化率的探测量对洪水进行探测；
S5-2、采用基于GPS卫星双频的第二探测量对洪水进行探测。
CN202210183348.3A 2022-02-28 2022-02-28 基于人工智能决策树的gps遥感洪水预警方法 Active CN114254568B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210183348.3A CN114254568B (zh) 2022-02-28 2022-02-28 基于人工智能决策树的gps遥感洪水预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210183348.3A CN114254568B (zh) 2022-02-28 2022-02-28 基于人工智能决策树的gps遥感洪水预警方法

Publications (2)

Publication Number Publication Date
CN114254568A true CN114254568A (zh) 2022-03-29
CN114254568B CN114254568B (zh) 2022-07-05

Family

ID=80797033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210183348.3A Active CN114254568B (zh) 2022-02-28 2022-02-28 基于人工智能决策树的gps遥感洪水预警方法

Country Status (1)

Country Link
CN (1) CN114254568B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5563917A (en) * 1993-04-30 1996-10-08 Trimble Navigation Limited Compensation for multipath errors and ionospheric delays in differential satellite positioning systems
CN101403790A (zh) * 2008-11-13 2009-04-08 浙江师范大学 单频gps接收机的精密单点定位方法
CN107248149A (zh) * 2017-05-31 2017-10-13 浙江国遥地理信息技术有限公司 多源遥感影像数据融合方法
CN111308504A (zh) * 2019-11-26 2020-06-19 中国科学院国家授时中心 一种基于相位观测值实时探测北斗卫星轨道机动的方法
US20210072406A1 (en) * 2018-06-01 2021-03-11 Zhejiang Yat Electrical Appliance Co., Ltd Gnss-rtk-based positioning method
CN113031031A (zh) * 2021-03-09 2021-06-25 南京航空航天大学 一种城市峡谷内基于gnss信号精确分类的加权定位方法
CN113204042A (zh) * 2021-05-21 2021-08-03 北京交通大学 一种基于精密单点定位的多星座联合列车定位方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5563917A (en) * 1993-04-30 1996-10-08 Trimble Navigation Limited Compensation for multipath errors and ionospheric delays in differential satellite positioning systems
CN101403790A (zh) * 2008-11-13 2009-04-08 浙江师范大学 单频gps接收机的精密单点定位方法
CN107248149A (zh) * 2017-05-31 2017-10-13 浙江国遥地理信息技术有限公司 多源遥感影像数据融合方法
US20210072406A1 (en) * 2018-06-01 2021-03-11 Zhejiang Yat Electrical Appliance Co., Ltd Gnss-rtk-based positioning method
CN111308504A (zh) * 2019-11-26 2020-06-19 中国科学院国家授时中心 一种基于相位观测值实时探测北斗卫星轨道机动的方法
CN113031031A (zh) * 2021-03-09 2021-06-25 南京航空航天大学 一种城市峡谷内基于gnss信号精确分类的加权定位方法
CN113204042A (zh) * 2021-05-21 2021-08-03 北京交通大学 一种基于精密单点定位的多星座联合列车定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PATRICK HENKEL等: "Snow water equivalent of dry snow derived from GNSS carrier phases", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
丁胜祥等: "基于决策树算法的洪水预报模型", 《水力发电》 *

Also Published As

Publication number Publication date
CN114254568B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
Stopa et al. Comparison and validation of physical wave parameterizations in spectral wave models
Kim et al. Ensemble learning regression for estimating river discharges using satellite altimetry data: Central Congo River as a Test-bed
Hostache et al. Assimilation of spatially distributed water levels into a shallow-water flood model. Part II: Use of a remote sensing image of Mosel River
Aslami et al. Comprehensive comparison of daily IMERG and GSMaP satellite precipitation products in Ardabil Province, Iran
Labroue et al. First quality assessment of the Cryosat-2 altimetric system over ocean
CN111695473B (zh) 基于长短时记忆网络模型的热带气旋强度客观监测方法
CN113281749A (zh) 一种顾及同质性的时序InSAR高相干点选取方法
CN110531386B (zh) 基于wmad的gnss卫星钟差数据预处理方法
Liu et al. Construction of high-resolution bathymetric dataset for the Mariana Trench
Krasnopolsky et al. A multi-parameter empirical ocean algorithm for SSM/I retrievals
Zhang et al. Reconstruction of the basin‐wide sea‐level variability in the north sea using coastal data and generative adversarial networks
CN114254568B (zh) 基于人工智能决策树的gps遥感洪水预警方法
Anh et al. River discharge estimation based on satellite water extent and topography: An application over the Amazon
CN115201879A (zh) 基于北斗geo卫星反射信号的洪涝监测方法
CN114152302B (zh) 湖泊蓄水变化量估算方法、系统、电子设备和介质
CN114048636B (zh) 基于小波变换的重力异常计算方法及装置
Li et al. On the capacity of ICESat-2 laser altimetry for river level retrieval: An investigation in the Ohio River basin
CN111611233A (zh) 数据质量检测方法、装置及电子设备
CN114137575B (zh) 顾及卫星偏差和载噪比弧段影响的洪水探测方法
Yakubu et al. Appraisal of ANN and ANFIS for Predicting Vertical Total Electron Content (VTEC) in the Ionosphere for GPS Observations
Jahanmard et al. Quantification of hydrodynamic model sea level bias utilizing deep learning and synergistic integration of data sources
Zhang et al. Compositional balance should be considered in the mapping of soil particle-size fractions using hybrid interpolators
CN114355421B (zh) 一种基于北斗卫星l4和cmc组合观测值洪水探测方法
Lee et al. Model discrepancy of Earth polar motion using topological data analysis and convolutional neural network analysis
Raney II Application of Deep Learning to Estimate Mean River Cross-Sectional Depth

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: GPS Remote Sensing Flood Warning Method Based on Artificial Intelligence Decision Tree

Effective date of registration: 20230724

Granted publication date: 20220705

Pledgee: Zhejiang Deqing Rural Commercial Bank Co.,Ltd. science and technology sub branch

Pledgor: ZHEJIANG EV-IMAGE GEOGRAPHIC INFORMATION TECHNOLOGY CO.,LTD.

Registration number: Y2023980049547