CN117094448B - 一种大数据分析方法及系统 - Google Patents

一种大数据分析方法及系统 Download PDF

Info

Publication number
CN117094448B
CN117094448B CN202311338708.3A CN202311338708A CN117094448B CN 117094448 B CN117094448 B CN 117094448B CN 202311338708 A CN202311338708 A CN 202311338708A CN 117094448 B CN117094448 B CN 117094448B
Authority
CN
China
Prior art keywords
flood
flood discharge
flooding
flooding range
range diagram
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
Application number
CN202311338708.3A
Other languages
English (en)
Other versions
CN117094448A (zh
Inventor
郑小华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Smart Enterprise Development Research Institute Co ltd
Original Assignee
Chengdu Smart Enterprise Development Research Institute Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Smart Enterprise Development Research Institute Co ltd filed Critical Chengdu Smart Enterprise Development Research Institute Co ltd
Priority to CN202311338708.3A priority Critical patent/CN117094448B/zh
Publication of CN117094448A publication Critical patent/CN117094448A/zh
Application granted granted Critical
Publication of CN117094448B publication Critical patent/CN117094448B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种大数据分析方法及系统，用于泄洪数据分析，包括：获取泄洪区域的历史数据确定水淹地区的洪水增加量；确定洪水每增加第一量后的水淹范围图，得到基于洪水增加量的水淹范围图序列；对水淹地区图序列进行小波变换，得到水淹范围图样本；使用水淹范围图样本训练神经网络得到第一模型；用第一模型预测后续水淹地区图，并计算到达被预测水淹地区图状态需要的时间；根据预测的水淹地区图以及到达被预测水淹地区图状态需要的时间进行泄洪控制通过上述方案可以将水淹地图转换至洪水增加量尺度，从而使用现有的图像预测网络进行预测以进行泄洪控制。

Description

一种大数据分析方法及系统
技术领域
本发明涉及数据处理领域，具体而言涉及一种用于泄洪数据分析的大数据分析方法及系统。
背景技术
泄洪量分析是一种用于洪水管理和水资源规划的重要技术，旨在确定在洪水事件中必须从水库、水闸或其他水体储存设施中释放的水的数量。
为了预测泄洪后，下游的水淹区域，通常要对过水面积进行预测。然而，水淹区域受到上游来水、降雨、排水、地形等因素的影响，并且上游来水、降雨、排水不是简单的随时间变化，水淹区域在时间尺度上难表示成预测函数。
现有技术中，泄洪量分析需要进行大量的数据处理，包括降雨量、上游泄洪流量、流域地理特性（包括面积、坡度、土地利用、土壤类型）等，要建立非常复杂的数学模型，建模难度大，容易出错。
发明内容
为了解决现有技术中的问题，本发明提供一种大数据分析方法及系统。
在本发明的一个方面，提供一种大数据分析方法，其特征在于所述方法用于泄洪数据分析，所述方法包括如下步骤：获取泄洪区域的历史数据，所述历史数据包括上游泄洪流量、降水量、泄洪区域排洪流量、水淹范围图；根据上游泄洪流量、降水量、泄洪区域排洪流量确定水淹范围的洪水增加量；确定洪水每增加第一量后的水淹范围图，得到基于洪水增加量的水淹范围图序列；对所述水淹范围图序列进行小波变换，取LL分量，得到水淹范围图样本；使用水淹范围图样本训练神经网络得到第一模型，所述第一模型可预测洪水每增加第一量后的水淹范围图；实时获取上游泄洪流量、降水量、泄洪区域排洪流量、当前水淹范围图，并以第一模型预测后续水淹范围图，并计算到达被预测水淹范围图状态需要的时间；根据预测的水淹范围图以及到达被预测水淹范围图状态需要的时间进行泄洪控制。
进一步地，洪水增加量=上游泄洪流量×时间+降水量×目标区域面积-泄洪区域排洪流量×时间。
进一步地，所述第一模型为ConvLSTM。
进一步地，在小波变换后，对LL分量进行反小波变换，将其还原为水淹范围图的样本。
进一步地，用第一模型预测后续水淹范围图前对当前水淹范围图进行小波变换，取LL分量，对LL分量进行反小波变换，将其还原为水淹范围图的样本。
本发明另一方面还提供一种大数据分析系统，其特征在于所述系统用于泄洪数据分析，所述系统包括如下模块：获取模块，用于获取泄洪区域的历史数据，所述历史数据包括上游泄洪流量、降水量、泄洪区域排洪流量、水淹范围图；计算模块，用于根据上游泄洪流量、降水量、泄洪区域排洪流量确定水淹范围的洪水增加量；序列图处理模块，用于确定洪水每增加第一量后的水淹范围图，得到基于洪水增加量的水淹范围图序列；样本处理模块，用于对所述水淹范围图序列进行小波变换，取LL分量，得到水淹范围图样本；训练模块，用于使用水淹范围图样本训练神经网络得到第一模型，所述第一模型可预测洪水每增加第一量后的水淹范围图；预测模块，用于实时获取上游泄洪流量、降水量、泄洪区域排洪流量、当前水淹范围图，并以第一模型预测后续水淹范围图，并计算到达被预测水淹范围图状态需要的时间；控制模块，用于根据预测的水淹范围图以及到达被预测水淹范围图状态需要的时间进行泄洪控制。
进一步地，洪水增加量=上游泄洪流量×时间+降水量×目标区域面积-泄洪区域排洪流量×时间。
进一步地，所述第一模型为ConvLSTM。
进一步地，在小波变换后，对LL分量进行反小波变换，将其还原为水淹范围图的样本。
进一步地，用第一模型预测后续水淹范围图前对当前水淹范围图进行小波变换，取LL分量，对LL分量进行反小波变换，将其还原为水淹范围图的样本。
本发明通过上述技术方案，可以产生如下有益效果：
将水淹范围的图像数据转换至洪水增加量的尺度，从而可以使用现有技术中的图像预测网络进行后续的图像预测。一方面避免了无法从时间尺度进行预测的技术问题，另一方面也不需要建立复杂的数据模型，并且不容易出现错误。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明方法过程示意图。
具体实施方式
下面，结合附图以及具体实施方式，对发明做出优选的描述。
本实施例通过如下步骤解决上术问题:
如图1所示，在一个实施例中，本发明提供一种大数据分析就去方法，具体包括：
获取泄洪区域的历史数据，所述历史数据包括上游泄洪流量、降水量、泄洪区域排洪流量、水淹范围图；
泄洪区域的历史数据是进行泄洪量大数据分析的基础，可以通过当地水利部门、气象部门或环保部门授权，以获取有关泄洪量、降水量和水淹范围的历史数据。
上游泄洪流量以立方米每秒（cubic meters per second，缩写为m³/s）为单位来表示，以便描述流经水闸、水库或河流的水的数量。通过历史的上游泄洪流量可以计算任意时间内经水坝水闸流至下游目标区域的洪水量。
降水量是指在一定时间内（通常以小时、日、月或年为单位）降水的总量，通常以毫米（mm）或英寸（inches）为单位。降水量与目标区域的面积之积即为目标区域内在一定时间内的总的降水量（体积）。
泄洪区域排洪流量的单位与上游泄洪流量相同，表示泄洪区域每秒流出的洪水量，也就是每秒泄洪区域的洪水减少量，可根据河道出口的通过传感器数据估计。
水淹范围图是用于显示特定区域内水体溢出、洪水或涝灾事件的地图或图片。这些图可由地理信息系统（GIS）专业人员或相关部门绘制，也可以由卫星、无人机等进行拍照获得。水淹范围图通常包括以下信息：水深等级：不同的颜色或图形通常用于表示不同水深等级，以帮助人们理解水深的变化。通常，深蓝色表示较深的水，浅蓝色或绿色表示较浅的水。受影响区域：地图上标明了洪水或涝灾影响的具体区域，包括城市、乡村、河流、湖泊等地理要素。水体边界：显示河流、湖泊或水库的边界，帮助人们理解水体的形状和大小。
根据上游泄洪流量、降水量、泄洪区域排洪流量确定水淹范围的洪水增加量。
洪水增加量是指在一定时间内，由降水及上游泄洪导致目标区域一定时间内的洪水的增加量减去泄洪区域的排洪量。上游泄洪流量以立方米每秒为单位，而降水量是指在一定时间内（通常以小时、日、月或年为单位）降水的总量，通过上游泄洪流量×时间+降水量×目标区域面积-泄洪区域排洪流量×时间可计算洪水增加量。
水淹范围受到降水以及泄洪量的影响，而降水、泄洪量从时间尺度上通常不具有连续性，因此水淹范围从时间尺度上并不具有明显的规律性，因此现有技术中通常不从时间尺度对水淹范围进行预测。
然而，经申请人研究发现，目标区域的水淹范围主要与洪水增加量及区域地形相关，而区域地形均为固定参数，因此可以根据历史数据确定一个水淹范围与洪水增加量的函数，基于此原理本申请使用洪水增加量对水淹面积进行预测。
确定洪水每增加第一量后的水淹范围图，得到基于洪水增加量的水淹范围图序列。
使用前述步骤的方法可以计算出洪水增加量，则可以确定出每增加一定量的时刻。第一量可由应用的具体场景确定，如上游流量大小、泄洪区域大小等。示例性地，本实施例不做具体限定。示例性地，以100万立方米为第一量，先确定出每增加100万立方米的时间，如以6.1日12时为起点，至6.1日23时的增加量为100万立方米，至6.2日10时再次增加100万立方米……，则取6.1日12时、6.1日23时、6.2日10时……的水淹范围图，将这些水淹范围图组成一个图序列。图序列任意前后两个相邻图表示洪水每增加100万立方米水淹范围图的变化。
对所述水淹范围图序列进行小波变换，取LL分量，得到水淹范围图样本。
水淹范围图中包括了泄洪区域的地形线条等，但本实施例只关心由于水淹区域导致的图片的颜色分布，为了减少参数特征，进一步地，对所述水淹范围图序列进行小波变换，取LL分量，得到水淹范围图样本。
小波变换是一种信号处理技术，用于分解信号或图像的不同频率分量，LL分量表示信号的低频分量，通常包含图像的整体结构信息，因此去掉了很多图像细节（如路径等）。使用小波变换库或软件（如PyWavelets、MATLAB等）对水淹范围图序列进行小波变换。选择适当的小波基函数和变换级数以满足的需求，本实施例不做限定。小波变换会生成多个子带，包括LL、LH、HL和HH。LL分量包含了图像的低频信息，对应于整体趋势和结构（颜色分布，也就是水淹图中的被水淹的区域）。提取LL分量可以通过保留LL分量而将其他分量设置为零来实现。对LL分量进行反小波变换，将其还原为水淹范围图的样本。这将生成与原始水淹范围图相似的图像，但只包含了低频信息，从而得到去掉不关心的内容的水淹范围图像样本，这样处理之后可以极大地加快训练的速度。
使用水淹范围图样本训练神经网络得到第一模型，所述第一模型可预测洪水每增加第一量后的水淹范围图。
通过前述的处理，将不适用于在时间尺度进行处理的图像转换成从洪水增加量尺度的图像序列，从而使得图像序列可以使用现有的基于时间尺度的图像预测模型，如ConvLSTM等模型。
在进行模型训练时先对图像数据进行预处理，如调整大小、标准化、归一化等，以确保数据在训练过程中具有一致性。选择适当的网络的层数、激活函数、损失函数等参数，具体参数不是本实施例的重点，本实施例不做特别的限定。使用训练集进行模型的训练，通过反向传播算法来优化模型的权重和参数。监控模型在验证集上的性能，以避免过拟合，并在需要时进行调整。使用测试集来评估模型的性能，包括准确度、均方误差（MSE）等指标，以确保模型能够准确预测水淹范围图。进一步地，可能需要尝试不同的模型架构和超参数配置，以优化模型性能。
实时获取上游泄洪流量、降水量、泄洪区域排洪流量、当前水淹范围图，并用第一模型预测后续水淹范围图，并计算到达被预测水淹范围图状态需要的时间；
从上游水文测站或传感器实时获取上游泄洪流量数据，从气象站或气象卫星获取实时降水数据。，从泄洪区域监测站或传感器获取实时泄洪区域排洪流量数据。从卫星遥感、无人机图像或地面监测获等取实时水淹范围图像。
对当前水淹范围图进行小波变换，取LL分量，对LL分量进行反小波变换，将其还原为水淹范围图的样本，得到水淹范围图输入参数，将输入参数输入第一模型即可预测洪水增加第一量后的水淹范围图。
进一步地，根据上游泄洪流量、降水量、泄洪区域排洪流量以及第一量，再依据公式洪水增加量=上游泄洪流量×时间+降水量×目标区域面积-泄洪区域排洪流量×时间，即可估算出到达被预测的水淹范围图像需要多少时间。
根据预测的水淹范围图以及到达被预测水淹范围图状态需要的时间进行泄洪控制。
到达被预测水淹范围图状态需要的时间可以看出到达被预测水淹范围图状态所需要的时间，当淹没区域过大时，可降低上游泄洪流量，如果无法降低上游泄洪流量则可尽早安排撤离等，以减少生命财产损失，具体的泄洪控制不在本实施例的讨论范围内，本实施不做具体的限定。
另一方面，本发明还提供一种大数据分析系统，其特征在于所述系统用于泄洪数据分析，所述系统包括如下模块：
获取模块，用于获取泄洪区域的历史数据，所述历史数据包括上游泄洪流量、降水量、泄洪区域排洪流量、水淹范围图；
计算模块，用于根据上游泄洪流量、降水量、泄洪区域排洪流量确定水淹范围的洪水增加量；
序列图处理模块，用于确定洪水每增加第一量后的水淹范围图，得到基于洪水增加量的水淹范围图序列；
样本处理模块，用于对所述水淹范围图序列进行小波变换，取LL分量，得到水淹范围图样本；
训练模块，用于使用水淹范围图样本训练神经网络得到第一模型，所述第一模型可预测洪水每增加第一量后的水淹范围图；
预测模块，用于实时获取上游泄洪流量、降水量、泄洪区域排洪流量、当前水淹范围图，并以第一模型预测后续水淹范围图，并计算到达被预测水淹范围图状态需要的时间；
控制模块，用于根据预测的水淹范围图以及到达被预测水淹范围图状态需要的时间进行泄洪控制。
进一步地，上述所述的一种大数据分析系统具体的实现方法均与一种大数据分析方法相同，一种大数据分析方法中的全部进一步的技术方案均完全引入一种大数据分析系统中。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
本发明未特别明确的部分模块结构，以现有技术记载的内容为准。本发明在前述背景技术部分以及具体实施例部分提及的现有技术可作为本发明的一部分，用于理解部分技术特征或者参数的含义。本发明的保护范围以权利要求实际记载的内容为准。

Claims (8)

1.一种大数据分析方法，其特征在于所述方法用于泄洪数据分析，所述方法包括如下步骤：
获取泄洪区域的历史数据，所述历史数据包括上游泄洪流量、降水量、泄洪区域排洪流量、水淹范围图；
根据上游泄洪流量、降水量、泄洪区域排洪流量确定水淹范围的洪水增加量；
确定洪水每增加第一量后的水淹范围图，得到基于洪水增加量的水淹范围图序列;所述图序列任意前后两个相邻图表示洪水每增加相同量的水淹范围图的变化；
对所述水淹范围图序列进行小波变换，取LL分量，得到水淹范围图样本；
使用水淹范围图样本训练神经网络得到第一模型，所述第一模型可预测洪水每增加第一量后的水淹范围图；
实时获取上游泄洪流量、降水量、泄洪区域排洪流量、当前水淹范围图，并以第一模型预测后续水淹范围图，并计算到达被预测水淹范围图状态需要的时间；
根据预测的水淹范围图以及到达被预测水淹范围图状态需要的时间进行泄洪控制；
洪水增加量=上游泄洪流量×时间+降水量×目标区域面积-泄洪区域排洪流量×时间。
2.根据权利要求1所述的一种大数据分析方法，其特征在于：
所述第一模型为ConvLSTM。
3.根据权利要求1所述的一种大数据分析方法，其特征在于：在小波变换后，对LL分量进行反小波变换，将其还原为水淹范围图的样本。
4.根据权利要求1所述的一种大数据分析方法，其特征在于：用第一模型预测后续水淹范围图前对当前水淹范围图进行小波变换，取LL分量，对LL分量进行反小波变换，将其还原为水淹范围图的样本。
5.一种大数据分析系统，其特征在于所述系统用于泄洪数据分析，所述系统包括如下模块：
获取模块，用于获取泄洪区域的历史数据，所述历史数据包括上游泄洪流量、降水量、泄洪区域排洪流量、水淹范围图；
计算模块，用于根据上游泄洪流量、降水量、泄洪区域排洪流量确定水淹范围的洪水增加量；
序列图处理模块，用于确定洪水每增加第一量后的水淹范围图，得到基于洪水增加量的水淹范围图序列；
样本处理模块，用于对所述水淹范围图序列进行小波变换，取LL分量，得到水淹范围图样本;所述图序列任意前后两个图相邻图表示洪水每增加相同量的水淹范围图的变化；
训练模块，用于使用水淹范围图样本训练神经网络得到第一模型，所述第一模型可预测洪水每增加第一量后的水淹范围图；
预测模块，用于实时获取上游泄洪流量、降水量、泄洪区域排洪流量、当前水淹范围图，并以第一模型预测后续水淹范围图，并计算到达被预测水淹范围图状态需要的时间；
控制模块，用于根据预测的水淹范围图以及到达被预测水淹范围图状态需要的时间进行泄洪控制；
洪水增加量=上游泄洪流量×时间+降水量×目标区域面积-泄洪区域排洪流量×时间。
6.根据权利要求5所述的一种大数据分析系统，其特征在于：
所述第一模型为ConvLSTM。
7.根据权利要求5所述的一种大数据分析系统，其特征在于：在小波变换后，对LL分量进行反小波变换，将其还原为水淹范围图的样本。
8.根据权利要求5所述的一种大数据分析系统，其特征在于：用第一模型预测后续水淹范围图前对当前水淹范围图进行小波变换，取LL分量，对LL分量进行反小波变换，将其还原为水淹范围图的样本。
CN202311338708.3A 2023-10-17 2023-10-17 一种大数据分析方法及系统 Active CN117094448B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311338708.3A CN117094448B (zh) 2023-10-17 2023-10-17 一种大数据分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311338708.3A CN117094448B (zh) 2023-10-17 2023-10-17 一种大数据分析方法及系统

Publications (2)

Publication Number Publication Date
CN117094448A CN117094448A (zh) 2023-11-21
CN117094448B true CN117094448B (zh) 2024-02-02

Family

ID=88771862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311338708.3A Active CN117094448B (zh) 2023-10-17 2023-10-17 一种大数据分析方法及系统

Country Status (1)

Country Link
CN (1) CN117094448B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101441683A (zh) * 2008-06-17 2009-05-27 浙江大学 一种城市暴雨洪涝演化过程的预测方法
CN102637241A (zh) * 2012-03-22 2012-08-15 贵州东方世纪科技有限责任公司 一种基于分布式异构平台的洪水淹没演进计算系统
CN112001964A (zh) * 2020-07-31 2020-11-27 西安理工大学 一种基于深度学习的洪水演进过程淹没范围测量方法
CN112287539A (zh) * 2020-10-28 2021-01-29 国网湖北省电力有限公司电力科学研究院 一种考虑水库影响的电力设施洪涝灾害风险评估方法
CN112381285A (zh) * 2020-11-12 2021-02-19 中国科学院空天信息创新研究院 一种基于遥感的洪涝淹没预测方法
CN112967476A (zh) * 2021-04-09 2021-06-15 黑龙江文图测绘地理信息有限责任公司 一种基于双曲分流模型的洪水预报系统
CN113610693A (zh) * 2021-10-09 2021-11-05 矿冶科技集团有限公司 尾矿库泄洪的方法和装置
CN113870224A (zh) * 2021-09-28 2021-12-31 广东电网有限责任公司 一种洪水监测方法、系统、设备和介质
CN114266502A (zh) * 2021-12-31 2022-04-01 南京鼐威欣信息技术有限公司 一种洪水受灾损失评估方法和仿真推演系统
CN115018218A (zh) * 2022-08-09 2022-09-06 长江勘测规划设计研究有限责任公司 一种基于数学模型的梯级水库群洪水资源利用方法及系统
CN115018165A (zh) * 2022-06-10 2022-09-06 江西武大扬帆科技有限公司 基于大数据的洪水预报分析系统及方法
CN115493659A (zh) * 2022-10-10 2022-12-20 山东水利职业学院 一种水利工程安全监测方法及系统
CN116289739A (zh) * 2023-02-07 2023-06-23 中国安全生产科学研究院 一种用于尾矿库泄流的智能导流渠系统、方法及装置
CN116432820A (zh) * 2023-03-07 2023-07-14 广西电网有限责任公司电力科学研究院 一种洪涝淹没演进预测预警方法及系统
CN116562448A (zh) * 2023-05-12 2023-08-08 大连海事大学 一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101441683A (zh) * 2008-06-17 2009-05-27 浙江大学 一种城市暴雨洪涝演化过程的预测方法
CN102637241A (zh) * 2012-03-22 2012-08-15 贵州东方世纪科技有限责任公司 一种基于分布式异构平台的洪水淹没演进计算系统
CN112001964A (zh) * 2020-07-31 2020-11-27 西安理工大学 一种基于深度学习的洪水演进过程淹没范围测量方法
CN112287539A (zh) * 2020-10-28 2021-01-29 国网湖北省电力有限公司电力科学研究院 一种考虑水库影响的电力设施洪涝灾害风险评估方法
CN112381285A (zh) * 2020-11-12 2021-02-19 中国科学院空天信息创新研究院 一种基于遥感的洪涝淹没预测方法
CN112967476A (zh) * 2021-04-09 2021-06-15 黑龙江文图测绘地理信息有限责任公司 一种基于双曲分流模型的洪水预报系统
CN113870224A (zh) * 2021-09-28 2021-12-31 广东电网有限责任公司 一种洪水监测方法、系统、设备和介质
CN113610693A (zh) * 2021-10-09 2021-11-05 矿冶科技集团有限公司 尾矿库泄洪的方法和装置
CN114266502A (zh) * 2021-12-31 2022-04-01 南京鼐威欣信息技术有限公司 一种洪水受灾损失评估方法和仿真推演系统
CN115018165A (zh) * 2022-06-10 2022-09-06 江西武大扬帆科技有限公司 基于大数据的洪水预报分析系统及方法
CN115018218A (zh) * 2022-08-09 2022-09-06 长江勘测规划设计研究有限责任公司 一种基于数学模型的梯级水库群洪水资源利用方法及系统
CN115493659A (zh) * 2022-10-10 2022-12-20 山东水利职业学院 一种水利工程安全监测方法及系统
CN116289739A (zh) * 2023-02-07 2023-06-23 中国安全生产科学研究院 一种用于尾矿库泄流的智能导流渠系统、方法及装置
CN116432820A (zh) * 2023-03-07 2023-07-14 广西电网有限责任公司电力科学研究院 一种洪涝淹没演进预测预警方法及系统
CN116562448A (zh) * 2023-05-12 2023-08-08 大连海事大学 一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"基于随机过程理论的长江巨洪发生概率预测模式与应用";郑小华 等;《暴雨灾害》;第28卷(第3期);第266-270页 *
"基于风险决策模型的连通水库防洪方案研究";王璠 等;《人民黄河》;第39卷(第6期);第28-33页 *
"多向滤波结合小波逆变换的图像超分辨率重建";宋明煜 等;《现代信息科技》;第4卷(第5期);第5-8页 *
基于DEM的桂林海洋岩溶区洪水淹没预测模型;陈三明;孙晓琳;林刚;王喆;罗文敏;孙悦;;桂林理工大学学报(第04期);第55-59页 *

Also Published As

Publication number Publication date
CN117094448A (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
EP3534187B1 (en) Process and system for hydrological analysis and management for river basins
Huang et al. Event-based hydrological modeling for detecting dominant hydrological process and suitable model strategy for semi-arid catchments
Fujii et al. Hydrological roles of the Cambodian floodplain of the Mekong River
WO2019204254A1 (en) Flood monitoring and management system
CN111507375B (zh) 一种城市内涝风险快速评估方法及系统
Zin et al. River flood inundation mapping in the Bago River Basin, Myanmar
CN115496015B (zh) 一种基于流量梯度变化的水动力分析决策方法
CN114942596B (zh) 一种城市防洪排水智能控制系统
Parvaze et al. Flood forecasting in Jhelum river basin using integrated hydrological and hydraulic modeling approach with a real-time updating procedure
CN115358650A (zh) 一种洪涝灾害应急避险与物资实时调配方法
Wu et al. Projection of future hydrometeorological extremes and wetland flood mitigation services with different global warming levels: A case study in the Nenjiang river basin
Coppola et al. Cellular automata algorithms for drainage network extraction and rainfall data assimilation
CN111898250A (zh) 基于多源数据融合的河口尾闾段出汊预测方法及装置
Vergnes et al. Impact of river water levels on the simulation of stream–aquifer exchanges over the Upper Rhine alluvial aquifer (France/Germany)
CN114118870A (zh) 一种耦合冰湖溃决洪水和融雪洪水的下游洪量估算方法
CN117094448B (zh) 一种大数据分析方法及系统
Tilford et al. Application of weather radar data for urban hydrology
CN115511291A (zh) 基于内涝淹没水深监测的岩溶洼地过水能力分析方法
Nevo et al. ML-based flood forecasting: Advances in scale, accuracy and reach
Ranit et al. Flood forecasting by using machine learning
Parvaze et al. Flood forecasting in the sparsely gauged jhelum river basin of greater himalayas using integrated hydrological and hydraulic modelling approach
Lee et al. Flow Analysis of Landslide Dammed Lake Watersheds: a Case STUDY1
Bagheri et al. Subsidence vulnerability indexing using convolutional neural networks based on clustering and regression modeling strategies
Lewis Characterizing the evolution of a restoring salt marsh landscape with low altitude aerial imagery and photogrammetric techniques
Ogale et al. Modelling and short term forecasting of flash floods in an urban environment

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