CN116978191B - 一种海洋灾害预测与预警的方法及系统 - Google Patents
一种海洋灾害预测与预警的方法及系统 Download PDFInfo
- Publication number
- CN116978191B CN116978191B CN202311239364.0A CN202311239364A CN116978191B CN 116978191 B CN116978191 B CN 116978191B CN 202311239364 A CN202311239364 A CN 202311239364A CN 116978191 B CN116978191 B CN 116978191B
- Authority
- CN
- China
- Prior art keywords
- value
- adjustment factor
- marine
- sea
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 125
- 238000012876 topography Methods 0.000 claims abstract description 99
- 239000013535 sea water Substances 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000007613 environmental effect Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 description 26
- 238000003860 storage Methods 0.000 description 26
- 230000000694 effects Effects 0.000 description 12
- 230000004913 activation Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 206010037844 rash Diseases 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/048—Activation functions
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Emergency Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种海洋灾害预测与预警的方法及系统，该方法包括：获取某一海域的历史海域信息，其中，历史海域信息包括：海底斜坡的角度、海底到海平面的水深度、地震震源深度、距离海岸的距离、地震震源的频率值、海水的水平流动速度、洋流速度、海底地形值、海水密度值和地理特征值；设置海洋灾害预测模型，根据历史海域信息，对所述海洋灾害预测模型进行训练，通过训练完成的所述海洋灾害预测模型，根据实时海域信息，计算海洋灾害的预测值，对海洋灾害进行预测并进行预警，其中，所述海洋灾害预测模型包括：根据所述海水的水平流动速度和所述洋流速度，计算水体状态值，根据所述海底斜坡的角度和所述海底到海平面的水深度，计算海底地形值。
Description
技术领域
本发明属于海洋灾害预测与预警技术领域，更具体地，涉及一种海洋灾害预测与预警的方法及系统。
背景技术
海洋灾害预警是为了及时通知人们有关可能发生的海洋灾害，以便他们采取适当的措施来减轻风险和保护生命和财产。以下是关于海洋灾害预警现状的一些信息：
气象灾害预警：气象灾害如台风、飓风、风暴潮、龙卷风等通常由气象部门提前发出预警。这些预警包括气象条件、风险等级以及建议的防护措施。
海啸预警：对于海啸，海洋监测站点和测量设备会监测地震、海底地形和海水位等参数，以提前发出海啸预警。这些预警可通过无线通信、广播、手机短信等方式传播给公众。
潮汐和洪水预警：某些地区可能会受到潮汐和洪水的威胁，因此会设置潮汐预测站和洪水预警系统，以提前警告可能受影响的社区。
海洋地震和火山活动：一些地震或火山活动可能会引发海底地震或海底火山爆发，这可能导致海啸或其他海洋灾害。相关机构会监测地震和火山活动，以便提前警告可能受到影响的区域。
卫星技术和数据分析：现代科技，特别是卫星技术和先进的数据分析方法，使预测和监测海洋灾害变得更为准确和及时。卫星可用于监测海洋表面温度、海洋流动性、风暴活动等，从而提供更准确的预警信息。
但是现有技术中并没有一种技术方案，能够根据历史数据，对海洋灾害进行准确预测并进行预警。
发明内容
为解决以上技术特征，本发明提出一种海洋灾害预测与预警的方法，包括：
获取某一海域的历史海域信息，其中，所述历史海域信息包括：海底斜坡的角度、海底到海平面的水深度、地震震源深度、距离海岸的距离、地震震源的频率值、海水的水平流动速度、洋流速度、海底地形值、海水密度值和地理特征值；
设置海洋灾害预测模型，根据所述历史海域信息，对所述海洋灾害预测模型进行训练，通过训练完成的所述海洋灾害预测模型，根据实时海域信息，计算海洋灾害的预测值，对海洋灾害进行预测并进行预警，其中，所述海洋灾害预测模型包括：根据所述海水的水平流动速度和所述洋流速度，计算水体状态值，根据所述海底斜坡的角度和所述海底到海平面的水深度，计算海底地形值，根据所述海底地形值、所述海水密度值和所述地理特征值，计算海洋环境值。
进一步的，所述海洋灾害预测模型包括：
，
其中，为海洋灾害的预测值，为整体调整因子，为地震震源深度的调整因子，为地震震源深度，为水体状态值，为水体状态值的调整因子，为地震发生时间，为地震发生时间的调整因子，为距离海岸的距离，为距离海岸的距离的调整因子，为海洋环境值，为海洋环境值的调整因子，为地震震源的频率值，为海底地形值，为地震震源的频率值的调整因子，为海底地形值的调整因子。
进一步的，计算所述海底地形值包括：
，
其中，为海底斜坡的角度，为海底到海平面的水深度，、和为海底斜坡的角度的调整因子，、和为海底到海平面的水深度的调整因子。
进一步的，计算所述水体状态值包括：
，
其中，为水体状态整体调整因子，为海水的水平流动速度的第一调整因子，为海水的水平流动速度，为洋流速度，为海水的水平流动速度的第二调整因子，为海底到海平面的水深度，为海水的水平流动速度和洋流速度的综合调整因子，为洋流速度的调整因子。
进一步的，计算所述海洋环境值包括：
，
其中，为海洋环境值的整体调整因子，为海底地形值的调整因子，为海底地形值，为海水密度值的调整因子，为海水密度值，为地理特征值的调整因子，为地理特征值。
进一步的，通过最小二乘法对所有调整因子进行拟合，使所述海洋灾害预测模型更准确。
进一步的，设置多个灾害等级阈值，每个所述灾害等级阈值与灾害等级一一对应，将所述海洋灾害的预测值与每个所述灾害等级阈值进行对比，从而确定海洋灾害的等级。
进一步的，通过计算所述海洋灾害的预测值和真实值之间的均方根误差，从而对所述海洋灾害预测模型进行评估。
本发明还提出一种海洋灾害预测与预警的系统，包括：
获取数据模块，用于获取某一海域的历史海域信息，其中，所述历史海域信息包括：海底斜坡的角度、海底到海平面的水深度、地震震源深度、距离海岸的距离、地震震源的频率值、海水的水平流动速度、洋流速度、海底地形值、海水密度值和地理特征值；
预测模块，用于设置海洋灾害预测模型，根据所述历史海域信息，对所述海洋灾害预测模型进行训练，通过训练完成的所述海洋灾害预测模型，根据实时海域信息，计算海洋灾害的预测值，对海洋灾害进行预测并进行预警，其中，所述海洋灾害预测模型包括：根据所述海水的水平流动速度和所述洋流速度，计算水体状态值，根据所述海底斜坡的角度和所述海底到海平面的水深度，计算海底地形值，根据所述海底地形值、所述海水密度值和所述地理特征值，计算海洋环境值。
进一步的，所述海洋灾害预测模型包括：
，
其中，为海洋灾害的预测值，为整体调整因子，为地震震源深度的调整因子，为地震震源深度，为水体状态值，为水体状态值的调整因子，为地震发生时间，为地震发生时间的调整因子，为距离海岸的距离，为距离海岸的距离的调整因子，为海洋环境值，为海洋环境值的调整因子，为地震震源的频率值，为海底地形值，为地震震源的频率值的调整因子，为海底地形值的调整因子。
通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明获取某一海域的历史海域信息，其中，所述历史海域信息包括：海底斜坡的角度、海底到海平面的水深度、地震震源深度、距离海岸的距离、地震震源的频率值、海水的水平流动速度、洋流速度、海底地形值、海水密度值和地理特征值；设置海洋灾害预测模型，根据所述历史海域信息，对所述海洋灾害预测模型进行训练，通过训练完成的所述海洋灾害预测模型，根据实时海域信息，计算海洋灾害的预测值，对海洋灾害进行预测并进行预警，其中，所述海洋灾害预测模型包括：根据所述海水的水平流动速度和所述洋流速度，计算水体状态值，根据所述海底斜坡的角度和所述海底到海平面的水深度，计算海底地形值，根据所述海底地形值、所述海水密度值和所述地理特征值，计算海洋环境值。本发明通过以上技术方案，能够根据海洋的历史海洋信息，对即将发生的海洋灾害进行准确的预测并进行预警，从而避免发生生产安全事故。
附图说明
图1是本发明实施例1的流程图；
图2是本发明实施例2的系统的结构图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施，所述终端可以包括一个或多个如下部件：处理器、存储介质和显示屏。其中，存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储介质内的指令、程序、代码集或指令集，以及调用存储在存储介质内的数据，执行终端的各种功能和处理数据。
存储介质可以包括随机存储介质(Random Access Memory，RAM)，也可以包括只读存储介质(Read-Only Memory，ROM)。存储介质可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
本发明公式中所有下角标只为了区分参数，并没有实际含义。
除此之外，本领域技术人员可以理解，上述终端的结构并不构成对终端的限定，终端可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件，在此不再赘述。
实施例1
如图1所示，本发明实施例提供一种海洋灾害预测与预警的方法，包括：
步骤101，获取某一海域的历史海域信息，对所述历史海域信息进行，数据预处理，包括数据清洗、缺失值处理、特征工程等，并将预处理后的数据分为训练集和测试集，通常使用80-20或70-30的比例分割，其中，所述历史海域信息包括：海底斜坡的角度、海底到海平面的水深度、地震震源深度、距离海岸的距离、地震震源的频率值、海水的水平流动速度、洋流速度、海底地形值、海水密度值和地理特征值；
步骤102，设置海洋灾害预测模型，根据所述历史海域信息，对所述海洋灾害预测模型进行训练，通过训练完成的所述海洋灾害预测模型，根据实时海域信息，计算海洋灾害的预测值，对海洋灾害进行预测并进行预警，其中，所述海洋灾害预测模型包括：根据所述海水的水平流动速度和所述洋流速度，计算水体状态值，根据所述海底斜坡的角度和所述海底到海平面的水深度，计算海底地形值，根据所述海底地形值、所述海水密度值和所述地理特征值，计算海洋环境值；
为每个公式设计一个神经网络模型，其中输入层的节点数与参数数量相对应，输出层的节点数为1（用于预测目标属性H）；
选择神经网络的结构，包括隐藏层的数量和每个隐藏层的神经元数量；
选择激活函数，例如ReLU、Sigmoid、Tanh等，本实施例选择ReLU函数作为激活函数；
设置损失函数：损失函数应反映每个公式的数学结构。对于回归问题，常用的损失函数包括均方误差（MSE）或平均绝对误差（MAE）。
具体的，设置多个灾害等级阈值，每个所述灾害等级阈值与灾害等级一一对应，将所述海洋灾害的预测值与每个所述灾害等级阈值进行对比，从而确定海洋灾害的等级。
具体的，所述海洋灾害预测模型包括：
，
其中，为海洋灾害的预测值，为整体调整因子，为地震震源深度的调整因子，为地震震源深度，这个参数反映了地震的能量释放程度，对海洋灾害的潜在影响起着重要作用，为水体状态值，该参数影响着海洋中的水流和波浪的行为，对海洋灾害的预测至关重要，为水体状态值的调整因子，为地震发生时间，该参数用于确定事件发生的时间，从而影响到达海岸的海啸或波浪的时刻，为地震发生时间的调整因子，为距离海岸的距离，该参数反映了事件发生位置与海岸之间的距离，为距离海岸的距离的调整因子，为海洋环境值，该参数可以捕捉更多的复杂性和多样性，以更全面地考虑潜在的影响因素，为海洋环境值的调整因子，为地震震源的频率值，不同频率的地震波可能会在海洋中引起不同类型的波浪或激发不同的海洋灾害，为海底地形值，这个参数反映了海底地形对海洋波浪传播的影响，为地震震源的频率值的调整因子，为海底地形值的调整因子。
具体的，计算所述海底地形值包括：
，
其中，为海底斜坡的角度，为海底到海平面的水深度，、和为海底斜坡的角度的调整因子，、和为海底到海平面的水深度的调整因子。
本实施例中，计算所述海底地形值的公式，公式综合考虑了多个因素对所述海底地形值的影响，包括海底斜坡的角度（）、海底到海平面的水深度（）。这使得模型能够更全面地描述海底地形的特征，包括斜坡的陡峭程度、地形的不规则性和水深的变化。
非线性关系的考虑：公式中包含了非线性因素，这些因素捕捉了所述海底地形值与角度和水深之间的复杂非线性关系。反映了实际情况中的复杂性，使模型更能适应真实世界中的地形变化。
参数控制和灵活性：待定的调整因子允许模型根据不同的地理和海洋环境情况进行调整。通过调整这些参数，可以改变模型对不同因素的权重和影响程度，从而更好地适应不同地区的海底地形特征。
模型应用：这个模型的技术效果在海洋地质、海底地形研究以及海洋工程领域具有应用前景。它可以用于分析海底地形的不同特征，如海底斜坡的角度、地形的不规则性等。
具体的，计算所述水体状态值包括：
，
其中，为水体状态整体调整因子，为海水的水平流动速度的第一调整因子，为海水的水平流动速度，为洋流速度，为海水的水平流动速度的第二调整因子，为海底到海平面的水深度，为海水的水平流动速度和洋流速度的综合调整因子，为洋流速度的调整因子。
本实施例中，计算所述水体状态值的公式，设置多个参数的综合影响： 公式综合考虑了水体速度（U）、洋流速度（W）、水深度（D）等多个参数对所述水体状态值（V）的影响。这使得模型能够更全面地捕捉不同因素之间的相互作用，从而提高了对所述水体状态值的准确预测能力。
考虑非线性关系：公式中包含了速度的平方项、速度之间的乘积项以及水深度的高阶项等非线性因素。这反映了实际情况中的复杂非线性关系，使模型更能适应真实世界中的复杂性。
参数控制和灵活性：待定的参数（、、、、）允许模型根据不同情况进行调整，以适应不同的海洋环境和条件。通过调整这些参数，可以改变模型对各个因素的权重和影响程度，从而更好地适应不同问题的预测需求。
模型应用：这个模型的技术效果在海洋科学和海洋工程领域具有潜在的应用前景。通过使用实际观测数据或数值模拟来确定参数值，可以将这个模型用于预测所述水体状态值（V）。
具体的，计算所述海洋环境值包括：
，
其中，为海洋环境值的整体调整因子，为海底地形值的调整因子，为海底地形值，为海水密度值的调整因子，为海水密度值，为地理特征值的调整因子，为地理特征值。
具体的，通过最小二乘法对所有调整因子进行拟合，使所述海洋灾害预测模型更准确。
具体的，通过计算所述海洋灾害的预测值和真实值之间的均方根误差，从而对所述海洋灾害预测模型进行评估。
实施例2
如图2所示，本发明实施例还提供一种海洋灾害预测与预警的系统，包括：
获取数据模块，用于获取某一海域的历史海域信息，对所述历史海域信息进行，数据预处理，包括数据清洗、缺失值处理、特征工程等，并将预处理后的数据分为训练集和测试集，通常使用80-20或70-30的比例分割，其中，所述历史海域信息包括：海底斜坡的角度、海底到海平面的水深度、地震震源深度、距离海岸的距离、地震震源的频率值、海水的水平流动速度、洋流速度、海底地形值、海水密度值和地理特征值；
预测模块，用于设置海洋灾害预测模型，根据所述历史海域信息，对所述海洋灾害预测模型进行训练，通过训练完成的所述海洋灾害预测模型，根据实时海域信息，计算海洋灾害的预测值，对海洋灾害进行预测并进行预警，其中，所述海洋灾害预测模型包括：根据所述海水的水平流动速度和所述洋流速度，计算水体状态值，根据所述海底斜坡的角度和所述海底到海平面的水深度，计算海底地形值，根据所述海底地形值、所述海水密度值和所述地理特征值，计算海洋环境值；
为每个公式设计一个神经网络模型，其中输入层的节点数与参数数量相对应，输出层的节点数为1（用于预测目标属性H）；
选择神经网络的结构，包括隐藏层的数量和每个隐藏层的神经元数量；
选择激活函数，例如ReLU、Sigmoid、Tanh等，本实施例选择ReLU函数作为激活函数；
设置损失函数：损失函数应反映每个公式的数学结构。对于回归问题，常用的损失函数包括均方误差（MSE）或平均绝对误差（MAE）。
具体的，设置多个灾害等级阈值，每个所述灾害等级阈值与灾害等级一一对应，将所述海洋灾害的预测值与每个所述灾害等级阈值进行对比，从而确定海洋灾害的等级。
具体的，所述海洋灾害预测模型包括：
，
其中，为海洋灾害的预测值，为整体调整因子，为地震震源深度的调整因子，为地震震源深度，这个参数反映了地震的能量释放程度，对海洋灾害的潜在影响起着重要作用，为水体状态值，该参数影响着海洋中的水流和波浪的行为，对海洋灾害的预测至关重要，为水体状态值的调整因子，为地震发生时间，该参数用于确定事件发生的时间，从而影响到达海岸的海啸或波浪的时刻，为地震发生时间的调整因子，为距离海岸的距离，该参数反映了事件发生位置与海岸之间的距离，为距离海岸的距离的调整因子，为海洋环境值，该参数可以捕捉更多的复杂性和多样性，以更全面地考虑潜在的影响因素，为海洋环境值的调整因子，为地震震源的频率值，不同频率的地震波可能会在海洋中引起不同类型的波浪或激发不同的海洋灾害，为海底地形值，这个参数反映了海底地形对海洋波浪传播的影响，为地震震源的频率值的调整因子，为海底地形值的调整因子。
具体的，计算所述海底地形值包括：
，
其中，为海底斜坡的角度，为海底到海平面的水深度，、和为海底斜坡的角度的调整因子，、和为海底到海平面的水深度的调整因子。
本实施例中，计算所述海底地形值的公式，公式综合考虑了多个因素对所述海底地形值的影响，包括海底斜坡的角度（）、海底到海平面的水深度（）。这使得模型能够更全面地描述海底地形的特征，包括斜坡的陡峭程度、地形的不规则性和水深的变化。
非线性关系的考虑：公式中包含了非线性因素，这些因素捕捉了所述海底地形值与角度和水深之间的复杂非线性关系。反映了实际情况中的复杂性，使模型更能适应真实世界中的地形变化。
参数控制和灵活性：待定的调整因子允许模型根据不同的地理和海洋环境情况进行调整。通过调整这些参数，可以改变模型对不同因素的权重和影响程度，从而更好地适应不同地区的海底地形特征。
模型应用：这个模型的技术效果在海洋地质、海底地形研究以及海洋工程领域具有应用前景。它可以用于分析海底地形的不同特征，如海底斜坡的角度、地形的不规则性等。
具体的，计算所述水体状态值包括：
，
其中，为水体状态整体调整因子，为海水的水平流动速度的第一调整因子，为海水的水平流动速度，为洋流速度，为海水的水平流动速度的第二调整因子，为海底到海平面的水深度，为海水的水平流动速度和洋流速度的综合调整因子，为洋流速度的调整因子。
本实施例中，计算所述水体状态值的公式，设置多个参数的综合影响： 公式综合考虑了水体速度（U）、洋流速度（W）、水深度（D）等多个参数对所述水体状态值（V）的影响。这使得模型能够更全面地捕捉不同因素之间的相互作用，从而提高了对所述水体状态值的准确预测能力。
考虑非线性关系：公式中包含了速度的平方项、速度之间的乘积项以及水深度的高阶项等非线性因素。这反映了实际情况中的复杂非线性关系，使模型更能适应真实世界中的复杂性。
参数控制和灵活性：待定的参数（、、、、）允许模型根据不同情况进行调整，以适应不同的海洋环境和条件。通过调整这些参数，可以改变模型对各个因素的权重和影响程度，从而更好地适应不同问题的预测需求。
模型应用：这个模型的技术效果在海洋科学和海洋工程领域具有潜在的应用前景。通过使用实际观测数据或数值模拟来确定参数值，可以将这个模型用于预测所述水体状态值（V）。
具体的，计算所述海洋环境值包括：
，
其中，为海洋环境值的整体调整因子，为海底地形值的调整因子，为海底地形值，为海水密度值的调整因子，为海水密度值，为地理特征值的调整因子，为地理特征值。
具体的，通过最小二乘法对所有调整因子进行拟合，使所述海洋灾害预测模型更准确。
具体的，通过计算所述海洋灾害的预测值和真实值之间的均方根误差，从而对所述海洋灾害预测模型进行评估。
实施例3
本发明实施例还提出一种存储介质，存储有多条指令，所述指令用于实现所述的一种海洋灾害预测与预警的方法。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：步骤101，获取某一海域的历史海域信息，对所述历史海域信息进行，数据预处理，包括数据清洗、缺失值处理、特征工程等，并将预处理后的数据分为训练集和测试集，通常使用80-20或70-30的比例分割，其中，所述历史海域信息包括：海底斜坡的角度、海底到海平面的水深度、地震震源深度、距离海岸的距离、地震震源的频率值、海水的水平流动速度、洋流速度、海底地形值、海水密度值和地理特征值；
步骤102，设置海洋灾害预测模型，根据所述历史海域信息，对所述海洋灾害预测模型进行训练，通过训练完成的所述海洋灾害预测模型，根据实时海域信息，计算海洋灾害的预测值，对海洋灾害进行预测并进行预警，其中，所述海洋灾害预测模型包括：根据所述海水的水平流动速度和所述洋流速度，计算水体状态值，根据所述海底斜坡的角度和所述海底到海平面的水深度，计算海底地形值，根据所述海底地形值、所述海水密度值和所述地理特征值，计算海洋环境值；
为每个公式设计一个神经网络模型，其中输入层的节点数与参数数量相对应，输出层的节点数为1（用于预测目标属性H）；
选择神经网络的结构，包括隐藏层的数量和每个隐藏层的神经元数量；
选择激活函数，例如ReLU、Sigmoid、Tanh等，本实施例选择ReLU函数作为激活函数；
设置损失函数：损失函数应反映每个公式的数学结构。对于回归问题，常用的损失函数包括均方误差（MSE）或平均绝对误差（MAE）。
具体的，设置多个灾害等级阈值，每个所述灾害等级阈值与灾害等级一一对应，将所述海洋灾害的预测值与每个所述灾害等级阈值进行对比，从而确定海洋灾害的等级。
具体的，所述海洋灾害预测模型包括：
，
其中，为海洋灾害的预测值，为整体调整因子，为地震震源深度的调整因子，为地震震源深度，这个参数反映了地震的能量释放程度，对海洋灾害的潜在影响起着重要作用，为水体状态值，该参数影响着海洋中的水流和波浪的行为，对海洋灾害的预测至关重要，为水体状态值的调整因子，为地震发生时间，该参数用于确定事件发生的时间，从而影响到达海岸的海啸或波浪的时刻，为地震发生时间的调整因子，为距离海岸的距离，该参数反映了事件发生位置与海岸之间的距离，为距离海岸的距离的调整因子，为海洋环境值，该参数可以捕捉更多的复杂性和多样性，以更全面地考虑潜在的影响因素，为海洋环境值的调整因子，为地震震源的频率值，不同频率的地震波可能会在海洋中引起不同类型的波浪或激发不同的海洋灾害，为海底地形值，这个参数反映了海底地形对海洋波浪传播的影响，为地震震源的频率值的调整因子，为海底地形值的调整因子。
具体的，计算所述海底地形值包括：
，
其中，为海底斜坡的角度，为海底到海平面的水深度，
、和为海底斜坡的角度的调整因子，、和为海底到海平面的水深度的调整因子。
本实施例中，计算所述海底地形值的公式，公式综合考虑了多个因素对所述海底地形值的影响，包括海底斜坡的角度（）、海底到海平面的水深度（）。这使得模型能够更全面地描述海底地形的特征，包括斜坡的陡峭程度、地形的不规则性和水深的变化。
非线性关系的考虑：公式中包含了非线性因素，这些因素捕捉了所述海底地形值与角度和水深之间的复杂非线性关系。反映了实际情况中的复杂性，使模型更能适应真实世界中的地形变化。
参数控制和灵活性：待定的调整因子允许模型根据不同的地理和海洋环境情况进行调整。通过调整这些参数，可以改变模型对不同因素的权重和影响程度，从而更好地适应不同地区的海底地形特征。
模型应用：这个模型的技术效果在海洋地质、海底地形研究以及海洋工程领域具有应用前景。它可以用于分析海底地形的不同特征，如海底斜坡的角度、地形的不规则性等。
具体的，计算所述水体状态值包括：
，
其中，为水体状态整体调整因子，为海水的水平流动速度的第一调整因子，为海水的水平流动速度，为洋流速度，为海水的水平流动速度的第二调整因子，为海底到海平面的水深度，为海水的水平流动速度和洋流速度的综合调整因子，为洋流速度的调整因子。
本实施例中，计算所述水体状态值的公式，设置多个参数的综合影响： 公式综合考虑了水体速度（U）、洋流速度（W）、水深度（D）等多个参数对所述水体状态值（V）的影响。这使得模型能够更全面地捕捉不同因素之间的相互作用，从而提高了对所述水体状态值的准确预测能力。
考虑非线性关系：公式中包含了速度的平方项、速度之间的乘积项以及水深度的高阶项等非线性因素。这反映了实际情况中的复杂非线性关系，使模型更能适应真实世界中的复杂性。
参数控制和灵活性：待定的参数（、、、、）允许模型根据不同情况进行调整，以适应不同的海洋环境和条件。通过调整这些参数，可以改变模型对各个因素的权重和影响程度，从而更好地适应不同问题的预测需求。
模型应用：这个模型的技术效果在海洋科学和海洋工程领域具有潜在的应用前景。通过使用实际观测数据或数值模拟来确定参数值，可以将这个模型用于预测所述水体状态值（V）。
具体的，计算所述海洋环境值包括：
，
其中，为海洋环境值的整体调整因子，为海底地形值的调整因子，为海底地形值，为海水密度值的调整因子，为海水密度值，为地理特征值的调整因子，为地理特征值。
具体的，通过最小二乘法对所有调整因子进行拟合，使所述海洋灾害预测模型更准确。
具体的，通过计算所述海洋灾害的预测值和真实值之间的均方根误差，从而对所述海洋灾害预测模型进行评估。
实施例4
本发明实施例还提出一种电子设备，包括处理器和与所述处理器连接的存储介质，所述存储介质存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行一种海洋灾害预测与预警的方法。
具体的，本实施例的电子设备可以是计算机终端，所述计算机终端可以包括：一个或多个处理器、以及存储介质。
其中，存储介质可用于存储软件程序以及模块，如本发明实施例中的一种海洋灾害预测与预警的方法，对应的程序指令/模块，处理器通过运行存储在存储介质内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种海洋灾害预测与预警的方法。存储介质可包括高速随机存储介质，还可以包括非易失性存储介质，如一个或者多个磁性存储系统、闪存、或者其他非易失性固态存储介质。在一些实例中，存储介质可进一步包括相对于处理器远程设置的存储介质，这些远程存储介质可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输系统调用存储介质存储的信息及应用程序，以执行下述步骤：步骤101，获取某一海域的历史海域信息，对所述历史海域信息进行，数据预处理，包括数据清洗、缺失值处理、特征工程等，并将预处理后的数据分为训练集和测试集，通常使用80-20或70-30的比例分割，其中，所述历史海域信息包括：海底斜坡的角度、海底到海平面的水深度、地震震源深度、距离海岸的距离、地震震源的频率值、海水的水平流动速度、洋流速度、海底地形值、海水密度值和地理特征值；
步骤102，设置海洋灾害预测模型，根据所述历史海域信息，对所述海洋灾害预测模型进行训练，通过训练完成的所述海洋灾害预测模型，根据实时海域信息，计算海洋灾害的预测值，对海洋灾害进行预测并进行预警，其中，所述海洋灾害预测模型包括：根据所述海水的水平流动速度和所述洋流速度，计算水体状态值，根据所述海底斜坡的角度和所述海底到海平面的水深度，计算海底地形值，根据所述海底地形值、所述海水密度值和所述地理特征值，计算海洋环境值；
为每个公式设计一个神经网络模型，其中输入层的节点数与参数数量相对应，输出层的节点数为1（用于预测目标属性H）；
选择神经网络的结构，包括隐藏层的数量和每个隐藏层的神经元数量；
选择激活函数，例如ReLU、Sigmoid、Tanh等，本实施例选择ReLU函数作为激活函数；
设置损失函数：损失函数应反映每个公式的数学结构。对于回归问题，常用的损失函数包括均方误差（MSE）或平均绝对误差（MAE）。
具体的，设置多个灾害等级阈值，每个所述灾害等级阈值与灾害等级一一对应，将所述海洋灾害的预测值与每个所述灾害等级阈值进行对比，从而确定海洋灾害的等级。
具体的，所述海洋灾害预测模型包括：
，
其中，为海洋灾害的预测值，为整体调整因子，为地震震源深度的调整因子，为地震震源深度，这个参数反映了地震的能量释放程度，对海洋灾害的潜在影响起着重要作用，为水体状态值，该参数影响着海洋中的水流和波浪的行为，对海洋灾害的预测至关重要，为水体状态值的调整因子，为地震发生时间，该参数用于确定事件发生的时间，从而影响到达海岸的海啸或波浪的时刻，为地震发生时间的调整因子，为距离海岸的距离，该参数反映了事件发生位置与海岸之间的距离，为距离海岸的距离的调整因子，为海洋环境值，该参数可以捕捉更多的复杂性和多样性，以更全面地考虑潜在的影响因素，为海洋环境值的调整因子，为地震震源的频率值，不同频率的地震波可能会在海洋中引起不同类型的波浪或激发不同的海洋灾害，为海底地形值，这个参数反映了海底地形对海洋波浪传播的影响，为地震震源的频率值的调整因子，为海底地形值的调整因子。
具体的，计算所述海底地形值包括：
，
其中，为海底斜坡的角度，为海底到海平面的水深度，
、和为海底斜坡的角度的调整因子，、和为海底到海平面的水深度的调整因子。
本实施例中，计算所述海底地形值的公式，公式综合考虑了多个因素对所述海底地形值的影响，包括海底斜坡的角度（）、海底到海平面的水深度（）。这使得模型能够更全面地描述海底地形的特征，包括斜坡的陡峭程度、地形的不规则性和水深的变化。
非线性关系的考虑：公式中包含了非线性因素，这些因素捕捉了所述海底地形值与角度和水深之间的复杂非线性关系。反映了实际情况中的复杂性，使模型更能适应真实世界中的地形变化。
参数控制和灵活性：待定的调整因子允许模型根据不同的地理和海洋环境情况进行调整。通过调整这些参数，可以改变模型对不同因素的权重和影响程度，从而更好地适应不同地区的海底地形特征。
模型应用：这个模型的技术效果在海洋地质、海底地形研究以及海洋工程领域具有应用前景。它可以用于分析海底地形的不同特征，如海底斜坡的角度、地形的不规则性等。
具体的，计算所述水体状态值包括：
，
其中，为水体状态整体调整因子，为海水的水平流动速度的第一调整因子，为海水的水平流动速度，为洋流速度，为海水的水平流动速度的第二调整因子，为海底到海平面的水深度，为海水的水平流动速度和洋流速度的综合调整因子，为洋流速度的调整因子。
本实施例中，计算所述水体状态值的公式，设置多个参数的综合影响： 公式综合考虑了水体速度（U）、洋流速度（W）、水深度（D）等多个参数对所述水体状态值（V）的影响。这使得模型能够更全面地捕捉不同因素之间的相互作用，从而提高了对所述水体状态值的准确预测能力。
考虑非线性关系：公式中包含了速度的平方项、速度之间的乘积项以及水深度的高阶项等非线性因素。这反映了实际情况中的复杂非线性关系，使模型更能适应真实世界中的复杂性。
参数控制和灵活性：待定的参数（、、、、）允许模型根据不同情况进行调整，以适应不同的海洋环境和条件。通过调整这些参数，可以改变模型对各个因素的权重和影响程度，从而更好地适应不同问题的预测需求。
模型应用：这个模型的技术效果在海洋科学和海洋工程领域具有潜在的应用前景。通过使用实际观测数据或数值模拟来确定参数值，可以将这个模型用于预测所述水体状态值（V）。
具体的，计算所述海洋环境值包括：
,
其中，为海洋环境值的整体调整因子，为海底地形值的调整因子，为海底地形值，为海水密度值的调整因子，为海水密度值，为地理特征值的调整因子，为地理特征值。
具体的，通过最小二乘法对所有调整因子进行拟合，使所述海洋灾害预测模型更准确。
具体的，通过计算所述海洋灾害的预测值和真实值之间的均方根误差，从而对所述海洋灾害预测模型进行评估。
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。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中，应所述理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如所述单元的划分，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者所述技术方案的全部或部分可以以软件产品的形式体现出来，所述计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储介质(ROM，Read-Only Memory)、随机存取存储介质(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (5)
1.一种海洋灾害预测与预警的方法，其特征在于，包括：
获取某一海域的历史海域信息，其中，所述历史海域信息包括：海底斜坡的角度、海底到海平面的水深度、地震震源深度、距离海岸的距离、地震震源的频率值、海水的水平流动速度、洋流速度、海底地形值、海水密度值和地理特征值；
设置海洋灾害预测模型，根据所述历史海域信息，对所述海洋灾害预测模型进行训练，通过训练完成的所述海洋灾害预测模型，根据实时海域信息，计算海洋灾害的预测值，对海洋灾害进行预测并进行预警，其中，所述海洋灾害预测模型包括：根据所述海水的水平流动速度和所述洋流速度，计算水体状态值，根据所述海底斜坡的角度和所述海底到海平面的水深度，计算海底地形值，根据所述海底地形值、所述海水密度值和所述地理特征值，计算海洋环境值，其中，所述海洋灾害预测模型包括：
,
其中，为海洋灾害的预测值，为整体调整因子，为地震震源深度的调整因子，为地震震源深度，为水体状态值，为水体状态值的调整因子，为地震发生时间，为地震发生时间的调整因子，为距离海岸的距离，为距离海岸的距离的调整因子，为海洋环境值，为海洋环境值的调整因子，为地震震源的频率值，为海底地形值，为地震震源的频率值的调整因子，为海底地形值的调整因子；
计算所述海底地形值包括：
,
其中，为海底斜坡的角度，为海底到海平面的水深度，、和为海底斜坡的角度的调整因子，、和为海底到海平面的水深度的调整因子；
计算所述水体状态值V包括：
,
其中，为水体状态整体调整因子，为海水的水平流动速度的第一调整因子，U为海水的水平流动速度，为洋流速度，为海水的水平流动速度的第二调整因子， 为海底到海平面的水深度，为海水的水平流动速度和洋流速度的综合调整因子，为洋流速度的调整因子；
计算所述海洋环境值包括：
,
其中，为海洋环境值的整体调整因子，为海底地形值的调整因子，为海底地形值，为海水密度值的调整因子，为海水密度值，为地理特征值的调整因子，为地理特征值。
2.如权利要求1任一项所述的一种海洋灾害预测与预警的方法，其特征在于，通过最小二乘法对所有调整因子进行拟合，使所述海洋灾害预测模型更准确。
3.如权利要求1所述的一种海洋灾害预测与预警的方法，其特征在于，还包括：设置多个灾害等级阈值，每个所述灾害等级阈值与灾害等级一一对应，将所述海洋灾害的预测值与每个所述灾害等级阈值进行对比，从而确定海洋灾害的等级。
4.如权利要求1所述的一种海洋灾害预测与预警的方法，其特征在于，还包括：通过计算所述海洋灾害的预测值和真实值之间的均方根误差，从而对所述海洋灾害预测模型进行评估。
5.一种海洋灾害预测与预警的系统，其特征在于，包括：
获取数据模块，用于获取某一海域的历史海域信息，其中，所述历史海域信息包括：海底斜坡的角度、海底到海平面的水深度、地震震源深度、距离海岸的距离、地震震源的频率值、海水的水平流动速度、洋流速度、海底地形值、海水密度值和地理特征值；
预测模块，用于设置海洋灾害预测模型，根据所述历史海域信息，对所述海洋灾害预测模型进行训练，通过训练完成的所述海洋灾害预测模型，根据实时海域信息，计算海洋灾害的预测值，对海洋灾害进行预测并进行预警，其中，所述海洋灾害预测模型包括：根据所述海水的水平流动速度和所述洋流速度，计算水体状态值，根据所述海底斜坡的角度和所述海底到海平面的水深度，计算海底地形值，根据所述海底地形值、所述海水密度值和所述地理特征值，计算海洋环境值，其中，所述海洋灾害预测模型包括：
,
其中，为海洋灾害的预测值，为整体调整因子，为地震震源深度的调整因子，为地震震源深度，为水体状态值，为水体状态值的调整因子，为地震发生时间，为地震发生时间的调整因子，为距离海岸的距离，为距离海岸的距离的调整因子，为海洋环境值，为海洋环境值的调整因子，为地震震源的频率值，为海底地形值，为地震震源的频率值的调整因子，为海底地形值的调整因子；
计算所述海底地形值包括：
,
其中，为海底斜坡的角度，为海底到海平面的水深度，、和为海底斜坡的角度的调整因子，、和为海底到海平面的水深度的调整因子；
计算所述水体状态值V包括：
,
其中，为水体状态整体调整因子，为海水的水平流动速度的第一调整因子，U为海水的水平流动速度，为洋流速度，为海水的水平流动速度的第二调整因子，为海底到海平面的水深度，为海水的水平流动速度和洋流速度的综合调整因子，为洋流速度的调整因子；
计算所述海洋环境值包括：
,
其中，为海洋环境值的整体调整因子，为海底地形值的调整因子，为海底地形值，为海水密度值的调整因子，为海水密度值，为地理特征值的调整因子，为地理特征值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311239364.0A CN116978191B (zh) | 2023-09-25 | 2023-09-25 | 一种海洋灾害预测与预警的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311239364.0A CN116978191B (zh) | 2023-09-25 | 2023-09-25 | 一种海洋灾害预测与预警的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116978191A CN116978191A (zh) | 2023-10-31 |
| CN116978191B true CN116978191B (zh) | 2023-12-08 |
Family
ID=88471643
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311239364.0A Active CN116978191B (zh) | 2023-09-25 | 2023-09-25 | 一种海洋灾害预测与预警的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116978191B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101567124A (zh) * | 2009-06-04 | 2009-10-28 | 山东省科学院海洋仪器仪表研究所 | 一种海洋灾害预警方法 |
| CN102495875A (zh) * | 2011-12-02 | 2012-06-13 | 上海海洋大学 | 一种基于数据挖掘的海洋灾害预警专家系统 |
| KR20160117765A (ko) * | 2015-03-31 | 2016-10-11 | 대한민국(국민안전처 국립재난안전연구원장) | 지진 해일의 예측 및 대응 시스템 |
| KR20160117766A (ko) * | 2015-03-31 | 2016-10-11 | 대한민국(국민안전처 국립재난안전연구원장) | 실시간 해양정보 분석을 통한 해양재난의 예측 및 관리 시스템 |
| CN110926433A (zh) * | 2019-11-28 | 2020-03-27 | 中国船舶重工集团公司第七一九研究所 | 一种用于滨海核电站海洋致灾物预警系统 |
| KR20220094171A (ko) * | 2020-12-28 | 2022-07-05 | 고려대학교 산학협력단 | 단층 파괴의 시간이력을 고려한 지진해일 모의 방법 |
| CN114840573A (zh) * | 2022-04-06 | 2022-08-02 | 浙江省海洋科学院(浙江省海洋技术服务中心) | 一种基于数据分析的海灾智能监测系统及方法 |
| CN115542397A (zh) * | 2022-10-08 | 2022-12-30 | 国家海洋环境预报中心 | 一种基于svm的海啸危险分析方法 |
| CN116702993A (zh) * | 2023-06-20 | 2023-09-05 | 浪潮智慧科技有限公司 | 一种基于边缘计算的洪水预测方法、设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018039142A1 (en) * | 2016-08-22 | 2018-03-01 | Rapidsos, Inc. | Predictive analytics for emergency detection and response management |
-
2023
- 2023-09-25 CN CN202311239364.0A patent/CN116978191B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101567124A (zh) * | 2009-06-04 | 2009-10-28 | 山东省科学院海洋仪器仪表研究所 | 一种海洋灾害预警方法 |
| CN102495875A (zh) * | 2011-12-02 | 2012-06-13 | 上海海洋大学 | 一种基于数据挖掘的海洋灾害预警专家系统 |
| KR20160117765A (ko) * | 2015-03-31 | 2016-10-11 | 대한민국(국민안전처 국립재난안전연구원장) | 지진 해일의 예측 및 대응 시스템 |
| KR20160117766A (ko) * | 2015-03-31 | 2016-10-11 | 대한민국(국민안전처 국립재난안전연구원장) | 실시간 해양정보 분석을 통한 해양재난의 예측 및 관리 시스템 |
| CN110926433A (zh) * | 2019-11-28 | 2020-03-27 | 中国船舶重工集团公司第七一九研究所 | 一种用于滨海核电站海洋致灾物预警系统 |
| KR20220094171A (ko) * | 2020-12-28 | 2022-07-05 | 고려대학교 산학협력단 | 단층 파괴의 시간이력을 고려한 지진해일 모의 방법 |
| CN114840573A (zh) * | 2022-04-06 | 2022-08-02 | 浙江省海洋科学院(浙江省海洋技术服务中心) | 一种基于数据分析的海灾智能监测系统及方法 |
| CN115542397A (zh) * | 2022-10-08 | 2022-12-30 | 国家海洋环境预报中心 | 一种基于svm的海啸危险分析方法 |
| CN116702993A (zh) * | 2023-06-20 | 2023-09-05 | 浪潮智慧科技有限公司 | 一种基于边缘计算的洪水预测方法、设备及介质 |
Non-Patent Citations (3)
| Title |
|---|
| 包澄澜.海啸灾害及其预警系统.国际地震动态.2005,(第01期),全文. * |
| 基于海温因子的传递函数模型在黄海绿潮规模预测中的应用;刘旭等;海洋预报;第39卷(第4期);第91-100页 * |
| 海啸灾害及其预警系统;包澄澜;国际地震动态(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116978191A (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Storlazzi et al. | Rigorously valuing the role of US coral reefs in coastal hazard risk reduction | |
| KR101761707B1 (ko) | 능동형 정보수집 스크립트 및 수치모형을 이용한 태풍해일 자동 예측 방법 | |
| CN108492236A (zh) | 基于蒙特卡洛随机模拟的多重现期海啸灾害评估方法 | |
| Callaghan et al. | The impact of various methods of wave transfers from deep water to nearshore when determining extreme beach erosion | |
| Oumeraci et al. | XtremRisK—integrated flood risk analysis for extreme storm surges at open coasts and in estuaries: methodology, key results and lessons learned | |
| CN115439029A (zh) | 一种海啸灾害重点防御区划定方法及系统 | |
| Wang et al. | Risk assessment for typhoon-induced storm surges in Wenchang, Hainan Island of China | |
| Fredriksson et al. | Statistical analysis of extreme sea water levels at the Falsterbo Peninsula, South Sweden | |
| CN114895358A (zh) | 地震海啸快速预警方法和系统 | |
| Chacon-Barrantes et al. | A first estimation of tsunami hazard of the Pacific coast of Costa Rica from local and distant seismogenic sources | |
| Karamouz et al. | Flood modeling in coastal cities and flow through vegetated BMPs: Conceptual design | |
| Srinivasa Kumar et al. | Assessment of the reliability of the Indian Tsunami early warning system | |
| CN116978191B (zh) | 一种海洋灾害预测与预警的方法及系统 | |
| Heron et al. | Application of HF radar in hazard management | |
| Bryant et al. | Application of the nearshore wave model STWAVE to the North Atlantic coast comprehensive study | |
| Ren et al. | Source inversion and numerical simulation of 2017 M w 8.1 Mexico earthquake tsunami | |
| KR20150089191A (ko) | 폭풍 해일 예보 시스템 | |
| Mazzoleni et al. | Data assimilation in hydrologic routing: Impact of model error and sensor placement on flood forecasting | |
| Katada et al. | Integrated simulation of tsunami hazards | |
| Pei et al. | Joint distributions of hurricane wind and storm surge for the city of Charleston in South Carolina | |
| Fergany et al. | Demonstration of pb-PSHA with Ras-Elhekma earthquake, Egypt | |
| Lohmann et al. | Correlation, simulation and uncertainty in catastrophe modeling | |
| Jung et al. | Exploring the combined risk of sea level rise and storm surges using a Bayesian Network Model: application to saemangeum seawall | |
| Dubois et al. | An enhanced SAR-based tsunami detection system | |
| KR101568819B1 (ko) | 능동형 정보수집 스크립트 및 수치모형을 이용한 연안침식 자동 예측 방법 |
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 |