CN116933217B - 基于数字孪生和ai技术的中小河流洪水预报方法 - Google Patents
基于数字孪生和ai技术的中小河流洪水预报方法 Download PDFInfo
- Publication number
- CN116933217B CN116933217B CN202311207099.8A CN202311207099A CN116933217B CN 116933217 B CN116933217 B CN 116933217B CN 202311207099 A CN202311207099 A CN 202311207099A CN 116933217 B CN116933217 B CN 116933217B
- Authority
- CN
- China
- Prior art keywords
- river
- data
- flood
- local
- medium
- 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 67
- 238000005516 engineering process Methods 0.000 title claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 101
- 238000004458 analytical method Methods 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000004088 simulation Methods 0.000 claims abstract description 34
- 238000000611 regression analysis Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000006424 Flood reaction Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims description 41
- 239000004576 sand Substances 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 238000009825 accumulation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 125000004122 cyclic group Chemical group 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000013277 forecasting method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 8
- 239000003550 marker Substances 0.000 description 7
- 238000012502 risk assessment Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000002349 favourable effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Geometry (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Hydrology & Water Resources (AREA)
- Artificial Intelligence (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及灾害预报技术领域，本发明公开了基于数字孪生和AI技术的中小河流洪水预报方法，包括：筛选出高危险性标记和中危险性标记的局部河流区域；基于高危险性标记和中危险性标记进行综合评估分析处理，获取第一输出数据；利用预构建洪水回归模型对历史河流数据进行回归分析处理，得到第二输出数据；利用预构建河流数字孪生模型对实测河流数据进行模拟分析处理，得到第三输出数据；将实测河流数据与第一输出数据作为第一样本集，将历史河流数据与第二输出数据作为第二样本集，将实测河流数据与第三输出数据作为第三样本集；基于第一样本集、第二样本集和第三样本集构建洪水预测模型；利用洪水预测模型对中小河流进行预测分析。
Description
技术领域
本发明涉及灾害预报技术领域，更具体地说，本发明涉及基于数字孪生和AI技术的中小河流洪水预报方法。
背景技术
洪水预报是一项关键的水文气象服务，旨在提前预警并准确预测河流的洪水发生和发展趋势，以便采取适当的防洪措施来减轻洪灾风险；其中，中小河流洪水预报是针对中小型河流流域进行的洪水预测和警报工作，相较于大型河流，中小河流具有流域面积相对较小、流量响应快、受季节影响较大等特点，其洪水发展过程较为迅速，洪水发生概率相对较大，易对周围地区造成严重破坏和影响，因此，如何对中小河流进行及时和准确预报就成为当下研究重点。
目前，现有的中小河流洪水预报方法大多仅依赖于历史数据并建立回归模型实现，例如：授权公告号CN110163419B的中国专利公开了一种中小河流流域洪水预报的方法，再例如授权公告号CN110471950B的中国专利公开了一种中小河流实时洪水预报智能模型预报方法，此类发明虽然通过历史水文数据实现了对中小河流的洪水预报，但此类方法所考虑相关因素较少，缺乏实时监测，导致中小河流的洪水预报精度不高，并且此类方法仅依赖历史数据，导致模型训练数据存在单一性，预测可信度不高，而且由于中小河流属于非稳态环境，基于历史数据缺乏必然的因果关系，因此易导致中小河流的洪水预报结果存在较大误差。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供基于数字孪生和AI技术的中小河流洪水预报方法。
为实现上述目的，本发明提供如下技术方案：
基于数字孪生和AI技术的中小河流洪水预报方法，包括：
采集实测河流数据，基于所述实测河流数据筛选出高危险性标记和中危险性标记的局部河流区域；
基于所述高危险性标记和中危险性标记对中小河流进行综合评估分析处理，以获取中小河流的第一输出数据；
获取历史河流数据，利用预构建洪水回归模型对所述历史河流数据进行回归分析处理，得到第二输出数据；以及利用预构建河流数字孪生模型对所述实测河流数据进行模拟分析处理，得到第三输出数据；
将实测河流数据与第一输出数据作为第一样本集，将历史河流数据与第二输出数据作为第二样本集，以及将实测河流数据与第三输出数据作为第三样本集；
基于所述第一样本集、第二样本集和第三样本集构建洪水预测模型；
利用所述洪水预测模型对中小河流进行预测分析，得到中小河流预测结果。
作为本发明所述基于数字孪生和AI技术的中小河流洪水预报方法的一种优选方案，其中：所述实测河流数据包括实测河流水文数据、实测河流地域数据和实测河流气象数据；所述实测河流水文数据包括局部流速实测值、局部水位实测值和局部流量实测值；所述实测河流地域数据包括局部高度实测值和局部宽度实测值；所述实测河流气象数据包括局部降雨预测量、局部河道降雨预测持续时长和局部风速预测值；
所述实测河流气象数据为预测日的河流气象数据。
作为本发明所述基于数字孪生和AI技术的中小河流洪水预报方法的一种优选方案，其中：基于所述实测河流数据筛选出高危险性标记和中危险性标记的局部河流区域，包括：
获取所述局部河流区域预存于河流信息数据库中的实验设定河流数据；
所述实验设定河流数据包括河流水文设定数据、河流地域设定数据和河流气象设定数据；所述河流水文设定数据包括局部流速设定值、局部水位设定值和局部流量设定值；所述河流地域设定数据包括局部高度设定值和局部宽度设定值；所述河流气象设定数据包括局部降雨设定量、局部河道降雨设定持续时长和局部风速设定值；
基于所述实测河流水文数据和河流水文设定数据进行水文分析处理，以获取水文评估系数；
基于所述实测河流地域数据和河流地域设定数据进行地域分析处理，以获取地域评估系数；
基于所述实测河流气象数据和河流气象设定数据进行气象分析处理，以获取气象评估系数；
基于所述水文评估系数、地域评估系数和气象评估系数进行危险性综合分析，以获取高危险性标记和中危险性标记的局部河流区域。
作为本发明所述基于数字孪生和AI技术的中小河流洪水预报方法的一种优选方案，其中：基于所述高危险性标记和中危险性标记对中小河流进行综合评估分析处理，包括：
分别获取所述高危险性标记和中危险性标记局部河流区域的实测河流数据；以及分别获取所述高危险性标记和中危险性标记局部河流区域的实测河流数据的实验设定河流数据；
所述实测河流数据还包括局部抗冲击实测值、局部砂石堆积实测量和局部植被实测量；所述实验设定河流数据还包括局部抗冲击设定值、局部砂石堆积设定量和局部植被设定量；
基于所述实测河流数据和实验设定河流数据进行可能性综合分析，以获取第一输出数据。
作为本发明所述基于数字孪生和AI技术的中小河流洪水预报方法的一种优选方案，其中：基于所述实测河流数据和实验设定河流数据进行可能性综合分析，包括：
对所述局部抗冲击实测值和局部抗冲击设定值进行比对，以计算冲击参数系数；
对所述局部砂石堆积实测量和局部砂石堆积设定量进行比对，以计算砂石参数系数对所述局部植被实测量和局部植被设定量进行比对，以计算植被参数系数；
基于冲击参数系数、砂石参数系数和植被参数系数进行可能性综合分析，以获取破洪可能性评估系数；
设置可能性评估阈值，将所述破洪可能性评估系数与可能性评估阈值进行比对分析，得到第一输出数据；所述第一输出数据包括“中小河流必然发生洪水”、“中小河流可能发生洪水”和“中小河流不可能发生洪水”。
作为本发明所述基于数字孪生和AI技术的中小河流洪水预报方法的一种优选方案，其中：设置可能性评估阈值，将所述破洪可能性评估系数与可能性评估阈值进行比对分析，包括：
设置可能性评估阈值Rt1和Rt2，Rt1＞Rt2，将所述破洪可能性评估系数与可能性评估阈值进行比对分析，若破洪可能性评估系数大于等于可能性评估阈值Rt1，则第一输出数据输出为“中小河流必然发生洪水”，若破洪可能性评估系数小于可能性评估阈值Rt1，且大于可能性评估阈值Rt2，则第一输出数据输出为“中小河流可能发生洪水”；若破洪可能性评估系数小于等于可能性评估阈值Rt2，则第一输出数据输出为“中小河流不可能发生洪水”。
作为本发明所述基于数字孪生和AI技术的中小河流洪水预报方法的一种优选方案，其中：利用预构建河流数字孪生模型对所述实测河流数据进行模拟分析处理，包括：
将所述实测河流数据输入河流数字孪生模型进行仿真模拟，获取虚拟河流仿真图像；
对虚拟河流仿真图像进行图像处理，以及利用预构建卷积神经网络CNN对处理后虚拟河流仿真图像进行特征提取，得到第三输出数据；所述第三输出数据为图像特征向量。
作为本发明所述基于数字孪生和AI技术的中小河流洪水预报方法的一种优选方案，其中：基于所述第一样本集、第二样本集和第三样本集构建洪水预测模型，包括：
将第一样本集、第二样本集和第三样本集划分为70%的洪水训练集和30%的洪水测试集；
构建循环神经网络RNN，将所述洪水训练集作为输入数据输入进所述循环神经网络RNN进行训练，并利用交叉熵损失函数进行模型优化；
利用所述洪水测试集对训练后的循环神经网络RNN的进行模型验证，以输出满足预设准确度的循环神经网络RNN作为洪水预测模型。
作为本发明所述基于数字孪生和AI技术的中小河流洪水预报方法的一种优选方案，其中：利用所述洪水预测模型对中小河流进行预测分析，包括：
获取相似日中小河流的历史河流数据，以及采集当前日所述中小河流的实测河流数据；
将相似日中小河流的历史河流数据和中小河流的实测河流数据直接输入所述洪水预测模型，得到中小河流预测结果。
作为本发明所述基于数字孪生和AI技术的中小河流洪水预报方法的一种优选方案，其中：利用所述洪水预测模型对中小河流进行预测分析，还包括：
对中小河流的实测河流数据进行综合评估分析处理和模拟分析处理，以获取中小河流的第一输出数据和第三输出数据；以及将相似日中小河流的历史河流数据进行模拟分析处理，得到第二输出数据；
将第一输出数据、第二输出数据或第三输出数据输入所述洪水预测模型，得到中小河流预测结果。
一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述基于数字孪生和AI技术的中小河流洪水预报方法。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项基于数字孪生和AI技术的中小河流洪水预报方法。
本发明基于数字孪生和AI技术的中小河流洪水预报方法的技术效果和优点：
通过筛选出高危险性标记和中危险性标记的局部河流区域；基于高危险性标记和中危险性标记进行综合评估分析处理，获取第一输出数据；利用预构建洪水回归模型对历史河流数据进行回归分析处理，得到第二输出数据；利用预构建河流数字孪生模型对实测河流数据进行模拟分析处理，得到第三输出数据；将实测河流数据与第一输出数据作为第一样本集，将历史河流数据与第二输出数据作为第二样本集，将实测河流数据与第三输出数据作为第三样本集；基于第一样本集、第二样本集和第三样本集构建洪水预测模型；利用洪水预测模型对中小河流进行预测分析，本发明有利于提高中小河流的洪水预报准确度，此外，本发明实时监测各类参数，通过引入多相关因素进行分析评估，能够为现有中小河流洪水预报提供一种实现方案，另外，本发明将评估分析处理、回归分析处理和模拟分析处理得到第一样本集、第二样本集和第三样本集作为洪水预测模型的训练参数，从而有利于降低中小河流洪水预报的误差，解决现有模型训练数据单一性的问题，进一步提高中小河流洪水预报的准确度和可信度，进而有利于及时预警，避免洪水对周围地区造成严重破坏和影响。
附图说明
图1为本发明的基于数字孪生和AI技术的中小河流洪水预报方法的示意图。
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。
实施例1
请参阅图1所示，本实施例公开提供了基于数字孪生和AI技术的中小河流洪水预报方法，所述方法包括：
S101：采集实测河流数据，基于所述实测河流数据筛选出高危险性标记和中危险性标记的局部河流区域；
具体的，所述实测河流数据包括实测河流水文数据、实测河流地域数据和实测河流气象数据；所述实测河流水文数据包括局部流速实测值、局部水位实测值和局部流量实测值；所述实测河流地域数据包括局部高度实测值和局部宽度实测值；所述实测河流气象数据包括局部降雨预测量、局部河道降雨预测持续时长和局部风速预测值；需要注意的是：所述实测河流气象数据为预测日的河流气象数据；
应当了解的是：局部流速实测值越大说明局部水流越大，则对局部河堤的冲击力就越大，局部水位实测值越大说明局部水位越高，则会越容易淹没过局部河堤，局部流量实测值越大说明局部水流越快，则对局部河堤的冲击力就越大；局部高度实测值越高说明局部河堤与河床的高度差就越大，则蓄水能力越大，局部宽度实测值越宽说明局部河流两河堤的距离就越大，则蓄水能力越大；局部降雨预测量越大说明局部河道水量就越多，则越容易淹没过局部河堤，局部河道降雨预测持续时长越长说明局部河道水量就越多，则越容易淹没过局部河堤，局部风速预测值越大说明局部河道降雨下落速度越快，降雨更加强烈，则越容易淹没过局部河堤；
需要说明的是：所述实测河流数据基于各类传感器采集得到，所述各类传感器包括但不限于雷达流量计、雨量传感器、温湿度传感器、遥感雷达和地形测量仪等等；
还需要说明的是：所述局部河流区域基于预存于河流信息数据库中的河流全貌图划分得到；进一步需要说明的是：所述局部河流区域的生成过程为：首先获取预存于河流信息数据库中的河流全貌图；然后对所述河流全貌图进行等分网格划分，以获取若干个等分网格，将每个等分网格作为局部河流区域，每个所述局部河流区域的大小可人为确定，对此本发明不做过多限定；
具体地，基于所述实测河流数据筛选出高危险性标记和中危险性标记的局部河流区域，包括：
获取所述局部河流区域预存于河流信息数据库中的实验设定河流数据；
具体地，所述实验设定河流数据包括河流水文设定数据、河流地域设定数据和河流气象设定数据；所述河流水文设定数据包括局部流速设定值、局部水位设定值和局部流量设定值；所述河流地域设定数据包括局部高度设定值和局部宽度设定值；所述河流气象设定数据包括局部降雨设定量、局部河道降雨设定持续时长和局部风速设定值；
需要说明的是：所述实验设定河流数据通过预先实验模拟后人为设定得到，其为防止出现洪水状况的最佳理想值；所述实验设定河流数据预存于河流信息数据库中；
基于所述实测河流水文数据和河流水文设定数据进行水文分析处理，以获取水文评估系数；
具体地，基于所述实测河流水文数据和河流水文设定数据进行水文分析处理，包括：
对所述局部流速实测值和局部流速设定值进行比对，以计算流速参数系数Frp，其计算公式为：；式中：/>表示局部流速设定值，/>表示局部流速实测值；
对所述局部水位实测值和局部水位设定值进行比对，以计算水位参数系数Wlp，其计算公式为：；式中：/>表示局部水位设定值，/>表示局部水位实测值；
对所述局部流量实测值和局部流量设定值进行比对，以计算流量参数系数Fpc，其计算公式为：；式中：/>表示局部流量设定值，/>表示局部流量实测值，/>表示为自然常数；
基于流速参数系数Frp、水位参数系数Wlp和流量参数系数Fpc计算水文评估系数，其计算公式为：；式中：/>表示水文评估系数；
需要说明的是：水文评估系数越大，则说明对应局部河流区域的危险性就越高，可靠性就越低；
基于所述实测河流地域数据和河流地域设定数据进行地域分析处理，以获取地域评估系数；
具体地，基于所述实测河流地域数据和河流地域设定数据进行地域分析处理，包括：
对所述局部高度实测值和局部高度设定值进行比对，以计算高度参数系数Hpc，其计算公式为：；式中：/>表示局部高度设定值，/>表示局部高度实测值；
对所述局部宽度实测值和局部宽度设定值进行比对，以计算宽度参数系数Wpc，其计算公式为：；式中：/>表示局部宽度设定值，/>表示局部宽度实测值；
基于高度参数系数Hpc和宽度参数系数Wpc计算地域评估系数，其计算公式为：；式中：/>表示地域评估系数；
需要说明的是：地域评估系数越大，则说明对应局部河流区域的危险性就越小，可靠性就越高；
基于所述实测河流气象数据和河流气象设定数据进行气象分析处理，以获取气象评估系数；
具体地，基于所述实测河流气象数据和河流气象设定数据进行气象分析处理，包括：
对所述局部降雨预测量和局部降雨设定量进行比对，以计算降雨参数系数Rcp，其计算公式为：；式中：/>表示局部降雨设定量，/>表示局部降雨预测量；
对所述局部河道降雨预测持续时长和局部河道降雨设定持续时长进行比对，以计算时长参数系数Dpc，其计算公式为：；式中：/>表示局部河道降雨设定持续时长，/>表示局部河道降雨预测持续时长；
对所述局部风速预测值和局部风速设定值进行比对，以计算风速参数系数Wsp，其计算公式为：；式中：/>表示局部风速设定值，/>表示局部风速预测值；
基于降雨参数系数Rcp、时长参数系数Dpc和风速参数系数Wsp计算气象评估系数，其计算公式为：；式中：/>表示气象评估系数；
基于所述水文评估系数、地域评估系数和气象评估系数进行危险性综合分析，以获取高危险性标记和中危险性标记的局部河流区域；
具体地，基于所述水文评估系数、地域评估系数和气象评估系数进行危险性综合分析，包括：
基于所述水文评估系数、地域评估系数和气象评估系数计算河流危险评估系数，其计算公式为：；式中：/>表示河流危险评估系数，/>、和/>表示危险性评估修正因子，/>＞/>＞/>＞0；
设置梯度评估阈值，将所述河流危险评估系数与梯度评估阈值进行比对，得到河流危险评估结果；所述河流危险评估结果包括高危险性标记、中危险性标记和低危险性标记；
具体地，设置梯度评估阈值，将所述河流危险评估系数与梯度评估阈值进行比对，包括：
设置梯度评估阈值Kt1和Kt2，Kt1＞Kt2，将所述河流危险评估系数与梯度评估阈值进行比对，若所述河流危险评估系数大于等于梯度评估阈值Kt1，则将对应局部河流区域标记为高危险性标记；若所述河流危险评估系数小于梯度评估阈值Kt1，且大于所述梯度评估阈值Kt2，则将对应局部河流区域标记为中危险性标记；若所述河流危险评估系数小于等于梯度评估阈值Kt2，则将对应局部河流区域标记为低危险性标记；
需要说明的是：所述高危险性标记表示对应局部河流区域的情况非常复杂，潜在危险性较高，存在破洪的可能性，需进一步分析，所述中危险性标记表示对应局部河流区域的情况较为复杂，潜在危险性较中等，存在破洪的可能性，也需进一步分析，所述低危险性标记表示对应局部河流区域的情况非常复杂，潜在危险性非常低，不存在破洪的可能性，无需进一步分析；
应当理解的是：破洪是指洪水决堤，产生洪水灾害；
通过对采集得到实测河流数据以及实验设定河流数据进行分析，本步骤有利于筛选出高危险性标记和中危险性标记的局部河流区域，从而有利于确定危险区域，以便为下一步的针对性的分析提供基础，从而有利于提高中小河流洪水预报准确度；
S102：基于所述高危险性标记和中危险性标记对中小河流进行综合评估分析处理，以获取中小河流的第一输出数据；
具体地，基于所述高危险性标记和中危险性标记对中小河流进行综合评估分析处理，包括：
分别获取所述高危险性标记和中危险性标记局部河流区域的实测河流数据；以及分别获取所述高危险性标记和中危险性标记局部河流区域的实测河流数据的实验设定河流数据；
需要说明的是：在本步骤中，所述实测河流数据还包括局部抗冲击实测值、局部砂石堆积实测量和局部植被实测量；所述实验设定河流数据还包括局部抗冲击设定值、局部砂石堆积设定量和局部植被设定量；
基于所述实测河流数据和实验设定河流数据进行可能性综合分析，以获取第一输出数据；
具体地，基于所述实测河流数据和实验设定河流数据进行可能性综合分析，包括：
对所述局部抗冲击实测值和局部抗冲击设定值进行比对，以计算冲击参数系数IPc，其计算公式为：；式中：/>表示局部抗冲击设定值，/>表示局部抗冲击实测值；
对所述局部砂石堆积实测量和局部砂石堆积设定量进行比对，以计算砂石参数系数Sag，其计算公式为：；式中：/>表示局部砂石堆积设定量，/>表示局部砂石堆积实测量；
对所述局部植被实测量和局部植被设定量进行比对，以计算植被参数系数Vpc，其计算公式为：；式中：/>表示局部植被设定量，/>表示局部植被实测量；
基于冲击参数系数IPc、砂石参数系数Sag和植被参数系数Vpc进行可能性综合分析，以获取破洪可能性评估系数，其计算公式为；式中：/>表示破洪可能性评估系数，/>、/>和/>表示可能性评估修正因子，/>＞/>＞/>＞0；
设置可能性评估阈值，将所述破洪可能性评估系数与可能性评估阈值进行比对分析，得到第一输出数据；所述第一输出数据包括“中小河流必然发生洪水”、“中小河流可能发生洪水”和“中小河流不可能发生洪水”；
具体地，设置可能性评估阈值，将所述破洪可能性评估系数与可能性评估阈值进行比对分析，包括：
设置可能性评估阈值Rt1和Rt2，Rt1＞Rt2，将所述破洪可能性评估系数与可能性评估阈值进行比对分析，若破洪可能性评估系数大于等于可能性评估阈值Rt1，则第一输出数据输出为“中小河流必然发生洪水”，若破洪可能性评估系数小于可能性评估阈值Rt1，且大于可能性评估阈值Rt2，则第一输出数据输出为“中小河流可能发生洪水”；若破洪可能性评估系数小于等于可能性评估阈值Rt2，则第一输出数据输出为“中小河流不可能发生洪水”；
通过对筛选出高危险性标记和中危险性标记的局部河流区域进行进一步的针对性分析，同时引入多相关因素，本实施例能够为现有中小河流洪水预报提供一种实现方案，进而有利于及时预警，避免洪水对周围地区造成严重破坏和影响。
实施例2
请参阅图1所示，基于上述实施例1，为进一步提高中小河流洪水预报的精准性，降低中小河流洪水预报的误差，解决现有模型训练数据的单一性，本实施例将针对实测河流数据对中小河流洪水进行仿真模型分析和AI模型分析，并将模型分析结果结合上述实施例1的输出数据进行融合学习，以实现高精度的中小河流洪水预报，本实施例公开提供了基于数字孪生和AI技术的中小河流洪水预报方法，所述方法还包括：
S103：获取历史河流数据，利用预构建洪水回归模型对所述历史河流数据进行回归分析处理，得到第二输出数据；以及利用预构建河流数字孪生模型对所述实测河流数据进行模拟分析处理，得到第三输出数据；
需要说明的是：所述历史河流数据预存于河流信息数据库中，所述历史河流数据包括但不限于历史河流水文数据、历史河流地域数据和历史河流气象数据；所述历史河流水文数据、历史河流地域数据和历史河流气象数据与实测河流数据中的数据类型一致，对此不再过多赘述；
应当了解的是：所述洪水回归模型的构建过程为：首先获取历史河流数据，对所述历史河流数据进行预处理，所述预处理包括数据的缺失补全、数据异常更正及数据归一化，然后把预处理后的数据划分为历史训练集与历史测试集，构建初始回归模型，使用历史训练集中数据训练初始回归模型，然后调节初始回归模型参数使回归模型收敛，使用历史测试集数据评估初始回归模型性能，将满足预设准确度的初始回归模型作为洪水回归模型；所述初始回归模型包括但不限于随机森林回归模型、LSTM回归模型、逻辑回归模型或多项式回归模型中的一种；
具体地，利用预构建洪水回归模型对所述历史河流数据进行回归分析处理的具体过程为：将大量所述历史河流数据输入所述洪水回归模型进行预测，得到第二输出数据，所述第二输出数据包括但不限于中小河流洪水预测值；
还需要说明的是：所述河流数字孪生模型为实体中小河流的虚拟数字仿真体；进一步需要说明的是：所述河流数字孪生模型的构建过程为：首先收集与中小河流相关的各种数据，包括地理数据、水文数据、水位数据等；这些数据可以来自卫星遥感、无人机、传感器网络、实地观测等多种来源；然后对收集到的数据进行预处理和清洗，包括去除异常值、处理缺失数据、进行数据插补等操作，确保数据的准确性和完整性；之后将不同来源和不同类型的数据进行集成；最后利用收集到的数据建立数学模型或仿真模型，模拟中小河流的物理过程和行为；将建立的模型与实际观测数据进行比对和验证，评估模型的准确性和可靠性，根据需要，对模型进行调整和改进，以提高模拟结果的准确度，最后利用验证过的模型和整合后的数据，构建河流的数字孪生体；所述仿真模型的算法包括但不限于有限元法、有限差分法、蒙特卡洛方法和神经网络方法等等；
具体地，利用预构建河流数字孪生模型对所述实测河流数据进行模拟分析处理，包括：
将所述实测河流数据输入河流数字孪生模型进行仿真模拟，获取虚拟河流仿真图像；
对虚拟河流仿真图像进行图像处理，以及利用预构建卷积神经网络CNN对处理后虚拟河流仿真图像进行特征提取，得到第三输出数据；
需要说明的是：所述图像处理包括但不限于图像增强、图像去噪和图像归一化等等；还需要说明的是：所述第三输出数据为图像特征向量；
S104：将实测河流数据与第一输出数据作为第一样本集，将历史河流数据与第二输出数据作为第二样本集，以及将实测河流数据与第三输出数据作为第三样本集；
通过构建第一样本集、第二样本集和第三样本集，并将其作为洪水预测模型的训练参数，由于该训练参数分别来源于评估分析处理、回归分析处理和模拟分析处理，从而有利于针对解决现有中小河流训练数据量少的问题，并且有利于避免训练数据存在单一性的问题；通过融合多方数据，本发明可进一步提高中小河流洪水预测准确性；
S105：基于所述第一样本集、第二样本集和第三样本集构建洪水预测模型；
具体地，基于所述第一样本集、第二样本集和第三样本集构建洪水预测模型，包括：
将第一样本集、第二样本集和第三样本集划分为70%的洪水训练集和30%的洪水测试集；
构建循环神经网络RNN，将所述洪水训练集作为输入数据输入进所述循环神经网络RNN进行训练，并利用交叉熵损失函数进行模型优化；
利用所述洪水测试集对训练后的循环神经网络RNN的进行模型验证，以输出满足预设准确度的循环神经网络RNN作为洪水预测模型。
S106：利用所述洪水预测模型对中小河流进行预测分析，得到中小河流预测结果；所述中小河流预测结果包括预测日必然发生洪水和预测日不会发生洪水。
具体地，利用所述洪水预测模型对中小河流进行预测分析，包括：
获取相似日中小河流的历史河流数据，以及采集当前日所述中小河流的实测河流数据；
需要说明的是：所述相似日为在历史客流数据库中与所述预测日最为相似的历史日；进一步需要说明的是：所述相似日的选取过程为，通过提取若干历史日和预测日的特征参数，并利用相似度算法对历史日和预测日的特征参数进行相似度计算，最后基于预设相似度阈值筛选确定，所述相似度算法包括但不限于余弦相似度系数或欧式距离算法中的一种；需再进一步说明的是：所述预测日与当前日的日间隔为N天，N为大于等于1的正整数；
基于所述相似日中小河流的历史河流数据和中小河流的实测河流数据进行模型分析，包括：
将相似日中小河流的历史河流数据和中小河流的实测河流数据直接输入所述洪水预测模型，得到中小河流预测结果；或，
对中小河流的实测河流数据进行综合评估分析处理和模拟分析处理，以获取中小河流的第一输出数据和第三输出数据；以及将相似日中小河流的历史河流数据进行模拟分析处理，得到第二输出数据；
将第一输出数据、第二输出数据或第三输出数据输入所述洪水预测模型，得到中小河流预测结果；
通过将实测河流数据与第一输出数据作为第一样本集，将历史河流数据与第二输出数据作为第二样本集，以及将实测河流数据与第三输出数据作为第三样本集，并基于其构建洪水预测模型，本实施例有利于降低中小河流洪水预报的误差，解决现有模型训练数据单一性的问题，进一步提高中小河流洪水预报的准确度和可信度。
实施例3
本实施例公开提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述基于数字孪生和AI技术的中小河流洪水预报方法。
实施例4
本实施例公开提供了一种计算机可读存储介质，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述基于数字孪生和AI技术的中小河流洪水预报方法。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。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。
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，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.基于数字孪生和AI技术的中小河流洪水预报方法，其特征在于，包括：
采集实测河流数据，基于所述实测河流数据筛选出高危险性标记和中危险性标记的局部河流区域；包括：
获取所述局部河流区域预存于河流信息数据库中的实验设定河流数据；
所述实验设定河流数据包括河流水文设定数据、河流地域设定数据和河流气象设定数据；所述河流水文设定数据包括局部流速设定值、局部水位设定值和局部流量设定值；所述河流地域设定数据包括局部高度设定值和局部宽度设定值；所述河流气象设定数据包括局部降雨设定量、局部河道降雨设定持续时长和局部风速设定值；
基于实测河流水文数据和河流水文设定数据进行水文分析处理，以获取水文评估系数；
基于实测河流地域数据和河流地域设定数据进行地域分析处理，以获取地域评估系数；
基于实测河流气象数据和河流气象设定数据进行气象分析处理，以获取气象评估系数；
基于所述水文评估系数、地域评估系数和气象评估系数进行危险性综合分析，以获取高危险性标记和中危险性标记的局部河流区域；
基于所述高危险性标记和中危险性标记对中小河流进行综合评估分析处理，以获取中小河流的第一输出数据；包括：
分别获取所述高危险性标记和中危险性标记局部河流区域的实测河流数据；以及分别获取所述高危险性标记和中危险性标记局部河流区域的实测河流数据的实验设定河流数据；
所述实测河流数据还包括局部抗冲击实测值、局部砂石堆积实测量和局部植被实测量；所述实验设定河流数据还包括局部抗冲击设定值、局部砂石堆积设定量和局部植被设定量；
基于所述实测河流数据和实验设定河流数据进行可能性综合分析，以获取第一输出数据；包括：
对所述局部抗冲击实测值和局部抗冲击设定值进行比对，以计算冲击参数系数；
对所述局部砂石堆积实测量和局部砂石堆积设定量进行比对，以计算砂石参数系数；
对所述局部植被实测量和局部植被设定量进行比对，以计算植被参数系数；
基于冲击参数系数、砂石参数系数和植被参数系数进行可能性综合分析，以获取破洪可能性评估系数；
设置可能性评估阈值，将所述破洪可能性评估系数与可能性评估阈值进行比对分析，得到第一输出数据；所述第一输出数据包括“中小河流必然发生洪水”、“中小河流可能发生洪水”和“中小河流不可能发生洪水”；
获取历史河流数据，利用预构建洪水回归模型对所述历史河流数据进行回归分析处理，得到第二输出数据；以及利用预构建河流数字孪生模型对所述实测河流数据进行模拟分析处理，得到第三输出数据；
将实测河流数据与第一输出数据作为第一样本集，将历史河流数据与第二输出数据作为第二样本集，以及将实测河流数据与第三输出数据作为第三样本集；
基于所述第一样本集、第二样本集和第三样本集构建洪水预测模型；
利用所述洪水预测模型对中小河流进行预测分析，得到中小河流预测结果。
2.根据权利要求1所述的基于数字孪生和AI技术的中小河流洪水预报方法，其特征在于，所述实测河流数据包括实测河流水文数据、实测河流地域数据和实测河流气象数据；所述实测河流水文数据包括局部流速实测值、局部水位实测值和局部流量实测值；所述实测河流地域数据包括局部高度实测值和局部宽度实测值；所述实测河流气象数据包括局部降雨预测量、局部河道降雨预测持续时长和局部风速预测值；
所述实测河流气象数据为预测日的河流气象数据。
3.根据权利要求2所述的基于数字孪生和AI技术的中小河流洪水预报方法，其特征在于，设置可能性评估阈值，将所述破洪可能性评估系数与可能性评估阈值进行比对分析，包括：
设置可能性评估阈值Rt1和Rt2，Rt1＞Rt2，将所述破洪可能性评估系数与可能性评估阈值进行比对分析，若破洪可能性评估系数大于等于可能性评估阈值Rt1，则第一输出数据输出为“中小河流必然发生洪水”，若破洪可能性评估系数小于可能性评估阈值Rt1，且大于可能性评估阈值Rt2，则第一输出数据输出为“中小河流可能发生洪水”；若破洪可能性评估系数小于等于可能性评估阈值Rt2，则第一输出数据输出为“中小河流不可能发生洪水”。
4.根据权利要求3所述的基于数字孪生和AI技术的中小河流洪水预报方法，其特征在于，利用预构建河流数字孪生模型对所述实测河流数据进行模拟分析处理，包括：
将所述实测河流数据输入河流数字孪生模型进行仿真模拟，获取虚拟河流仿真图像；
对虚拟河流仿真图像进行图像处理，以及利用预构建卷积神经网络CNN对处理后虚拟河流仿真图像进行特征提取，得到第三输出数据；所述第三输出数据为图像特征向量。
5.根据权利要求4所述的基于数字孪生和AI技术的中小河流洪水预报方法，其特征在于，基于所述第一样本集、第二样本集和第三样本集构建洪水预测模型，包括：
将第一样本集、第二样本集和第三样本集划分为70%的洪水训练集和30%的洪水测试集；
构建循环神经网络RNN，将所述洪水训练集作为输入数据输入进所述循环神经网络RNN进行训练，并利用交叉熵损失函数进行模型优化；
利用所述洪水测试集对训练后的循环神经网络RNN的进行模型验证，以输出满足预设准确度的循环神经网络RNN作为洪水预测模型。
6.根据权利要求5所述的基于数字孪生和AI技术的中小河流洪水预报方法，其特征在于，利用所述洪水预测模型对中小河流进行预测分析，包括：
获取相似日中小河流的历史河流数据，以及采集当前日所述中小河流的实测河流数据；
将相似日中小河流的历史河流数据和中小河流的实测河流数据直接输入所述洪水预测模型，得到中小河流预测结果。
7.根据权利要求6所述的基于数字孪生和AI技术的中小河流洪水预报方法，其特征在于，利用所述洪水预测模型对中小河流进行预测分析，还包括：
对中小河流的实测河流数据进行综合评估分析处理和模拟分析处理，以获取中小河流的第一输出数据和第三输出数据；以及将相似日中小河流的历史河流数据进行模拟分析处理，得到第二输出数据；
将第一输出数据、第二输出数据或第三输出数据输入所述洪水预测模型，得到中小河流预测结果。
8.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述基于数字孪生和AI技术的中小河流洪水预报方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一项所述基于数字孪生和AI技术的中小河流洪水预报方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311207099.8A CN116933217B (zh) | 2023-09-19 | 2023-09-19 | 基于数字孪生和ai技术的中小河流洪水预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311207099.8A CN116933217B (zh) | 2023-09-19 | 2023-09-19 | 基于数字孪生和ai技术的中小河流洪水预报方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116933217A CN116933217A (zh) | 2023-10-24 |
| CN116933217B true CN116933217B (zh) | 2024-01-30 |
Family
ID=88377552
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311207099.8A Active CN116933217B (zh) | 2023-09-19 | 2023-09-19 | 基于数字孪生和ai技术的中小河流洪水预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116933217B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289570A (zh) * | 2011-07-23 | 2011-12-21 | 浙江大学 | 基于降雨-径流-洪水演进计算的洪水预报方法 |
| CN103942406A (zh) * | 2014-02-12 | 2014-07-23 | 南京大学 | 一种流域跨界区域水环境风险源风险表征方法 |
| CN109615011A (zh) * | 2018-12-14 | 2019-04-12 | 河海大学 | 一种基于lstm的中小河流短期洪水预报方法 |
| CN110163419A (zh) * | 2019-04-28 | 2019-08-23 | 河海大学 | 一种中小河流流域洪水预报的方法 |
| CN110471950A (zh) * | 2019-07-19 | 2019-11-19 | 河海大学 | 一种中小河流实时洪水预报智能模型预报方法 |
| CN111597758A (zh) * | 2020-05-14 | 2020-08-28 | 河海大学 | 一种基于负相关学习的中小河流集成预报方法 |
| CN112507419A (zh) * | 2020-11-19 | 2021-03-16 | 长江勘测规划设计研究有限责任公司 | 无资料、多碍洪构筑物的山区性河流洪水过程模拟方法 |
| CN112966926A (zh) * | 2021-03-02 | 2021-06-15 | 河海大学 | 一种基于集成学习的洪水敏感性风险评估方法 |
| CN114331009A (zh) * | 2021-11-30 | 2022-04-12 | 中国水利水电科学研究院 | 一种不可移动文物大风灾害风险图编制方法 |
| CN115952681A (zh) * | 2023-01-13 | 2023-04-11 | 航天科工智慧产业发展有限公司 | 一种极端暴雨天气下洪涝灾害防御的数字孪生分析方法 |
| CN116187758A (zh) * | 2023-01-18 | 2023-05-30 | 久瓴(上海)智能科技有限公司 | 水文灾害的监测方法及装置、电子设备、存储介质 |
| CN116307691A (zh) * | 2023-02-07 | 2023-06-23 | 久瓴(上海)智能科技有限公司 | 水文灾情的风险评估方法及装置、电子设备 |
| CN116702645A (zh) * | 2023-06-07 | 2023-09-05 | 珠江水利委员会珠江水利科学研究院 | 一种中小河流警戒水位拟定方法、系统及可读存储介质 |
-
2023
- 2023-09-19 CN CN202311207099.8A patent/CN116933217B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289570A (zh) * | 2011-07-23 | 2011-12-21 | 浙江大学 | 基于降雨-径流-洪水演进计算的洪水预报方法 |
| CN103942406A (zh) * | 2014-02-12 | 2014-07-23 | 南京大学 | 一种流域跨界区域水环境风险源风险表征方法 |
| CN109615011A (zh) * | 2018-12-14 | 2019-04-12 | 河海大学 | 一种基于lstm的中小河流短期洪水预报方法 |
| CN110163419A (zh) * | 2019-04-28 | 2019-08-23 | 河海大学 | 一种中小河流流域洪水预报的方法 |
| CN110471950A (zh) * | 2019-07-19 | 2019-11-19 | 河海大学 | 一种中小河流实时洪水预报智能模型预报方法 |
| CN111597758A (zh) * | 2020-05-14 | 2020-08-28 | 河海大学 | 一种基于负相关学习的中小河流集成预报方法 |
| CN112507419A (zh) * | 2020-11-19 | 2021-03-16 | 长江勘测规划设计研究有限责任公司 | 无资料、多碍洪构筑物的山区性河流洪水过程模拟方法 |
| CN112966926A (zh) * | 2021-03-02 | 2021-06-15 | 河海大学 | 一种基于集成学习的洪水敏感性风险评估方法 |
| CN114331009A (zh) * | 2021-11-30 | 2022-04-12 | 中国水利水电科学研究院 | 一种不可移动文物大风灾害风险图编制方法 |
| CN115952681A (zh) * | 2023-01-13 | 2023-04-11 | 航天科工智慧产业发展有限公司 | 一种极端暴雨天气下洪涝灾害防御的数字孪生分析方法 |
| CN116187758A (zh) * | 2023-01-18 | 2023-05-30 | 久瓴(上海)智能科技有限公司 | 水文灾害的监测方法及装置、电子设备、存储介质 |
| CN116307691A (zh) * | 2023-02-07 | 2023-06-23 | 久瓴(上海)智能科技有限公司 | 水文灾情的风险评估方法及装置、电子设备 |
| CN116702645A (zh) * | 2023-06-07 | 2023-09-05 | 珠江水利委员会珠江水利科学研究院 | 一种中小河流警戒水位拟定方法、系统及可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 基于大数据方法的中小河流洪水预报模型研究探讨;张健;《内蒙古水利》(第02期);第20-21页 * |
| 数字孪生在黄河下游河道中的应用关键技术研究;田慧 等;《 2023中国水资源高效利用与节水技术论坛论文集》;第1-10页 * |
| 数字孪生技术在防汛救灾中的应用;岳峰 等;《测绘通报》;第87-91页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116933217A (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aadhar et al. | High-resolution near real-time drought monitoring in South Asia | |
| CN106991278B (zh) | 一种集合降水预报与实时洪水概率预报的耦合方法 | |
| WO2021129680A1 (zh) | 融雪性洪水预测方法、装置、电子设备和存储介质 | |
| Carpenter et al. | Assessment of Folsom lake response to historical and potential future climate scenarios: 1. Forecasting | |
| CN110008301B (zh) | 基于机器学习的区域性地质灾害易发性预测方法及装置 | |
| Kleinen et al. | Integrated assessment of changes in flooding probabilities due to climate change | |
| KR101761707B1 (ko) | 능동형 정보수집 스크립트 및 수치모형을 이용한 태풍해일 자동 예측 방법 | |
| Xu et al. | Uncertainty analysis in statistical modeling of extreme hydrological events | |
| KR102009574B1 (ko) | 하천에서의 홍수범람 대응 관리 방법 및 하천에서의 홍수범람 대응 관리 시스템 | |
| Zhou et al. | Urban flood risk assessment using storm characteristic parameters sensitive to catchment-specific drainage system | |
| CN114547951B (zh) | 一种基于数据同化的大坝状态预测方法及系统 | |
| Underwood et al. | Past and present design practices and uncertainty in climate projections are challenges for designing infrastructure to future conditions | |
| Rajsekhar et al. | Hydrologic drought atlas for Texas | |
| CN116777079A (zh) | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 | |
| CN114360214A (zh) | 一种特大规模冰川泥石流预警方法 | |
| Kostić et al. | Modeling of river flow rate as a function of rainfall and temperature using response surface methodology based on historical time series | |
| CN117037076A (zh) | 一种基于遥感技术的土壤墒情智能监测方法 | |
| CN116933217B (zh) | 基于数字孪生和ai技术的中小河流洪水预报方法 | |
| Yang et al. | Study on urban flood simulation based on a novel model of SWTM coupling D8 flow direction and backflow effect | |
| JP3646726B1 (ja) | 防災事業支援システム | |
| Shakoor et al. | Flow Analysis at the Snow Covered High Altitude Catchment via Distributed Energy Balance Modeling | |
| Yang et al. | Risk assessment of precipitation extremes in northern Xinjiang, China | |
| Parvaze et al. | Flood forecasting in the sparsely gauged jhelum river basin of greater himalayas using integrated hydrological and hydraulic modelling approach | |
| Shaw et al. | Copula-based multivariate analysis of hydro-meteorological drought | |
| Hegdahl et al. | The benefits of pre-and postprocessing streamflow forecasts for an operational flood-forecasting system of 119 Norwegian catchments |
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 |