CN114863262A - 一种裂流风险评价方法及预警系统 - Google Patents
一种裂流风险评价方法及预警系统 Download PDFInfo
- Publication number
- CN114863262A CN114863262A CN202210491687.8A CN202210491687A CN114863262A CN 114863262 A CN114863262 A CN 114863262A CN 202210491687 A CN202210491687 A CN 202210491687A CN 114863262 A CN114863262 A CN 114863262A
- Authority
- CN
- China
- Prior art keywords
- module
- flow
- early warning
- judgment module
- monitoring area
- 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
- 208000010392 Bone Fractures Diseases 0.000 title claims abstract description 34
- 206010017076 Fracture Diseases 0.000 title claims abstract description 34
- 238000011156 evaluation Methods 0.000 title claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000009826 distribution Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 8
- 239000013049 sediment Substances 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012502 risk assessment Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000011064 split stream procedure Methods 0.000 claims description 5
- MCSXGCZMEPXKIW-UHFFFAOYSA-N 3-hydroxy-4-[(4-methyl-2-nitrophenyl)diazenyl]-N-(3-nitrophenyl)naphthalene-2-carboxamide Chemical compound Cc1ccc(N=Nc2c(O)c(cc3ccccc23)C(=O)Nc2cccc(c2)[N+]([O-])=O)c(c1)[N+]([O-])=O MCSXGCZMEPXKIW-UHFFFAOYSA-N 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 206010013647 Drowning Diseases 0.000 abstract description 5
- 230000004992 fission Effects 0.000 description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 230000006872 improvement Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
-
- 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
- G01C13/002—Measuring the movement of open water
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Databases & Information Systems (AREA)
- Emergency Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种裂流风险评价方法及预警系统,包括以下步骤:S1:通过三维激光雷达扫描监测区域,获取三维地形坐标和流速点云数据;S2:通过建模软件重建监测区的地形模型,并判断该区域属于哪种地形,并将结果传到综合判断模块中;S3:基于多普勒效应,计算监测区内各点的流速值,获得监测区的平面流场分布;S4:根据流速点云数据计算出的监测区域内各点的流速值,根据流速分布,初步判断是否存在裂流。本发明根据地形特征、有效波高、波周期、风速、风向、压力扰动、流速分布和沉积物羽流的产生情况等多种因素,来综合判断裂流发生的风险等级,为裂流的监测、风险评价和预警提供了一种全新的方法,可以大大降低溺水事故的发生率。
Description
技术领域
本发明涉及海洋预报技术领域,尤其涉及一种裂流风险评价方法及预警系统。
背景技术
裂流,俗称离岸流,是世界各地广泛分布的一种海滩自然灾害,它被定义为一种从海滩流向大海的强劲水流。当海浪破碎时,它们会形成一个“近岸环流”,即平均水位的上升。这种近岸环流可以沿着海岸线变化,它们取决于海浪的高度和海底的地形。当水流趋向于沿海岸从高浪区流向低浪区时,在那里水流会聚积成向跨岸方向流动的离岸流。有多种因素共同决定裂流发生的位置和强度,如水深、波浪高度和方向、潮汐和海滩地形等。裂流在空间和时间上可以是瞬变的,也可以是持久的。经常在同一地点发现的裂流通常表明那里存在一个相当稳定的水深特征,如沙洲或礁,或硬结构,如裸露的岩石、码头等。裂流的流速最快可超过2m/s,能将游泳者迅速拽入深水区而引发安全事故。
据不完全统计,60%-80%的溺水事故都与裂流有直接关系。例如,裂流是美国和澳大利亚的主要海岸灾害。而在英国,每年约有67%的救援活动都是因裂流引发的溺水事故。日本、韩国和中国也是受到裂流危害最严重的地区之一。当前,迫切需要一种高效精确的裂流风险评价方法及预警系统,通过实时监测海滩裂流的发生并判定裂流的风险等级,生成预警警报来提醒海滩管理人员和游客,从而降低溺水事故的发生率。
发明内容
本发明提供了一种裂流风险评价方法及预警系统,以解决上述背景技术中提出的问题。
为了实现上述目的,本发明采用了如下技术方案:
一种裂流风险评价方法,包括以下步骤:
S1:通过三维激光雷达扫描监测区域,获取三维地形坐标和流速点云数据;
S2:通过建模软件重建监测区的地形模型,并判断该区域属于哪种地形,并将结果传到综合判断模块中;
S3:基于多普勒效应,计算监测区内各点的流速值,获得监测区的平面流场分布;
S4:根据流速点云数据计算出的监测区域内各点的流速值,根据流速分布,初步判断是否存在裂流,如果存在,则将裂流最大流速传到综合判断模块中,如果不存在,则仅将地形判断结果传到综合判断模块中;
S5:通过气象站获取监测区气象数据,并传到综合判断模块中;
S6:获取监测区的波高和波周期数据,并传到综合判断模块中;
S7:通过摄像机获取监测区的实时影像数据,输入到训练好的神经网络模型,识别影像中是否存在沉积物羽流结构,并将识别结果传到综合判断模块中;
S8:在综合判断模块中,根据各指标对应的传入数据,计算出综合分数,同时判定裂流风险等级,将结果输入到预警模块;
S9:在预警模块中,根据裂流风险等级生成预警,并发布到网络终端。
作为本技术方案的进一步改进方案:所述S2中的建模软件为Smart3D软件。
作为本技术方案的进一步改进方案:所述S5中气象数据包括实时风速、风向和压力扰动。
作为本技术方案的进一步改进方案:所述S6中通过声波和海流剖面仪获取监测区的波高和波周期数据。
作为本技术方案的进一步改进方案:所述S7中训练好的神经网络模型的建立过程包括:
步骤一,使用数码相机和无人机预先拍摄好的带有裂流目标的图片建立数据集;
步骤二,将数据集按照8:2的比例分为训练集和测试集;
步骤三,训练集输入到搭建好的神经网络模型中,使用反向传播调整迭代次数和学习率等参数,不断进行训练至损失函数值达到最小时,获取此时的最佳参数,保存优化模型;
步骤四,将测试集输入到训练完的优化模型中进行测试,然后采用平均检测精度来评价模型的检测效果。
作为本技术方案的进一步改进方案:所述S8中判定裂流风险等级采用风险等级判别表计算。
作为本技术方案的进一步改进方案:风险等级判别表的计算为将风险等级判别表中的各指标赋予权重,并计算最终的总分数TP。
本发明实施例还提供了一种裂流风险预警系统,包括地形和流速数据获取模块、初步判断模块、波浪数据获取模块、气象数据获取模块、影像数据获取模块、网络识别模块、综合判定模块;
地形和流速数据获取模块:用于获取监测区域的三维地形坐标和流速点云数据,通过Smart3D软件重建三维地形,并判断监测区为哪种地形结构,然后将结果传入综合判定模块和预警模块;
初步判断模块:根据地形和流速获取模块中计算出的各点流速值,根据流速分布初步判断是否存在裂流,并将判断结果传入综合判定模块;
波浪数据获取模块:用于获取监测区域的波高、波周期和流速,并将数据传入综合判定模块;
气象数据获取模块:用于获取监测区域的风向和风速,并将数据传入综合判定模块;
影像数据获取模块:用于获取裂流区域的裂流数字图像,并将图像传入网络识别模块;
网络识别模块:将图像获取模块传入的数字图像输入到预先训练好的神经网络模型中,检测影像中是否存在风暴结构或沉积物羽流,并将识别结果传入综合判定模块;
综合判定模块:整理输入的数据,通过上述的裂流风险判别表计算监测区域的裂流风险等级,并将判定结果实时输出到网络终端;
预警模块:根据综合判断模块输出的裂流风险判定结果,进行实时预警,若是低风险等级,则网络终端显示绿色提示;若是中风险等级,则网络终端显示黄色预警;如果是高风险等级,则网络终端显示红色预警,并发出警报;如果是极高风险等级,则网络终端显示深红色预警,并发出危险警报。
本发明实施例还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的裂流风险评价方法。
本发明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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一项所述的裂流风险评价方法。
与现有技术相比,本发明的有益效果是:
本发明通过对监测海域及沙滩的数据采集,利用预先训练好的神经网络结构对架设在海滩上的摄像机拍摄的实时影像进行裂流的检测。根据地形特征、有效波高、波周期、风速、风向、压力扰动、流速分布和沉积物羽流的产生情况等多种因素,来综合判断裂流发生的风险等级,为裂流的监测、风险评价和预警提供了一种全新的方法,可以大大降低溺水事故的发生率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为一种裂流风险评价方法及预警系统实现的流程图;
图2为一种裂流风险评价方法及预警系统中各模块间的连接流程图;
图3为一种裂流风险评价方法及预警系统中神经网络模型训练流程图;
图4为一种裂流风险评价方法及预警系统的神经网络模型构建流程图;
图5为一种裂流风险评价方法及预警系统的裂流风险等级判定示意图;
图6为一种裂流风险评价方法及预警系统的仪器部署示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。在下列段落中参照附图以举例方式更具体地描述本发明。根据下面说明和权利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
需要说明的是,当组件被称为“固定于”另一个组件,它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件,它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件,它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1~6,本发明实施例中,一种裂流风险评价方法,包括以下步骤:
S1:通过三维激光雷达扫描监测区域,获取三维地形坐标和流速点云数据;
S2:通过Smart3D软件重建监测区的地形模型,并判断该区域属于哪种地形,并将结果传到综合判断模块中;
S3:基于多普勒效应,计算监测区内各点的流速值,获得监测区的平面流场分布;
S4:根据流速点云数据计算出的监测区域内各点的流速值,根据流速分布,初步判断是否存在裂流,如果存在,则将裂流最大流速传到综合判断模块中,如果不存在,则仅将地形判断结果传到综合判断模块中;
S5:通过气象站获取监测区的实时风速、风向和压力扰动等气象数据,并传到综合判断模块中;
S6:通过声波和海流剖面仪获取监测区的波高和波周期数据,并传到综合判断模块中;
S7:通过摄像机获取监测区的实时影像数据,输入到训练好的神经网络模型,识别影像中是否存在沉积物羽流结构,并将识别结果传到综合判断模块中,其中训练好的神经网络模型的建立过程包括:
步骤一,使用数码相机和无人机预先拍摄好的带有裂流目标的图片建立数据集;
步骤二,将数据集按照8:2的比例分为训练集和测试集;
步骤三,训练集输入到搭建好的神经网络模型中,使用反向传播调整迭代次数和学习率等参数,不断进行训练至损失函数值达到最小时,获取此时的最佳参数,保存优化模型;
步骤四,将测试集输入到训练完的优化模型中进行测试,然后采用平均检测精度来评价模型的检测效果;
S8:在综合判断模块中,根据各指标对应的传入数据,参照表1计算出综合分数,计算出综合分数,同时判定裂流风险等级,将结果输入到预警模块,具体为将风险等级判别表中的各指标赋予权重,并计算最终的总分数TP。如果TP≤4(或裂流最大流速小于0.5m/s),则判定裂流风险等级为低;如果4<TP≤8(或裂流最大流速大于等于0.5m/s且小于1m/s),则判定裂流风险等级为中;如果8<TP≤12(或裂流最大流速大于等于1m/s且小于1.5m/s),则判定裂流风险等级为高;如果TP>12(或裂流最大流速大于等于1.5m/s),则判定裂流风险等级为很高;
表1各指标项的分数计算和裂流风险等级判别表
S9:在预警模块中,根据裂流风险等级生成预警,并发布到网络终端,如表1所示,裂流风险等级可分为低、中、高和极高四个等级。如果是低风险等级,则网络终端显示绿色提示;如果是中风险等级,则网络终端显示黄色预警;如果是高风险等级,则网络终端显示红色预警,并发出警报;如果是极高风险等级,则网络终端显示深红色预警,并发出危险警报。
本发明实施例还提供了一种裂流风险预警系统,包括地形和流速数据获取模块、初步判断模块、波浪数据获取模块、气象数据获取模块、影像数据获取模块、网络识别模块、综合判定模块;
地形和流速数据获取模块:用于获取监测区域的三维地形坐标和流速点云数据,通过Smart3D软件重建三维地形,并判断监测区为哪种地形结构,然后将结果传入综合判定模块和预警模块;
初步判断模块:根据地形和流速获取模块中计算出的各点流速值,根据流速分布初步判断是否存在裂流,并将判断结果传入综合判定模块;
波浪数据获取模块:用于获取监测区域的波高、波周期和流速,并将数据传入综合判定模块;
气象数据获取模块:用于获取监测区域的风向和风速,并将数据传入综合判定模块;
影像数据获取模块:用于获取裂流区域的裂流数字图像,并将图像传入网络识别模块;
网络识别模块:将图像获取模块传入的数字图像输入到预先训练好的神经网络模型中,检测影像中是否存在风暴结构或沉积物羽流,并将识别结果传入综合判定模块;
综合判定模块:整理输入的数据,通过上述的裂流风险判别表计算监测区域的裂流风险等级,并将判定结果实时输出到网络终端;
预警模块:根据综合判断模块输出的裂流风险判定结果,进行实时预警,若是低风险等级,则网络终端显示绿色提示;若是中风险等级,则网络终端显示黄色预警;如果是高风险等级,则网络终端显示红色预警,并发出警报;如果是极高风险等级,则网络终端显示深红色预警,并发出危险警报。
本发明实施例还提供了一种终端设备,包括处理器、存储器以及存储在存储器中且被配置为由处理器执行的计算机程序,处理器执行计算机程序时实现上述任一项的裂流风险评价方法。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的计算机程序,其中,在计算机程序运行时控制计算机可读存储介质所在设备执行上述任一项的裂流风险评价方法。
本发明的工作原理是:
基于采集到的实时海滩视频,将训练好的神经网络模型嵌入到预警系统中。通过神经网络模型对监测区的海面实时检测,并将检测结果传入综合判断模块。通过结合地形获取模块、波浪和风数据获取模块、高频水位计算模块传入的数据,综合判定裂流的风险等级,并给出预警,该预警系统的模块集成度高,能够综合分析裂流发生的各种因素,操作方法简单,可以有效监测并预警海滩裂流,减少裂流造成的溺水事件的发生,为管理人员对海滩的管理及裂流的预警提供切实可行的方法
以上所述,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上所述而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (10)
1.一种裂流风险评价方法,其特征在于,包括以下步骤:
S1:通过三维激光雷达扫描监测区域,获取三维地形坐标和流速点云数据;
S2:通过建模软件重建监测区的地形模型,并判断该区域属于哪种地形,并将结果传到综合判断模块中;
S3:基于多普勒效应,计算监测区内各点的流速值,获得监测区的平面流场分布;
S4:根据流速点云数据计算出的监测区域内各点的流速值,根据流速分布,初步判断是否存在裂流,如果存在,则将裂流最大流速传到综合判断模块中,如果不存在,则仅将地形判断结果传到综合判断模块中;
S5:通过气象站获取监测区气象数据,并传到综合判断模块中;
S6:获取监测区的波高和波周期数据,并传到综合判断模块中;
S7:通过摄像机获取监测区的实时影像数据,输入到训练好的神经网络模型,识别影像中是否存在沉积物羽流结构,并将识别结果传到综合判断模块中;
S8:在综合判断模块中,根据各指标对应的传入数据,计算出综合分数,同时判定裂流风险等级,将结果输入到预警模块;
S9:在预警模块中,根据裂流风险等级生成预警,并发布到网络终端。
2.根据权利要求1所述的一种裂流风险评价方法,其特征在于,所述S2中的建模软件为Smart3D软件。
3.根据权利要求1所述的一种裂流风险评价方法,其特征在于,所述S5中气象数据包括实时风速、风向和压力扰动。
4.根据权利要求1所述的一种裂流风险评价方法,其特征在于,所述S6中通过声波和海流剖面仪获取监测区的波高和波周期数据。
5.根据权利要求1所述的一种裂流风险评价方法,其特征在于,所述S7中训练好的神经网络模型的建立过程包括:
步骤一,使用数码相机和无人机预先拍摄好的带有裂流目标的图片建立数据集;
步骤二,将数据集按照8:2的比例分为训练集和测试集;
步骤三,训练集输入到搭建好的神经网络模型中,使用反向传播调整迭代次数和学习率等参数,不断进行训练至损失函数值达到最小时,获取此时的最佳参数,保存优化模型;
步骤四,将测试集输入到训练完的优化模型中进行测试,然后采用平均检测精度来评价模型的检测效果。
6.根据权利要求1所述的一种裂流风险评价方法,其特征在于,所述S8中判定裂流风险等级采用风险等级判别表计算。
7.根据权利要求6所述的一种裂流风险评价方法,其特征在于,风险等级判别表的计算为将风险等级判别表中的各指标赋予权重,并计算最终的总分数TP。
8.一种裂流风险预警系统,其特征在于,包括地形和流速数据获取模块、初步判断模块、波浪数据获取模块、气象数据获取模块、影像数据获取模块、网络识别模块、综合判定模块;
地形和流速数据获取模块:用于获取监测区域的三维地形坐标和流速点云数据,通过Smart3D软件重建三维地形,并判断监测区为哪种地形结构,然后将结果传入综合判定模块和预警模块;
初步判断模块:根据地形和流速获取模块中计算出的各点流速值,根据流速分布初步判断是否存在裂流,并将判断结果传入综合判定模块;
波浪数据获取模块:用于获取监测区域的波高、波周期和流速,并将数据传入综合判定模块;
气象数据获取模块:用于获取监测区域的风向和风速,并将数据传入综合判定模块;
影像数据获取模块:用于获取裂流区域的裂流数字图像,并将图像传入网络识别模块;
网络识别模块:将图像获取模块传入的数字图像输入到预先训练好的神经网络模型中,检测影像中是否存在风暴结构或沉积物羽流,并将识别结果传入综合判定模块;
综合判定模块:整理输入的数据,通过上述的裂流风险判别表计算监测区域的裂流风险等级,并将判定结果实时输出到网络终端;
预警模块:根据综合判断模块输出的裂流风险判定结果,进行实时预警,若是低风险等级,则网络终端显示绿色提示;若是中风险等级,则网络终端显示黄色预警;如果是高风险等级,则网络终端显示红色预警,并发出警报;如果是极高风险等级,则网络终端显示深红色预警,并发出危险警报。
9.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7中任意一项所述的裂流风险评价方法。
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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1-7中任意一项所述的裂流风险评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210491687.8A CN114863262B (zh) | 2022-05-07 | 2022-05-07 | 一种裂流风险评价方法及预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210491687.8A CN114863262B (zh) | 2022-05-07 | 2022-05-07 | 一种裂流风险评价方法及预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114863262A true CN114863262A (zh) | 2022-08-05 |
CN114863262B CN114863262B (zh) | 2024-03-26 |
Family
ID=82636308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210491687.8A Active CN114863262B (zh) | 2022-05-07 | 2022-05-07 | 一种裂流风险评价方法及预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114863262B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117852896A (zh) * | 2024-03-07 | 2024-04-09 | 南京德阳工程监理咨询有限公司 | 一种施工监理风险控制预警系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507539A (zh) * | 2020-04-26 | 2020-08-07 | 山东省地质环境监测总站(山东省地质灾害防治技术指导中心) | 一种基于层次分析法的泥石流危险等级评价方法及系统 |
CN112950610A (zh) * | 2021-03-18 | 2021-06-11 | 河海大学 | 一种裂流监测和预警方法及系统 |
-
2022
- 2022-05-07 CN CN202210491687.8A patent/CN114863262B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507539A (zh) * | 2020-04-26 | 2020-08-07 | 山东省地质环境监测总站(山东省地质灾害防治技术指导中心) | 一种基于层次分析法的泥石流危险等级评价方法及系统 |
CN112950610A (zh) * | 2021-03-18 | 2021-06-11 | 河海大学 | 一种裂流监测和预警方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117852896A (zh) * | 2024-03-07 | 2024-04-09 | 南京德阳工程监理咨询有限公司 | 一种施工监理风险控制预警系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114863262B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE VET et al. | Modelling dune erosion, overwash and breaching at Fire Island (NY) during Hurricane Sandy | |
CN107729656A (zh) | 基于台风过程风场作用下的风暴潮漫堤风险预警方法 | |
KR101942058B1 (ko) | 전산유체역학과 해양특성을 이용한 해수면 상승 침수 시뮬레이션 방법 | |
CN108230302A (zh) | 一种核电厂冷源海域入侵海洋生物探测及处置方法 | |
Abessolo Ondoa et al. | Potential of video cameras in assessing event and seasonal coastline behaviour: Grand Popo, Benin (Gulf of Guinea) | |
CN110246119B (zh) | 基于sar影像的输电杆塔水灾故障隐患的识别方法 | |
CN114510765B (zh) | 一种台风风暴潮作用下的海堤漫溃堤动态淹没预报方法 | |
CN109472065A (zh) | 预报恶劣海况下低速肥大型船舶波浪增阻的三维数值方法 | |
CN112950610A (zh) | 一种裂流监测和预警方法及系统 | |
CN114863262A (zh) | 一种裂流风险评价方法及预警系统 | |
CN106530837A (zh) | 一种基于机器视觉的桥梁主动防船撞方法 | |
KR102626957B1 (ko) | 월파 예측 시뮬레이션 시스템 및 이를 이용한 예측 방법 | |
Rizianiza et al. | Prediction of significant wave height in the java sea using artificial neural network | |
Katayama et al. | Motion Characteristics of a Spar-Buoy With Ring-Fin Motion Stabilizer in Deep Sea | |
Yu et al. | Coastal Disasters and Remote Sensing Monitoring Methods | |
Ni et al. | Auxiliary icebreaking methods | |
CN116702656B (zh) | 一种海堤波浪数学模型的构建方法及消浪系统 | |
Fang et al. | Laboratory study on the effect of artificial sandbar on beach profile evolution | |
Mortensen et al. | An improved integrated approach for optimizing shipping channel capacity for Australian ports | |
Garzon et al. | Wave-induced flooding risk assessment for the Development of Early Warning Systems | |
Feng | Autonomous Underwater Vehicle (AUV) | |
Gan | Alternative Fuel for Ship Propulsion | |
Song et al. | Quantitative Behaviour Characteristics Analysis of GPS Buoy in Rip Current Generation | |
Cavallaro et al. | WIND AND WAVE TRAINED ARTIFICIAL NEURAL NETWORKS FOR THE FORECASTING OF WAVE CLIMATE IN HARBOUR AREA | |
Fu et al. | Committee No I. 1: Environment |
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 |