CN115146469A - 一种基于数字孪生仿真平台的洪涝灾害推演方法及系统 - Google Patents

一种基于数字孪生仿真平台的洪涝灾害推演方法及系统 Download PDF

Info

Publication number
CN115146469A
CN115146469A CN202210802470.4A CN202210802470A CN115146469A CN 115146469 A CN115146469 A CN 115146469A CN 202210802470 A CN202210802470 A CN 202210802470A CN 115146469 A CN115146469 A CN 115146469A
Authority
CN
China
Prior art keywords
landform
simulation
flood
data set
water level
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
CN202210802470.4A
Other languages
English (en)
Other versions
CN115146469B (zh
Inventor
黄帅
朱月琴
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.)
National Institute of Natural Hazards
Original Assignee
National Institute of Natural Hazards
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 National Institute of Natural Hazards filed Critical National Institute of Natural Hazards
Priority to CN202210802470.4A priority Critical patent/CN115146469B/zh
Publication of CN115146469A publication Critical patent/CN115146469A/zh
Application granted granted Critical
Publication of CN115146469B publication Critical patent/CN115146469B/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
    • 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
    • G06Q50/265—Personal security, identity or safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Alarm Systems (AREA)

Abstract

本发明提供了一种基于数字孪生仿真平台的洪涝灾害推演方法及系统，涉及数字仿真平台领域，包括：划定洪涝灾害监测区域具有待监测多元要素；遍历待监测多元要素在洪涝灾害监测区域中，获取多元要素分布区域列表；通过遥感监测平台遍历多元要素分布区域列表进行地貌特征提取，获取地貌特征信息；通过无人机图像探索阵列遍历多元要素分布区域列表，获取多元要素特征信息；根据地貌特征信息遍历多元要素分布区域列表生成地貌仿真结果；将多元要素特征信息输入地貌仿真结果，生成多元要素分布仿真结果；获取洪涝模拟数据组，输入多元要素分布仿真结果进行灾害评估生成洪涝灾害推演结果。解决了缺乏对洪涝灾害发展趋势的评估的技术问题。

Description

一种基于数字孪生仿真平台的洪涝灾害推演方法及系统
技术领域
本发明涉及数字仿真平台技术领域，具体涉及一种基于数字孪生仿真平台的洪涝灾害推演方法及系统。
背景技术
洪涝灾害是会大面积的摧毁建筑物、农作物、对环境进行大范围的污染，是自古以来主要经受的自然灾害之一。如何降低洪涝灾害所带来的损失是热门的研究方向。
目前对于洪涝灾害的防治主要通过气象信息监测，预测洪涝灾害的到来，并针对性的提出防治措施，此种方式主要存在以下方面的问题：缺乏对洪涝灾害发展趋势的预见性评估，进而使得防治措施的实用性较差。
综上，现有技术由于缺乏对洪涝灾害发展趋势的评估方案，导致存在洪涝灾害的防治效果不理想的技术问题。
发明内容
本申请通过提供了一种基于数字孪生仿真平台的洪涝灾害推演方法及系统，解决了现有技术由于缺乏对洪涝灾害发展趋势的评估方案，导致存在洪涝灾害的防治效果不理想的技术问题。
鉴于上述问题，本申请实施例提供了一种基于数字孪生仿真平台的洪涝灾害推演方法及系统。
第一方面，本申请提供了一种基于数字孪生仿真平台的洪涝灾害推演方法，其中，所述方法应用一基于数字孪生仿真平台的洪涝灾害推演系统，所述系统和遥感监测平台，无人机图像探索阵列通信连接，所述方法包括：划定洪涝灾害监测区域，其中，所述洪涝灾害监测区域具有待监测多元要素；遍历所述待监测多元要素在所述洪涝灾害监测区域中进行分布区域划定，获取多元要素分布区域列表；通过遥感监测平台遍历所述多元要素分布区域列表进行地貌特征提取，获取地貌特征信息；通过无人机图像探索阵列遍历所述多元要素分布区域列表进行多元要素特征提取，获取多元要素特征信息；根据所述地貌特征信息对遍历所述多元要素分布区域列表进行地貌仿真，生成地貌仿真结果；将所述多元要素特征信息输入所述地貌仿真结果，生成多元要素分布仿真结果；获取洪涝模拟数据组，输入所述多元要素分布仿真结果进行灾害评估，生成洪涝灾害推演结果。
另一方面，本申请提供了一种基于数字孪生仿真平台的洪涝灾害推演系统，其中，所述系统和遥感监测平台，无人机图像探索阵列通信连接，所述系统包括：监测区域划定模块，用于划定洪涝灾害监测区域，其中，所述洪涝灾害监测区域具有待监测多元要素；要素分布区域划定模块，用于遍历所述待监测多元要素在所述洪涝灾害监测区域中进行分布区域划定，获取多元要素分布区域列表；地貌特征提取模块，用于通过遥感监测平台遍历所述多元要素分布区域列表进行地貌特征提取，获取地貌特征信息；要素特征提取模块，用于通过无人机图像探索阵列遍历所述多元要素分布区域列表进行多元要素特征提取，获取多元要素特征信息；地貌仿真模块，用于根据所述地貌特征信息对遍历所述多元要素分布区域列表进行地貌仿真，生成地貌仿真结果；要素分布仿真模块，用于将所述多元要素特征信息输入所述地貌仿真结果，生成多元要素分布仿真结果；洪涝灾害推演模块，用于获取洪涝模拟数据组，输入所述多元要素分布仿真结果进行灾害评估，生成洪涝灾害推演结果。
本申请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：
由于采用了划定洪涝灾害监测区域，并对洪涝灾害监测区域内的各类要素进行区域划定；遍历各类要素的区域划定结果调用遥感监测平台采集地貌特征；遍历各类要素的区域划定结果调用无人机图像探索阵列进行要素详细特征的采集；再通过地貌特征和要素详细特征进行地貌仿真再进行要素分布仿真，得到数字仿真结果，即多元要素分布仿真结果；最后将洪涝模拟数据组输入多元要素分布仿真结果，得到表征洪涝发展趋势的洪涝灾害推演结果的技术方案，通过数字仿真结果模拟监测区域的场景，再将洪涝模拟数据组输入数字仿真结果，得到相应数据下的洪涝发展趋势，相比于传统的洪涝灾害监测具有更强的实用性的技术效果。
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为本申请实施例提供了一种基于数字孪生仿真平台的洪涝灾害推演方法流程示意图；
图2为本申请实施例提供了一种基于数字孪生仿真平台的洪涝灾害推演方法的多元要素分布仿真流程示意图；
图3为本申请实施例提供了一种基于数字孪生仿真平台的洪涝灾害推演系统结构示意图。
附图标记说明：遥感监测平台001，无人机图像探索阵列002，监测区域划定模块11，要素分布区域划定模块12，地貌特征提取模块13，要素特征提取模块14，地貌仿真模块15，要素分布仿真模块16，洪涝灾害推演模块17。
具体实施方式
本申请实施例通过提供了一种基于数字孪生仿真平台的洪涝灾害推演方法及系统，解决了现有技术由于缺乏对洪涝灾害发展趋势的评估方案，导致存在洪涝灾害的防治效果较差的技术问题。通过数字仿真结果模拟监测区域的场景，再将洪涝模拟数据组输入数字仿真结果，得到相应数据下的洪涝发展趋势，相比于传统的洪涝灾害监测具有更强的实用性的技术效果。
申请概述
通过气象信息预测洪涝灾害的到来，并针对性的提出防治措施，是目前主流的洪涝防治方式，此种方式缺乏对洪涝灾害发展趋势的预见性评估，进而使得防治措施的实用性较差。综上，现有技术存在适用性差，进而导致洪涝灾害的防治效果不理想的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供了一种基于数字孪生仿真平台的洪涝灾害推演方法及系统。由于采用了划定洪涝灾害监测区域，并对洪涝灾害监测区域内的各类要素进行区域划定；遍历各类要素的区域划定结果调用遥感监测平台采集地貌特征；遍历各类要素的区域划定结果调用无人机图像探索阵列进行要素详细特征的采集；再通过地貌特征和要素详细特征进行地貌仿真再进行要素分布仿真，得到数字仿真结果，即多元要素分布仿真结果；最后将洪涝模拟数据组输入多元要素分布仿真结果，得到表征洪涝发展趋势的洪涝灾害推演结果的技术方案，通过数字仿真结果模拟监测区域的场景，再将洪涝模拟数据组输入数字仿真结果，得到相应数据下的洪涝发展趋势，相比于传统的洪涝灾害监测具有更强的实用性的技术效果。
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基于数字孪生仿真平台的洪涝灾害推演方法，其中，所述方法应用一基于数字孪生仿真平台的洪涝灾害推演系统，所述系统和遥感监测平台，无人机图像探索阵列通信连接，所述方法包括步骤：
S100：划定洪涝灾害监测区域，其中，所述洪涝灾害监测区域具有待监测多元要素；
具体而言，洪涝灾害监测区域指的是工作人员设定待监测洪涝灾害的范围，单位优选的以平方米表征；待监测多元要素指的是洪涝灾害监测区域内包含的各类需要进行洪涝灾害预防的要素集合，包括但不限于：楼宇建筑、农作物、湖泊、水库、桥梁、公路、电力设备、基础设施、森林等各类会被洪涝灾害造成危害的要素。通过对待监测多元要素进行划定，有利于根据不同的要素类型进行差异化的洪涝灾害处理，可提高洪涝灾害的精细化程度。
S200：遍历所述待监测多元要素在所述洪涝灾害监测区域中进行分布区域划定，获取多元要素分布区域列表；
具体而言，多元要素分布区域列表指的是表征待监测多元要素在洪涝灾害监测区域中的具体分布区域位置的数据集，将要素分布区域位置以列表的形式存储，优选的形式为：要素类型-要素分布区域，便于后步的迅速调用。
S300：通过遥感监测平台遍历所述多元要素分布区域列表进行地貌特征提取，获取地貌特征信息；
具体而言，遥感监测平台为外太空遥感卫星，包括但不限于：气象卫星、陆地卫星等各类可对洪涝灾害监测区域进行遥感图像采集的遥感监测平台；地貌特征信息为对遥感监测平台采集的洪涝灾害监测区域的遥感图像集合进行特征提取，得到的多元要素分布区域列表中的各个要素类型对应的要素分布区域的地形地貌信息。其中，特征提取方式优选使用基于卷积神经网络构建的特征提取器实现，特征提取器可由多组遥感图像集合作为输入数据，相对应的地貌特征标识结果作为输出标识数据训练而得。卷积神经网络由于对于图像特征提取具有较高的敏感性，进而保障了特征提取结果的准确性，为后步进行仿真平台的构建提供了准确性较高的材料数据。
S400：通过无人机图像探索阵列遍历所述多元要素分布区域列表进行多元要素特征提取，获取多元要素特征信息；
具体而言，无人机图像探索阵列指的是用于对多元要素进行周期性近地图像采集的无人机阵列；多元要素特征信息指的是通过调用无人机图像探索阵列对多元要素分布区域列表进行要素图像采集后，进行要素特征提取后得到的结果，示例性地要素特征如：要素分布位置特征、要素状态特征和要素类型特征等特征，要素状态特征根据不同的要素不尽相同，举不设限制的几例：公路桥梁的形变程度，沉降程度和分布位置，建筑物的沉降程度和分布位置，水质要素的分布位置、水质要素的水位信息等要素状态。特征提取方式优选的基于卷积神经网络构建的特征提取器确定。根据多元要素特征信息结合前述的地貌特征信息可实现精细化程度较高的洪涝灾害监测区域的仿真。
S500：根据所述地貌特征信息对遍历所述多元要素分布区域列表进行地貌仿真，生成地貌仿真结果；
进一步的，根据所述地貌特征信息对遍历所述多元要素分布区域列表进行地貌仿真，生成地貌仿真结果，步骤S500包括步骤：
S510：根据所述地貌特征信息，获取所述多元要素分布区域列表的水平方向位置特征序列；
S520：根据所述地貌特征信息，获取所述多元要素分布区域列表的垂直方向位置特征序列；
S530：遍历所述水平方向位置特征序列，生成水平方向地貌趋势曲线；
S540：遍历所述垂直方向位置特征序列，生成垂直方向地貌趋势曲线；
S550：将所述水平方向地貌趋势曲线和所述垂直方向地貌趋势曲线融合，生成所述地貌仿真结果。
进一步的，将所述水平方向地貌趋势曲线和所述垂直方向地貌趋势曲线融合，生成所述地貌仿真结果，步骤S550包括步骤：
S551：遍历所述垂直方向位置特征序列进行水平方向投影，获取垂直方向位置特征水平投影位置序列；
S552：根据所述垂直方向位置特征水平投影位置序列，关联所述水平方向地貌趋势曲线和所述垂直方向地貌趋势曲线，获取关联结果；
S553：根据所述关联结果，对所述水平方向地貌趋势曲线和所述垂直方向地貌趋势曲线融合，生成所述地貌仿真结果。
具体而言，地貌仿真结果为表征多元要素分布区域地形地貌数字仿真模型的信息，构建过程举例如下：水平方向位置特征序列指的是多元要素分布区域列表中的任意一个要素类型对应分布区域的预设定位点集在水平方向上的分布位置序列，预设定位点集为均匀随机在要素分布区域中选取的多个定位点；垂直方向位置特征序列指的是多元要素分布区域列表中的任意一个要素类型对应分布区域的预设定位点集垂直方向上的分布位置，及表征各点的海拔信息。
水平方向地貌趋势曲线指的是根据水平方向位置特征序列对水平方向上的各个位置点进行互相连接得到的表征相应的要素类型覆盖的水平方向的平面的信息；垂直方向地貌趋势曲线指的是根据垂直方向位置特征序列对垂直方向上的各个位置点沿着水平方向进行互相连接得到的结果。
垂直方向位置特征水平投影位置序列指的是表征各个位置点在水平方向的平面上的投影位置；根据垂直方向位置特征水平投影位置序列，关联水平方向地貌趋势曲线和所述垂直方向地貌趋势曲线，得到的关联结果表征同一个点具有水平方向的位置和垂直方向的位置，则可实现水平方向地貌趋势曲线和垂直方向地貌趋势曲线中各个点的水平方向的位置和垂直方向的位置融合，实现了地貌仿真结果的构建。准确的地貌仿真结果为后步进行洪涝流向趋势的分析。
S600：将所述多元要素特征信息输入所述地貌仿真结果，生成多元要素分布仿真结果；
进一步的，如图2所示，将所述多元要素特征信息输入所述地貌仿真结果，生成多元要素分布仿真结果，步骤S600包括步骤：
S610：从所述多元要素特征信息，提取要素分布位置特征、要素状态特征和要素类型特征；
S620：根据所述要素分布位置特征在所述地貌仿真结果中遍历所述要素类型特征，对所述多元要素进行分布标定；
S630：根据所述要素状态特征对分布标定后的所述地貌仿真结果进行状态标定，获取所述多元要素分布仿真结果。
具体而言，多元要素分布仿真结果指的是将各类型要素的具体特征添加进各个要素的分布区域，进而得到的数字仿真结果；通过遥感监测平台得到的地貌特征仅能构建地形地貌仿真结果；再结合近地的无人机图像探索阵列提供要素特征实现了宏观-微观的数字仿真的实现，提高了对环境仿真的精细化程度。
要素分布位置特征表征要素在要素分布区域内的具体分布位置；要素状态特征指的是表征要素实时状态的特征信息，需要周期性更新；要素类型特征指的是用于区别要素差异的特征数据，都为多元要素特征信息中的部分特征；多元要素进行分布标定指的是根据要素分布位置特征和要素类型特征对不同的要素类型在各自的要素分布区域内进行位置标定后的结果；进一步的，通过要素状态特征对分布标定后的地貌仿真结果进行状态标定，即得到多元要素分布仿真结果。
通过多元要素分布仿真结果即可实现对各类型要素进行监控管理，便于后步进行洪涝灾害的推演。
S700：获取洪涝模拟数据组，输入所述多元要素分布仿真结果进行灾害评估，生成洪涝灾害推演结果。
进一步的，基于所述获取洪涝模拟数据组，输入所述多元要素分布仿真结果进行灾害评估，生成洪涝灾害推演结果，步骤S700包括步骤：
S710：根据所述洪涝模拟数据组，获取降雨数量模拟信息和降雨时长模拟信息；
S720：根据所述多元要素分布仿真结果，提取水质要素通道分布位置特征和水位状态特征；
S730：根据所述水位状态特征、所述降雨数量模拟信息和所述降雨时长模拟信息进行水位增长高度预测，生成水位增长高度数据；
S740：判断所述水位增长高度数据是否满足预设增长高度；
S750：若满足，根据所述水质要素通道分布位置特征进行水质蔓延路线评估，获取水质蔓延路线集；
S760：将所述水质蔓延路线集添加进所述洪涝灾害推演结果。
具体而言，洪涝灾害推演结果指的是表征洪涝灾害发展趋势的信息，推演流程优选的如下：洪涝模拟数据组指的是模拟的可能会出现的洪涝信息，优选的包括：降雨数量模拟信息和降雨时长模拟信息，其中，降雨数量模拟信息优选的为阶梯式增长的模拟数据序列，降雨时长模拟信息优选的为阶梯式增长的模拟数据序列，通过阶梯式增长表征不同等级的洪涝灾害。
水质要素通道分布位置特征指的是表征水质要素的分布位置，例如：河流、湖泊、堤坝等的分布位置；水位状态特征指的是河流、湖泊、堤坝等水质要素的水位信息；水位增长高度数据指的是根据水位状态特征、降雨数量模拟信息和降雨时长模拟信息进行水位增长高度预测得到的数据；预设增长高度指的是会发生洪涝灾害的最低增长高度；当预设增长高度大于等于预设增长高度，则水位增长高度数据满足预设增长高度，会发生洪涝灾害；就根据水质要素通道分布位置特征进行水质蔓延路线评估，获取水质蔓延路线集；将水质蔓延路线集添加进洪涝灾害推演结果，当真正出现相应程度的洪涝时，可对水质蔓延路线集上涉及到的各类型要素进行预先性的防治。
水质蔓延是依据地势由高到低蔓延，因此可根据水质要素的开始蔓延位置，筛选四周的沟壑地形、相比开始蔓延位置海拔更低的位置作为水质蔓延的必经路线，依据水质蔓延的主干路线逐步延伸确定分支蔓延路线，依据上述原理从多元要素分布仿真结果提取各个位置的地形地貌数据及位置信息进行水质蔓延路线的评估，进而得到表征洪涝灾害发展趋势的水质蔓延路线集，再添加进洪涝灾害推演结果进行输出，为洪涝灾害的防治提供参考数据。
进一步的，根据所述水位状态特征、所述降雨数量模拟信息和所述降雨时长模拟信息进行水位增长高度预测，生成水位增长高度数据，步骤S730包括步骤：
S731：根据所述洪涝灾害监测区域，匹配降雨记录数据集；
S732：根据所述降雨记录数据集，基于梯度下降决策森林，构建水位增长高度预测模型；
进一步的，根据所述降雨记录数据集，基于梯度下降决策森林，构建水位增长高度预测模型，步骤S732包括步骤：
S732-1：根据所述降雨记录数据集，获取降雨数量记录数据集，水道水位记录数据集，降雨时长记录数据集和水位增长高度记录数据集；
S732-2：将所述降雨数量记录数据集，所述水道水位记录数据集，所述降雨时长记录数据集和所述水位增长高度记录数据集设为第一训练数据集，训练第一决策树；
S732-3：将所述第一决策树不满足预设输出准确率的训练数据提取，生成第二训练数据集；
S732-4：当所述第二训练数据集的数据量不满足预设数据量时，通过所述第二训练数据集训练第二决策树；
S732-5：重复训练，直到第M训练数据的数据量满足所述预设数据量时，获取所述第一决策树，所述第二决策树直到第M-1决策树；
S732-6：将所述第一决策树，所述第二决策树直到所述第M-1决策树合并，生成所述水位增长高度预测模型。
S733：将所述水位状态特征、所述降雨数量模拟信息和所述降雨时长模拟信息输入所述水位增长高度预测模型，生成所述水位增长高度数据。
具体而言，水位增长高度预测是非线性的预测过程，由于实际的水位增长预测为复杂的非线性的预测过程，也是当下进行洪涝灾害趋势预测的难点之一，本申请实施例提出使用基于梯度下降决策森林构建的水位增长高度预测模型对水位增长进行准确的评估；梯度下降决策森林指的是构建水位增长高度预测模型的训练方式；水位增长高度预测模型指的是用于对水位增长进行评估的智能化模型。
构建过程如下：降雨记录数据集指的是洪涝灾害监测区域历史降雨记录数据，包括多组降雨数量记录数据集，水道水位记录数据集，降雨时长记录数据集和水位增长高度记录数据集；第一训练数据集指的是将降雨数量记录数据、水道水位记录数据和降雨时长记录数据设为输入训练数据，将水位增长高度记录数据作为输出训练数据组成的训练数据集；第一决策树指的是使用第一训练数据集进行有监督训练构建的用于进行水位增长高度评估的模型；第二训练数据集指的是第一训练数据集中第一决策树输出准确性不满足预设准确率的数据集；若是第二训练数据集的数据量大于等于预设数据量，就根据第二训练数据集再训练第二决策树；若是第二训练数据集的数据量小于预设数据量，就直接将第一决策树设为水位增长高度预测模型。
根据上述原理重复迭代直到第M训练数据的数据量小于所述预设数据量时，获取第一决策树，第二决策树直到第M-1决策树进行合并，则得到具有多个节点决策树的决策森林集成模型，记为水位增长高度预测模型。通过上述训练方式再基于洪涝灾害监测区域的历史数据构建的水位增长高度预测模型可实现准确的水位增长高度预测。
准确的水位增长高度预测为后步水质蔓延路线的推演提供了前置反馈数据，保障了水质蔓延路线的推演的准确性。
综上所述，本申请实施例所提供的一种基于数字孪生仿真平台的洪涝灾害推演方法及系统具有如下技术效果：
1.由于采用了划定洪涝灾害监测区域，并对洪涝灾害监测区域内的各类要素进行区域划定；遍历各类要素的区域划定结果调用遥感监测平台采集地貌特征；遍历各类要素的区域划定结果调用无人机图像探索阵列进行要素详细特征的采集；再通过地貌特征和要素详细特征进行地貌仿真再进行要素分布仿真，得到数字仿真结果，即多元要素分布仿真结果；最后将洪涝模拟数据组输入多元要素分布仿真结果，得到表征洪涝发展趋势的洪涝灾害推演结果的技术方案，通过数字仿真结果模拟监测区域的场景，再将洪涝模拟数据组输入数字仿真结果，得到相应数据下的洪涝发展趋势，相比于传统的洪涝灾害监测具有更强的实用性的技术效果。
实施例二
基于与前述实施例中一种基于数字孪生仿真平台的洪涝灾害推演方法相同的发明构思，如图3所示，本申请实施例提供了一种基于数字孪生仿真平台的洪涝灾害推演系统，其中，所述系统和遥感监测平台001，无人机图像探索阵列002通信连接，所述系统包括：
监测区域划定模块11，用于划定洪涝灾害监测区域，其中，所述洪涝灾害监测区域具有待监测多元要素；
要素分布区域划定模块12，用于遍历所述待监测多元要素在所述洪涝灾害监测区域中进行分布区域划定，获取多元要素分布区域列表；
地貌特征提取模块13，用于通过遥感监测平台001遍历所述多元要素分布区域列表进行地貌特征提取，获取地貌特征信息；
要素特征提取模块14，用于通过无人机图像探索阵列002遍历所述多元要素分布区域列表进行多元要素特征提取，获取多元要素特征信息；
地貌仿真模块15，用于根据所述地貌特征信息对遍历所述多元要素分布区域列表进行地貌仿真，生成地貌仿真结果；
要素分布仿真模块16，用于将所述多元要素特征信息输入所述地貌仿真结果，生成多元要素分布仿真结果；
洪涝灾害推演模块17，用于获取洪涝模拟数据组，输入所述多元要素分布仿真结果进行灾害评估，生成洪涝灾害推演结果。
进一步的，所述地貌仿真模块15执行步骤包括：
根据所述地貌特征信息，获取所述多元要素分布区域列表的水平方向位置特征序列；
根据所述地貌特征信息，获取所述多元要素分布区域列表的垂直方向位置特征序列；
遍历所述水平方向位置特征序列，生成水平方向地貌趋势曲线；
遍历所述垂直方向位置特征序列，生成垂直方向地貌趋势曲线；
将所述水平方向地貌趋势曲线和所述垂直方向地貌趋势曲线融合，生成所述地貌仿真结果。
进一步的，所述地貌仿真模块15执行步骤包括：
遍历所述垂直方向位置特征序列进行水平方向投影，获取垂直方向位置特征水平投影位置序列；
根据所述垂直方向位置特征水平投影位置序列，关联所述水平方向地貌趋势曲线和所述垂直方向地貌趋势曲线，获取关联结果；
根据所述关联结果，对所述水平方向地貌趋势曲线和所述垂直方向地貌趋势曲线融合，生成所述地貌仿真结果。
进一步的，所述要素分布仿真模块16执行步骤包括：
从所述多元要素特征信息，提取要素分布位置特征、要素状态特征和要素类型特征；
根据所述要素分布位置特征在所述地貌仿真结果中遍历所述要素类型特征，对所述多元要素进行分布标定；
根据所述要素状态特征对分布标定后的所述地貌仿真结果进行状态标定，获取所述多元要素分布仿真结果。
进一步的，所述洪涝灾害推演模块17执行步骤包括：
根据所述洪涝模拟数据组，获取降雨数量模拟信息和降雨时长模拟信息；
根据所述多元要素分布仿真结果，提取水质要素通道分布位置特征和水位状态特征；
根据所述水位状态特征、所述降雨数量模拟信息和所述降雨时长模拟信息进行水位增长高度预测，生成水位增长高度数据；
判断所述水位增长高度数据是否满足预设增长高度；
若满足，根据所述水质要素通道分布位置特征进行水质蔓延路线评估，获取水质蔓延路线集；
将所述水质蔓延路线集添加进所述洪涝灾害推演结果。
进一步的，所述洪涝灾害推演模块17执行步骤包括：
根据所述洪涝灾害监测区域，匹配降雨记录数据集；
根据所述降雨记录数据集，基于梯度下降决策森林，构建水位增长高度预测模型；
将所述水位状态特征、所述降雨数量模拟信息和所述降雨时长模拟信息输入所述水位增长高度预测模型，生成所述水位增长高度数据。
进一步的，所述洪涝灾害推演模块17执行步骤包括：
根据所述降雨记录数据集，获取降雨数量记录数据集，水道水位记录数据集，降雨时长记录数据集和水位增长高度记录数据集；
将所述降雨数量记录数据集，所述水道水位记录数据集，所述降雨时长记录数据集和所述水位增长高度记录数据集设为第一训练数据集，训练第一决策树；
将所述第一决策树不满足预设输出准确率的训练数据提取，生成第二训练数据集；
当所述第二训练数据集的数据量不满足预设数据量时，通过所述第二训练数据集训练第二决策树；
重复训练，直到第M训练数据的数据量满足所述预设数据量时，获取所述第一决策树，所述第二决策树直到第M-1决策树；
将所述第一决策树，所述第二决策树直到所述第M-1决策树合并，生成所述水位增长高度预测模型。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。
进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。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 (8)

1.一种基于数字孪生仿真平台的洪涝灾害推演方法，其特征在于，所述方法应用一基于数字孪生仿真平台的洪涝灾害推演系统，所述系统和遥感监测平台，无人机图像探索阵列通信连接，所述方法包括：
划定洪涝灾害监测区域，其中，所述洪涝灾害监测区域具有待监测多元要素；
遍历所述待监测多元要素在所述洪涝灾害监测区域中进行分布区域划定，获取多元要素分布区域列表；
通过遥感监测平台遍历所述多元要素分布区域列表进行地貌特征提取，获取地貌特征信息；
通过无人机图像探索阵列遍历所述多元要素分布区域列表进行多元要素特征提取，获取多元要素特征信息；
根据所述地貌特征信息对遍历所述多元要素分布区域列表进行地貌仿真，生成地貌仿真结果；
将所述多元要素特征信息输入所述地貌仿真结果，生成多元要素分布仿真结果；
获取洪涝模拟数据组，输入所述多元要素分布仿真结果进行灾害评估，生成洪涝灾害推演结果。
2.如权利要求1所述的方法，其特征在于，所述根据所述地貌特征信息对遍历所述多元要素分布区域列表进行地貌仿真，生成地貌仿真结果，包括：
根据所述地貌特征信息，获取所述多元要素分布区域列表的水平方向位置特征序列；
根据所述地貌特征信息，获取所述多元要素分布区域列表的垂直方向位置特征序列；
遍历所述水平方向位置特征序列，生成水平方向地貌趋势曲线；
遍历所述垂直方向位置特征序列，生成垂直方向地貌趋势曲线；
将所述水平方向地貌趋势曲线和所述垂直方向地貌趋势曲线融合，生成所述地貌仿真结果。
3.如权利要求2所述的方法，其特征在于，所述将所述水平方向地貌趋势曲线和所述垂直方向地貌趋势曲线融合，生成所述地貌仿真结果，包括：
遍历所述垂直方向位置特征序列进行水平方向投影，获取垂直方向位置特征水平投影位置序列；
根据所述垂直方向位置特征水平投影位置序列，关联所述水平方向地貌趋势曲线和所述垂直方向地貌趋势曲线，获取关联结果；
根据所述关联结果，对所述水平方向地貌趋势曲线和所述垂直方向地貌趋势曲线融合，生成所述地貌仿真结果。
4.如权利要求1所述的方法，其特征在于，所述将所述多元要素特征信息输入所述地貌仿真结果，生成多元要素分布仿真结果，包括：
从所述多元要素特征信息，提取要素分布位置特征、要素状态特征和要素类型特征；
根据所述要素分布位置特征在所述地貌仿真结果中遍历所述要素类型特征，对所述多元要素进行分布标定；
根据所述要素状态特征对分布标定后的所述地貌仿真结果进行状态标定，获取所述多元要素分布仿真结果。
5.如权利要求1所述的方法，其特征在于，所述获取洪涝模拟数据组，输入所述多元要素分布仿真结果进行灾害评估，生成洪涝灾害推演结果，包括：
根据所述洪涝模拟数据组，获取降雨数量模拟信息和降雨时长模拟信息；
根据所述多元要素分布仿真结果，提取水质要素通道分布位置特征和水位状态特征；
根据所述水位状态特征、所述降雨数量模拟信息和所述降雨时长模拟信息进行水位增长高度预测，生成水位增长高度数据；
判断所述水位增长高度数据是否满足预设增长高度；
若满足，根据所述水质要素通道分布位置特征进行水质蔓延路线评估，获取水质蔓延路线集；
将所述水质蔓延路线集添加进所述洪涝灾害推演结果。
6.如权利要求5所述的方法，其特征在于，所述根据所述水位状态特征、所述降雨数量模拟信息和所述降雨时长模拟信息进行水位增长高度预测，生成水位增长高度数据，包括：
根据所述洪涝灾害监测区域，匹配降雨记录数据集；
根据所述降雨记录数据集，基于梯度下降决策森林，构建水位增长高度预测模型；
将所述水位状态特征、所述降雨数量模拟信息和所述降雨时长模拟信息输入所述水位增长高度预测模型，生成所述水位增长高度数据。
7.如权利要求6所述的方法，其特征在于，所述根据所述降雨记录数据集，基于梯度下降决策森林，构建水位增长高度预测模型，包括：
根据所述降雨记录数据集，获取降雨数量记录数据集，水道水位记录数据集，降雨时长记录数据集和水位增长高度记录数据集；
将所述降雨数量记录数据集，所述水道水位记录数据集，所述降雨时长记录数据集和所述水位增长高度记录数据集设为第一训练数据集，训练第一决策树；
将所述第一决策树不满足预设输出准确率的训练数据提取，生成第二训练数据集；
当所述第二训练数据集的数据量不满足预设数据量时，通过所述第二训练数据集训练第二决策树；
重复训练，直到第M训练数据的数据量满足所述预设数据量时，获取所述第一决策树，所述第二决策树直到第M-1决策树；
将所述第一决策树，所述第二决策树直到所述第M-1决策树合并，生成所述水位增长高度预测模型。
8.一种基于数字孪生仿真平台的洪涝灾害推演系统，其特征在于，所述系统和遥感监测平台，无人机图像探索阵列通信连接，所述系统包括：
监测区域划定模块，用于划定洪涝灾害监测区域，其中，所述洪涝灾害监测区域具有待监测多元要素；
要素分布区域划定模块，用于遍历所述待监测多元要素在所述洪涝灾害监测区域中进行分布区域划定，获取多元要素分布区域列表；
地貌特征提取模块，用于通过遥感监测平台遍历所述多元要素分布区域列表进行地貌特征提取，获取地貌特征信息；
要素特征提取模块，用于通过无人机图像探索阵列遍历所述多元要素分布区域列表进行多元要素特征提取，获取多元要素特征信息；
地貌仿真模块，用于根据所述地貌特征信息对遍历所述多元要素分布区域列表进行地貌仿真，生成地貌仿真结果；
要素分布仿真模块，用于将所述多元要素特征信息输入所述地貌仿真结果，生成多元要素分布仿真结果；
洪涝灾害推演模块，用于获取洪涝模拟数据组，输入所述多元要素分布仿真结果进行灾害评估，生成洪涝灾害推演结果。
CN202210802470.4A 2022-07-07 2022-07-07 一种基于数字孪生仿真平台的洪涝灾害推演方法及系统 Active CN115146469B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210802470.4A CN115146469B (zh) 2022-07-07 2022-07-07 一种基于数字孪生仿真平台的洪涝灾害推演方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210802470.4A CN115146469B (zh) 2022-07-07 2022-07-07 一种基于数字孪生仿真平台的洪涝灾害推演方法及系统

Publications (2)

Publication Number Publication Date
CN115146469A true CN115146469A (zh) 2022-10-04
CN115146469B CN115146469B (zh) 2023-06-20

Family

ID=83412041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210802470.4A Active CN115146469B (zh) 2022-07-07 2022-07-07 一种基于数字孪生仿真平台的洪涝灾害推演方法及系统

Country Status (1)

Country Link
CN (1) CN115146469B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116776636A (zh) * 2023-07-13 2023-09-19 汇杰设计集团股份有限公司 一种基于数字孪生的水旱灾害应急仿真方法和系统
CN117852325A (zh) * 2024-03-08 2024-04-09 应急管理部国家自然灾害防治研究院 一种地震作用下的管道失效应力模拟计算方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463901A (zh) * 2017-08-07 2017-12-12 中国科学院遥感与数字地球研究所 多尺度区域洪涝灾害危险性遥感评估方法和系统
JP2018181285A (ja) * 2017-04-12 2018-11-15 ＡｅｒｏＧ Ｌａｂｏ株式会社 ドローンを利用した災害監視装置および避難誘導装置
CN113240688A (zh) * 2021-06-01 2021-08-10 安徽建筑大学 一种一体化洪涝灾害精准监测预警方法
CN114240119A (zh) * 2021-12-10 2022-03-25 浙江水利水电学院 基于数字孪生的国土空间全域全要素防洪防涝系统及预警方法
CN114266502A (zh) * 2021-12-31 2022-04-01 南京鼐威欣信息技术有限公司 一种洪水受灾损失评估方法和仿真推演系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018181285A (ja) * 2017-04-12 2018-11-15 ＡｅｒｏＧ Ｌａｂｏ株式会社 ドローンを利用した災害監視装置および避難誘導装置
CN107463901A (zh) * 2017-08-07 2017-12-12 中国科学院遥感与数字地球研究所 多尺度区域洪涝灾害危险性遥感评估方法和系统
CN113240688A (zh) * 2021-06-01 2021-08-10 安徽建筑大学 一种一体化洪涝灾害精准监测预警方法
CN114240119A (zh) * 2021-12-10 2022-03-25 浙江水利水电学院 基于数字孪生的国土空间全域全要素防洪防涝系统及预警方法
CN114266502A (zh) * 2021-12-31 2022-04-01 南京鼐威欣信息技术有限公司 一种洪水受灾损失评估方法和仿真推演系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李涌波等: "多方数据融合的山洪灾害模型应用研究", 《电子测量技术》, vol. 44, no. 01, pages 92 - 97 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116776636A (zh) * 2023-07-13 2023-09-19 汇杰设计集团股份有限公司 一种基于数字孪生的水旱灾害应急仿真方法和系统
CN116776636B (zh) * 2023-07-13 2023-12-22 汇杰设计集团股份有限公司 一种基于数字孪生的水旱灾害应急仿真方法和系统
CN117852325A (zh) * 2024-03-08 2024-04-09 应急管理部国家自然灾害防治研究院 一种地震作用下的管道失效应力模拟计算方法
CN117852325B (zh) * 2024-03-08 2024-06-11 应急管理部国家自然灾害防治研究院 一种地震作用下的管道失效应力模拟计算方法

Also Published As

Publication number Publication date
CN115146469B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN115146469B (zh) 一种基于数字孪生仿真平台的洪涝灾害推演方法及系统
CN111651885A (zh) 一种智慧型海绵城市洪涝预报方法
CN109657841B (zh) 一种城市暴雨内涝积水深度提取方法
Xu et al. Integrated hydrologic modeling and GIS in water resources management
CN106780089B (zh) 基于神经网络元胞自动机模型的永久性基本农田划定方法
Hedrick et al. Independent evaluation of the SNODAS snow depth product using regional-scale lidar-derived measurements
Radanovics et al. Optimising predictor domains for spatially coherent precipitation downscaling
CN111795681A (zh) 一种山洪灾害预警方法、装置、服务器及存储介质
Chou Modelling watershed scale soil loss prediction and sediment yield estimation
CN117408495B (zh) 一种基于土地资源综合管理的数据分析方法及系统
CN112585505A (zh) 确定用于农学决策支持的位置特定的天气信息
CN113987813A (zh) 一种基于多参数决策和层次分析法的滑坡敏感性制图模型
CN110852472B (zh) 一种基于随机森林算法的陆地水储量预测方法及设备
Le Gall et al. Improved regional frequency analysis of rainfall data
CN115422782B (zh) 一种基于水文模型的洪水预报系统
Yariyan et al. Evaluating novel hybrid models based on GIS for snow avalanche susceptibility mapping: A comparative study
CN116523189A (zh) 一种考虑水文特征的墒情站点规划方法、装置及存储介质
Sadeghi et al. Accuracy of sedimentgraph modeling from topography map scale and DEM mesh size
Zhao et al. Comparison of two different methods for determining flow direction in catchment hydrological modeling
Hadjimitsis Brief communication" Determination of urban growth in catchment areas in Cyprus using multi-temporal remotely sensed data: risk assessment study"
Nilsson A dynamic and spatially distributed rainfall runoff model-Developing a model for overland flow in GIS, based on a multiple flow direction algorithm
Kostyuchenko et al. Multi-Model Approach in the Risk Assessment Tasks with Satellite Data Utilization
Pradhan et al. Debris flow susceptibility assessment using airborne laser scanning data
Majumdar et al. Open Agent Based Runoff and Erosion Simulation (oares): a Generic Cross Platform Tool for Spatio-Temporal Watershed Monitoring Using Climate Forecast System Reanalysis Weather Data
CN118113805B (zh) 一种基于深度学习的地理信息勘测校准方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant