CN116434479A - 一种区域性洪涝灾害等级预测预警方法及系统 - Google Patents

一种区域性洪涝灾害等级预测预警方法及系统 Download PDF

Info

Publication number
CN116434479A
CN116434479A CN202310213384.4A CN202310213384A CN116434479A CN 116434479 A CN116434479 A CN 116434479A CN 202310213384 A CN202310213384 A CN 202310213384A CN 116434479 A CN116434479 A CN 116434479A
Authority
CN
China
Prior art keywords
rainfall
data
future
early warning
flood disaster
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.)
Pending
Application number
CN202310213384.4A
Other languages
English (en)
Inventor
陈千懿
张炜
周毅波
尹立群
俸波
黄伟翔
李珊
刘阳升
刘鹏
覃宗涛
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.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi Power Grid 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 Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN202310213384.4A priority Critical patent/CN116434479A/zh
Publication of CN116434479A publication Critical patent/CN116434479A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)

Abstract

本发明涉及洪涝灾害监测技术领域，具体涉及一种区域性洪涝灾害等级预测预警方法及系统。方法包括：建立LSTM神经网络预测模型，预测区域的未来降雨累计量；获取未来24小时天气数据和区域流域水位实时数据；对洪涝灾害等级进行预测；当预测的洪涝灾害等级超过预设值时发出预警信号。系统包括数据采集模块、预测模型构建模块、降雨量预测模块、洪涝灾害等级预测模块、预警模块。本发明的方法不限于特有的洪涝灾害点，对所有类型的洪涝灾害具有普适性，能进行内涝等级划分。

Description

一种区域性洪涝灾害等级预测预警方法及系统
技术领域
本发明涉及洪涝灾害监测技术领域，具体涉及一种区域性洪涝灾害等级预测预警方法及系统。
背景技术
洪涝灾害的危害指因大雨、暴雨或持续降雨使低洼地区淹没、渍水的现象。广西以山地丘陵地形为主，气温持续偏低，强降雨过程频繁，降雨日数较多，日照偏少，出现区域性、阶段性的暴雨洪涝灾害可能性大。洪涝对灾区农作物、建筑、水利工程设施、交通设施、电力设施等，会造成严重的危害，并造成不同程度的人员伤亡。如何对洪涝灾害发生可能性进行预测预警，为救援队伍提前做好洪涝应对准备，尽量减少人员和财产损失具有重要的意义。
中国公开专利申请CN114723177A提供了一种基于DA-SSL的洪涝灾害预测预警方法，具体是基于改进的PCSWMM模型的洪涝预警方法，该方法输出带内涝结果标签的管网功能性病害样本集，能拟合功能性病害影响下排水管网过流能力与流速分布。PCSWMM可广泛应用与流域、雨水、排水和联合污水处理系统的持续和单一事件的径流量和水质量的防止模拟，经过上述改进后，应用范围局限于城市内涝，只能预测内涝的有无，并不能对内涝的危害等级进行划分。
中国公开专利申请CN112016839 A提供了一种基于QR-BC-ELM的洪涝灾害预测预警方法，具体是基于极限学习机与地理信息系统建立洪水模型，根据洪水监测参数的分布特征，构建了一种应用于洪涝预测预警中的计算方法。其改进的算法使用了包括两个准则层和三个指标层内共49个计算指标，计算指标偏多容易出现模型过拟合，从而导致模型的泛化能力不强。
洪涝灾害的主要成因是区域持续的大雨或者暴雨，导致短时间的降雨量超过了区域的降雨疏散能力。因此本发明根据现有技术的不足，提供了一种区域性洪涝灾害等级预测预警方法及系统。
发明内容
本发明针对现有技术的不足，以及洪涝的主要成因，提供了一种区域性洪涝灾害等级预测预警方法及系统。具体技术方案如下：
一种区域性洪涝灾害等级预测预警方法，包括以下步骤：
步骤S1，建立LSTM神经网络预测模型，实时预测区域的未来24小时降雨量、未来48小时降雨量和未来72小时的降雨量，进而预测未来降雨累计量；
步骤S2，获取未来24小时天气数据和区域流域水位实时数据；
步骤S3，通过对未来降雨累计量、未来24小时是否有暴雨-大暴雨、区域流域的实时水位信息，对洪涝灾害等级进行预测；
步骤S4，当预测的洪涝灾害等级超过预设值时发出预警信号。
优选地，所述步骤S1具体包括以下步骤：
步骤S11，获取区域历史降雨量数据和天气数据，具体包括24小时每小时的降雨量、48小时每小时的降雨量、72小时每小时的降雨量以及对应未来1天的预测天气、未来2天的预测天气、未来3天的预测天气；
步骤S12，对步骤S11获得的数据进行清洗和预处理；
步骤S13，将处理后的数据按比例划分为训练数据样本、测试数据样本和验证数据样本；
步骤S14，构建LSTM神经网络预测模型；
步骤S15，将训练数据样本输入模型进行训练，得到训练后的LSTM神经网络预测模型；将验证样本数据输入练后的LSTM神经网络预测模型，验证练后的LSTM神经网络预测模型的精度是否达到要求，若达不到精度要求则继续对模型进行训练，若达到精度要求则输出训练完成的LSTM神经网络预测模型；
步骤S16，将测试样本数据输入训练完成的LSTM神经网络预测模型，测试训练完成的LSTM神经网络预测模型的性能，若性能达到要求，则输出最终的LSTM神经网络预测模型；
步骤S17，获取未来三天的天气预报数据，采用最终的LSTM神经网络预测模型预测未来24小时降雨量、未来48小时降雨量和未来72小时的降雨量，进而计算得到未来降雨累计量，所述未来降雨累计量包括未来24小时降雨累计量、未来48小时降雨累计量和未来72小时的降雨累计量。
优选地，所述步骤S12中对数据进行清洗具体包括：
对采集到的空值进行删除；
对采集重复的数据进行去重；
对降雨量数据范围错误的数据进行删除；
出现不在天气类型范围以内的数据，并验证历史降雨量数据的可靠性。
优选地，所述步骤S12中对数据进行预处理具体包括：
针对时间特征数据，按顺序抽取时间特征包括年、季、月、日、时五个特征值；采用独热码编码方式将天气数据转换成数值类型；
对降雨量数据进行标准化。
优选地，所述步骤S14中采用tensorflow.keras.layer构建LSTM神经网络预测模型。
优选地，所述步骤S15中采用tensorflow.keras.loss中的mse作为损失函数，评估模型预测值与真实值之间的损失情况；采用tensorflow.keras.optimizer对损失函数的偏导结果进行优化，以最小化损失函数。
优选地，所述步骤S16中采用评估器tensorflow.keras.metrics来评估模型在测试数据上的性能。
优选地，所述步骤S3中的未来降雨累计量具体是将未来24小时降雨量、未来48小时降雨量和未来72小时的降雨量三类预测的降雨量按小时点相加，得到三类预测的未来降雨量累计量。
一种区域性洪涝灾害等级预测预警系统，应用于所述的方法，包括数据采集模块、预测模型构建模块、降雨量预测模块、洪涝灾害等级预测模块、预警模块；所述数据采集模块、预测模型构建模块、降雨量预测模块、洪涝灾害等级预测模块、预警模块依次连接；所述数据采集模块与洪涝灾害等级预测模块连接；
所述数据采集模块用于采集历史数据和未来24小时天气数据、区域流域水位实时数据；所述历史数据包括历史降雨量数据和天气数据；
所述预测模型构建模块用于建立LSTM神经网络预测模型并根据数据采集模块采集的历史降雨量数据和天气数据训练LSTM神经网络预测模型，得到最终的LSTM神经网络预测模型；
所述降雨量预测模块用于采用最终的LSTM神经网络预测模型预测未来24小时累计降雨量、未来48小时累计降雨量、未来72小时累计降雨量，进而预测未来降雨累计量；
所述洪涝灾害等级预测模块用于根据采集的未来24小时天气数据、区域流域水位实时数据和预测的未来降雨累计量预测洪涝灾害等级；
所述预警模块用于在预测的洪涝灾害等级超过预设值时发出预警信号。
本发明的有益效果为：本发明的方法不限于特有的洪涝灾害点，对所有类型的洪涝灾害具有普适性，能进行内涝等级划分。本发明选用LSTM(Long short-term memory，长短期记忆神经网络)实现对区域降雨量的预测，相较于传统的学习模型，预测精度有所提升。LSTM以其强大的线性或者非线性拟合能力，常用于的时间序列数据预测应用中，而本发明涉及的区域降雨量预测，就有典型的时间序列特性，非常适合用LSTM处理。本发明通过测试集和验证集对模型进行评分，以训练集评分为标准，在训练集评分高的情况下，验证集和测试集能得到一样的高评分，即可解决模型泛化不强的问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明的方法流程图；
图2为降雨量预测的流程图；
图3为洪涝灾害等级预测流程图；
图4为本发明的系统原理图。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
实施例1：
如图1所示，本发明的具体实施方式提供了一种区域性洪涝灾害等级预测预警方法，包括以下步骤：
步骤S1，建立LSTM神经网络预测模型，实时预测区域的未来24小时降雨量、未来48小时降雨量和未来72小时的降雨量，进而预测未来降雨累计量。
如图2所示，步骤S1具体包括以下步骤：
步骤S11，获取区域历史降雨量数据和天气数据，具体包括24小时每小时的降雨量、48小时每小时的降雨量、72小时每小时的降雨量以及对应未来1天的预测天气、未来2天的预测天气、未来3天的预测天气。其中，历史降雨量数据的最小频度在小时级，即指定区域每个时间点的历史降雨量，天气数据的最小频度在天级，从天气网站上通过接口获取。
步骤S12，对步骤S11获得的数据进行清洗和预处理；对数据进行清洗具体包括：
对采集到的空值进行删除；
对采集重复的数据进行去重；
对降雨量数据范围错误的数据进行删除，例如降雨量不可能是负值；
出现不在天气类型范围以内的数据，并验证历史降雨量数据的可靠性。
对数据进行预处理具体包括：
针对时间特征数据，按顺序抽取时间特征包括年、季、月、日、时五个特征值；例如2022年4月1日0点，经过特征值抽取后就成了[2022,2,4,1,0]。针对天气数据的做数据编码，采用独热码编码方式将天气数据转换成数值类型；对降雨量数据进行标准化。
步骤S13，将处理后的数据按比例6:2:2划分为训练数据样本、测试数据样本和验证数据样本。
步骤S14，构建三层LSTM神经网络预测模型；具体采用tensorflow.keras.layer构建LSTM神经网络预测模型，实现特征值与降雨量之间的关系映射。
步骤S15，将训练数据样本输入模型进行训练，得到训练后的LSTM神经网络预测模型；将验证样本数据输入练后的LSTM神经网络预测模型，验证练后的LSTM神经网络预测模型的精度是否达到要求，即通过验证集对模型进行评分，训练集、验证集、测试集的评分都符合要求，即可认为模型符合要求。
若达不到精度要求则继续对模型进行训练，若达到精度要求则输出训练完成的LSTM神经网络预测模型。具体地，采用tensorflow.keras.loss中的mse作为损失函数，评估模型预测值与真实值之间的损失情况；采用tensorflow.keras.optimizer对损失函数的偏导结果进行优化，以最小化损失函数。
步骤S16，将测试样本数据输入训练完成的LSTM神经网络预测模型，测试训练完成的LSTM神经网络预测模型的性能，若性能达到要求，即通过测试集对模型进行评分，则输出最终的LSTM神经网络预测模型；具体采用评估器tensorflow.keras.metrics来评估模型在测试数据上的性能。若模型性能达不到要求则对模型的参数进行调整，例如增加神经元，修改随机丢弃比例，或者修改模型优化方式等，在此不再赘述。
步骤S17，获取未来三天的天气预报数据，采用最终的LSTM神经网络预测模型预测未来24小时降雨量、未来48小时降雨量和未来72小时的降雨量，进而计算得到未来降雨累计量，所述未来降雨累计量包括未来24小时降雨累计量、未来48小时降雨累计量和未来72小时的降雨累计量。
未来降雨累积量具体的计算方式为：未来降雨累计量具体是将未来24小时降雨量、未来48小时降雨量和未来72小时的降雨量三类预测的降雨量按小时点相加，得到三类预测的未来降雨量累计量。
步骤S2，获取未来24小时天气数据和区域流域水位实时数据；
步骤S3，如图3所示，通过对未来降雨累计量、未来24小时是否有暴雨-大暴雨、区域流域的实时水位信息，对洪涝灾害等级进行预测。
洪涝灾害等级会根据未来24小时累计降雨量、未来48小时累计降雨量、未来72小时累计降雨量、未来24小时天气和主要区域流域实时水位来进行综合判断的。
洪涝灾害等级定义格式如下：
Figure BDA0004114102770000081
Figure BDA0004114102770000091
例如，一般(Ⅳ级)：
洪涝灾害：实测全市日面雨量达50—80毫米，或48小时全市累计面雨量达80—120毫米，或72小时累计面雨量达120—150毫米，并且市气象台预报未来24小时仍有大雨或暴雨
较大(Ⅲ级)：
洪涝灾害：全市日面雨量达80—100毫米，或48小时累计面雨量达120—160毫米，或72小时累计面雨量达150—200毫米，并且市气象台预报未来24小时仍有大雨或暴雨；或水库实时水位可达6.0—7.5米；
重大(Ⅱ级)：
洪涝灾害：全市日面雨量达100—150毫米，或48小时累计面雨量达160—230毫米，或72小时累计面雨量达200—300毫米，并且市气象台预报未来24小时仍有大雨或暴雨；或水库实时水位可达7.5—9.0米；
特别重大(Ⅰ级)：
洪涝灾害：全市日面雨量超过150毫米，或48小时累计面雨量超过230毫米，或72小时累计面雨量超过300毫米，并且市气象台预报未来24小时仍有大雨或暴雨；或水库实时水位9.0米以上；
根据洪涝灾害等级评估表的规则，进行洪涝灾害等级匹配，输出未来可能发生的洪涝灾害等级。
步骤S4，当预测的洪涝灾害等级超过预设值时发出预警信号。
实施例2：
如图4所示，本发明的具体实施方式还一种区域性洪涝灾害等级预测预警系统，应用于所述的方法，包括数据采集模块、预测模型构建模块、降雨量预测模块、洪涝灾害等级预测模块、预警模块；所述数据采集模块、预测模型构建模块、降雨量预测模块、洪涝灾害等级预测模块、预警模块依次连接；所述数据采集模块与洪涝灾害等级预测模块连接；
所述数据采集模块用于采集历史数据和未来24小时天气数据、区域流域水位实时数据；所述历史数据包括历史降雨量数据和天气数据。
所述预测模型构建模块用于建立LSTM神经网络预测模型并根据数据采集模块采集的历史降雨量数据和天气数据训练LSTM神经网络预测模型，得到最终的LSTM神经网络预测模型；
所述降雨量预测模块用于采用最终的LSTM神经网络预测模型预测未来24小时累计降雨量、未来48小时累计降雨量、未来72小时累计降雨量，进而预测未来降雨累计量；
所述洪涝灾害等级预测模块用于根据采集的未来24小时天气数据、区域流域水位实时数据和预测的未来降雨累计量预测洪涝灾害等级；
所述预警模块用于在预测的洪涝灾害等级超过预设值时发出预警信号。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的实施例中，应该理解到，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元可结合为一个单元，一个单元可拆分为多个单元，或一些特征可以忽略等。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (9)

1.一种区域性洪涝灾害等级预测预警方法，其特征在于，包括以下步骤：
步骤S1，建立LSTM神经网络预测模型，实时预测区域的未来24小时降雨量、未来48小时降雨量和未来72小时的降雨量，进而预测未来降雨累计量；
步骤S2，获取未来24小时天气数据和区域流域水位实时数据；
步骤S3，通过对未来降雨累计量、未来24小时是否有暴雨-大暴雨、区域流域的实时水位信息，对洪涝灾害等级进行预测；
步骤S4，当预测的洪涝灾害等级超过预设值时发出预警信号。
2.根据权利要求1所述的一种区域性洪涝灾害等级预测预警方法，其特征在于，所述步骤S1具体包括以下步骤：
步骤S11，获取区域历史降雨量数据和天气数据，具体包括24小时每小时的降雨量、48小时每小时的降雨量、72小时每小时的降雨量以及对应未来1天的预测天气、未来2天的预测天气、未来3天的预测天气；
步骤S12，对步骤S11获得的数据进行清洗和预处理；
步骤S13，将处理后的数据按比例划分为训练数据样本、测试数据样本和验证数据样本；
步骤S14，构建LSTM神经网络预测模型；
步骤S15，将训练数据样本输入模型进行训练，得到训练后的LSTM神经网络预测模型；将验证样本数据输入练后的LSTM神经网络预测模型，验证练后的LSTM神经网络预测模型的精度是否达到要求，若达不到精度要求则继续对模型进行训练，若达到精度要求则输出训练完成的LSTM神经网络预测模型；
步骤S16，将测试样本数据输入训练完成的LSTM神经网络预测模型，测试训练完成的LSTM神经网络预测模型的性能，若性能达到要求，则输出最终的LSTM神经网络预测模型；
步骤S17，获取未来三天的天气预报数据，采用最终的LSTM神经网络预测模型预测未来24小时降雨量、未来48小时降雨量和未来72小时的降雨量，进而计算得到未来降雨累计量，所述未来降雨累计量包括未来24小时降雨累计量、未来48小时降雨累计量和未来72小时的降雨累计量。
3.根据权利要求2所述的一种区域性洪涝灾害等级预测预警方法，其特征在于，所述步骤S12中对数据进行清洗具体包括：
对采集到的空值进行删除；
对采集重复的数据进行去重；
对降雨量数据范围错误的数据进行删除；
出现不在天气类型范围以内的数据，并验证历史降雨量数据的可靠性。
4.根据权利要求2所述的一种区域性洪涝灾害等级预测预警方法，其特征在于，所述步骤S12中对数据进行预处理具体包括：
针对时间特征数据，按顺序抽取时间特征包括年、季、月、日、时五个特征值；采用独热码编码方式将天气数据转换成数值类型；
对降雨量数据进行标准化。
5.根据权利要求2所述的一种区域性洪涝灾害等级预测预警方法，其特征在于，所述步骤S14中采用tensorflow.keras.layer构建LSTM神经网络预测模型。
6.根据权利要求2所述的一种区域性洪涝灾害等级预测预警方法，其特征在于，所述步骤S15中采用tensorflow.keras.loss中的mse作为损失函数，评估模型预测值与真实值之间的损失情况；采用tensorflow.keras.optimizer对损失函数的偏导结果进行优化，以最小化损失函数。
7.根据权利要求2所述的一种区域性洪涝灾害等级预测预警方法，其特征在于，所述步骤S16中采用评估器tensorflow.keras.metrics来评估模型在测试数据上的性能。
8.根据权利要求1所述的一种区域性洪涝灾害等级预测预警方法，其特征在于，所述步骤S3中的未来降雨累计量具体是将未来24小时降雨量、未来48小时降雨量和未来72小时的降雨量三类预测的降雨量按小时点相加，得到三类预测的未来降雨量累计量。
9.一种区域性洪涝灾害等级预测预警系统，其特征在于，应用于权利要求1-7任一所述的方法，包括数据采集模块、预测模型构建模块、降雨量预测模块、洪涝灾害等级预测模块、预警模块；所述数据采集模块、预测模型构建模块、降雨量预测模块、洪涝灾害等级预测模块、预警模块依次连接；所述数据采集模块与洪涝灾害等级预测模块连接；
所述数据采集模块用于采集历史数据和未来24小时天气数据、区域流域水位实时数据；所述历史数据包括历史降雨量数据和天气数据；
所述预测模型构建模块用于建立LSTM神经网络预测模型并根据数据采集模块采集的历史降雨量数据和天气数据训练LSTM神经网络预测模型，得到最终的LSTM神经网络预测模型；
所述降雨量预测模块用于采用最终的LSTM神经网络预测模型预测未来24小时累计降雨量、未来48小时累计降雨量、未来72小时累计降雨量，进而预测未来降雨累计量；
所述洪涝灾害等级预测模块用于根据采集的未来24小时天气数据、区域流域水位实时数据和预测的未来降雨累计量预测洪涝灾害等级；
所述预警模块用于在预测的洪涝灾害等级超过预设值时发出预警信号。
CN202310213384.4A 2023-03-07 2023-03-07 一种区域性洪涝灾害等级预测预警方法及系统 Pending CN116434479A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310213384.4A CN116434479A (zh) 2023-03-07 2023-03-07 一种区域性洪涝灾害等级预测预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310213384.4A CN116434479A (zh) 2023-03-07 2023-03-07 一种区域性洪涝灾害等级预测预警方法及系统

Publications (1)

Publication Number Publication Date
CN116434479A true CN116434479A (zh) 2023-07-14

Family

ID=87091570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310213384.4A Pending CN116434479A (zh) 2023-03-07 2023-03-07 一种区域性洪涝灾害等级预测预警方法及系统

Country Status (1)

Country Link
CN (1) CN116434479A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117057616A (zh) * 2023-10-11 2023-11-14 安徽金海迪尔信息技术有限责任公司 基于数字孪生的水利监测方法及系统
CN117575319A (zh) * 2023-11-27 2024-02-20 郑州大学 一种评估城市洪涝灾害等级的方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117057616A (zh) * 2023-10-11 2023-11-14 安徽金海迪尔信息技术有限责任公司 基于数字孪生的水利监测方法及系统
CN117057616B (zh) * 2023-10-11 2023-12-26 安徽金海迪尔信息技术有限责任公司 基于数字孪生的水利监测方法及系统
CN117575319A (zh) * 2023-11-27 2024-02-20 郑州大学 一种评估城市洪涝灾害等级的方法

Similar Documents

Publication Publication Date Title
CN106650767B (zh) 基于聚类分析和实时校正的洪水预报方法
CN116434479A (zh) 一种区域性洪涝灾害等级预测预警方法及系统
CN110738355B (zh) 一种基于神经网络的城市内涝预测方法
CN112070286B (zh) 复杂地形流域的降水预报预警系统
CN110852577A (zh) 基于城市韧性与城市流域水文模型的城市洪涝评估方法
CN111325947B (zh) 一种基于长短期记忆网络的风暴潮洪涝预警方法和系统
CN110274656B (zh) 一种城市内河水位预报预警方法
CN113221439B (zh) 一种基于bp神经网络的排水系统实时率定与动态预测方法
CN112528563B (zh) 一种基于svm算法的城市内涝预警方法
CN115859577A (zh) 基于气象预报的水华预警方法、装置、介质及设备
CN113743658A (zh) 基于临界雨量的中小流域地质灾害及洪水预警方法
Yang et al. Joint occurrence probability analysis of typhoon-induced storm surges and rainstorms using trivariate Archimedean copulas
CN116227362A (zh) 一种基于图与深度学习的市政排水管网状态预测方法
CN113985496B (zh) 一种基于lstm-gm神经网络模型的风暴潮智能预报方法
CN111898809A (zh) 一种基于tcn的汛期气候趋势预测系统
Dai et al. Predicting coastal urban floods using artificial neural network: The case study of Macau, China
CN110414027A (zh) 一种适用于洪涝预测系统的数据处理方法
CN117332909A (zh) 基于智能体的多尺度城市内涝道路交通暴露性预测方法
CN117575873A (zh) 综合气象水文敏感性的洪水警戒方法与系统
Mar et al. Optimum neural network architecture for precipitation prediction of Myanmar
CN113221440A (zh) 一种排水系统监测点优化布置与实时全局反演方法
CN117558124A (zh) 一种基于多源信息深度融合的通道运行状态推演预测方法
CN115188163B (zh) 一种基于暴雨与洪水相似性的洪水预警方法及系统
CN106651040A (zh) 城市内涝监测点的优化布置方法
CN113269376B (zh) 一种河流洪峰流量范围计算方法

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