CN116822944A - 内河航道通航安全风险评估方法、装置、设备及介质 - Google Patents
内河航道通航安全风险评估方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116822944A CN116822944A CN202310565268.9A CN202310565268A CN116822944A CN 116822944 A CN116822944 A CN 116822944A CN 202310565268 A CN202310565268 A CN 202310565268A CN 116822944 A CN116822944 A CN 116822944A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- evaluated
- risk
- channel
- navigation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012502 risk assessment Methods 0.000 title claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 133
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims description 22
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例提供了内河航道通航安全风险评估方法、装置、设备及介质，应用于航道交通安全管理技术领域。所述方法包括获取待评估航道的评估数据；所述评估数据是对所述待评估航道的卫星遥感图像数据进行遥感影像处理和评价因子提取得到的；构建内河航道通航安全风险评估矩阵对所述评估数据进行评估，得到所述待评估航道的安全风险评估结果；基于所述安全风险评估结果确定所述待评估航道的风险等级；根据所述风险等级进行航运驾驶风险区域提示。以此方式，可以结合卫星遥感技术的优势，确定影响内河航道通航安全的评价因子及影响程度等级，对影响内河航道通航安全的因素进行全面评价，提高内河航道通航安全风险等级预测的准确率。
Description
技术领域
本公开涉及航道交通安全管理技术领域，尤其涉及内河航道通航安全风险评估方法、装置、设备及介质。
背景技术
内河航道是水上交通运输系统中重要的组成部分，内河航运具有运输成本小、运能大、能耗低、污染小等特点。安全稳定的内河航道是内河运输的重要保障，因此科学合理的内河航道通航安全风险评估可作为航运驾驶风险提示、内河航道综合治理的依据。
目前，内河航道通航安全风险评估，大多数采用现场实地调研后构建风险评价模型的方法，此类方法主要存在评估成本高、耗费时间长的缺点。卫星遥感技术具有覆盖范围广、动态周期性监测、客观准确、综合性强等特点，此外还有监测区域不受地形地貌和交通条件限制、时效性强、成本低等技术优势。目前基于卫星遥感技术内河航道的研究多数是采用监督分类、面向对象抑或是深度学习的方法提取内河航道或单一内河航道碍航物(如礁石、沿岸滑坡)，或者是研究某些海上区域(如北极、南极地区)海冰对航道通航的影响，但影响内河航道通航安全的因素复杂且多样，缺乏全面有效的评估体系。
发明内容
本公开提供了一种内河航道通航安全风险评估方法、装置、设备及介质。
根据本公开的第一方面，提供了一种内河航道通航安全风险评估方法。该方法包括：
获取待评估航道的评估数据；所述评估数据是对所述待评估航道的卫星遥感图像数据进行遥感影像处理和评价因子提取得到的；
构建内河航道通航安全风险评估矩阵对所述评估数据进行评估，得到所述待评估航道的安全风险评估结果；
基于所述安全风险评估结果确定所述待评估航道的风险等级；
根据所述风险等级进行航运驾驶风险区域提示。
进一步地，所述对所述待评估航道的卫星遥感图像数据进行遥感影像处理和评价因子提取，包括：
获取待评估航道的卫星遥感图像数据；
对所述卫星遥感图像数据进行正射校正、影像融合和影像镶嵌处理，得到待分析图像；
对所述待分析图像进行评价因子提取，得到评估因子；所述评价因子包括浅滩、沿岸滑坡、礁石、工厂、拦河坝、码头、居民区；
对所述评估因子进行两两比较，生成所述待评估航道的评估数据。
进一步地，所述评估数据包括多个评估因子及其对应的评价分数，所述构建内河航道通航安全风险评估矩阵对所述评估数据进行评估，得到所述待评估航道的安全风险评估结果，包括：
根据所述评估数据构建判断矩阵，并计算所述判断矩阵的最大特征根；
对所述最大特征根进行一致性检验，得到一致性检验结果；
响应于所述一致性检验结果小于预设阈值，计算所述评估因子的权重系数；
根据所述评估因子的权重系数与对应的评价分数计算得到航道通航安全风险评估结果。
进一步地，所述对所述最大特征根进行一致性检验，得到一致性检验结果，包括：
对所述最大特征根与所述判断矩阵的阶数进行计算得到偏离指标；
根据随机一致性指标与所述偏离指标的比值得到检验系数；
根据所述检验系数确定一致性检验结果。
进一步地，所述评估因子的权重系数的计算公式如下：
式中，Wi表示评估因子i的权重系数，aij表示评估因子i相对于评估因子j的重要程度，n表示判断矩阵的阶数。
进一步地，待评估内河包括多段待评估航道，所述根据所述风险等级进行航运驾驶风险区域提示，包括：
获取待评估内河的风险等级评估结果；所述待评估内河的风险等级评估结果包括所述多段待评估航道及其对应的风险等级；
基于所述待评估内河的风险等级评估结果生成所述待评估内河的通航安全风险等级图像；
根据所述通航安全风险等级图像进行航运驾驶风险提示。
进一步地，所述方法还包括：根据风险等级进行内河航道的治理与维护预警。
根据本公开的第二方面，提供了一种内河航道通航安全风险评估装置。该装置包括：
评估数据获取模块，用于获取待评估航道的评估数据；所述评估数据是对所述待评估航道的卫星遥感图像数据进行遥感影像处理和评价因子提取得到的；
评估结果生成模块，用于构建内河航道通航安全风险评估矩阵对所述评估数据进行评估，得到所述待评估航道的安全风险评估结果；
风险等级确定模块，用于基于所述安全风险评估结果确定所述待评估航道的风险等级；
驾驶风险提示模块，用于根据所述风险等级进行航运驾驶风险区域提示。
根据本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面所述的方法。
本公开的实施例提供的内河航道通航安全风险评估方法、装置、设备及介质，对待评估航道的卫星遥感图像数据进行处理和评价因子的提取，可以利用卫星遥感技术覆盖范围广、动态周期性监测、客观准确、综合性强以及监测区域不受地形地貌和交通条件限制、时效性强、成本低的技术优势，并构建内河航道通航安全风险评估矩阵进行评估，可以对影响内河航道通航安全的因素进行全面评价，最终得到风险评估结果对应的风险等级，提高内河航道通航安全风险等级预测的准确率的同时，还可以为航运安全驾驶保驾护航。
应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案，不构成对本公开的限定在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本公开的实施例的内河航道通航安全风险评估方法的流程图；
图2示出了根据本公开的又一实施例的内河航道通航安全风险评估方法的流程图；
图3示出了根据本公开的又一实施例的内河航道通航安全风险评估方法的流程图；
图4示出了根据本公开的又一实施例的内河航道通航安全风险评估方法的流程图；
图5示出了根据本公开的又一实施例的内河航道通航安全风险评估方法的流程图；
图6示出了根据本公开的又一实施例的评估因子的遥感图像示意图；
图7示出了根据本公开的又一实施例的航道通航安全风险等级示意图；
图8示出了根据本公开的实施例的内河航道通航安全风险评估装置的框图；
图9示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1示出了根据本公开实施例的内河航道通航安全风险评估方法100的流程图。方法100包括：
步骤110，获取待评估航道的评估数据；所述评估数据是对所述待评估航道的卫星遥感图像数据进行遥感影像处理和评价因子提取得到的。
在一些实施例中，由于卫星遥感技术具有覆盖范围广、动态周期性监测、客观准确、综合性强等特点，此外还有监测区域不受地形地貌和交通条件限制、时效性强、成本低等技术优势。所以需要获取待评估航道的卫星遥感图像数据。首先确定需要进行航道通航安全风险评估的分析区域，例如，可以选择航运业务繁忙、通航环境复杂、事故频发、或具有重要战略意义的航道，增强对这些复杂通航情况航道的安全风险监控。例如，选取A省B州境内的C航道为通航安全风险等级评估的实验区域。
在一些实施例中，如图2所示的对所述待评估航道的卫星遥感图像数据进行遥感影像处理和评价因子提取的流程图，具体包括以下步骤：
步骤210，获取待评估航道的卫星遥感图像数据。
步骤220，对所述卫星遥感图像数据进行正射校正、影像融合和影像镶嵌处理，得到待分析图像。
步骤230，对所述待分析图像进行评价因子提取，得到评估因子；所述评价因子包括浅滩、沿岸滑坡、礁石、工厂、拦河坝、码头、居民区。
步骤240，对所述评估因子进行两两比较，生成所述待评估航道的评估数据。
在一些实施例中，获取分析区域的多期高分辨率卫星遥感影像并经过处理，其中，选择能覆盖需求航道区域且多期(具有枯水期和汛水期)高分辨率遥感数据源，例如高分二号、北京二号等，并对遥感影像进行处理，例如大气校正、正射校正、影像融合和影像镶嵌。基于专业遥感信息提取软件采用专家知识综合解译方法提取评价因子，其中，专业遥感信息提取软件：例如ArcMap10.4，ENVI5.3、PIEortho6.0等，专家知识综合解译方法：综合利用遥感图像本身的光谱特征、地物形状特征、空间分布规律、时间信息以及判读经验来提取航道一定范围内的浅滩、沿岸滑坡、礁石、工厂、拦河坝、码头、居民区要素。其中，浅滩：淤泥和河沙等堆积在河道中央或者河岸边，逐渐生长并对航道通航安全造成影响；沿岸滑坡等地质灾害：河流两侧山坡因为雨水浸泡与冲刷、地震、自然重力等因素导致成岩物质或松散堆积物向下出现滑动、滚落或位移，从而对航道通航安全造成影响；礁石：高出水蚀平台的水蚀残留体或江河中隆起而不露出水面的岩石对航道通航安全造成影响；工厂：沿岸工厂的运输船只、开采工作、废物排放等均能对河道及河岸造成破坏，从而对航道通航安全造成影响；拦河坝：不仅会降低船只通行速度、增大通行压力，而且容易影响船只通航安全；码头：码头船只停泊特别是引桥泊位会影响过往船只通航；居民区：人类在航道周边的无序活动(违建建筑、生活垃圾、渡口横渡等)会通航造成安全风险。
在一些实施例中，基于选定的评估因子进行两两比较，以减少性质不同的诸因素相互比较的困难，提高预测准确度。例如，将元素i与元素j进行比较，并分析元素i相对于元素j的重要程度，根据下述步骤确定aij的值：
aij＝1，元素i，元素j重要性同等重要；
aij＝3，元素i比元素j稍重要；
aij＝5，元素i比元素j明显重要；
aij＝7，元素i比元素j强烈重要；
aij＝9，元素i比元素j极度重要；
aij＝2n，n＝1,2,3,4，元素i与元素j的重要性介于aij＝2n-1与aij＝2n+1之间；其中，元素i、j均表示评估因子。
在一些实施例中，通过综合利用遥感图像本身的光谱特征、地物形状特征、空间分布规律、时间信息以及判读经验，并基于遥感信息提取软件ArcMap10.4，提取浅滩、沿岸滑坡、礁石、工厂、拦河坝、码头、居民区七类评估因子，以便对航道通航安全进行全面评价。如图6所示的这七类评估因子的遥感图像，并对这七类评估因子进行两两比较后建立判断矩阵A，即Saaty等人提出的一致矩阵法，得到判断矩阵A如下表所示：
| 浅滩 | 沿岸滑坡 | 礁石 | 工厂 | 拦河坝 | 码头 | 居民区 | |
| 浅滩 | 1 | 1/2 | 1/3 | 1/2 | 3 | 2 | 2 |
| 沿岸滑坡 | 2 | 1 | 1/2 | 1/2 | 3 | 3 | 2 |
| 礁石 | 3 | 2 | 1 | 2 | 4 | 4 | 3 |
| 工厂 | 2 | 2 | 1/2 | 1 | 4 | 3 | 3 |
| 拦河坝 | 1/3 | 1/3 | 1/4 | 1/4 | 1 | 1/2 | 1/2 |
| 码头 | 1/2 | 1/3 | 1/4 | 1/3 | 2 | 1 | 1/2 |
| 居民区 | 1/2 | 1/2 | 1/3 | 1/3 | 2 | 2 | 1 |
其中，aji＝1/aij。
步骤120，构建内河航道通航安全风险评估矩阵对所述评估数据进行评估，得到所述待评估航道的安全风险评估结果。
在一些实施例中，如图3所示的构建内河航道通航安全风险评估矩阵对步骤110得到的评估数据进行评估，得到安全风险评估结果的流程示意图，具体包括以下步骤：
步骤310，根据所述评估数据构建判断矩阵，并计算所述判断矩阵的最大特征根。
在一些实施例中，根据步骤240得到的评估数据构建判断矩阵A，A＝(aij)P×P其中，p表示判断矩阵的阶数，也即评估因子的个数，并根据AW0＝λmaxW0，求解判断矩阵A的最大特征根λmax，其中，W0为特征向量。例如，如上述构建的判断矩阵A的表数据计算得到最大特征根λmax为7.1952，对应的特征向量为：
W0＝[0.2728,0.3729,0.6782,0.5027,0.1104,0.1482,0.1992]T
步骤320，对所述最大特征根进行一致性检验，得到一致性检验结果。
在一些实施例中，通过步骤310计算得到最大特征根λmax后，如图4所示的对所述最大特征根进行一致性检验，得到一致性检验结果的流程图，具体包括以下步骤：
步骤410，对所述最大特征根与所述判断矩阵的阶数进行计算得到偏离指标。
步骤420，根据随机一致性指标与所述偏离指标的比值得到检验系数。
步骤430，根据所述检验系数确定一致性检验结果。
在一些实施例中，引入判断矩阵的最大特征根λmax与P的差值，并求出差值与P-1的比值作为度量判断矩阵偏离一致性指标CI，其中，当CI＝0时，有完全的一致性；当CI接近于0时，有满意的一致性；当CI越大，其不一致性越严重。其中P表示判断矩阵的阶数。为定量衡量CI的大小，进而引入随机一致性指标RI，其计算为CI1、CI2……CIp的均值。随机一致性指标RI与判断矩阵的阶数有关，一般情况下，矩阵阶数越大，则出现一致性随机偏离的可能性也越大，其对应关系如下表所示：
| 阶数 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
| RI | 0 | 0 | 0.58 | 0.90 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 | 1.49 |
在一些实施例中，考虑到一致性的偏离可能是由于随机原因造成的，因而在检验判断矩阵是否具有满意的一致性时，还需将CI和随机一致性指标RI进行比较，得出检验系数CR，即CI与RI的比值，最终将检验系数CR作为一致性检验结果。例如，如上述构建的判断矩阵A的表数据，计算得到CI＝0.03253；RI＝1.32；CR＝0.02464。
步骤330，响应于所述一致性检验结果小于预设阈值，计算所述评估因子的权重系数。
在一些实施例中，例如预设阈值为0.1，步骤430得到的一致性检验结果CR，若CR<0.1，则认为该判断矩阵通过一致性检验；否则，就不具有满意一致性。例如，CR＝0.02464＜0.1，通过一致性检验。
步骤340，根据所述评估因子的权重系数与对应的评价分数计算得到航道通航安全风险评估结果。
在一些实施例中，通过一致性检验之后，根据如下公式计算评估因子的权重系数：
式中，Wi表示评估因子i的权重系数，aij表示评估因子i相对于评估因子j的重要程度，n表示判断矩阵的阶数。例如，经过计算后得到的评估因子的权重系数的数据如下表所示：
| 评估因子 | 浅滩 | 沿岸滑坡 | 礁石 | 工厂 | 拦河坝 | 码头 | 居民区 |
| 权重 | 0.1195 | 0.1636 | 0.2963 | 0.2202 | 0.0482 | 0.0649 | 0.0873 |
在一些实施例中，在得到各评估因子的权重系数之后，计算评估因子权重与各评估因子分级标准的乘积之和，得到航道通航安全风险评估结果S:
S＝∑(WiGi)
其中，S为航道通航安全风险指数；Wi为评估因子i的权重；Gi是对应下表的影响程度类型：
步骤130，基于所述安全风险评估结果确定所述待评估航道的风险等级。
在一些实施例中，将步骤340得到的航道通航安全风险评估结果与风险等级标准进行比较，确定待评估航道的风险等级。其中，风险等级标准如下表所示：
步骤140，根据所述风险等级进行航运驾驶风险区域提示。
在一些实施例中，如图5所示的根据所述风险等级进行航运驾驶风险区域提示的流程图，具体包括以下步骤：
步骤510，获取待评估内河的风险等级评估结果；所述待评估内河的风险等级评估结果包括所述多段待评估航道及其对应的风险等级；
步骤520，基于所述待评估内河的风险等级评估结果生成所述待评估内河的通航安全风险等级图像；
步骤530，根据所述通航安全风险等级图像进行航运驾驶风险提示。
在一些实施例中，如图7所示的B州境内的C航道通航安全风险等级图，其中，以5公里/段进行分段，并根据步骤130得到的风险等级生成航道通航安全风险等级图，进行航运驾驶风险提示。需要注意的是，可以根据实际评估需要，调整分段航道的公里数，并不受上述举例5公里/段的限制。
本公开的实施例提供的内河航道通航安全风险评估方法、装置、设备及介质，对待评估航道的卫星遥感图像数据进行处理和评价因子的提取，可以利用卫星遥感技术覆盖范围广、动态周期性监测、客观准确、综合性强以及监测区域不受地形地貌和交通条件限制、时效性强、成本低的技术优势，并构建内河航道通航安全风险评估矩阵进行评估，可以对影响内河航道通航安全的因素进行全面评价，最终得到风险评估结果对应的风险等级，提高内河航道通航安全风险等级预测的准确率的同时，还可以为航运安全驾驶保驾护航。
基于上述实施方式，在本公开提供的又一实施方式的所述内河航道通航安全风险评估，还包括：根据风险等级进行内河航道的治理与维护预警。
在一些实施例中，可以根据评估后航道中各个分段航段的风险等级，以及对导致出现此风险等级的具体影响因素进行分析，例如，由于雨季导致的沿岸滑坡的地质灾害导致航道通航安全风险增加的，可以作出治理和航道维护预警，以便根据预警及时进行航道的清理维护，保障通航安全。
在一些实施例中，可以根据实际反馈结果对评估进行订正和优化，以便于及时更新航运驾驶风险提示，提高评估的准确率。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
图8示出了根据本公开的实施例的内河航道通航安全风险评估装置800的方框图。如图8所示，装置800包括：
评估数据获取模块810，用于获取待评估航道的评估数据；所述评估数据是对所述待评估航道的卫星遥感图像数据进行遥感影像处理和评价因子提取得到的；
评估结果生成模块820，用于构建内河航道通航安全风险评估矩阵对所述评估数据进行评估，得到所述待评估航道的安全风险评估结果；
风险等级确定模块830，用于基于所述安全风险评估结果确定所述待评估航道的风险等级；
驾驶风险提示模块840，用于根据所述风险等级进行航运驾驶风险区域提示。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如方法100。例如，在一些实施例中，方法100可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM903并由计算单元901执行时，可以执行上文描述的方法100的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法100。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (10)
1.一种内河航道通航安全风险评估方法，其特征在于，包括：
获取待评估航道的评估数据；所述评估数据是对所述待评估航道的卫星遥感图像数据进行遥感影像处理和评价因子提取得到的；
构建内河航道通航安全风险评估矩阵对所述评估数据进行评估，得到所述待评估航道的安全风险评估结果；
基于所述安全风险评估结果确定所述待评估航道的风险等级；
根据所述风险等级进行航运驾驶风险区域提示。
2.根据权利要求1所述的方法，其特征在于，所述对所述待评估航道的卫星遥感图像数据进行遥感影像处理和评价因子提取，包括：
获取待评估航道的卫星遥感图像数据；
对所述卫星遥感图像数据进行正射校正、影像融合和影像镶嵌处理，得到待分析图像；
对所述待分析图像进行评价因子提取，得到评估因子；所述评价因子包括浅滩、沿岸滑坡、礁石、工厂、拦河坝、码头、居民区；
对所述评估因子进行两两比较，生成所述待评估航道的评估数据。
3.根据权利要求1所述的方法，其特征在于，所述评估数据包括多个评估因子及其对应的评价分数，所述构建内河航道通航安全风险评估矩阵对所述评估数据进行评估，得到所述待评估航道的安全风险评估结果，包括：
根据所述评估数据构建判断矩阵，并计算所述判断矩阵的最大特征根；
对所述最大特征根进行一致性检验，得到一致性检验结果；
响应于所述一致性检验结果小于预设阈值，计算所述评估因子的权重系数；
根据所述评估因子的权重系数与对应的评价分数计算得到航道通航安全风险评估结果。
4.根据权利要求3所述的方法，其特征在于，所述对所述最大特征根进行一致性检验，得到一致性检验结果，包括：
对所述最大特征根与所述判断矩阵的阶数进行计算得到偏离指标；
根据随机一致性指标与所述偏离指标的比值得到检验系数；
根据所述检验系数确定一致性检验结果。
5.根据权利要求3所述的方法，其特征在于，所述评估因子的权重系数的计算公式如下：
式中，Wi表示评估因子i的权重系数，aij表示评估因子i相对于评估因子j的重要程度，n表示判断矩阵的阶数。
6.根据权利要求1所述的方法，其特征在于，待评估内河包括多段待评估航道，所述根据所述风险等级进行航运驾驶风险区域提示，包括：
获取待评估内河的风险等级评估结果；所述待评估内河的风险等级评估结果包括所述多段待评估航道及其对应的风险等级；
基于所述待评估内河的风险等级评估结果生成所述待评估内河的通航安全风险等级图像；
根据所述通航安全风险等级图像进行航运驾驶风险提示。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据风险等级进行内河航道的治理与维护预警。
8.一种内河航道通航安全风险评估装置，其特征在于，包括：
评估数据获取模块，用于获取待评估航道的评估数据；所述评估数据是对所述待评估航道的卫星遥感图像数据进行遥感影像处理和评价因子提取得到的；
评估结果生成模块，用于构建内河航道通航安全风险评估矩阵对所述评估数据进行评估，得到所述待评估航道的安全风险评估结果；
风险等级确定模块，用于基于所述安全风险评估结果确定所述待评估航道的风险等级；
驾驶风险提示模块，用于根据所述风险等级进行航运驾驶风险区域提示。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一权利要求所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一权利要求所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310565268.9A CN116822944A (zh) | 2023-05-18 | 2023-05-18 | 内河航道通航安全风险评估方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310565268.9A CN116822944A (zh) | 2023-05-18 | 2023-05-18 | 内河航道通航安全风险评估方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116822944A true CN116822944A (zh) | 2023-09-29 |
Family
ID=88124878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310565268.9A Pending CN116822944A (zh) | 2023-05-18 | 2023-05-18 | 内河航道通航安全风险评估方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116822944A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117906580A (zh) * | 2024-03-20 | 2024-04-19 | 江苏航运职业技术学院 | 一种航道水下地形变化分析系统及方法 |
-
2023
- 2023-05-18 CN CN202310565268.9A patent/CN116822944A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117906580A (zh) * | 2024-03-20 | 2024-04-19 | 江苏航运职业技术学院 | 一种航道水下地形变化分析系统及方法 |
| CN117906580B (zh) * | 2024-03-20 | 2024-06-04 | 江苏航运职业技术学院 | 一种航道水下地形变化分析系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Di Napoli et al. | Machine learning ensemble modelling as a tool to improve landslide susceptibility mapping reliability | |
| Zaha et al. | Flume experiments on optimal arrangement of hybrid defense system comprising an embankment, moat, and emergent vegetation to mitigate inundating tsunami current | |
| Abaei et al. | A robust risk assessment methodology for safety analysis of marine structures under storm conditions | |
| Zhang et al. | Navigation risk assessment method based on flow conditions: A case study of the river reach between the Three Gorges Dam and the Gezhouba Dam | |
| CN116822944A (zh) | 内河航道通航安全风险评估方法、装置、设备及介质 | |
| Vilibić et al. | The Mediterranean and Black Sea meteotsunamis: an overview | |
| den Heijer et al. | Assessment of dune failure along the Dutch coast using a fully probabilistic approach | |
| Tarwidi et al. | An optimized XGBoost-based machine learning method for predicting wave run-up on a sloping beach | |
| CN112434948B (zh) | 一种海上打捞作业海气环境风险评估系统 | |
| US20230393304A1 (en) | El nino extreme weather early warning method and device based on incremental learning | |
| Maia et al. | Analytical model of sea level elevation during a storm: Support for coastal flood risk assessment associated with cyclone passage | |
| Sampurno et al. | Integrated hydrodynamic and machine learning models for compound flooding prediction in a data-scarce estuarine delta | |
| JP2019127818A (ja) | 土砂災害予測装置、コンピュータプログラム、土砂災害予測方法及び地図情報 | |
| CN116108995A (zh) | 感潮河段船舶油耗预测方法、装置及电子设备 | |
| Santos et al. | GIS-based approach to the assessment of coastal vulnerability to storms. Case study in the Bay of Cádiz (Andalusia, Spain) | |
| Troch et al. | Modelling and measurement of low-frequency surge motion associated with extreme storm conditions in the Port of Cape Town | |
| Shi et al. | Deep learning models for water stage predictions in south florida | |
| CN113887903B (zh) | 一种库岸边坡地质灾害风险排序方法、装置、计算机设备及计算机可读存储介质 | |
| Castro et al. | Artificial Neural Networks for the forecasting of wave climate in proximity of harbour area | |
| Tamimi et al. | A framework for quantifying fatigue deterioration of ship structures under changing climate conditions | |
| Buranasing et al. | Storm intensity estimation using symbolic aggregate approximation and artificial neural network | |
| Fannassi et al. | Prediction of coastal vulnerability with machine learning techniques, Mediterranean coast of Tangier-Tetouan, Morocco | |
| Febrina et al. | Vulnerability Assessment of Tsunami-Affected Inundated Area Using Geospatial Analysis Based Tsunami Run-Up Simulation | |
| Park et al. | Analysis and forecasting of national marine litter based on coastal data in South Korea from 2009 to 2021 | |
| Awang et al. | Global weights of coastal erosion risk factors using AHP method: A case study of Setiu Wetlands |
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 |