CN117218801A - 一种城市洪涝灾害监测预警方法和装置 - Google Patents
一种城市洪涝灾害监测预警方法和装置 Download PDFInfo
- Publication number
- CN117218801A CN117218801A CN202311371321.8A CN202311371321A CN117218801A CN 117218801 A CN117218801 A CN 117218801A CN 202311371321 A CN202311371321 A CN 202311371321A CN 117218801 A CN117218801 A CN 117218801A
- Authority
- CN
- China
- Prior art keywords
- disaster
- monitoring
- generating
- early warning
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000004044 response Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 24
- 238000013136 deep learning model Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 208000006011 Stroke Diseases 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000001737 promoting effect Effects 0.000 abstract 1
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000007654 immersion Methods 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005180 public health Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 241000237509 Patinopecten sp. Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000020637 scallop Nutrition 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明提供一种城市洪涝灾害监测预警方法和装置,该方法主要包括:获取监测目标的多源异构数据;对所述多源异构数据进行分析处理,并基于洪涝灾害模型,生成灾害评估报告;根据所述灾害评估报告和当前监测目标地图,生成响应策略。本申请通过该方法可实现闲时宣传教育,灾时实时指挥救援的信息化平台,能够提前有效的对城市暴雨洪涝灾害进行监测预警和快速处置,最大程度的减少不必要的经济损失和人员伤亡,为城市暴雨洪涝提供了安全保障。
Description
技术领域
本发明涉及防洪防涝技术领域,尤其涉及一种城市洪涝灾害监测预警方法和装置。
背景技术
目前,随着我国城市化进程加快,城市面积日益扩大,洪涝灾害的监测预警成为我国城市安全中的重要研究内容。长时间极端强降雨导致雨水短时积聚,进而引发严重的城市洪涝灾害;针对城市低洼地带、立交桥下、涵洞和城市下穿隧道等处,洪涝灾害时期易产生大量积水和湍流,引发桥梁断裂、道路塌陷、地铁倒灌等许多次生灾害。
现有的监测洪涝灾害方法主要针对当前环境进行监测和预警,或是根据预警信息给出报警提示,但是未对预警信息做出相对应处理,以及只是单一进行监测预警。
发明内容
本发明提供一种城市洪涝灾害监测预警方法和装置,用以解决现有技术中未对预警信息做出处理的缺陷,实现闲时宣传教育,灾时实时指挥救援的信息化平台,能够提前有效的对城市暴雨洪涝灾害进行监测预警和快速处置,最大程度的减少不必要的经济损失和人员伤亡,为城市暴雨洪涝提供了安全保障。
本发明提供一种城市洪涝灾害监测预警方法,包括:
获取监测目标的多源异构数据;
对所述多源异构数据进行分析处理,并基于洪涝灾害模型,生成灾害评估报告;
根据所述灾害评估报告和当前监测目标地图,生成响应策略。
在一种可能的实施方式中,所述获取监测目标的多源异构数据,包括:
利用预设的传感器获取监测目标的温湿度值、水位高度值、气象数据值以及地理信息。
在一种可能的实施方式中,所述对所述多源异构数据进行分析处理,包括:
对所述多源异构数据进行处理,得到预处理数据;
提取所述预处理数据中的特征,获得预测数据。
在一种可能的实施方式中,所述基于洪涝灾害模型,生成灾害评估报告,包括:
构建深度学习模型,并基于大数据对所述深度学习模型进行训练;
根据洪涝灾害历史数据与现场受灾程度对应关系,对训练后的模型进行结构和参数的调整。
在一种可能的实施方式中,所述基于洪涝灾害模型,生成灾害评估报告,包括:
基于所述预测数据,获得各评估指标;
对所述各评估指标赋予权重,并生成综合风险指标;
基于综合风险指标,生成所述灾害评估报告。
在一种可能的实施方式中,所述综合风险指标,包括:
监测目标的现场物理环境指标、人员分布情况风险指标和气象情报指标。
在一种可能的实施方式中,所述生成灾害评估报告,包括:
若所述综合风险指标小于阈值范围,则标记为低风险等级;
若所述综合风险指标处于阈值范围,则标记为中风险等级;
若所述综合风险指标大于阈值范围,则标记为高风险等级。
在一种可能的实施方式中,所述根据所述灾害评估报告和当前监测目标地图,生成响应策略,包括:
若当前环境标记为低风险等级,则生成提示信息;
若当前环境标记为中风险等级,则生成预警信息;
若当前环境标记为高风险等级,则生成逃生信息。
本发明还提供一种城市洪涝灾害监测预警装置,包括:
获取模块,用于获取监测目标的多源异构数据;
评估模块,用于对所述多源异构数据进行分析处理,并基于洪涝灾害模型,生成灾害评估报告;
响应模块,根据所述灾害评估报告和当前监测目标地图,生成响应策略。
在一种可能的实施方式中,还包括智能终端,所述智能终端包括柜体和柜门,所述柜门与所述柜体可拆卸连接,所述柜门上还有设可拆卸的船桨,所述柜体上设有显示屏。
本发明提供的一种城市洪涝灾害监测预警方法和装置,通过获取监测目标的多源异构数据;对多源异构数据进行分析处理,并基于洪涝灾害模型,生成灾害评估报告;根据灾害评估报告和当前监测目标地图,生成响应策略,能够提前有效的对城市暴雨洪涝灾害进行监测预警和快速处置,最大程度的减少不必要的经济损失和人员伤亡,为城市暴雨洪涝提供了安全保障。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作出简单地介绍,显而易见地,下面描述中的附图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是本发明提供的一种城市洪涝灾害监测预警方法的流程示意图;
图2是本发明提供的对多源异构数据进行分析处理方法的流程示意图;
图3是本发明提供的生成灾害评估报告方法的流程示意图;
图4是本发明提供的一种城市洪涝灾害监测预警装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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作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。
下面结合图1-图3描述本发明的一种城市洪涝灾害监测预警方法。
S1、获取监测目标的多源异构数据。
在步骤S1中,利用预设的传感器获取监测目标的温湿度值、水位高度值、气象数据值以及地理信息。
进一步,将多种传感器按照需求固定在监测目标范围内,通过多种传感器采集监测目标环境中的当前湿度值、当前温度值、当前水浸值;利用遥感监测设备获取监测目标环境中的固定建筑物位置、山体位置、大范围植物位置、街道位置以及河流位置等;利用预设的摄像头设备获取监测目标环境中当前人口的位置。
进一步,多种传感器可根据监测目标的地理环境进行设置,例如,在城市中设置高度位置传感器,以获取城市地表高程值,便于灾时选取逃生路线;在河流边或桥洞旁,设置水浸设备以获取该区域水位高度,便于监测预警和逃生引导等等。
S2、对多源异构数据进行分析处理,并基于洪涝灾害模型,生成灾害评估报告。
在步骤S2中,对多源异构数据进行分析处理,包括:
S21、对多源异构数据进行处理,得到预处理数据。
S22、提取预处理数据中的特征,获得预测数据。
具体包括:
视频预处理:使用视频处理技术,如帧差法、背景建模等方法,对视频进行预处理,提取关键帧或感兴趣的图像帧,并可通过调整视频帧率、分辨率等参数对视频进行降采样,以减少数据量和加速处理过程。
目标检测与追踪:使用目标检测算法,如YOLO、Faster R-CNN等,对视频帧中的关键目标进行识别和边界框定位。对于洪涝灾害,可以检测并跟踪洪水、涌浪、人员、车辆等目标。
人员状态识别:使用人员状态识别算法,如OpenPose、PoseNet等,对多源异构数据提取的视频中的肢体进行识别和跟踪,提取关节点坐标和姿态信息,如运动姿态、运动轨迹等。
图像分割:利用图像分割模型,如U-Net、Mask R-CNN等,对视频帧进行像素级别的实例分割,用于识别洪水的范围、水位高度等信息。
光流估计:使用光流估计算法,如Lucas-Kanade、FlowNet等,对视频中的运动物体或液体进行跟踪和估计,提取光流场信息,用于洪涝灾害现场分析水流、洪水的流速等。
视频特征提取:提取视频特征,如颜色直方图、纹理特征、光照信息等。
数据标注与标记工具:人工对视频数据进行标注,例如标记洪水范围、水位高度、人员、车辆等关键信息。可使用标注工具,如LabelImg、VGG Image Annotator(VIA)等,辅助进行数据标记。
利用上述手段对多源异构数据进行分析处理,得到预测数据。
在步骤S2中,洪涝灾害模型,包括:
构建深度学习模型,并基于大数据对所述深度学习模型进行训练;
根据洪涝灾害历史数据与现场受灾程度对应关系,对训练后的模型进行结构和参数的调整。
具体的,建立基于机器学习或深度学习的模型,如卷积神经网络、循环神经网络等,使用预测数据作为输入,训练模型进行洪涝灾害的分类、预测或回归分析,并根据具体任务需求,调整模型结构和参数,进行模型训练与优化。
S23、基于预测数据,获得各评估指标。
具体包括:
动态肢体识别算法:使用基于深度学习的人员状态识别模型,如OpenPose或PoseNet,对预测数据实时视频中肢体进行识别和跟踪,提取关节点位置信息,并计算肢体的关键特征,如角度、长度等,最后将肢体识别结果转化为结构化数据,如关节点坐标、角度值等。
静态水位识别算法:使用基于深度学习的图像分割模型,如U-Net或Mask R-CNN,对静态图像中的水位进行像素级别的识别,利用分割模型输出的水位图像,计算水位线位置、水位高度等关键特征。将水位识别结果转化为结构化数据,如水位高度、水位线坐标等。
能见度识别算法:使用基于深度学习的图像处理技术(卷积神经网络CNN),对图像进行分析和处理。基于能见度相关的特征(图像中的物体边缘、颜色变化等),对训练模型进行能见度识别,将能见度识别结果转化为结构化数据(能见度等级、能见度数值等)。
雨量大小识别算法:利用深度学习模型,如CNN或循环神经网络(RNN),对降雨图像进行分类或回归分析,预测降雨量大小。根据图像中的降雨状况、雨滴密度等特征,训练模型进行雨量大小的识别,将雨量识别结果转化为结构化数据,如雨量等级、雨量数值等。
数据融合:将动态肢体识别、静态水位识别、能见度识别和雨量大小识别的结构化数据进行融合,可以基于时间序列的方法,将动态肢体识别的关键特征、静态水位识别的关键特征、能见度识别的结果和雨量大小识别的结果按时间对应进行组合,提取统计特征,如最大值、最小值、平均值等,得到融合后的结构化数据。
S24、对所述各评估指标赋予权重,并生成综合风险指标。
进一步,监测目标的现场物理环境指标、人员分布情况风险指标和气象情报指标。
具体的,生成综合风险指标,包括:
设置各指标的权重系数;
基于权重系数,计算各风险指标;
基于各风险指标,得到综合风险指标。
进一步,本申请中,将现场物理环境指标权重设置为W1、人员分布情况风险指标权重设置为W2和气象情报指标权重设置为W3。
计算各风险指标:
现场物理环境风险指标Risk1= W1(指标1+指标2+...指标n);
人员分布情况风险指标Risk2= W2* (指标1+ 指标2+ ... 指标n);
气象情报风险指标Risk3= W3* (指标1+ 指标2+ ... 指标n);
其中指标1、指标2、指标n为一个区域内的各个传感器数据。
综合风险指标:
综合风险指标Risk=WeightedSum(Risk1,Risk2,Risk3)。
S25、基于综合风险指标,生成灾害评估报告。
进一步,生成灾害评估报告,包括:
若综合风险指标小于阈值范围,则标记为低风险等级;
若综合风险指标处于阈值范围,则标记为中风险等级;
若综合风险指标大于阈值范围,则标记为高风险等级。
具体的,根据历史数据,当前监测目标各个区域的不同风险等级阈值范围,根据各个区域设定的阈值范围,判断各个区域的风险等级,形成灾害评估报告。
S3、根据灾害评估报告和当前监测目标地图,生成响应策略。
在步骤S3中,生成响应策略,包括:
若当前环境标记为低风险等级,则生成提示信息;
若当前环境标记为中风险等级,则生成预警信息;
若当前环境标记为高风险等级,则生成逃生信息。
具体的,若当前环境灾害评估报告为低风险等级时,则生成提示信息,该提示信息具体可为急救知识和科普知识,并且以音视频的方式向群众宣传互救急救和科普知识,用于当发生紧急重大自然灾害、突发事件、公共卫生与社会安全等突发公共危机事件时,根据科普的知识予以应对;
若当前环境灾害评估报告为中风险等级时,则生成预警信息,该预警信息具体可为逃生路线、逃生工具以及逃生目的地。其中,逃生路线根据检测目标的地图以及各个位置的灾害评估报告等级,规划多个不同的逃生路线,以及提示建议的逃生工具和安全目的地;
若当前环境灾害评估报告为高风险等级时,则生成逃生信息,该逃生信息具体可为根据检测目标的地图以及各个位置的灾害评估报告等级以及救援队所处位置,规划最优的逃生路线、最优的逃生工具以及救援时间和最优的安全目的地。
进一步,救援工具可为智能终端的柜门,将柜体上的柜门拆卸下来,并利用设置在柜门上的船桨划动水面,离开受灾区域。
进一步,柜门材质为较轻材质。
进一步,基于洪涝灾害模型,生成灾害评估报告,具体可利用训练好的模型对新的栅格数据和传感设备数据进行预测或分类,评估洪涝灾害的风险程度以及结合其他相关指标和数据,进行洪涝灾害风险的综合评估,并且根据风险评估结果,提供洪涝灾害的决策支持,如预警信息、应急响应措施等,以及结合地理信息系统(GIS)技术,将分析结果可进行可视化展示,包括洪涝灾害范围、风险等级的地图展示,以便决策者做出相应决策。
本申请的一种城市洪涝灾害监测预警方法,在非暴雨时,可以利用集成的传感设备,如北斗定位基站、5G通讯设备、降水量传感器、高度传感器、水浸传感器、温湿度传感器、可见光监控、热红外监控设备等,主要作用是对应应急管理全过程中的监测与预警阶段,第一时间发现降雨或低洼地带大量积水等异常情况,向监测中心进行实时数据上传和汇报;也可以利用LED屏幕、麦克风、扬声器,在平时进行急救知识和科普视频的播放、以音视频的方式向群众宣传互救急救和科普知识。同时还可以作为应急广播大喇叭,用于发生紧急重大自然灾害、突发事件、公共卫生与社会安全等突发公共危机事件时,提供一种迅速快捷的讯息传输通道。
在暴雨阶段,该方法对应应急管理全过程中的应急响应与指挥救援阶段,利用集成的传感设备,将受灾现场各个终端的降水量、温湿度、水位、定位信息传回到监测中心,在中心给定的阈值范围内进行监测预警,各类传感数据和视频数据可在中心系统上以“一张图”的形式进行可视化显示,同时匹配灾前划分的相应程度和等级,向监测中心后台报警。利用北斗定位系统和高度传感器回传的数据在地图上融合GIS路径规划算法,利用应急广播模块使用高音贝扬声器引导高风险终端位置的受灾人员向低风险终端位置移动,同时利用LED屏幕、麦克风、扬声器大喇叭等装置可以作为中心指挥现场的音视频实时连线设备,便于现场救援快速处置。
下面对本发明提供的一种城市洪涝灾害监测预警装置进行描述,下文描述的一种城市洪涝灾害监测预警装置与上文描述的一种城市洪涝灾害监测预警方法可相互对应参照。
结合图4描述本发明的一种城市洪涝灾害监测预警装置,包括:获取模块、评估模块和响应模块,其中获取模块,用于获取监测目标的多源异构数据;评估模块,用于对所述多源异构数据进行分析处理,并基于洪涝灾害模型,生成灾害评估报告;响应模块,根据所述灾害评估报告和当前监测目标地图,生成响应策略。
在一种可能的实施方式中,还包括智能终端,所述智能终端包括柜体和柜门,所述柜门与所述柜体可拆卸连接,所述柜门上还有设可拆卸的船桨,所述柜体上设有显示屏。
本申请智能终端,在非暴雨时,该终端主要第一用于存放洪涝灾害救援设备,如救生衣、救生圈、绳索、防寒衣物及针对洪涝灾害的专项救援设备、耗材等,主要作用对应应急管理全过程中的预防准备阶段,为灾前做好物资储备和物资调度;第二该设备可以利用集成的传感设备,如北斗定位基站、5G通讯设备、降水量传感器、高度传感器、水浸传感器、温湿度传感器、可见光监控、热红外监控设备等,主要作用是对应应急管理全过程中的监测与预警阶段,第一时间发现降雨或低洼地带大量积水等异常情况,向监测中心进行实时数据上传和汇报;第三该设备可以利用科普教育模块中的LED屏幕、麦克风、扬声器,在平时进行急救知识和科普视频的播放、以音视频的方式向群众宣传互救急救和科普知识。同时还可以作为应急广播大喇叭,用于发生紧急重大自然灾害、突发事件、公共卫生与社会安全等突发公共危机事件时,提供一种迅速快捷的讯息传输通道;
在暴雨阶段,该终端对应应急管理全过程中的应急响应与指挥救援阶段,利用集成的传感设备,将受灾现场各个终端的降水量、温湿度、水位、定位信息传回到监测中心,在中心给定的阈值范围内进行监测预警,各类传感数据和视频数据可在中心系统上以“一张图”的形式进行可视化显示,同时匹配灾前划分的相应程度和等级,向监测中心后台报警。利用北斗定位系统和高度传感器回传的数据在地图上融合GIS路径规划算法,利用应急广播模块使用高音贝扬声器引导高风险终端位置的受灾人员向低风险终端位置移动。同时设备中科普教育模块中的LED屏幕、麦克风、扬声器大喇叭等装置可以作为中心指挥现场的音视频实时连线设备,便于现场救援快速处置。同时,终端中的救援设备可以在暴雨灾害时提供给受灾人群紧急使用,便于人员的救援和转移;在极端情况下,可以拆下柜体,利用柜体材质较轻的优势,从而满足受灾人员在洪涝灾害中依托拆卸后的柜体优势在洪水中进行转移的需求。
该终端使用北斗定位系统,可布置在人群密集、易受灾、低洼地段、中心枢纽等区域呈网状式分布,在发生洪涝灾情且紧缺自救互救物资的情况下,现场受灾人员可向监测中心报告,监测中心第一时间向人员发送周围就近终端的准确位置,满足当时受灾人员或现场救援人员的紧急需求。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种城市洪涝灾害监测预警方法,其特征在于,包括:
获取监测目标的多源异构数据;
对所述多源异构数据进行分析处理,并基于洪涝灾害模型,生成灾害评估报告;
根据所述灾害评估报告和当前监测目标地图,生成响应策略。
2.根据权利要求1所述的一种城市洪涝灾害监测预警方法,其特征在于,所述获取监测目标的多源异构数据,包括:
利用预设的传感器获取监测目标的温湿度值、水位高度值、气象数据值以及地理信息。
3.根据权利要求1所述的一种城市洪涝灾害监测预警方法,其特征在于,所述对所述多源异构数据进行分析处理,包括:
对所述多源异构数据进行处理,得到预处理数据;
提取所述预处理数据中的特征,获得预测数据。
4.根据权利要求1所述的一种城市洪涝灾害监测预警方法,其特征在于,所述基于洪涝灾害模型,生成灾害评估报告,包括:
构建深度学习模型,并基于大数据对所述深度学习模型进行训练;
根据洪涝灾害历史数据与现场受灾程度对应关系,对训练后的模型进行结构和参数的调整。
5.根据权利要求3所述的一种城市洪涝灾害监测预警方法,其特征在于,所述基于洪涝灾害模型,生成灾害评估报告,包括:
基于所述预测数据,获得各评估指标;
对所述各评估指标赋予权重,并生成综合风险指标;
基于综合风险指标,生成所述灾害评估报告。
6.根据权利要求5所述的一种城市洪涝灾害监测预警方法,其特征在于,所述综合风险指标,包括:
监测目标的现场物理环境指标、人员分布情况风险指标和气象情报指标。
7.根据权利要求5所述的一种城市洪涝灾害监测预警方法,其特征在于,所述生成灾害评估报告,包括:
若所述综合风险指标小于阈值范围,则标记为低风险等级;
若所述综合风险指标处于阈值范围,则标记为中风险等级;
若所述综合风险指标大于阈值范围,则标记为高风险等级。
8.根据权利要求7所述的一种城市洪涝灾害监测预警方法,其特征在于,所述根据所述灾害评估报告和当前监测目标地图,生成响应策略,包括:
若当前环境标记为低风险等级,则生成提示信息;
若当前环境标记为中风险等级,则生成预警信息;
若当前环境标记为高风险等级,则生成逃生信息。
9.一种城市洪涝灾害监测预警装置,其特征在于,包括:
获取模块,用于获取监测目标的多源异构数据;
评估模块,用于对所述多源异构数据进行分析处理,并基于洪涝灾害模型,生成灾害评估报告;
响应模块,根据所述灾害评估报告和当前监测目标地图,生成响应策略。
10.根据权利要求9所述的一种城市洪涝灾害监测预警装置,其特征在于,还包括智能终端,所述智能终端包括柜体和柜门,所述柜门与所述柜体可拆卸连接,所述柜门上还有设可拆卸的船桨,所述柜体上设有显示屏。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311371321.8A CN117218801A (zh) | 2023-10-23 | 2023-10-23 | 一种城市洪涝灾害监测预警方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311371321.8A CN117218801A (zh) | 2023-10-23 | 2023-10-23 | 一种城市洪涝灾害监测预警方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117218801A true CN117218801A (zh) | 2023-12-12 |
Family
ID=89049457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311371321.8A Pending CN117218801A (zh) | 2023-10-23 | 2023-10-23 | 一种城市洪涝灾害监测预警方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117218801A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103578228A (zh) * | 2012-08-10 | 2014-02-12 | 陕西银河景天电子有限责任公司 | 一种暴雨洪涝灾害监测预警及应急响应系统与方法 |
CN104408900A (zh) * | 2014-11-10 | 2015-03-11 | 柳州师范高等专科学校 | 基于动态优化的神经网络洪水预警装置及其方法 |
CN106331605A (zh) * | 2016-08-17 | 2017-01-11 | 武汉烽火众智数字技术有限责任公司 | 一种基于视频的水灾检测装置及方法 |
CN107195164A (zh) * | 2017-07-03 | 2017-09-22 | 长江水利委员会长江科学院 | 山洪灾害在线监测识别预警方法及其预警系统 |
CN110009158A (zh) * | 2019-04-11 | 2019-07-12 | 中国水利水电科学研究院 | 台风暴雨洪水灾害全生命周期监测方法及系统 |
JP7054097B1 (ja) * | 2020-11-19 | 2022-04-13 | 国立大学法人九州大学 | リスク評価方法、避難判断支援方法、およびリスク評価装置 |
CN116452850A (zh) * | 2023-03-10 | 2023-07-18 | 华南理工大学 | 一种基于数据挖掘和深度学习的道路积水区域识别方法 |
CN116775930A (zh) * | 2023-06-14 | 2023-09-19 | 广州图石科技有限公司 | 一种基于bim+gis的数据结合和可视化展示的方法及系统 |
CN116843725A (zh) * | 2023-08-30 | 2023-10-03 | 武汉大水云科技有限公司 | 一种基于深度学习光流法的河流表面流速测量方法及系统 |
-
2023
- 2023-10-23 CN CN202311371321.8A patent/CN117218801A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103578228A (zh) * | 2012-08-10 | 2014-02-12 | 陕西银河景天电子有限责任公司 | 一种暴雨洪涝灾害监测预警及应急响应系统与方法 |
CN104408900A (zh) * | 2014-11-10 | 2015-03-11 | 柳州师范高等专科学校 | 基于动态优化的神经网络洪水预警装置及其方法 |
CN106331605A (zh) * | 2016-08-17 | 2017-01-11 | 武汉烽火众智数字技术有限责任公司 | 一种基于视频的水灾检测装置及方法 |
CN107195164A (zh) * | 2017-07-03 | 2017-09-22 | 长江水利委员会长江科学院 | 山洪灾害在线监测识别预警方法及其预警系统 |
CN110009158A (zh) * | 2019-04-11 | 2019-07-12 | 中国水利水电科学研究院 | 台风暴雨洪水灾害全生命周期监测方法及系统 |
JP7054097B1 (ja) * | 2020-11-19 | 2022-04-13 | 国立大学法人九州大学 | リスク評価方法、避難判断支援方法、およびリスク評価装置 |
CN116452850A (zh) * | 2023-03-10 | 2023-07-18 | 华南理工大学 | 一种基于数据挖掘和深度学习的道路积水区域识别方法 |
CN116775930A (zh) * | 2023-06-14 | 2023-09-19 | 广州图石科技有限公司 | 一种基于bim+gis的数据结合和可视化展示的方法及系统 |
CN116843725A (zh) * | 2023-08-30 | 2023-10-03 | 武汉大水云科技有限公司 | 一种基于深度学习光流法的河流表面流速测量方法及系统 |
Non-Patent Citations (2)
Title |
---|
褚泽帆;张志坚;宗泽;戴佳琦;刘宇翔;: "基于视频的水位识别监测系统设计", 电子设计工程, no. 12, 20 June 2018 (2018-06-20), pages 11 - 14 * |
陈军飞;丁佳敏;邓梦华;: "城市雨洪灾害风险评估及管理研究进展", 灾害学, no. 02 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112422783B (zh) | 一种基于停机坪集群的无人机智能巡查系统 | |
CN111144263A (zh) | 一种建筑工人高坠事故预警方法及装置 | |
CN109087478A (zh) | 一种智能防拥挤踩踏的预警与导流方法及系统 | |
CN111091110B (zh) | 一种基于人工智能的反光背心穿戴识别方法 | |
CN110070530A (zh) | 一种基于深度神经网络的输电线路覆冰检测方法 | |
CN111626162B (zh) | 基于时空大数据分析的水上救援系统及溺水警情预测方法 | |
CN112327698B (zh) | 一种基于物联网的洪水灾害预警系统及方法 | |
CN107194396A (zh) | 国土资源视频监控系统中基于特定违章建筑识别预警方法 | |
CN110969561A (zh) | 密集人群应急疏散方法 | |
CN112287827A (zh) | 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及系统 | |
CN112836657B (zh) | 一种基于轻量化YOLOv3的行人检测方法及系统 | |
CN112668375B (zh) | 景区内游客分布分析系统及方法 | |
CN116739245B (zh) | 一种智慧消防城市接警调度系统 | |
CN114267082B (zh) | 基于深度理解的桥侧坠落行为识别方法 | |
CN109711348A (zh) | 基于长期驻空平台的实时违章建筑的智能监测方法及系统 | |
CN108256447A (zh) | 一种基于深度神经网络的无人机航拍视频分析方法 | |
CN113823088B (zh) | 基于视觉识别技术的城市道路积水深度预测及预警方法 | |
CN111866453A (zh) | 一种基于人工智能和bim的堰塞坝应急监测预警方法 | |
CN112685812A (zh) | 一种动态监管方法、装置、设备及存储介质 | |
CN115979250B (zh) | 基于uwb模块、语义地图与视觉信息的定位方法 | |
CN108111808B (zh) | 一种基于实时视频图像分析的落水检测方法 | |
CN117726991B (zh) | 一种高空吊篮安全带检测方法及终端 | |
CN116187740A (zh) | 一种输电线路沿线山火监测方法及系统 | |
CN116704386B (zh) | 一种基于ai的精准应急救援方法及装置 | |
KR101542134B1 (ko) | 스마트 카메라모듈을 통한 열차선로 상의 낙석·사람으로 이루어진 관심 객체 실시간 감시 장치 및 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 |