CN115508915B - 一种洪水预报方法、系统、电子设备及存储介质 - Google Patents
一种洪水预报方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115508915B CN115508915B CN202211146766.1A CN202211146766A CN115508915B CN 115508915 B CN115508915 B CN 115508915B CN 202211146766 A CN202211146766 A CN 202211146766A CN 115508915 B CN115508915 B CN 115508915B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- current moment
- precipitation information
- state variable
- moment
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/08—Adaptations of balloons, missiles, or aircraft for meteorological purposes; Radiosondes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1765—Method using an image detector and processing of image signal
-
- 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)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- General Physics & Mathematics (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Mathematical Physics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Hydrology & Water Resources (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种洪水预报方法、系统、电子设备及存储介质,涉及水文和遥感技术领域,所述方法包括:获取目标流域在当前时刻的融合降水信息;融合降水信息根据多源遥感降水信息融合得到;根据当前时刻的融合降水信息和目标流域在上一时刻的状态变量,确定目标流域在当前时刻的洪水预报结果和目标流域在当前时刻的状态变量;状态变量包括:水体、蒸发量和土壤湿度;其中,初始时刻的状态变量是根据目标流域在初始时刻的遥感图像确定的;遥感图像包括:卫星图像、雷达图像和无人机图像。本发明采用融合降水信息,且采用上一时刻的状态变量来推测当前时刻的洪水预报结果,提高了洪水预报的准确性和精度。
Description
技术领域
本发明涉及水文和遥感技术领域,特别是涉及一种洪水预报方法、系统、电子设备及存储介质。
背景技术
多源信息用于水文学科是未来发展的一个重要趋势,数据融合与同化能够将多源信息引入水文领域,是近年来备受关注且迅速发展的研究领域,尤其是遥感数据在水文模型中的融合与同化已经成为当前水文学研究的热点。水文监测的体系由原始的人工监测向智慧水文监测体系发展,智慧水文监测体系主要有卫星定位、天空遥感、物联网、智能感知、移动宽带、云计算、大数据等。智慧水文监测有三个层面:天基监测、空基监测、陆基监测。三种层面的监测存在各自的优缺点,天基观测、空基观测受天气、地形的影响较大,陆基观测由于站点不足、分布不均等问题导致资料的代表性不够等。针对以上观测存在的问题,采用多源数据融合与同化技术,充分利用站点数据和卫星数据各自的优点得到高分辨率的降雨、土壤湿度等关键的输入信息与状态变量,提高精细化水文模型的预报精度。
然而,天空地多源降水融合与流域状态变量反演同化往往作为单独的技术或算法在洪水预报中进行应用,在分开应用过程中,多源降水融合、流域状态变量反演、流域状态变量的同化均会产生不同的系统误差或者应用误差,计算结果准确性和精度有待进一步提高。
发明内容
本发明的目的是提供一种洪水预报方法、系统、电子设备及存储介质,提高了洪水预报的准确性和精度。
为实现上述目的,本发明提供了如下方案:
一种洪水预报方法,所述方法包括:
获取目标流域在当前时刻的融合降水信息;所述融合降水信息根据多源遥感降水信息融合得到,所述多源遥感降水信息包括:站点降水信息、雷达降水信息、卫星降水信息和模式降水信息;
根据当前时刻的融合降水信息和所述目标流域在上一时刻的状态变量,确定所述目标流域在当前时刻的洪水预报结果和所述目标流域在当前时刻的状态变量;所述状态变量包括:水体、蒸发量和土壤湿度;
其中,初始时刻的状态变量是根据所述目标流域在初始时刻的遥感图像确定的;所述遥感图像包括:卫星图像、雷达图像和无人机图像。
可选地,所述获取目标流域在当前时刻的融合降水信息,具体包括:
获取目标流域在当前时刻的多源遥感降水信息;
剔除当前时刻的多源遥感降水信息中的空值后,进行时空分辨率归一化处理,得到当前时刻的时空分辨率一致的多源遥感降水数据集;
利用预设融合算法,将当前时刻的时空分辨率一致的多源遥感降水数据集进行融合,得到所述目标流域在当前时刻的融合降水信息。
可选地,所述初始时刻的状态变量的确定方法,具体包括:
剔除所述目标流域在当前时刻的遥感图像中的障碍物,得到当前时刻的处理后的遥感图像;所述障碍物包括云、山体阴影、地表和植被;
利用预设遥感反演算法对当前时刻的处理后的遥感图像进行反演提取,得到初始时刻的状态变量。
一种洪水预报系统,所述系统包括:
融合降水信息获取模块,用于获取目标流域在当前时刻的融合降水信息;所述融合降水信息根据多源遥感降水信息融合得到,所述多源遥感降水信息包括:站点降水信息、雷达降水信息、卫星降水信息和模式降水信息;
洪水预报结果和状态变量确定模块,用于根据当前时刻的融合降水信息和所述目标流域在上一时刻的状态变量,确定所述目标流域在当前时刻的洪水预报结果和所述目标流域在当前时刻的状态变量;所述状态变量包括:水体、蒸发量和土壤湿度;
其中,初始时刻的状态变量是根据所述目标流域在初始时刻的遥感图像确定的;所述遥感图像包括:卫星图像、雷达图像和无人机图像。
可选地,所述融合降水信息获取模块,具体包括:
多源遥感降水信息获取单元,用于获取目标流域在当前时刻的多源遥感降水信息;
归一化单元,用于剔除当前时刻的多源遥感降水信息中的空值后,进行时空分辨率归一化处理,得到当前时刻的时空分辨率一致的多源遥感降水数据集;
融合降水信息确定单元,用于利用预设融合算法,将当前时刻的时空分辨率一致的多源遥感降水数据集进行融合,得到所述目标流域在当前时刻的融合降水信息。
可选地,所述洪水预报结果和状态变量确定模块包括:初始状态变量确定子模块;所述初始状态变量确定子模块,具体包括:
处理单元,用于剔除目标流域在当前时刻的遥感图像中的障碍物,得到当前时刻的处理后的遥感图像;所述障碍物包括云、山体阴影、地表和植被;
初始状态变量确定单元,用于利用预设遥感反演算法对当前时刻的处理后的遥感图像进行反演提取,得到初始时刻时的状态变量。
一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述所述的方法。
一种存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如上述所述的方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种洪水预报方法、系统、电子设备及存储介质,方法包括:获取目标流域在当前时刻的融合降水信息;融合降水信息根据多源遥感降水信息融合得到,多源遥感降水信息包括:站点降水信息、雷达降水信息、卫星降水信息和模式降水信息;根据当前时刻的融合降水信息和目标流域在上一时刻的状态变量,确定目标流域在当前时刻的洪水预报结果和目标流域在当前时刻的状态变量;状态变量包括:水体、蒸发量和土壤湿度;其中,初始时刻的状态变量是根据目标流域在初始时刻的遥感图像确定的;遥感图像包括:卫星图像、雷达图像和无人机图像。本发明采用融合降水信息,且采用上一时刻的状态变量来推测当前时刻的洪水预报结果,提高了洪水预报的准确性和精度。
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为本发明实施例1提供的洪水预报方法流程示意图;
图2为本发明实施例2提供的洪水预报系统结构示意图;
图3为洪水预报系统框架图;
图4为天空地多源遥感信息融合模块示意图;
图5为子午河流域融合降水示意图
图6为状态变量多源遥感反演模块示意图;
图7为子午河流域土壤湿度反演结果示意图;
图8为根据同化算法配置模块示意图;
图9为根据模型-数据同化模块示意图;
图10为子午河流域一场洪水过程的验证结果示意图。
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。
本发明的目的是提供一种洪水预报方法、系统、电子设备及存储介质,旨在提高洪水预报的准确性和精度,可应用于水文和遥感技术领域。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明实施例1提供的洪水预报方法流程示意图。如图1所示,本实施例中的洪水预报方法,包括:
步骤101:获取目标流域在当前时刻的融合降水信息;融合降水信息根据多源遥感降水信息融合得到,多源遥感降水信息包括:站点降水信息、雷达降水信息、卫星降水信息和模式降水信息。
步骤102:根据当前时刻的融合降水信息和目标流域在上一时刻的状态变量,确定目标流域在当前时刻的洪水预报结果和目标流域在当前时刻的状态变量;状态变量包括:水体、蒸发量和土壤湿度;
其中,初始时刻时的状态变量是根据目标流域在初始时刻的遥感图像确定的;遥感图像包括:卫星图像、雷达图像和无人机图像。
作为一种可选的实施方式,步骤101,具体包括:
获取目标流域在当前时刻的多源遥感降水信息。
剔除当前时刻的多源遥感降水信息中的空值后,进行时空分辨率归一化处理,得到当前时刻的时空分辨率一致的多源遥感降水数据集。
利用预设融合算法,将当前时刻的时空分辨率一致的多源遥感降水数据集进行融合,得到目标流域在当前时刻的融合降水信息。
作为一种可选的实施方式,初始时刻的状态变量的确定方法,具体包括:
剔除目标流域在当前时刻的遥感图像中的障碍物,得到当前时刻的处理后的遥感图像;障碍物包括云、山体阴影、地表和植被。
利用预设遥感反演算法对当前时刻的处理后的遥感图像进行反演提取,得到初始时刻的状态变量。
实施例2
图2为本发明实施例2提供的洪水预报系统结构示意图。如图2所示,本实施例中的洪水预报系统,包括:
融合降水信息获取模块201,用于获取目标流域在当前时刻的融合降水信息;融合降水信息根据多源遥感降水信息融合得到,多源遥感降水信息包括:站点降水信息、雷达降水信息、卫星降水信息和模式降水信息。
洪水预报结果和状态变量确定模块202,用于根据当前时刻的融合降水信息和目标流域在上一时刻的状态变量,确定目标流域在当前时刻的洪水预报结果和目标流域在当前时刻的状态变量;状态变量包括:水体、蒸发量和土壤湿度;
其中,初始时刻的状态变量是根据目标流域在初始时刻的遥感图像确定的;遥感图像包括:卫星图像、雷达图像和无人机图像。
作为一种可选的实施方式,融合降水信息获取模块201,具体包括:
多源遥感降水信息获取单元,用于获取目标流域在当前时刻的多源遥感降水信息。
归一化单元,用于剔除当前时刻的多源遥感降水信息中的空值后,进行时空分辨率归一化处理,得到当前时刻的时空分辨率一致的多源遥感降水数据集。
融合降水信息确定单元,用于利用预设融合算法,将当前时刻的时空分辨率一致的多源遥感降水数据集进行融合,得到目标流域在当前时刻的融合降水信息。
作为一种可选的实施方式,洪水预报结果和状态变量确定模块202包括:初始状态变量确定子模块;初始状态变量确定子模块,具体包括:
处理单元,用于剔除目标流域在当前时刻的遥感图像中的障碍物,得到当前时刻的处理后的遥感图像;障碍物包括云、山体阴影、地表和植被。
初始状态变量确定单元,用于利用预设遥感反演算法对当前时刻的处理后的遥感图像进行反演提取,得到初始时刻的状态变量。
具体的,如图3所示,洪水预报系统包括:
(1)天空地多源遥感信息融合模块:
①降水数据获取中心:首先,根据用于融合降水所需的来源和降水的类型信息,对多种不同降水的下载按钮发出指令;其次,下载按钮根据不同来源降水的下载链接实时获取多源降水数据并储存到本地服务器,当数据获取完成之后,下载按钮通过传递按钮将降水信息传递给数据处理按钮;最后,数据处理按钮对多源降水数据进行无效值和空值的剔除,并根据不同降水数据的特点对降水数据进行归一化处理,得到时间分辨和空间分辨率一致的多源降水数据集。
②多源降水融合中心:根据不同流域的下垫面空间变异性和不同来源降水的特点,采用重配置技术从多种融合算法中(最优插值法、卡尔曼滤波法、动态贝叶斯、小波分析、概率密度函数、神经网络等)选取合适的融合算法,进行多源降水融合获取高时空分辨率的融合降水。
(2)状态变量多源遥感反演模块:
①图像获取中心:首先,该中心发出指令给本地存储不同图像(卫星图像、雷达图像、无人机图像)的存储器按钮,存储器按钮接收指令并显示不同图像,显示图像可判断这一时刻是否缺少图像,若缺少则无法显示,对应的这一时刻未显示的图像则不需要后续处理;其次,图像显示完成之后,图像处理中心向提取按钮发出指令,根据研究流域在图像中的空间位置,提取研究区的图像范围,减少后续遥感图像质量控制和反演的计算量;最后,图像处理中心向异常分析按钮发出指令,该指令判断图像是否云遮挡、山体阴影等异常情况。
②若有异常情况,则执行步骤A和B;若无异常情况,则执行步骤B;
步骤A:根据获取的遥感影像,剔除云、山体阴影、地表和植被粗糙度等影响,进行初步的遥感图像质量控制。
步骤B:不同的流域状态变量采用不同的遥感反演算法进行反演提取,获取连续的流域状态变量(水体、蒸发、土壤湿度等)。
(3)同化算法配置模块:
①第一判断模块,用于判断具体哪一种流域状态变量(水体、土壤湿度、蒸发等)进行同化。
②第二判断模块,用于判断流域状态变量的阈值,是否需要进行同化;若需要同化,则进入第三判断模块。
③第三判断模块,基于环境感知的重配置技术进行同化算法的配置与选择,选择健壮并且适合的同化算法,进行状态变量的同化。
(4)模型-数据同化模块:用于不断更新和改进水文模型当前时刻的状态变量,并进行下一个时刻的洪水预报结果的计算。
①第一执行模块:用于模型的构建,构建研究流域适用的水文模型。
②第二执行模块:当前时刻水文模型计算完成,水文模型暂停计算(此时水文模型并未完全计算完成),将水文模型当前时刻生成状态变量保存。
③第三执行模块:水文模型生成的状态变量与实测的状态变量通过同化算法配置模块生成状态变量的分析值。
④第四执行模块:若当前时刻的状态变量分析值存在,通过控制文件重启水文模型进行下一个时刻的计算,直到所有时间序列的计算完成;若当前时刻的状态变量分析值不存在,则模型-数据同化结束。
以汉江流域的支流子午河为例,子午河系汉江上游北岸的一级支流,地理位置为北纬33°18′~33°44′,东经107°51′~108°30′之间。子午河属山溪性河流,主要流经秦岭深山区,流域呈扇形。河流全长161km,流域面积3028km2,河道平均比降5.44‰。子午河由上游的椒溪河、蒲河、汶水河和下游的长安河汇合而成。三河口(椒溪河、蒲河、汶水河交汇处)以上汶水河全长106km,流域面积1094km2,河道平均比降9.3‰;椒溪河长70km,流域面积596km2,河道平均比降18.7‰;蒲河长58km,流域面积496km2,河道平均比降26.6%。流域地势北高南低,秦岭主峰海拔2965米,为流域最高峰。流域内植被良好,林木茂密,森林覆盖率达70%。由于秦岭的阻断作用,夏季来自南方和东南方的潮湿空气携带大量的水汽,导致频繁的灾害天气。流域的降雨具有明显的季节性,夏季占全年降雨的46%,而冬季降雨仅占全年降雨的3%。流域的年平均降雨量、蒸发量、径流深分别为:900mm、500mm、400mm。降雨季节的分布不均,加上陡峭的地势,容易引发山洪和季节性洪水。
构建子午河流域基于天空地多维感知融合与流域状态反演同化系统包括如下模块:
(1)天空地多源遥感信息融合模块(如图4所示):
①降水数据获取中心:首先,根据用于融合降水所需的来源以及降水的类型信息,对多种不同降水的下载按钮发出指令;其次,下载按钮根据不同来源降水的下载链接实时获取多源降水数据并储存到本地服务器,当数据获取完成之后,下载按钮通过传递按钮将降水信息传递给数据处理按钮;最后,数据处理按钮对多源降水数据进行无效值和空值的剔除,并根据不同降水数据的特点对降水数据进行归一化处理,得到时间分辨和空间分辨率一致的多源降水数据集。
②多源降水融合中心:根据子午河流域的下垫面特点和不同来源降水的特点,采用重配置技术从多种融合算法中(最优插值法、卡尔曼滤波法、动态贝叶斯、小波分析、概率密度函数、神经网络等)选取合适的融合算法,进行子午河流域多源降水融合获取高时空分辨率的融合降水数据集,如图5所示。
(2)状态变量多源遥感反演模块(如图6所示):
①图像获取中心:首先,该中心发出指令给本地存储不同图像(卫星图像、雷达图像、无人机图像)的存储器按钮,存储器按钮接收指令并显示不同图像,显示图像可判断这一时刻是否缺少图像,若缺少则无法显示,对应的这一时刻未显示的图像则不需要后续处理;其次,图像显示完成之后,图像处理中心向提取按钮发出指令,根据研究流域在图像中的空间位置,提取子午河流域的图像范围,减少后续遥感图像质量控制和反演的计算量;最后,图像处理中心向异常分析按钮发出指令,该指令判断图像是否云遮挡、山体阴影等异常情况。
②若有异常情况,则执行步骤A和B;若无异常情况,则执行步骤B;
步骤A:根据获取的遥感影像,剔除云、山体阴影、地表和植被粗糙度等影响,进行初步的遥感图像质量控制。
步骤B:对子午河流域的土壤湿度进行反演提取,获取连续的土壤湿度数据,如图7所示。
(3)同化算法配置模块(如图8所示):
①首先执行第一判断模块,用于判断具体哪一种流域状态变量(水体、蒸发、土壤湿度等)进行同化,以土壤湿度为例在子午河流域进行同化。
②第二判断模块,根据子午河流域土壤湿度值进行判断是否需要同化,子午河流域属于湿润地区,饱和含水量、田间持水量、凋萎含水量的判定阈值分别为:Wm≥120、Wm<120、Wm≤40,当土壤湿度处于饱和含水量条件下,不需要进行同化;当土壤湿度处于田间持水量和凋萎含水量条件下进行同化,则进入第三判断模块。
③第三判断模块,基于环境感知的重配置技术进行同化算法的配置与选择,选择健壮并且适合的同化算法,进行子午河流域土壤湿度的同化。
(4)模型-数据同化模块(如图9所示):用于不断更新和改进水文模型当前时刻的状态变量,并进行下一个时刻的计算。
①第一执行模块:用于模型的构建,构建子午河流域适用的水文模型。
②第二执行模块:当前时刻水文模型计算完成,水文模型暂停计算(此时水文模型并未完全计算完成),将水文模型当前时刻生成土壤湿度保存。
③第三执行模块:水文模型生成的土壤湿度和实测站点、遥感反演土壤湿度通过同化算法配置模块生成状态变量的分析值。
④第四执行模块:若当前时刻的状态变量分析值存在,通过控制文件重启水文模型进行下一个时刻的计算,直到所有时间序列的计算完成;若当前时刻的状态变量分析值不存在,则模型-数据同化结束。
(5)典型流域验证模块:基于实测数据进行系统计算结果(如图10所示)的验证分析,用于评估该系统的精度与适用性。
实施例3
本发明还提供了一种电子设备,包括:
一个或多个处理器。
存储装置,其上存储有一个或多个程序。
当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现如实施例1的方法。
实施例4
本发明还提供了一种存储介质,其上存储有计算机程序,其中,计算机程序被处理器执行时实现如实施例1所述的方法
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的装置及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种洪水预报方法,其特征在于,所述方法包括:
获取目标流域在当前时刻的融合降水信息;所述融合降水信息根据多源遥感降水信息融合得到,所述多源遥感降水信息包括:站点降水信息、雷达降水信息、卫星降水信息和模式降水信息;
根据当前时刻的融合降水信息和所述目标流域在上一时刻的状态变量,确定所述目标流域在当前时刻的洪水预报结果和所述目标流域在当前时刻的状态变量;所述状态变量包括:水体、蒸发量和土壤湿度;
其中,初始时刻时的状态变量是根据所述目标流域在初始时刻的遥感图像确定的;所述遥感图像包括:卫星图像、雷达图像和无人机图像;
所述获取目标流域在当前时刻的融合降水信息,具体包括:
获取目标流域在当前时刻的多源遥感降水信息;
剔除当前时刻的多源遥感降水信息中的空值后,进行时空分辨率归一化处理,得到当前时刻的时空分辨率一致的多源遥感降水数据集;
利用预设融合算法,将当前时刻的时空分辨率一致的多源遥感降水数据集进行融合,得到所述目标流域在当前时刻的融合降水信息;
初始时刻的状态变量的确定方法,具体包括:
剔除所述目标流域在当前时刻的遥感图像中的障碍物,得到当前时刻的处理后的遥感图像;所述障碍物包括云、山体阴影、地表和植被;
利用预设遥感反演算法对当前时刻的处理后的遥感图像进行反演提取,得到初始时刻的状态变量。
2.一种洪水预报系统,其特征在于,所述系统包括:
融合降水信息获取模块,用于获取目标流域在当前时刻的融合降水信息;所述融合降水信息根据多源遥感降水信息融合得到,所述多源遥感降水信息包括:站点降水信息、雷达降水信息、卫星降水信息和模式降水信息;
洪水预报结果和状态变量确定模块,用于根据当前时刻的融合降水信息和所述目标流域在上一时刻的状态变量,确定所述目标流域在当前时刻的洪水预报结果和所述目标流域在当前时刻的状态变量;所述状态变量包括:水体、蒸发量和土壤湿度;
其中,初始时刻的状态变量是根据所述目标流域在初始时刻的遥感图像确定的;所述遥感图像包括:卫星图像、雷达图像和无人机图像;
所述融合降水信息获取模块,具体包括:
多源遥感降水信息获取单元,用于获取目标流域在当前时刻的多源遥感降水信息;
归一化单元,用于剔除当前时刻的多源遥感降水信息中的空值后,进行时空分辨率归一化处理,得到当前时刻的时空分辨率一致的多源遥感降水数据集;
融合降水信息确定单元,用于利用预设融合算法,将当前时刻的时空分辨率一致的多源遥感降水数据集进行融合,得到所述目标流域在当前时刻的融合降水信息;
所述洪水预报结果和状态变量确定模块包括:初始状态变量确定子模块;所述初始状态变量确定子模块,具体包括:
处理单元,用于剔除目标流域在当前时刻的遥感图像中的障碍物,得到当前时刻的处理后的遥感图像;所述障碍物包括云、山体阴影、地表和植被;
初始状态变量确定单元,用于利用预设遥感反演算法对当前时刻的处理后的遥感图像进行反演提取,得到初始时刻的状态变量。
3.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1中所述的方法。
4.一种存储介质,其特征在于,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211146766.1A CN115508915B (zh) | 2022-09-21 | 2022-09-21 | 一种洪水预报方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211146766.1A CN115508915B (zh) | 2022-09-21 | 2022-09-21 | 一种洪水预报方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115508915A CN115508915A (zh) | 2022-12-23 |
CN115508915B true CN115508915B (zh) | 2023-08-22 |
Family
ID=84503589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211146766.1A Active CN115508915B (zh) | 2022-09-21 | 2022-09-21 | 一种洪水预报方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115508915B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991278A (zh) * | 2017-03-21 | 2017-07-28 | 武汉大学 | 一种集合降水预报与实时洪水概率预报的耦合方法 |
CN109814178A (zh) * | 2018-12-25 | 2019-05-28 | 河海大学 | 基于Copula-模型条件处理器的水文概率预报方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220156636A1 (en) * | 2020-11-13 | 2022-05-19 | International Business Machines Corporation | Efficient flood waters analysis from spatio-temporal data fusion and statistics |
-
2022
- 2022-09-21 CN CN202211146766.1A patent/CN115508915B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991278A (zh) * | 2017-03-21 | 2017-07-28 | 武汉大学 | 一种集合降水预报与实时洪水概率预报的耦合方法 |
CN109814178A (zh) * | 2018-12-25 | 2019-05-28 | 河海大学 | 基于Copula-模型条件处理器的水文概率预报方法 |
Non-Patent Citations (1)
Title |
---|
国产多源降水融合及其在小流域暴雨山洪预报中的应用;赵悬涛;刘昌军;文磊;王文川;;中国农村水利水电(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115508915A (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111078678B (zh) | 一种基于多源信息融合与降尺度的卫星降水数据校正方法 | |
Fang et al. | Spatial downscaling of TRMM precipitation data based on the orographical effect and meteorological conditions in a mountainous area | |
Pokhrel et al. | Multiple-criteria calibration of a distributed watershed model using spatial regularization and response signatures | |
CN112800634B (zh) | 耦合干湿状态辨识与多源信息融合的降水估计方法及系统 | |
CN113591572B (zh) | 基于多源数据和多时相数据的水土流失定量监测方法 | |
Dano Umar et al. | Geographic information system and remote sensing applications in flood hazards management: A review | |
CN112785024B (zh) | 一种基于流域水文模型的径流计算和预测方法 | |
CN112016696B (zh) | 融合卫星与地基观测的pm1浓度反演方法及系统 | |
CN111046613B (zh) | 基于路径追踪的最佳河道计算方法及基于多时相遥感影像的河网提取方法 | |
Garg et al. | Assessment of the effect of slope on runoff potential of a watershed using NRCS-CN method | |
Rahimi et al. | A GNSS-based weather forecasting approach using nonlinear auto regressive approach with exogenous input (NARX) | |
CN115879363A (zh) | 一种基于降雨量的积水预测方法 | |
Tao et al. | Operational hydrological forecasting during the IPHEx-IOP campaign–Meet the challenge | |
Guo et al. | Mozambique flood (2019) caused by tropical cyclone idai monitored from sentinel-1 and sentinel-2 images | |
Ma et al. | Mapping snow depth distribution from 1980 to 2020 on the tibetan plateau using multi-source remote sensing data and downscaling techniques | |
CN115508915B (zh) | 一种洪水预报方法、系统、电子设备及存储介质 | |
CN117871550A (zh) | 一种大面积农田灌溉监测方法、系统及电子设备 | |
CN117409320A (zh) | 一种基于卫星遥感的流域洪水监测方法、系统及存储介质 | |
Li et al. | Rapid flood mapping based on remote sensing cloud computing and Sentinel-1 | |
Arlisa et al. | Flood vulnerability analysis using random forest method in Gresik Regency, Indonesia | |
CN115168799A (zh) | 一种基于多源数据的洪水淹没范围估算方法 | |
CN112926416B (zh) | 一种基于生态水文特征的植被分区方法、系统及装置 | |
Brema et al. | Estimation of the soil erosion in cauvery watershed (Tamil Nadu and Karnataka) using USLE | |
CN112699599A (zh) | 基于bp-geo的洪涝灾害预警方法 | |
Dau et al. | ASSESSMENT OF POTENTIAL IMPACTS OF CLIMATE AND SOCIO-ECONOMIC CHANGES ON FUTURE WATER SECURITY IN THE HIMALAYAS, INDIA. |
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 |