CN116776238B - 一种基于多源信息水旱灾害动态风险评估方法和系统 - Google Patents
一种基于多源信息水旱灾害动态风险评估方法和系统 Download PDFInfo
- Publication number
- CN116776238B CN116776238B CN202311075204.7A CN202311075204A CN116776238B CN 116776238 B CN116776238 B CN 116776238B CN 202311075204 A CN202311075204 A CN 202311075204A CN 116776238 B CN116776238 B CN 116776238B
- Authority
- CN
- China
- Prior art keywords
- data
- risk
- flood
- source information
- satellite image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 121
- 238000012502 risk assessment Methods 0.000 title claims abstract description 43
- 238000012706 support-vector machine Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000001704 evaporation Methods 0.000 claims description 18
- 230000008020 evaporation Effects 0.000 claims description 18
- 238000001556 precipitation Methods 0.000 claims description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 239000002689 soil Substances 0.000 claims description 13
- 239000004576 sand Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 239000003673 groundwater Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 4
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 22
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 4
- 230000000295 complement effect Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多源信息水旱灾害动态风险评估方法和系统，所述方法包括：多源信息收集，包括气象站数据、卫星观测数据和历史数据，对有缺失的多源信息使用基于拉格朗日与克里金插值方法进行补全，并标准化获得标准数据集；基于VGG16卷积神经网络提取卫星观测获得的卫星图像特征，并基于随机邻域嵌入方法对卫星图像特征降维，结合收集到的多源信息构成综合特征；基于支持向量机构建水旱灾害动态风险评估方法，构建优化目标函数；训练构建的水旱灾害动态风险评估方法，得到训练好的风险评估方法后对水旱灾害动态风险进行实时评估。本发明采用机器学习和深度学习算法，避免传统方法需要手工提取特征的繁琐过程，提高了评估的效率。
Description
技术领域
本发明涉及水旱灾害动态风险评估领域，尤其涉及一种基于多源信息水旱灾害动态风险评估方法。
背景技术
水旱灾害是一种严重的自然灾害，其给人们的生产生活带来了巨大的危害。因此，如何准确地评估水旱灾害的风险，以及及时采取有效的应对措施，成为了一个重要的研究课题。目前，水旱灾害的风险评估主要依赖于遥感技术、地理信息系统等技术手段，然而传统的方法在数据处理和特征提取方面存在诸多不足之处，如数据的不完整和噪声干扰等问题，导致评估结果的精度和可靠性受到一定的限制。传统方法往往需要手工提取特征，这个过程繁琐且需要耗费大量时间和精力，同时还容易受到主观因素的影响。其次，传统方法对于多源数据的综合利用不够充分，往往只采用其中一部分数据进行评估，不能充分反映地表覆盖和植被状况等环境信息。此外，数据源越多与越容易发生数据缺失的问题，使用缺失的数据无法确保水旱灾害风险的精确评估。
发明内容
本发明的目的是提供一种基于多源信息综合利用、机器学习和深度学习算法的水旱灾害动态风险评估方法，提高水旱灾害动态风险评估的精度和效果。
实现上述目的，本发明提供的一种基于多源信息水旱灾害动态风险评估方法，包括以下步骤：
S1：多源信息收集，包括气象站数据、水文数据和卫星观测数据；
所述气象站数据包括气温数据、降水数据、蒸发数据、湿度数据、风速数据；
所述水文数据包括河流水文数据和水库流量数据；
所述卫星观测数据包括植被覆盖度、沙土覆盖度；
S2：对有缺失的多源信息使用基于拉格朗日与克里金插值方法进行补全，并进行标准化处理获得标准数据集；
S3：基于VGG16卷积神经网络提取卫星观测获得的卫星图像特征，并基于随机邻域嵌入方法对卫星图像特征降维，结合收集到的多源信息构成综合特征；
S4：基于支持向量机构建水旱灾害动态风险评估方法，构建优化目标函数；
S5：训练构建的水旱灾害动态风险评估方法，得到训练好的风险评估方法后对水旱灾害动态风险进行实时评估。
作为本发明的进一步改进方法：
可选地，在所述步骤S1中，
所述降水数据包括实时降水量、历史降水量；
所述蒸发数据包括实时蒸发量、历史蒸发量；
所述河流水文数据包含河流水位、河流径流量和地下水水位；
所述水库流量数据包括水库水位、水库实时流量、水库历史流量、水库累计流量、入库流量、出库流量和水库蓄水量；
所述植被覆盖度和沙土覆盖度通过卫星图像指数获得，所述卫星图像指数为：
土壤调节植被指数：
；
其中，NIR和R分别表示卫星图像的近红外波段和红波段，L为土壤调节参数；对卫星图像上不同像素的SAVI值进行划分，统计植被覆盖像素和沙土覆盖像素数目，即可获得植被覆盖度和沙土覆盖度；
所采集的多源信息集合可表示为：
；
其中，，分别代表气象数据中的气温数据、实时降水量、历史降水量、实时蒸发量、历史蒸发量、湿度数据、风速数据7类数据；，分别代表河流水文数据中的河流水位、河流径流量、地下水水位、水库水位、水库实时流量、水库历史流量、水库累计流量、入库流量、出库流量、水库蓄水量共10类数据；/>，分别代表卫星数据提取出的植被覆盖度和沙土覆盖度。
可选地，所述S2步骤中对有缺失的多源信息使用基于拉格朗日与克里金插值方法进行补全，并进行标准化获得标准数据集包括：
基于拉格朗日与克里金插值方法对S1中收集获得多源信息中的缺失部分进行补全，所述插值方法为：
S21：确定插值区域，根据已有数据的时间序列和空间位置，确定需要插值的位置，其中/>表示缺失数据的空间位置，/>表述缺失数据的时间点；
S22：对已有的多源信息点，利用拉格朗日插值公式对缺失数据进行时间维度的估计，所述拉格朗日插值公式为：
；
其中，表示多源信息的时间序列，i,j=1,2,…, />，/>为时间序列的长度，/>表示时间戳，/>表示相应时间点多源信息的值，/>表示有缺失数据的时间点和相应的需要插值获得的多源信息的值，/>表示由拉格朗日插值公式计算出的插值结果；
S23：对已有的多源信息点，利用克里金插值公式对缺失数据进行空间维度的估计，所述克里金插值流程为：
计算插值位置与已有多源信息点的空间距离：
；
其中，表示多源信息的空间位置，u=1,2,…, />，/>为已有的数据点数目，/>表示缺失数据点的空间位置；
根据已有数据点之间的空间距离，计算半方差函数：
；
其中和/>分别表示空间距离为dist的已知的数据点的值，，/>表示空间距离为dist的数据点对数；
根据已有数据点之间的空间距离和半方差函数，计算位置处的权重：
；
其中，；
空间维度的插值结果即根据已有数据点的值按权重进行加权平均获得缺失数据点的值：
；
其中，表示由克里金插值公式计算出的插值结果；
S24：最终的插值结果由拉格朗日插值公式的结果与克里金插值公式的结果加权得到：
；
S25：对补全的数据标准化，获得标准化后的多源信息，所述标准化方式为：
；
其中，为多源信息的值，norm为标准化处理后的多源信息的值，/>和分别计算多源信息的均值和标准差，标准化处理后的多源信息集合表示为：
。
可选地，所述S3步骤中基于VGG16卷积神经网络提取卫星观测获得的卫星图像特征，并基于随机邻域嵌入方法对卫星图像特征降维，结合收集到的多源信息构成综合特征，包括：
S31：将S1中的收集的卫星图像输入至VGG16卷积神经网络，提取卫星图像特征的特征向量：
；
其中，I为卫星图像，为特征向量，有1000个维度；
S32：基于随机邻域嵌入方法对卫星图像特征降维，所述随机邻域嵌入方法首先需要使用高斯核函数计算卫星图像特征之间的相似度：
；
其中，表示卫星图像特征/>和/>之间的相似度；；
S33：使用随机邻域嵌入对数据进行低维度的映射；设定随机邻域嵌入的目标函数来最小化高维度空间中的相似度和低维度空间的相似度/>之间的差异：
；
其中，表示低维度空间中卫星图像特征/>和/>之间的相似度，所述低维度空间的维度为r，r<1000；/>的计算方法如下：
；
其中，，/>表示卫星图像特征/>，/>在r维空间中的坐标；
S34：使用梯度下降算法优化目标函数，所述梯度下降算法的计算方式为：
；
其中，为交换卫星图像特征/>和/>位置后再次计算的/>和/>之间的相似度；/>为交换低维度空间中卫星图像特征/>和/>位置后再次计算的和/>之间的相似度；
不断更新卫星图像特征在低维度空间的坐标，即可获得卫星图像特征降维后的特征：
；
结合现有多源信息构成综合特征：
其中，为卫星图像特征降维后的特征；/>为标准化处理后的多源信息集合。
可选地，所述S4步骤中基于支持向量机构建水旱灾害动态风险评估方法，构建优化目标函数，包括：
根据S3中获得的综合特征构建评估方法的训练集，所述训练集的表示形式为：
；
其中，为S3获得的综合特征，q表示训练集样本的序号，总共有Z个样本；函数用于提取一个固定窗口内的综合特征；/>为/>所对应的水旱灾害动态风险级别；将水旱灾害动态风险级别分为五种级别，分别为低风险、中水灾风险、中旱灾风险、高水灾风险、高旱灾风险；
所述基于支持向量机理论构建水旱灾害动态风险评估方法流程为：
构建支持向量机的超平面模型，其中/>和b为模型参数，模型参数的需满足的目标函数为：
，约束条件为/>；
其中，
表示最小化；
使目标函数取得最小值的最优超平面参数为和/>。
可选地，所述S5步骤中训练构建的水旱灾害动态风险评估方法，得到训练好的风险评估方法后对水旱灾害动态风险进行实时评估，包括：
基于S4中构建的目标函数，为低风险、中水灾风险、中旱灾风险、高水灾风险、高旱灾风险分别获得不同的水旱灾害动态风险评估方法；在做实际评估时，对于收集到的多源信息进行S1到S3的处理后获得的综合特征，根据以下公式计算其所属风险类别：
；
其中，g=1,2,3,4,5，分别代表低风险、中水灾风险、中旱灾风险、高水灾风险、高旱灾风险；和/>代表不同风险方法的最优超平面参数。最终取值最大的方法对应的风险等级即为根据当前获取的多源信息评估出水旱灾害动态风险等级。
本发明还公开了一种基于多源信息水旱灾害动态风险评估系统，包括：
多源信息收集模块：多源信息收集，包括来自气象站数据、卫星观测数据和历史数据；
信息预处理模块：对有缺失的多源信息使用基于拉格朗日与克里金插值方法进行补全，并进行标准化获得标准数据集；
特征提取模块：基于VGG16卷积神经网络提取卫星观测获得的卫星图像特征；
模型构建模块：基于支持向量机构建水旱灾害动态风险评估方法，构建优化目标函数；
模型应用模块：使用训练好的风险评估方法后对水旱灾害动态风险进行实时评估。
本发明的有益效果为：
本发明通过综合利用多源数据，特别是应用卷积神经网络算法提取的卫星图像特征，可以更准确地反映出地表覆盖和植被状况等环境信息，从而提高了水旱灾害动态风险评估的精度和效果。
缺失数据会导致数据的不完整，降低数据的可靠性和可信度。拉格朗日插值和克里金插值分别具有不同的优势。拉格朗日插值方法简单快速，适用于小范围内的数据补全；而克里金插值方法更适合于大范围内的数据补全，并且可以根据数据的空间分布特点进行优化。通过结合两种插值方法，本发明提出的方法增加了数据的完整性和准确性，提高数据的可靠性。
随着特征维度的增加，模型的计算复杂度也会增加，如果不采取特征降维等方法，可能会导致模型训练和预测的时间成本非常高。本发明基于随机邻域嵌入对卷积神经网络提取出的卫星图像特征降维，从而减少评估模型的计算量，提高模型的计算效率。
综上所述，本发明采用机器学习和深度学习算法，可以自适应地提取出关键特征，避免了传统方法需要手工提取特征的繁琐过程，提高了评估的效率和准确性。机器学习和深度学习算法可以通过对数据的自动学习和分析，从中提取出更具区分度的特征，大大减轻了人工提取特征的负担。此外，本发明采用了特征降维和特征融合等方法，在保证数据信息完整性的前提下，提高了模型的计算效率和精度，使得评估结果更加准确和可靠。
附图说明
图1为本发明一实施例的一种基于多源信息水旱灾害动态风险评估方法的流程示意图；
具体实施方式
下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。
实施例1：一种基于多源信息水旱灾害动态风险评估方法，如图1所示，包括以下步骤：
S1：多源信息收集，包括气象站数据、水文数据和卫星观测数据；
所述气象站数据包括气温数据、降水数据、蒸发数据、湿度数据、风速数据；
所述水文数据包括河流水文数据和水库流量数据；
所述卫星观测数据包括植被覆盖度、沙土覆盖度；其中：
所述降水数据包括实时降水量、历史降水量；
所述蒸发数据包括实时蒸发量、历史蒸发量；
所述河流水文数据包含河流水位、河流径流量和地下水水位；
所述水库流量数据包括水库水位、水库实时流量、水库历史流量、水库累计流量、入库流量、出库流量和水库蓄水量；
所述植被覆盖度和沙土覆盖度通过卫星图像指数获得，所述卫星图像指数为：
土壤调节植被指数：
；
其中，NIR和R分别表示卫星图像的近红外波段和红波段，L为土壤调节参数，本实施例中L=0.5。对卫星图像上不同像素的SAVI值进行划分，统计植被覆盖像素和沙土覆盖像素数目，即可获得植被覆盖度和沙土覆盖度；
本实施例中，对于植被，的像素可被识别为植被像素用于计算植被覆盖度；对于沙土，/>的像素可被识别为沙土像素用于计算沙土覆盖度。
所采集的多源信息集合可表示为：
；
其中，，分别代表气象数据中的气温数据、实时降水量、历史降水量、实时蒸发量、历史蒸发量、湿度数据、风速数据7类数据；，分别代表河流水文数据中的河流水位、河流径流量、地下水水位、水库水位、水库实时流量、水库历史流量、水库累计流量、入库流量、出库流量、水库蓄水量共10类数据；/>，分别代表卫星数据提取出的植被覆盖度和沙土覆盖度。
S2：对有缺失的多源信息使用基于拉格朗日与克里金插值方法进行补全，并标准化获得标准数据集：
基于拉格朗日与克里金插值方法对S1中收集获得多源信息中的缺失部分进行补全，所述插值方法为：
S21：确定插值区域，根据已有数据的时间序列和空间位置，确定需要插值的位置，其中/>表示缺失数据的空间位置，/>表述缺失数据的时间点；
S22：对已有的多源信息点，利用拉格朗日插值公式对缺失数据进行时间维度的估计，所述拉格朗日插值公式为：
；
其中，表示多源信息的时间序列，i,j=1,2,…, />，/>为时间序列的长度，/>表示时间戳，/>表示相应时间点多源信息的值，/>表示有缺失数据的时间点和相应的需要插值获得的多源信息的值，/>表示由拉格朗日插值公式计算出的插值结果；
拉格朗日插值在时间维度插值时可以使用历史数据对缺失数据进行补全，同时具有简单快速的特点，适用于小范围内的数据补全。此外，由于拉格朗日插值方法采用了多项式拟合的思想，可以保留原始数据的特征，从而减小数据处理后的误差；
S23：对已有的多源信息点，利用克里金插值公式对缺失数据进行空间维度的估计，所述克里金插值流程为：
计算插值位置与已有多源信息点的空间距离：
；
其中，表示多源信息的空间位置，u=1,2,…, />，/>为已有的数据点数目，/>表示缺失数据点的空间位置；
根据已有数据点之间的空间距离，计算半方差函数：
；
其中和/>分别表示空间距离为dist的已知的数据点的值，，/>表示空间距离为dist的数据点对数；
根据已有数据点之间的空间距离和半方差函数，计算位置处的权重：
；
其中，；
空间维度的插值结果即根据已有数据点的值按权重进行加权平均获得缺失数据点的值：
；
其中，表示由克里金插值公式计算出的插值结果；
克里金插值是一种基于空间自相关性的插值方法，可以根据数据的空间分布特点进行优化。与其他插值方法相比，克里金插值能够考虑空间距离的影响，能够更好地反映地理空间数据之间的关系，从而提高插值精度。此外，克里金插值能够生成连续的表面模型，并且对于不同的数据点，根据其在空间上的位置不同，给出不同的权重值，从而使得插值结果更加平滑、自然；
S24：最终的插值结果由拉格朗日插值公式的结果与克里金插值公式的结果加权得到：
；
综合使用拉格朗日插值和克里金插值对多源信息缺失进行补全可以充分发挥两种插值方法的优势，提高补全信息的准确性和可靠性。拉格朗日插值方法快速简单，适用于小范围内的信息补全；而克里金插值方法更适合于大范围内的数据补全，并且可以根据信息的空间分布特点进行优化。通过结合两种插值方法，可以增加信息的完整性和准确性，提高信息的可靠性。同时，避免了单一插值方法可能出现的局限性；
S25：对补全的数据标准化，获得标准化后的多源信息，所述标准化方式为：
；
其中，为多源信息的值，norm为标准化处理后的多源信息的值，/>和分别计算多源信息的均值和标准差，标准化处理后的多源信息集合表示为：
。
S3：基于VGG16卷积神经网络提取卫星观测获得的卫星图像特征，并基于随机邻域嵌入方法对卫星图像特征降维，结合收集到的多源信息构成综合特征：
S31：将S1中的收集的卫星图像输入至VGG16卷积神经网络，提取卫星图像特征的特征向量：
；
其中，I为卫星图像，为特征向量，有1000个维度；
S32：基于随机邻域嵌入方法对卫星图像特征降维，所述随机邻域嵌入方法首先需要使用高斯核函数计算卫星图像特征之间的相似度：
；
其中，表示卫星图像特征/>和/>之间的相似度；；
S33：使用随机邻域嵌入对数据进行低维度的映射；设定随机邻域嵌入的目标函数来最小化高维度空间中的相似度和低维度空间的相似度/>之间的差异：
；
其中，表示低维度空间中卫星图像特征/>和/>之间的相似度，所述低维度空间的维度为r，r<1000，本实施例中r=10。/>的计算方法如下：
；
其中，，/>表示卫星图像特征/>，/>在r维空间中的坐标；
S34：使用梯度下降算法优化目标函数，所述梯度下降算法的计算方式为：
；
其中，为交换卫星图像特征/>和/>位置后再次计算的/>和/>之间的相似度；/>为交换低维度空间中卫星图像特征/>和/>位置后再次计算的和/>之间的相似度；
不断更新卫星图像特征在低维度空间的坐标，即可获得卫星图像特征降维后的特征：
；
结合现有多源信息构成综合特征：
其中，为卫星图像特征降维后的特征；/>为标准化处理后的多源信息集合。
使用VGG16提取出的图像特征一般会具有高维度的特征空间，可能会导致后续评估模型的计算复杂度过高，从而导致训练和预测时间较长，难以实现实时评估。通过采用降维方法对图像特征进行降维，可以减少特征空间的维度，从而降低模型的计算复杂度，提高模型的计算效率。在本发明中，通过采用随机邻域嵌入方法对卫星图像特征进行降维，不仅可以有效减少特征空间的维度，同时保留了原始特征的重要信息，提高了评估模型的准确性。
S4：基于支持向量机构建水旱灾害动态风险评估方法，构建优化目标函数：
根据S3中获得的综合特征构建评估方法的训练集，所述训练集的表示形式为：
；
其中，为S3获得的综合特征，q表示训练集样本的序号，总共有Z个样本；函数用于提取一个固定窗口内的综合特征；/>为/>所对应的水旱灾害动态风险级别；将水旱灾害动态风险级别分为五种级别，分别为低风险、中水灾风险、中旱灾风险、高水灾风险、高旱灾风险；
所述基于支持向量机理论构建水旱灾害动态风险评估方法流程为：
构建支持向量机的超平面模型，其中/>和b为模型参数，模型参数的需满足的目标函数为：
，约束条件为/>；
其中，
表示最小化；
使目标函数取得最小值的最优超平面参数为和/>。
S5：训练构建的水旱灾害动态风险评估方法，得到训练好的风险评估方法后对水旱灾害动态风险进行实时评估：
基于S4中构建的目标函数，为低风险、中水灾风险、中旱灾风险、高水灾风险、高旱灾风险分别获得不同的水旱灾害动态风险评估方法；对于收集到的多源信息进行S1到S3的处理后获得的综合特征，根据以下公式计算其所属风险类别：
；
其中，g=1,2,3,4,5，分别代表低风险、中水灾风险、中旱灾风险、高水灾风险、高旱灾风险；和/>代表不同风险方法的最优超平面参数。最终取值最大的方法对应的风险等级即为根据当前获取的多源信息评估出水旱灾害动态风险等级。由于支持向量机理论本身仅支持二分类问题，因此对于多分类问题，例如本实施例中需要对风险进行低风险、中水灾风险、中旱灾风险、高水灾风险、高旱灾风险五种类别的分类，需要根据任务分类的数量训练相应的模型，从而综合不同模型得到的结果，选出输出的值最大的模型所对应的类别作为多分类问题的结果。
实施例2：一种基于多源信息水旱灾害动态风险评估系统，包括以下五个模块：
多源信息收集模块：多源信息收集，包括来自气象站数据、卫星观测数据和历史数据；
信息预处理模块：对有缺失的多源信息使用基于拉格朗日与克里金插值方法进行补全，并进行标准化获得标准数据集；
特征提取模块：基于VGG16卷积神经网络提取卫星观测获得的卫星图像特征；
模型构建模块：基于支持向量机构建水旱灾害动态风险评估方法，构建优化目标函数；
模型应用模块：使用训练好的风险评估方法后对水旱灾害动态风险进行实时评估。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种基于多源信息水旱灾害动态风险评估方法，其特征在于，包括以下步骤：
S1：多源信息收集，包括气象站数据、水文数据和卫星观测数据；
所述气象站数据包括气温数据、降水数据、蒸发数据、湿度数据、风速数据；
所述水文数据包括河流水文数据和水库流量数据；
所述卫星观测数据包括植被覆盖度、沙土覆盖度；
在所述步骤S1中，
所述降水数据包括实时降水量、历史降水量；
所述蒸发数据包括实时蒸发量、历史蒸发量；
所述河流水文数据包含河流水位、河流径流量和地下水水位；
所述水库流量数据包括水库水位、水库实时流量、水库历史流量、水库累计流量、入库流量、出库流量和水库蓄水量；
所述植被覆盖度和沙土覆盖度通过卫星图像指数获得，所述卫星图像指数为：
土壤调节植被指数：
；
其中，NIR和R分别表示卫星图像的近红外波段和红波段，L为土壤调节参数；对卫星图像上不同像素的SAVI值进行划分，统计植被覆盖像素和沙土覆盖像素数目，即可获得植被覆盖度和沙土覆盖度；
所采集的多源信息集合可表示为：
；
其中，，分别代表气象数据中的气温数据、实时降水量、历史降水量、实时蒸发量、历史蒸发量、湿度数据、风速数据7类数据；，分别代表河流水文数据中的河流水位、河流径流量、地下水水位、水库水位、水库实时流量、水库历史流量、水库累计流量、入库流量、出库流量、水库蓄水量共10类数据；/>，分别代表卫星数据提取出的植被覆盖度和沙土覆盖度；
S2：对有缺失的多源信息使用基于拉格朗日与克里金插值方法进行补全，并进行标准化处理获得标准数据集；包括：
基于拉格朗日与克里金插值方法对S1中收集获得多源信息中的缺失部分进行补全，所述插值方法为：
S21：确定插值区域，根据已有数据的时间序列和空间位置，确定需要插值的位置，其中/>表示缺失数据的空间位置，/>表述缺失数据的时间点；
S22：对已有的多源信息点，利用拉格朗日插值公式对缺失数据进行时间维度的估计，所述拉格朗日插值公式为：
；
其中，表示多源信息的时间序列，i,j=1,2,…, />，/>为时间序列的长度，表示时间戳，/>表示相应时间点多源信息的值，/>表示有缺失数据的时间点和相应的需要插值获得的多源信息的值，/>表示由拉格朗日插值公式计算出的插值结果；
S23：对已有的多源信息点，利用克里金插值公式对缺失数据进行空间维度的估计，所述克里金插值流程为：
计算插值位置与已有多源信息点的空间距离：
；
其中，表示多源信息的空间位置，u=1,2,…, />，/>为已有的数据点数目，表示缺失数据点的空间位置；
根据已有数据点之间的空间距离，计算半方差函数：
；
其中和/>分别表示空间距离为dist的已知的数据点的值，/>，表示空间距离为dist的数据点对数；
根据已有数据点之间的空间距离和半方差函数，计算位置处的权重：
；
其中，；
空间维度的插值结果即根据已有数据点的值按权重进行加权平均获得缺失数据点的值：
；
其中，表示由克里金插值公式计算出的插值结果；
S24：最终的插值结果由拉格朗日插值公式的结果与克里金插值公式的结果加权得到：
；
S25：对补全的数据标准化，获得标准化后的多源信息，所述标准化方式为：
；
其中，为多源信息的值，norm为标准化处理后的多源信息的值，/>和/>分别计算多源信息的均值和标准差，标准化处理后的多源信息集合表示为：
；
S3：基于VGG16卷积神经网络提取卫星观测获得的卫星图像特征，并基于随机邻域嵌入方法对卫星图像特征降维，结合收集到的多源信息构成综合特征；
S4：基于支持向量机构建水旱灾害动态风险评估方法，构建优化目标函数；
S5：训练构建的水旱灾害动态风险评估方法，得到训练好的风险评估方法后对水旱灾害动态风险进行实时评估。
2.根据权利要求1所述的水旱灾害动态风险评估方法，其特征在于，所述步骤S3中包括：
S31：将S1中的收集的卫星图像输入至VGG16卷积神经网络，提取卫星图像特征的特征向量：
；
其中，I为卫星图像，为特征向量，有1000个维度；
S32：基于随机邻域嵌入方法对卫星图像特征降维，所述随机邻域嵌入方法首先需要使用高斯核函数计算卫星图像特征之间的相似度：
；
其中，表示卫星图像特征/>和/>之间的相似度；/>；
S33：使用随机邻域嵌入对数据进行低维度的映射；设定随机邻域嵌入的目标函数来最小化高维度空间中的相似度和低维度空间的相似度/>之间的差异：
；
其中，表示低维度空间中卫星图像特征/>和/>之间的相似度，所述低维度空间的维度为r，r<1000；/>的计算方法如下：
；
其中，，/>表示卫星图像特征/>，/>在r维空间中的坐标；
S34：使用梯度下降算法优化目标函数，所述梯度下降算法的计算方式为：
；
其中，为交换卫星图像特征/>和/>位置后再次计算的/>和/>之间的相似度；/>为交换低维度空间中卫星图像特征/>和/>位置后再次计算的/>和/>之间的相似度；
不断更新卫星图像特征在低维度空间的坐标，即可获得卫星图像特征降维后的特征：
；
结合现有多源信息构成综合特征：
；
其中，为卫星图像特征降维后的特征；/>为标准化处理后的多源信息集合。
3.根据权利要求2所述的水旱灾害动态风险评估方法，其特征在于，所述步骤S4中基于支持向量机构建水旱灾害动态风险评估方法，构建优化目标函数基于支持向量机理论构建水旱灾害动态风险评估方法，构建方法需要优化的目标函数，包括：
根据S3中获得的综合特征构建评估方法的训练集，所述训练集的表示形式为：
；
其中，为S3获得的综合特征，q表示训练集样本的序号，总共有Z个样本；函数用于提取一个固定窗口内的综合特征；/>为/>所对应的水旱灾害动态风险级别；将水旱灾害动态风险级别分为五种级别，分别为低风险、中水灾风险、中旱灾风险、高水灾风险、高旱灾风险；
所述基于支持向量机理论构建水旱灾害动态风险评估方法流程为：
构建支持向量机的超平面模型，其中/>和b为模型参数，模型参数的需满足的目标函数为：
，约束条件为/>；
其中，表示最小化；
使目标函数取得最小值的最优超平面参数为和/>。
4.根据权利要求3所述的水旱灾害动态风险评估方法，其特征在于，所述步骤S5包括：
基于S4中构建的目标函数，为低风险、中水灾风险、中旱灾风险、高水灾风险、高旱灾风险分别获得不同的水旱灾害动态风险评估方法；对于收集到的多源信息进行S1到S3的处理后获得的综合特征，根据以下公式计算其所属风险类别：
；
其中，g=1,2,3,4,5，分别代表低风险、中水灾风险、中旱灾风险、高水灾风险、高旱灾风险；和/>代表不同风险方法的最优超平面参数。
5.一种基于多源信息水旱灾害动态风险评估系统，其特征在于，包括：
多源信息收集模块：多源信息收集，包括来自气象站数据、卫星观测数据和历史数据；
信息预处理模块：对有缺失的多源信息使用基于拉格朗日与克里金插值方法进行补全，并进行标准化获得标准数据集；
特征提取模块：基于VGG16卷积神经网络提取卫星观测获得的卫星图像特征；
模型构建模块：基于支持向量机构建水旱灾害动态风险评估方法，构建优化目标函数；
模型应用模块：使用训练好的风险评估方法后对水旱灾害动态风险进行实时评估；
以实现如权利要求1-4任意一项所述的一种基于多源信息水旱灾害动态风险评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311075204.7A CN116776238B (zh) | 2023-08-25 | 2023-08-25 | 一种基于多源信息水旱灾害动态风险评估方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311075204.7A CN116776238B (zh) | 2023-08-25 | 2023-08-25 | 一种基于多源信息水旱灾害动态风险评估方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116776238A CN116776238A (zh) | 2023-09-19 |
| CN116776238B true CN116776238B (zh) | 2023-11-03 |
Family
ID=87989930
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311075204.7A Active CN116776238B (zh) | 2023-08-25 | 2023-08-25 | 一种基于多源信息水旱灾害动态风险评估方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116776238B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116992294B (zh) * | 2023-09-26 | 2023-12-19 | 成都国恒空间技术工程股份有限公司 | 卫星测控训练评估方法、装置、设备及存储介质 |
| CN117056732B (zh) * | 2023-10-11 | 2023-12-15 | 山东科技大学 | 一种顾及非各向同性的narx对流层延迟格网预测方法 |
| CN117093832B (zh) * | 2023-10-18 | 2024-01-26 | 山东公用环保集团检测运营有限公司 | 一种用于空气质量数据缺失的数据插补方法及系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102682089A (zh) * | 2012-04-24 | 2012-09-19 | 浙江工业大学 | 一种利用鉴别随机邻域嵌入分析的数据降维方法 |
| CN103440420A (zh) * | 2013-08-30 | 2013-12-11 | 民政部国家减灾中心 | 农业旱灾致灾因子危险性评估方法 |
| CN107679167A (zh) * | 2017-09-29 | 2018-02-09 | 智慧天气风险管理（深圳）有限公司 | 基于格点化气象数据的气象风险评估方法及分析预警平台 |
| CN108760643A (zh) * | 2018-04-04 | 2018-11-06 | 西南石油大学 | 一种适宜于高海拔地区的干旱遥感监测方法 |
| CN111079999A (zh) * | 2019-12-04 | 2020-04-28 | 中国地质大学（武汉） | 一种基于cnn和svm的洪水灾害易发性预测方法 |
| CN111143344A (zh) * | 2019-12-31 | 2020-05-12 | 新奥数能科技有限公司 | 一种用于时间序列数据缺失的补全方法及装置 |
| CN111737651A (zh) * | 2020-06-22 | 2020-10-02 | 黄河勘测规划设计研究院有限公司 | 基于多源数据的空间网格化干旱灾情风险评估方法及系统 |
| KR20210019313A (ko) * | 2019-08-12 | 2021-02-22 | 한국수자원공사 | 통합 알고리즘에 기반한 수재해 플랫폼 구축 방법 |
| CN112906762A (zh) * | 2021-01-29 | 2021-06-04 | 长江水利委员会水文局 | 一种水资源系统临界状态的定义及辨识方法和系统 |
| AU2021105982A4 (en) * | 2021-08-19 | 2021-10-28 | Institute Of Agricultural Resources And Regional Planning, Chinese Academy Of Agricultural Sciences | Soil moisture inversion method based on deep learning |
| CN114444791A (zh) * | 2022-01-19 | 2022-05-06 | 国网新疆电力有限公司电力科学研究院 | 一种基于机器学习的洪涝灾害遥感监测评估方法 |
| WO2022184088A1 (zh) * | 2021-03-02 | 2022-09-09 | 河海大学 | 一种基于集成学习的洪水敏感性风险评估方法 |
| CN115099453A (zh) * | 2022-05-06 | 2022-09-23 | 河海大学 | 一种多变量栅格化卫星遥感综合干旱风险评估方法 |
| CN115757849A (zh) * | 2022-11-17 | 2023-03-07 | 汇杰设计集团股份有限公司 | 一种河湖四乱问题的研判方法、系统、设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114943674A (zh) * | 2021-02-09 | 2022-08-26 | 富泰华工业（深圳）有限公司 | 瑕疵检测方法、电子装置及存储介质 |
-
2023
- 2023-08-25 CN CN202311075204.7A patent/CN116776238B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102682089A (zh) * | 2012-04-24 | 2012-09-19 | 浙江工业大学 | 一种利用鉴别随机邻域嵌入分析的数据降维方法 |
| CN103440420A (zh) * | 2013-08-30 | 2013-12-11 | 民政部国家减灾中心 | 农业旱灾致灾因子危险性评估方法 |
| CN107679167A (zh) * | 2017-09-29 | 2018-02-09 | 智慧天气风险管理（深圳）有限公司 | 基于格点化气象数据的气象风险评估方法及分析预警平台 |
| CN108760643A (zh) * | 2018-04-04 | 2018-11-06 | 西南石油大学 | 一种适宜于高海拔地区的干旱遥感监测方法 |
| KR20210019313A (ko) * | 2019-08-12 | 2021-02-22 | 한국수자원공사 | 통합 알고리즘에 기반한 수재해 플랫폼 구축 방법 |
| CN111079999A (zh) * | 2019-12-04 | 2020-04-28 | 中国地质大学（武汉） | 一种基于cnn和svm的洪水灾害易发性预测方法 |
| CN111143344A (zh) * | 2019-12-31 | 2020-05-12 | 新奥数能科技有限公司 | 一种用于时间序列数据缺失的补全方法及装置 |
| CN111737651A (zh) * | 2020-06-22 | 2020-10-02 | 黄河勘测规划设计研究院有限公司 | 基于多源数据的空间网格化干旱灾情风险评估方法及系统 |
| CN112906762A (zh) * | 2021-01-29 | 2021-06-04 | 长江水利委员会水文局 | 一种水资源系统临界状态的定义及辨识方法和系统 |
| WO2022184088A1 (zh) * | 2021-03-02 | 2022-09-09 | 河海大学 | 一种基于集成学习的洪水敏感性风险评估方法 |
| AU2021105982A4 (en) * | 2021-08-19 | 2021-10-28 | Institute Of Agricultural Resources And Regional Planning, Chinese Academy Of Agricultural Sciences | Soil moisture inversion method based on deep learning |
| CN114444791A (zh) * | 2022-01-19 | 2022-05-06 | 国网新疆电力有限公司电力科学研究院 | 一种基于机器学习的洪涝灾害遥感监测评估方法 |
| CN115099453A (zh) * | 2022-05-06 | 2022-09-23 | 河海大学 | 一种多变量栅格化卫星遥感综合干旱风险评估方法 |
| CN115757849A (zh) * | 2022-11-17 | 2023-03-07 | 汇杰设计集团股份有限公司 | 一种河湖四乱问题的研判方法、系统、设备及介质 |
Non-Patent Citations (3)
| Title |
|---|
| A Review on Applications of Remote Sensing and Geographic Information Systems (GIS) in Water Resources and Flood Risk Management;XianweiWang等;《water》;第1-11页 * |
| 利用空-地多源数据监测评估暴雨对辽河洪涝灾害的影响;周斌等;《兰州大学学报(自然科学版)》;第58卷(第3期);第331-336页 * |
| 基于深度学习的旱灾风险评估方法;冯岭等;《人民长江》;第53卷(第6期);第111-118页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116776238A (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116776238B (zh) | 一种基于多源信息水旱灾害动态风险评估方法和系统 | |
| CN111126704B (zh) | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 | |
| CN110648014B (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
| CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
| CN114254561A (zh) | 一种内涝预测方法、系统及存储介质 | |
| CN115271255B (zh) | 基于知识图谱和机器学习的雨洪相似性分析方法和系统 | |
| CN106845080B (zh) | 基于差异修正的景区旅游气象灾害智能预测方法 | |
| CN111161362A (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
| CN114067214B (zh) | 一种基于多模型融合卷积网络的暴雨识别方法和装置 | |
| CN110059713A (zh) | 一种基于降水粒子多特征参量的降水类型识别方法 | |
| CN116010795B (zh) | 基于图像特征和深度学习的相似场次降雨模式库构建方法 | |
| CN113779113B (zh) | 基于雨洪时空过程相似性挖掘的洪水动态预估方法及系统 | |
| CN115879817A (zh) | 一种区域减碳量评估方法、装置、电子设备及存储介质 | |
| Zhou et al. | Automatic responsive-generation of 3D urban morphology coupled with local climate zones using generative adversarial network | |
| CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
| CN113673534B (zh) | 一种基于Faster RCNN的RGB-D图像果实检测方法 | |
| CN117079130B (zh) | 一种基于红树林生境的智能信息管理方法及系统 | |
| CN113569786A (zh) | 基于多模态影像的作物病虫害检测方法及系统、设备、存储介质 | |
| CN113642677B (zh) | 一种区域电网负荷预测方法和装置 | |
| CN114419443A (zh) | 一种遥感影像耕地地块自动提取方法及系统 | |
| CN113936166A (zh) | 一种基于多普勒天气雷达数据的冰雹回波识别方法及系统 | |
| CN118643281B (zh) | 基于ai的森林碳汇量预测系统 | |
| CN116630814B (zh) | 一种基于机器学习的建筑灾害快速定位评估方法 | |
| CN117011719B (zh) | 一种基于卫星图像的水资源信息采集方法 | |
| CN118521182B (zh) | 一种基于遥感数据的国土规划调整辅助系统 |
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 |