CN117152623B - 一种基于大数据的洪水预报方法、装置及介质 - Google Patents

一种基于大数据的洪水预报方法、装置及介质 Download PDF

Info

Publication number
CN117152623B
CN117152623B CN202311435843.XA CN202311435843A CN117152623B CN 117152623 B CN117152623 B CN 117152623B CN 202311435843 A CN202311435843 A CN 202311435843A CN 117152623 B CN117152623 B CN 117152623B
Authority
CN
China
Prior art keywords
flood
bridge
module
remote sensing
convolution
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
CN202311435843.XA
Other languages
English (en)
Other versions
CN117152623A (zh
Inventor
张李荪
李祎盼
程遥
钱贵伍
刘杨
张云茜
王永庆
华杰
张国文
袁媛
郑永强
黄兰波
邹昕
张娜
杨阳
陈浩雯
申仪玲
吴雅珍
程雪苗
卢聪飞
陈学阳
胡燕
邓超
雷丽娟
许良英
范红明
罗冉
曹忠
王嘉龙
王佳轩
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.)
China Railway Water Resources Information Technology Co ltd
Original Assignee
China Railway Water Resources Information Technology 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 China Railway Water Resources Information Technology Co ltd filed Critical China Railway Water Resources Information Technology Co ltd
Priority to CN202311435843.XA priority Critical patent/CN117152623B/zh
Publication of CN117152623A publication Critical patent/CN117152623A/zh
Application granted granted Critical
Publication of CN117152623B publication Critical patent/CN117152623B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及洪水预测技术领域，公开了一种基于大数据的洪水预报方法、装置及介质，其中一种基于大数据的洪水预报方法包括以下步骤：采集桥梁信息，桥梁信息包括桥梁结构信息；采集桥梁上游的高程图和遥感图像；获取降水导致的产流信息；基于产流信息和桥梁信息来生成水文特征；将水文特征、桥梁上游的高程图和桥梁上游的遥感图像输入洪水预测模型，洪水预测模型输出洪水像素矩阵；基于洪水像素矩阵在遥感图像上标记洪水区域；对洪水区域覆盖的预警区域进行警报或者疏散预警区域的居民；本发明能够对漂浮物淤积于桥梁的桥洞产生的壅水所引发的洪水进行预测，并对洪水区域进行可视化，能够及时保护可能被洪水影响的区域的居民和财物。

Description

一种基于大数据的洪水预报方法、装置及介质
技术领域
本发明涉及洪水预测技术领域，更具体地说，它涉及一种基于大数据的洪水预报方法、装置及介质。
背景技术
现有技术对于壅水的预测方法主要包括经验公式法和水面曲线法，经验公式法采用的经验公式包括道不松公式和实用水力学公式等，水面曲线法把河道分成若干计算流段，并将天然河道水流沿程变化微分方程改写为差分方程，计算局部水头损失。但是无论是经验公式法还是水面曲线法只能考虑到建桥后产生的壅水，降雨导致河道上升，水流的冲刷会携带很多的漂浮物，如植物、垃圾等，这些漂浮物会出现淤积于桥孔的现象，造成壅水，在桥梁的上游产生洪水；
对于桥梁桥孔堵塞产生的壅水，无法通过观测的水文参数来预估，无法应用经验公式法和水面曲线法来计算，无法预测桥梁壅水产生的洪水。
发明内容
本发明提供一种基于大数据的洪水预报方法、装置及介质，解决相关技术中无法预测桥梁壅水产生的洪水的技术问题。
本发明提供了一种基于大数据的洪水预报方法，包括以下步骤：
步骤S101，采集桥梁信息，桥梁信息包括桥梁结构信息；
步骤S102，采集桥梁上游的高程图和遥感图像；
高程图和遥感图像的范围内包含了桥梁、桥梁上游的河道和桥梁上游的可能受影响的预警区域；
步骤S103，获取降水导致的产流信息；
步骤S104，基于产流信息和桥梁信息来生成水文特征；
步骤S105，将水文特征、桥梁上游的高程图和桥梁上游的遥感图像输入洪水预测模型，洪水预测模型输出洪水像素矩阵，洪水像素矩阵的元素的值为1或0，洪水像素矩阵的大小与遥感图像的大小相同；
步骤S106，基于洪水像素矩阵在遥感图像上标记洪水区域，洪水区域的像素所对应的洪水像素矩阵的元素的值为1；
步骤S107，对洪水区域覆盖的预警区域进行警报或者疏散预警区域的居民。
进一步地，遥感图像包含了可见光波段内的图像信息。
进一步地，高程图和遥感图像的大小相同，并且像素一一对应，对应的两个像素所对应的地面的位置是相同的。
进一步地，水文特征以向量的形式来表示，水文特征的每个向量分量均表示一个产流信息的值或一个桥梁信息的值。
进一步地，洪水预测模型包括第一卷积模块、第二卷积模块、特征图累加层、第三卷积模块、特征提取层、张量层、转置卷积层和第一预测模块，其中第一卷积模块输入遥感图像，输出第一特征图到特征图累加层，第二卷积模块输入高程图，输出第二特征图到特征图累加层，特征图累加层对第一特征图和第二特征图进行通道累加生成第三特征图，第三特征图输入第三卷积模块，第三卷积模块输出第四特征图到转置卷积层；
水文特征输入特征提取层，特征提取层输出第一特征向量到张量层，张量层输出张量矩阵作为转置卷积层的卷积核，转置卷积层对第四特征图进行卷积处理输出第五特征图到第一预测模块，第一预测模块输出洪水像素矩阵。
进一步地，第一预测模块通过1*1大小的单个卷积核对输入的第五特征图进行卷积处理获得第一矩阵，卷积处理的激活函数为sigmoid函数，然后再对第一矩阵的元素值进行二值化处理获得洪水像素矩阵。
进一步地，张量层的计算公式如下：；其中Z表示张量矩阵，/>表示第一特征向量的转置，K表示张量层的权重向量，/>表示sigmoid函数。
进一步地，对第一卷积模块进行预训练，洪水预测模型的第一卷积模块还连接双线性插值层，双线性插值层连接第二预测模块，双线性插值层对第一卷积模块输出的第一特征图进行双线性插值处理，输出与输入的遥感图像同样的大小的第六特征图到第二预测模块，第二预测模块输出漂浮物像素矩阵；漂浮物像素矩阵的元素的值表示遥感图像上对应的位置的漂浮物类型。
本发明提供一种基于大数据的洪水预报装置，包括：
桥梁信息采集模块，其用于采集桥梁信息；
图像采集模块，其用于采集桥梁上游的高程图和遥感图像；
产流信息获取模块，其用于获取降水导致的产流信息；
水文特征生成模块，其基于产流信息和桥梁信息来生成水文特征；
图像处理模块，将水文特征、桥梁上游的高程图和桥梁上游的遥感图像输入洪水预测模型，洪水预测模型输出洪水像素矩阵，洪水像素矩阵的元素的值为1或0，洪水像素矩阵的大小与遥感图像的大小相同；
洪水区域标记模块，其基于洪水像素矩阵在遥感图像上标记洪水区域，洪水区域的像素所对应的洪水像素矩阵的元素的值为1；
洪水预警模块，其用于对洪水区域覆盖的预警区域进行警报或者疏散预警区域的居民。
本发明提供一种存储介质，其存储了非暂时性计算机可读指令，当非暂时性计算机可读指令由计算机执行时，能够执行前述的一种基于大数据的洪水预报方法中的步骤。
本发明的有益效果在于：本发明能够对漂浮物淤积于桥梁的桥洞产生的壅水所引发的洪水进行预测，并对洪水区域进行可视化，能够及时保护可能被洪水影响的区域的居民和财物。
附图说明
图1是本发明的一种基于大数据的洪水预报方法的流程图；
图2是本发明的洪水预测模型的模块示意图；
图3是本发明的一种基于大数据的洪水预报装置的模块示意图。
图中：第一卷积模块201、第二卷积模块202、特征图累加层203、第三卷积模块204、特征提取层205、张量层206、转置卷积层207、第一预测模块208、双线性插值层209、第二预测模块210、桥梁信息采集模块301、图像采集模块302、产流信息获取模块303、水文特征生成模块304、图像处理模块305、洪水区域标记模块306、洪水预警模块307。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，可以在不脱离本说明书内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。
如图1所示，一种基于大数据的洪水预报方法，包括以下步骤：
步骤S101，采集桥梁信息，桥梁信息包括桥梁结构信息；
步骤S102，采集桥梁上游的高程图和遥感图像；
需要说明的是，高程图和遥感图像的范围内包含了桥梁、桥梁上游的河道和桥梁上游的可能受影响的预警区域，预警区域可以是居住区等；
遥感图像包含了可见光波段内的图像信息；
在本发明的一个实施例中，高程图和遥感图像的大小相同，并且像素一一对应，对应的两个像素所对应的地面的位置是相同的。
如果高程图和遥感图像的分辨率不一致，则需要调整分辨率来使像素能够一一对应。
如果高程图和遥感图像的大小不一致，则需要通过裁剪的方式来使其达到大小一致。
如果高程图和遥感图像的分辨率不一致，并且高程图和遥感图像的大小不一致，则先调整分辨率，后调整大小。
步骤S103，获取降水导致的产流信息；
步骤S104，基于产流信息和桥梁信息来生成水文特征；
步骤S105，将水文特征、桥梁上游的高程图和桥梁上游的遥感图像输入洪水预测模型，洪水预测模型输出洪水像素矩阵，洪水像素矩阵的元素的值为1或0，洪水像素矩阵的大小与遥感图像的大小相同；
步骤S106，基于洪水像素矩阵在遥感图像上标记洪水区域，洪水区域的像素所对应的洪水像素矩阵的元素的值为1；
步骤S107，对洪水区域覆盖的预警区域进行警报或者疏散预警区域的居民。
在本发明的一个实施例中，桥梁信息包括桥身高度、桥身宽度、桥身长度、桥洞数量、桥洞截面积、桥洞宽度、桥洞高度等。
在本发明的一个实施例中，遥感图像可以来源于航拍或卫星图像。
在本发明的一个实施例中，产流信息根据降雨量来计算，例如可以采用降雨径流相关图法等方法来计算。
产流信息可以包括平均地面径流量和最大地面径流量。
在本发明的一个实施例中，水文特征以向量的形式来表示，水文特征的每个向量分量均表示一个产流信息的值或一个桥梁信息的值。
在本发明的一个实施例中，如图2所示，洪水预测模型包括第一卷积模块201、第二卷积模块202、特征图累加层203、第三卷积模块204、特征提取层205、张量层206、转置卷积层207和第一预测模块208，其中第一卷积模块201输入遥感图像，输出第一特征图到特征图累加层203，第二卷积模块202输入高程图，输出第二特征图到特征图累加层203，特征图累加层203对第一特征图和第二特征图进行通道累加生成第三特征图，第三特征图输入第三卷积模块204，第三卷积模块204输出第四特征图到转置卷积层207；
水文特征输入特征提取层205，特征提取层205输出第一特征向量到张量层206，张量层206输出张量矩阵作为转置卷积层207的卷积核，转置卷积层207对第四特征图进行卷积处理输出第五特征图到第一预测模块208，第一预测模块208输出洪水像素矩阵。
通过第一卷积模块201提取遥感图像中所包含的漂浮物的图像特征，并综合高程图中提取的图像特征，之后通过产流信息和桥梁信息来生成水文特征来处理获得的卷积核对综合提取的图像特征进行转置卷积，预测未来受到降水和漂浮物影响而导致的桥梁壅水产生的洪水区域。
在本发明的一个实施例中，第一预测模块208通过1*1大小的单个卷积核对输入的第五特征图进行卷积处理获得第一矩阵，卷积处理的激活函数为sigmoid函数（S型函数），然后再对第一矩阵的元素值进行二值化处理获得洪水像素矩阵。
在本发明的一个实施例中，第二卷积模块202和第三卷积模块204均为VGG（VisualGeometry Group）网络。
在本发明的一个实施例中，特征图累加层203仅对第一特征图和第二特征图进行累加。例如第一特征图的通道数为a，第二特征图的通道数为b，则第三特征图的通道数为a+b，第一特征图和第二特征图的大小相同。
在本发明的一个实施例中，第一卷积模块201为ResNet（Residual Network）网络。
在本发明的一个实施例中，特征提取层205为MLP（多层感知机）。
在本发明的一个实施例中，张量层206的计算公式如下：；其中Z表示张量矩阵，/>表示第一特征向量的转置，/>表示张量层206的权重向量，/>表示sigmoid函数。
在本发明的一个实施例中，对第一卷积模块201进行预训练，洪水预测模型的第一卷积模块201还连接双线性插值层209，双线性插值层209连接第二预测模块210，双线性插值层209对第一卷积模块201输出的第一特征图进行双线性插值处理，输出与输入的遥感图像同样的大小的第六特征图到第二预测模块210，第二预测模块210输出漂浮物像素矩阵；漂浮物像素矩阵的元素的值表示遥感图像上对应的位置的漂浮物类型。
预训练时只对第一卷积模块201和第二预测模块210的参数进行反向传播更新。
在本发明的一个实施例中，第二预测模块210输出一个漂浮物像素矩阵，该漂浮物像素矩阵的元素的值为1或0，漂浮物像素矩阵的大小与遥感图像的大小相同。
第二预测模块210通过1*1大小的单个卷积核对输入的第一特征图进行卷积处理获得第二矩阵，卷积处理的激活函数为sigmoid函数（S型函数），然后再对第二矩阵的元素值进行二值化处理获得漂浮物像素矩阵。
预训练第一卷积模块201时通过人工在遥感图像上的划定漂浮物所在的区域，并生成用于与漂浮物像素矩阵来进行对比的第一对照矩阵；通过漂浮物像素矩阵与第一对照矩阵的元素的差值作为训练的损失，可以逐个元素的计算损失并求和。
在本发明的一个实施例中，第二预测模块210输出N个漂浮物像素矩阵，第二预测模块210通过1*1大小的N个卷积核对输入的第一特征图进行卷积处理获得N个第二矩阵，N个第二矩阵分别附带不同的序号；
对N个第二矩阵进行叠合获得漂浮物像素矩阵，叠合值同一位置的N个元素中值最大的一个元素对应的第二矩阵的序号作为叠合后该位置的元素的值；
例如某一位置的元素在6个第二矩阵中的值分别为0.32、0.36、0.78、0.26、0.56、0.45，在第三个第二矩阵中的值最大，则叠合后该位置的元素的值为3。
预训练第一卷积模块201时通过人工在遥感图像上的划定漂浮物所在的区域，并根据漂浮物的种类来生成用于与漂浮物像素矩阵来进行对比的第二对照矩阵，第二对照矩阵的元素的值取值为N个第二矩阵的序号；通过漂浮物像素矩阵与第二对照矩阵的元素的差值作为训练的损失，可以逐个元素的计算损失并求和。
漂浮物的种类包括非漂浮物、生活垃圾、水生植物、枯木、地表植物。
在这一实施例中增加了对于漂浮物类型的判断内容来训练第一卷积模块201对于漂浮物特征的识别能力，相对于只包括是否是漂浮物的判断内容来说具有更好的特征识别能力，但是训练的难度增加，并且训练所需的训练样本更多。
如图3所示，本发明提供一种基于大数据的洪水预报装置，包括：
桥梁信息采集模块301，其用于采集桥梁信息；
图像采集模块302，其用于采集桥梁上游的高程图和遥感图像；
产流信息获取模块303，其用于获取降水导致的产流信息；
水文特征生成模块304，其基于产流信息和桥梁信息来生成水文特征；
图像处理模块305，将水文特征、桥梁上游的高程图和桥梁上游的遥感图像输入洪水预测模型，洪水预测模型输出洪水像素矩阵，洪水像素矩阵的元素的值为1或0，洪水像素矩阵的大小与遥感图像的大小相同；
洪水区域标记模块306，其基于洪水像素矩阵在遥感图像上标记洪水区域，洪水区域的像素所对应的洪水像素矩阵的元素的值为1；
洪水预警模块307，其用于对洪水区域覆盖的预警区域进行警报或者疏散预警区域的居民。
本发明提供一种存储介质，其存储了非暂时性计算机可读指令，当非暂时性计算机可读指令由计算机执行时，能够执行前述的一种基于大数据的洪水预报方法中的步骤。
上面对本实施例的实施例进行了描述，但是本实施例并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本实施例的启示下，还可做出很多形式，均属于本实施例的保护之内。

Claims (9)

1.一种基于大数据的洪水预报方法，其特征在于，包括以下步骤：
步骤S101，采集桥梁信息，桥梁信息包括桥梁结构信息；
步骤S102，采集桥梁上游的高程图和遥感图像；
高程图和遥感图像的范围内包含了桥梁、桥梁上游的河道和桥梁上游的预警区域；
步骤S103，获取降水导致的产流信息；
步骤S104，基于产流信息和桥梁信息来生成水文特征；水文特征以向量的形式来表示，水文特征的每个向量分量均表示一个产流信息的值或一个桥梁信息的值；
步骤S105，将水文特征、桥梁上游的高程图和桥梁上游的遥感图像输入洪水预测模型，洪水预测模型输出洪水像素矩阵，洪水像素矩阵的元素的值为1或0，洪水像素矩阵的大小与遥感图像的大小相同；
步骤S106，基于洪水像素矩阵在遥感图像上标记洪水区域，洪水区域的像素所对应的洪水像素矩阵的元素的值为1；
步骤S107，对洪水区域覆盖的预警区域进行警报或者疏散预警区域的居民。
2.根据权利要求1所述的一种基于大数据的洪水预报方法，其特征在于，遥感图像包含了可见光波段内的图像信息。
3.根据权利要求1所述的一种基于大数据的洪水预报方法，其特征在于，高程图和遥感图像的大小相同，并且像素一一对应，对应的两个像素所对应的地面的位置是相同的。
4.根据权利要求1所述的一种基于大数据的洪水预报方法，其特征在于，洪水预测模型包括第一卷积模块、第二卷积模块、特征图累加层、第三卷积模块、特征提取层、张量层、转置卷积层和第一预测模块，其中第一卷积模块输入遥感图像，输出第一特征图到特征图累加层，第二卷积模块输入高程图，输出第二特征图到特征图累加层，特征图累加层对第一特征图和第二特征图进行通道累加生成第三特征图，第三特征图输入第三卷积模块，第三卷积模块输出第四特征图到转置卷积层；
水文特征输入特征提取层，特征提取层输出第一特征向量到张量层，张量层输出张量矩阵作为转置卷积层的卷积核，转置卷积层对第四特征图进行卷积处理输出第五特征图到第一预测模块，第一预测模块输出洪水像素矩阵。
5.根据权利要求4所述的一种基于大数据的洪水预报方法，其特征在于，第一预测模块通过1*1大小的单个卷积核对输入的第五特征图进行卷积处理获得第一矩阵，卷积处理的激活函数为sigmoid函数，然后再对第一矩阵的元素值进行二值化处理获得洪水像素矩阵。
6.根据权利要求4所述的一种基于大数据的洪水预报方法，其特征在于，张量层的计算公式如下：；其中Z表示张量矩阵，/>表示第一特征向量的转置，K表示张量层的权重向量，/>表示sigmoid函数。
7.根据权利要求4所述的一种基于大数据的洪水预报方法，其特征在于，对第一卷积模块进行预训练，洪水预测模型的第一卷积模块还连接双线性插值层，双线性插值层连接第二预测模块，双线性插值层对第一卷积模块输出的第一特征图进行双线性插值处理，输出与输入的遥感图像同样的大小的第六特征图到第二预测模块，第二预测模块输出漂浮物像素矩阵；漂浮物像素矩阵的元素的值表示遥感图像上对应的位置的漂浮物类型。
8.一种基于大数据的洪水预报装置，其特征在于，包括：
桥梁信息采集模块，其用于采集桥梁信息；
图像采集模块，其用于采集桥梁上游的高程图和遥感图像；
产流信息获取模块，其用于获取降水导致的产流信息；
水文特征生成模块，其基于产流信息和桥梁信息来生成水文特征；水文特征以向量的形式来表示，水文特征的每个向量分量均表示一个产流信息的值或一个桥梁信息的值；
图像处理模块，将水文特征、桥梁上游的高程图和桥梁上游的遥感图像输入洪水预测模型，洪水预测模型输出洪水像素矩阵，洪水像素矩阵的元素的值为1或0，洪水像素矩阵的大小与遥感图像的大小相同；
洪水区域标记模块，其基于洪水像素矩阵在遥感图像上标记洪水区域，洪水区域的像素所对应的洪水像素矩阵的元素的值为1；
洪水预警模块，其用于对洪水区域覆盖的预警区域进行警报或者疏散预警区域的居民。
9.一种存储介质，其特征在于，其存储了非暂时性计算机可读指令，当非暂时性计算机可读指令由计算机执行时，能够执行如权利要求1-7任一所述的一种基于大数据的洪水预报方法中的步骤。
CN202311435843.XA 2023-11-01 2023-11-01 一种基于大数据的洪水预报方法、装置及介质 Active CN117152623B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311435843.XA CN117152623B (zh) 2023-11-01 2023-11-01 一种基于大数据的洪水预报方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311435843.XA CN117152623B (zh) 2023-11-01 2023-11-01 一种基于大数据的洪水预报方法、装置及介质

Publications (2)

Publication Number Publication Date
CN117152623A CN117152623A (zh) 2023-12-01
CN117152623B true CN117152623B (zh) 2024-01-09

Family

ID=88906655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311435843.XA Active CN117152623B (zh) 2023-11-01 2023-11-01 一种基于大数据的洪水预报方法、装置及介质

Country Status (1)

Country Link
CN (1) CN117152623B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107066735A (zh) * 2017-04-05 2017-08-18 河海大学 一种确定双桥梁壅水累积影响范围的方法
CN110807562A (zh) * 2020-01-07 2020-02-18 杭州鲁尔物联科技有限公司 一种区域性桥梁风险预测方法及系统
CN111079999A (zh) * 2019-12-04 2020-04-28 中国地质大学（武汉） 一种基于cnn和svm的洪水灾害易发性预测方法
CN112227292A (zh) * 2020-08-06 2021-01-15 中国电建集团华东勘测设计研究院有限公司 基于一维水动力模型的空腹拱桥壅水智能分析方法
CN112884223A (zh) * 2021-02-19 2021-06-01 大连理工大学 基于多源卫星降水信息和产流约束校正的无资料地区洪水实时预报方法
CN113742910A (zh) * 2021-08-26 2021-12-03 北京七兆科技有限公司 基于中小流域洪水预报的水库来水量预警预报方法及系统
CN116310869A (zh) * 2023-03-17 2023-06-23 清华大学 一种基于软融合策略的轻量化洪水检测方法和装置
CN116796799A (zh) * 2022-02-24 2023-09-22 宝鸡文理学院 无水文资料地区中小流域洪水降雨量阈值模型创建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11107025B2 (en) * 2016-12-13 2021-08-31 STREAM METHODS, Inc. System and method for producing and distributing information relevant to water events

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107066735A (zh) * 2017-04-05 2017-08-18 河海大学 一种确定双桥梁壅水累积影响范围的方法
CN111079999A (zh) * 2019-12-04 2020-04-28 中国地质大学（武汉） 一种基于cnn和svm的洪水灾害易发性预测方法
CN110807562A (zh) * 2020-01-07 2020-02-18 杭州鲁尔物联科技有限公司 一种区域性桥梁风险预测方法及系统
CN112227292A (zh) * 2020-08-06 2021-01-15 中国电建集团华东勘测设计研究院有限公司 基于一维水动力模型的空腹拱桥壅水智能分析方法
CN112884223A (zh) * 2021-02-19 2021-06-01 大连理工大学 基于多源卫星降水信息和产流约束校正的无资料地区洪水实时预报方法
CN113742910A (zh) * 2021-08-26 2021-12-03 北京七兆科技有限公司 基于中小流域洪水预报的水库来水量预警预报方法及系统
CN116796799A (zh) * 2022-02-24 2023-09-22 宝鸡文理学院 无水文资料地区中小流域洪水降雨量阈值模型创建方法
CN116310869A (zh) * 2023-03-17 2023-06-23 清华大学 一种基于软融合策略的轻量化洪水检测方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DEM数据源及分辨率对流域洪水模拟影响研究;李磊菁;水力发电学报;第42卷(第3期);26-40 *
LSTM-Based Prediction of Water Quality Parameters System in Backwaters;Ujjwal Verma;2021 IEEE International Conference on Electronics, Computing and Communication Technologies (CONECCT);1-12 *
基于AE-RCNN的洪水分级智能预报方法研究;苑希民;水利学报;第54卷(第9期);1070-1079 *

Also Published As

Publication number Publication date
CN117152623A (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
Saha et al. Prediction of wetland area and depth using linear regression model and artificial neural network based cellular automata
CN111008941A (zh) 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法
Saravanan et al. Flood susceptibility mapping of Northeast coastal districts of Tamil Nadu India using Multi-source Geospatial data and Machine Learning techniques
Nam et al. Short‐term flood inundation prediction using hydrologic‐hydraulic models forced with downscaled rainfall from global NWP
Wang et al. Sea-water-level prediction via combined wavelet decomposition, neuro-fuzzy and neural networks using SLA and wind information
CN112257793A (zh) 一种基于改进YOLO v3算法的远距离交通标志检测方法
Pham et al. A new deep learning approach based on bilateral semantic segmentation models for sustainable estuarine wetland ecosystem management
CN113420759B (zh) 一种基于深度学习的抗遮挡与多尺度死鱼识别系统与方法
Hossain et al. Assessing the multi-decadal shoreline dynamics along the Purba Medinipur-Balasore coastal stretch, India by integrating remote sensing and statistical methods
CN117150600A (zh) 一种用于城市防内涝的屋顶蓄排水控制方法
CN117152623B (zh) 一种基于大数据的洪水预报方法、装置及介质
Kim et al. Flood modelling framework for Kuching City, Malaysia: overcoming the lack of data
Abdulalim et al. Implementation of remote sensing and GIS techniques to study the flash flood risk at NEOM Mega-City, Saudi Arabia
CN116665451A (zh) 基于拥堵路段交通信息实时定位指挥处理系统
Schultz Potential of modern data types for future water resources management
Chowdhury Flash flood susceptibility mapping of north-east depression of Bangladesh using different GIS based bivariate statistical models
Arlisa et al. Flood vulnerability analysis using random forest method in Gresik Regency, Indonesia
Teodoro et al. Modeling of the Douro River Plume size, obtained through image segmentation of MERIS data
Benchelha et al. Modeling dynamic urban growth using cellular automata and geospatial technique: case of Casablanca in Morocco
Yadav et al. Effect of disturbed river sediment supply on shoreline configuration: A case study
Chajaei et al. Machine learning framework for high-resolution air temperature downscaling using LiDAR-derived urban morphological features
Ohya et al. Meteorological characteristics of line-shaped rainbands in northern Japan and its surrounding seas under climate change
CN118428413B (zh) 一种用于估算地表水含量的深度学习模型及应用
Senthilkumar et al. A review of intelligent models for mapping city development and urban flooding
CN117094448B (zh) 一种大数据分析方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant