CN117409168B - 实时动态渲染的洪水预报及洪灾模拟方法和系统 - Google Patents
实时动态渲染的洪水预报及洪灾模拟方法和系统 Download PDFInfo
- Publication number
- CN117409168B CN117409168B CN202311691049.1A CN202311691049A CN117409168B CN 117409168 B CN117409168 B CN 117409168B CN 202311691049 A CN202311691049 A CN 202311691049A CN 117409168 B CN117409168 B CN 117409168B
- Authority
- CN
- China
- Prior art keywords
- data
- flood
- model
- real
- time
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 179
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000009877 rendering Methods 0.000 title claims abstract description 90
- 238000010168 coupling process Methods 0.000 claims abstract description 82
- 238000005859 coupling reaction Methods 0.000 claims abstract description 82
- 230000008878 coupling Effects 0.000 claims abstract description 70
- 238000004458 analytical method Methods 0.000 claims abstract description 60
- 238000012876 topography Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 40
- 238000005516 engineering process Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 29
- 238000010276 construction Methods 0.000 claims abstract description 26
- 238000010223 real-time analysis Methods 0.000 claims abstract description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 65
- 238000001914 filtration Methods 0.000 claims description 55
- 238000004364 calculation method Methods 0.000 claims description 47
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000012544 monitoring process Methods 0.000 claims description 19
- 239000005436 troposphere Substances 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000013075 data extraction Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 230000033001 locomotion Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 description 24
- 230000008859 change Effects 0.000 description 12
- 230000000007 visual effect Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 238000005094 computer simulation Methods 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 230000010429 evolutionary process Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000010586 diagram Methods 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
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Hardware Design (AREA)
- Hydrology & Water Resources (AREA)
- Architecture (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及洪灾模拟预报技术领域,尤其涉及一种实时动态渲染的洪水预报及洪灾模拟方法和系统。所述方法包括以下步骤:通过卫星遥感技术获取高分辨率地表数据;对高分辨率地表数据进行地表特征提取,获取地表特征数据;获取气象数据;对气象数据进行三维大气实时分析,获取实时气象场数据;基于地表特征数据进行地表地形分析并进行地形模型构建,从而获取地形模型;对地形模型与实时气象场数据进行动态水文过程耦合,从而获取水文地形耦合模型;根据水文地形耦合模型进行洪水演进模拟处理,从而获取洪水演进模拟数据。本发明通过地表特征提取、三维大气实时分析以及洪灾模拟渲染,以实现实时动态渲染的洪水预报及洪灾模拟方法和系统。
Description
技术领域
本发明涉及洪灾模拟预报技术领域,尤其涉及一种实时动态渲染的洪水预报及洪灾模拟方法和系统。
背景技术
传统水文模型对地形的考虑可能较为粗糙,无法准确反映地形对水流的影响,导致模拟结果不够真实,模型的参数设置对模拟结果有重要影响,但参数的确定存在一定的不确定性,尤其是在复杂地形条件下;在提取垂直剖面的高分辨率气象降雨数据时,往往受到分辨率的限制,难以满足实时动态渲染的需求。
发明内容
基于此,有必要提供一种实时动态渲染的洪水预报及洪灾模拟方法和系统,以解决至少一个上述技术问题。
为实现上述目的,一种实时动态渲染的洪水预报及洪灾模拟方法和系统,所述方法包括以下步骤:
步骤S1:通过卫星遥感技术获取高分辨率地表数据;对高分辨率地表数据进行地表特征提取,从而获取地表特征数据;
步骤S2:获取气象数据;对气象数据进行三维大气实时分析,从而获取实时气象场数据;
步骤S3:基于地表特征数据进行地表地形分析并进行地形模型构建,从而获取地形模型;对地形模型与实时气象场数据进行动态水文过程耦合,从而获取水文地形耦合模型;
步骤S4:根据水文地形耦合模型进行洪水演进模拟处理,从而获取洪水演进模拟数据;对水文地形耦合模型中的洪水演进模型网格进行地图切片,从而获取网格地图瓦片数据;
步骤S5:根据洪水演进模拟数据以及网格地图瓦片数据进行洪水预报并进行洪灾模拟渲染,以实现实时动态渲染的洪水预报及洪灾模拟工作。
本发明通过利用卫星遥感技术获取高分辨率地表数据,可获得地表特征的详细信息,包括地形、植被、建筑,提供基础数据支持,通过先进的图像处理算法,对高分辨率地表数据进行特征提取,获得地表特征数据,为后续水文地形模型构建提供准确输入;获取实时气象数据,包括温度、湿度、风速,实现对大气状态的高时空分辨率监测,为水文地形模型提供准确的气象输入,过先进的气象分析方法,实现对三维大气的实时监测,提高对气象变化的敏感性,为水文地形模型提供更精细的气象场数据;利用地表特征数据进行地表地形分析,构建精细的地形模型,包括河流、湖泊、山脉,为水文地形模型提供真实的地形信息,将地形模型与实时气象场数据进行耦合,实现对水文过程的实时动态模拟,更准确地反映地表水文变化;利用水文地形耦合模型进行洪水演进模拟,获得高时空分辨率的洪水演进模拟数据,为洪水预报提供准确的基础,对洪水演进模型网格进行地图切片,生成网格地图瓦片数据,为后续的洪水预报及洪灾模拟渲染提供方便快捷的地图数据;利用洪水演进模拟数据和网格地图瓦片数据,实现对洪水演进过程的实时动态渲染,提供直观、准确的洪水预报和洪灾模拟结果,结合高分辨率地图数据,可在洪水预报中实现全景洪灾模拟渲染,使用户更直观地理解洪灾影响,支持紧急响应和决策制定。因此,本发明提供了一种实时动态渲染的洪水预报及洪灾模拟方法和系统,通过地表特征提取、三维大气实时分析以及洪灾模拟渲染,降低了地形对水文模型的影响以及模型参数的不确定性,提高了对三维气象降雨的准确性,以满足实时洪水动态渲染的需求。
优选地,步骤S1包括以下步骤:
步骤S11:通过卫星遥感技术获取高分辨率地表数据;对高分辨率地表数据进行图像多光谱波段分割,从而获取多光谱波段图像数据;对多光谱波段图像数据进行影像配准与融合,从而获取多光谱图像数据;
步骤S12:对多光谱图像数据进行地物分类与分割,从而获取地物分类图数据;
步骤S13:对多光谱图像数据进行特征点匹配,从而获取图像匹配点云数据;对图像匹配点云数据进行自适应点云滤波,从而获取匹配点云滤波数据;
步骤S14:基于匹配点云滤波数据进行三维重建与体素化,从而获取三维地表模型;对三维地表模型进行地形信息插值处理,从而获取数字高程模型;
步骤S15:利用数字高程模型对地物分类图数据进行地表特征提取,从而获取地表特征数据。
本发明通过利用卫星遥感技术获取的高分辨率地表数据为后续步骤提供了空间信息基础,使地表特征提取更加准确;分割得到的多光谱波段图像数据包含了不同波段的信息,提高了地物的光谱特征分辨率,有助于更细致的地物分类;通过配准与融合处理,整合不同波段的信息,减少数据间的差异,提高整体图像质量,为后续步骤提供更一致的数据源。通过地物分类与分割,将图像中的不同地物划分为不同类别,提高了对地物的精细识别能力;利用多光谱图像数据进行分类,可以更全面地反映地表的复杂特征,包括植被、水体、建筑的多种地物类型。通过特征点匹配得到的点云数据具有更高的准确性,有助于准确地还原地表的三维形状;自适应点云滤波处理有助于去除噪点,使点云数据更加清晰,为后续的三维重建提供更可靠的基础。基于匹配点云滤波数据的三维重建能够提供精确的地表模型,包括建筑、植被的三维结构;地形信息插值处理有助于获取数字高程模型,提供了地表的高程信息,为地表特征提取提供了基础。利用数字高程模型对地物分类图数据进行地表特征提取,能够获取地表的各种特征,如高度、坡度,为后续的洪水预测提供更为丰富的地理信息;整合数字高程模型和地物分类图数据,综合利用多源数据,提高地表特征的全面性和准确性。
优选地,步骤S13中自适应点云滤波,其中自适应点云滤波的计算公式具体为:
;
公式,表示经过滤波后的图像匹配点云数据值,/>表示趋于无限大的正整数,/>表示点云数据的亮度值,/>滤波第一角度参数,/>表示点云在空间中的横坐标,/>表示点云在空间中的纵坐标,/>表示点云在空间中的竖坐标,/>表示滤波第二角度参数,/>表示滤波调整权重参数,/>表示自适应点云滤波的阈值参数,/>表示调整滤波整体效果的角度参数,/>表示常数因子,/>表示自适应点云滤波计算的误差纠正量。
本发明构造了一种自适应点云滤波计算公式,用于对图像匹配点云数据进行自适应点云滤波;公式中将点云数据的亮度值取对数,有助于减小数据的动态范围,使得在不同光照条件下能更好地适应滤波过程;/>引入角度参数的正弦函数,有助于对角度信息进行加权,使得滤波对不同角度的点云具有不同的响应;/>引入点云坐标的尺度因子,有助于对空间中不同尺度的点云进行加权,更好地适应不同尺度下的滤波需求;引入角度参数及权重调整项,有助于灵活调整滤波的角度响应和权重分配,使得滤波适用于不同的场景;/>引入整体效果调整项,有助于全局性地调整滤波结果,使其更好地适应不同场景;/>引入误差纠正量,有助于修正滤波计算中可能存在的误差,提高滤波结果的准确性。
优选地,步骤S15包括以下步骤:
步骤S151:利用数字高程模型对地物分类图数据进行地形特征分析,从而获取地形特征数据;
步骤S152:利用数字高程模型对地物分类图数据进行异常地形检测,从而获取异常地形数据;
步骤S153:根据地形特征数据以及异常地形数据对三维地表模型潜在水体检测,从而获取潜在水体数据;
步骤S154:基于数字高程模型进行地表坡度与坡向计算,从而获取地表坡度与坡向参数;
步骤S155:基于数字高程模型进行地表植被指数计算,从而获取地表植被指数;
步骤S156:对潜在水体数据、地表坡度与坡向参数以及地表植被指数进行地表特征数据整合,从而获取地表特征数据。
本发明通过利用数字高程模型对地物分类图数据进行地形特征分析,可以精确捕捉地表的起伏、坡度特征;有助于识别并区分地表的自然特征,如山脉、河流、平原,为后续的水文地形模型构建提供基础数据;地形特征分析还可用于土地利用规划、生态环境监测领域,为决策提供详实的地表信息。利用数字高程模型对地物分类图数据进行异常地形检测,有助于发现地表的异常地形特征,如悬崖、断层;对于洪水预报及洪灾模拟至关重要,因为异常地形可能对水流产生显著影响;异常地形检测可提高水文地形模型的精度,增强模型对地形复杂性的适应能力。利用地形特征数据和异常地形数据对潜在水体进行检测,能够准确识别地表上的湖泊、河流、水库水体;这为水文地形模型提供了关键的水体分布信息,对于模拟洪水演进、水资源管理具有重要意义。在数字高程模型的基础上进行地表坡度与坡向计算,有助于量化地表的坡度情况,提供了洪水流动方向的关键参数;对于水流模拟、泥石流风险评估方面具有重要作用,同时为地形复杂区域的洪水预报提供了关键的地形参数。利用数字高程模型进行地表植被指数计算,能够反映地表植被的分布状况;对于洪水模拟中考虑植被的影响、预测洪水对植被覆盖区域的影响方面具有重要意义;植被指数计算也可用于生态环境监测、土地利用规划领域。将潜在水体数据、地表坡度与坡向参数以及地表植被指数整合,提供全面的地表特征数据;为水文地形模型的建立提供了综合的地形特征,有助于更真实、全面地模拟洪水演进过程;整合后的数据也可用于地理信息系统(GIS)分析、环境影响评估的方面。
优选地,步骤S2包括以下步骤:
步骤S21:获取气象数据;对气象数据以及高分辨率地表数据进行三维气象场重建,从而获取三维气象场数据;
步骤S22:利用大气动力学模型对三维气象场数据进行模型嵌套,从而获取模型嵌套气象场数据;
步骤S23:对模型嵌套气象场数据进行垂直剖面的三维气象降雨数据提取,从而获取三维气象降雨数据;
步骤S24:对三维气象降雨数据进行数值模拟并进行参数修正,从而获取参数修正后的三维气象降雨数据;
步骤S25:利用地表特征数据对参数修正后的三维气象降雨数据进行地表地形影响综合分析,从而获取三维气象降雨综合数据;
步骤S26:基于三维气象降雨综合数据进行实时气象场监测,从而获取实时气象场数据。
本发明通过结合气象数据和高分辨率地表数据,三维气象场的重建能够提供更高时空分辨率的气象信息,有助于准确捕捉局地气象变化;通过整合不同来源的数据,可以获取更全面、综合的三维气象场数据,包括温度、湿度、风速多种气象要素。大气动力学模型的应用可以提高对三维气象场的解析精度,使模型能更好地反映大气运动、稳定性动力学过程;模型嵌套有助于确保三维气象场数据在时空上的一致性,提高了气象场数据的整体可信度。通过对模型嵌套气象场数据进行垂直剖面提取,获取更详细的垂直气象降雨数据,为后续洪水模拟提供更准确的降雨输入;三维气象降雨数据能够提供空间分布上更为详尽的信息,有助于全面理解降雨的空间分布特征。通过数值模拟,可以更好地模拟降雨过程,提高数据的准确性;对数值模拟中的参数进行修正,使模拟结果更符合实际观测情况,提高了数据的可信度和准确性。结合地表特征数据,对三维气象降雨数据进行地表地形影响分析,提高了洪水预报的精度;综合考虑地表地形影响,得到更全面的三维气象降雨综合数据,为后续的洪水模拟提供更精准的输入。基于三维气象降雨综合数据进行实时气象场监测,能够提供时效性更强的气象信息,支持实时动态渲染的洪水预报及洪灾模拟工作;实时气象场数据的获取为即时调整模型参数、提高洪水模拟的精度提供了及时的反馈信息。
优选地,步骤S23包括以下步骤:
步骤S231:对模型嵌套气象场数据进行垂直层次分割,从而获取不同高度的气象场垂直层次数据;对不同高度的气象场垂直层次数据进行三维剖面数据提取,从而获取三维剖面数据,其中三维剖面数据包括温度剖面数据、湿度剖面数据以及风速剖面数据;
步骤S232:对温度剖面数据进行对流层云上升趋势预测,从而获取对流层气流数据;对湿度剖面数据进行剖面层次水汽含量检测,从而获取剖面层次水汽含量数据;
步骤S233:利用对流层气流数据对对应的剖面层次水汽含量数据进行降雨强度和时间分析,从而获取降雨强度和时间数据;
步骤S234:对风速剖面数据进行风向和风力强度识别,从而获取风向和风力强度数据;对风向和风力强度数据以及剖面层次水汽含量数据进行降雨分布空间特征提取,从而获取降雨分布空间特征数据;
步骤S235:基于降雨强度和时间数据以及降雨分布空间特征数据进行降雨时空变化分析,从而获取降雨时空变化数据;
步骤S236:对降雨时空变化数据进行降雨气象系统的移动范围预测,从而获取三维气象降雨数据。
本发明通过垂直层次分割,可以获得不同高度的气象场数据,从而提高了对大气垂直结构的分辨率,使得气象场数据更加精准和细致;获得的不同高度的气象场数据可提供多层次气象信息,包括地面到高空的多维温度、湿度和风速分布,为后续的三维剖面数据提取提供了基础。通过对温度剖面数据进行对流层云上升趋势预测,能够提供对流层气流的动态信息,为后续降雨强度和时间分析提供基础;通过对湿度剖面数据进行剖面层次水汽含量检测,可获取不同高度上的水汽分布,为后续的降雨强度和时间分析提供必要的湿度信息。利用对流层气流数据和水汽含量数据进行分析,可以准确预测降雨的强度,提供实时的降雨强度数据;结合气流和水汽含量数据,能够预测降雨的时间分布,为洪水演进模拟提供时间维度的信息。通过风速剖面数据的分析,可以准确识别风向和风力强度,为后续降雨分布空间特征提取提供基础;结合风向、风力和水汽含量数据,可以提取降雨在空间上的分布特征,为时空变化分析提供关键信息。结合降雨强度、时间和分布空间特征数据,可以生成详细的降雨时空变化图谱,为洪水预报和模拟提供全面的时空信息。利用时空变化数据,可以准确预测降雨气象系统的移动范围,为洪水预报提供更加精细的空间分布信息,增强模型的实时性和准确性。
优选地,步骤S4包括以下步骤:
步骤S41:根据水文地形耦合模型进行洪水演进模拟处理,从而获取洪水演进模拟数据;对水文地形耦合模型中的洪水演进模型网格进行网格栅格化处理,从而栅格化网格数据;
步骤S42:根据洪水演进模拟数据对栅格化网格数据进行网格切片范围计算,从而获取网格切片范围数据;
步骤S43:对栅格化网格数据进行实时数据流量界定并进行流域范围界定,从而获取实时数据流量数据以及流域范围数据;
步骤S44:利用实时数据流量数据对栅格化网格数据进行地图切片大小调整,从而获取地图切片大小数据;
步骤S45:利用流域范围数据对栅格化网格数据进行地图层级确定,从而获取地图层级数据;
步骤S46:对栅格化网格数据进行空间索引构建,从而获取空间索引数据;
步骤S47:基于空间索引数据、网格切片范围数据、地图切片大小数据以及地图层级数据对栅格化网格数据进行快速地图切片,从而获取网格地图瓦片数据。
本发明通过水文地形耦合模型进行洪水演进模拟,能够更准确地模拟洪水的动态演变过程;对洪水演进模型网格进行网格栅格化处理有助于将模型输出的复杂空间信息转化为易于处理的栅格数据,方便后续的计算和分析。通过对洪水演进模拟数据进行分析,可以确定需要关注的区域,进而计算出合适的网格切片范围;有助于优化后续的地图切片处理,提高数据处理的效率,并确保在实时动态渲染中只显示与洪水相关的区域,减少不必要的计算开销。实时数据流量界定有助于确定洪水泛滥的区域,流域范围界定则可以精确划定水域的范围;这些数据对于洪水预报和模拟渲染至关重要,能够提供实时的洪水信息以及流域范围的准确边界,为后续的地图切片和渲染提供关键参数。根据实时数据流量的变化调整地图切片的大小,可以更好地适应洪水演进的动态变化;有助于在洪水预报及洪灾模拟过程中动态调整地图切片的精度,保证渲染结果更符合实际情况。流域范围数据用于确定地图的层级结构,使得在不同缩放级别下可以有效展示流域内的详细信息;通过合理设定地图层级,可以在不同尺度下呈现洪水演进的全貌,提高用户对洪水情况的整体了解。空间索引的构建提高了对栅格化网格数据的查询效率,加速后续地图切片的生成过程;通过合理的空间索引设计,能够在实时动态渲染中更迅速地定位、提取和处理所需的地理信息。通过综合利用空间索引、网格切片范围、地图切片大小和地图层级数据,实现了高效的地图切片生成;有助于在洪水演进模拟中实现快速、准确的地图渲染,提供用户友好的实时动态可视化效果,帮助用户更好地理解洪水的发展过程。
优选地,步骤S42中切网格切片范围计算,其中网格切片范围计算公式具体为:
;
式中,网格切片范围值,/>表示洪水演进方向角度,/>表示水文地形耦合模型中的洪水演进模型网格尺寸,/>表示水文地形耦合模型中的地表特征数据,/>表示趋于无限大的正整数,/>表示水文地形耦合模型中的水文地形耦合模型网格横向分辨率,/>表示洪水演进模拟数据的时间步长,/>表示水文地形耦合模型中的水文地形耦合模型网格纵向分辨率,/>表示水文地形耦合模型中的动态水文过程的倾斜角度,/>表示地形模型的坡度,/>表示洪水演进模拟数据中的洪水增加速度,/>表示洪水演进模拟数据中的洪水流速,/>表示水文地形耦合模型中的地形模型参数,/>表示水文地形耦合模型中的洪水演进模型网格数量。
本发明构造了一种网格切片范围计算的公式,用于根据洪水演进模拟数据对栅格化网格数据进行网格切片范围计算;公式中部分通过/>确定洪水演进方向,与/>和/>相乘开立方根,从而在网格切片范围计算中引入了洪水演进的方向性和模型的尺寸信息,增强了切片范围的准确性;/>部分引入极限计算,通过横向和纵向的分辨率、时间步长参数,使得计算在无穷大情况下趋近于一个常数,为整体公式提供了数学的稳定性和收敛性;/>部分将地形和洪水演进的多个参数综合考虑,引入了倾斜角度、坡度、洪水速度因素,使得计算更为综合和贴近实际情况;/>项引入网格数量的平方根,考虑到模型规模对切片范围的影响,使得计算结果更具普适性和可调节性。
优选地,步骤S5包括以下步骤:
步骤S51:按照时间单位对洪水演进模拟数据进行洪水特征计算,从而获取洪水特征数据;
步骤S52:根据地图层级数据对洪水特征数据进行颜色映射处理,从而获取颜色映射数据;
步骤S53:基于洪水演进模拟数据以及网格地图瓦片数据进行拓扑关系构建,从而获取拓扑关系数据;
步骤S54:利用前端技术对网格地图瓦片数据进行网页展示,从而获取网格地图瓦片展示数据;
步骤S55:利用颜色映射数据以及拓扑关系数据对网格地图瓦片展示数据进行实时颜色动态渲染,从而获取地图瓦片动态渲染数据。
本发明通过按照时间单位对洪水演进模拟数据进行特征计算,可以精细提取洪水演进过程中的关键特征,如水位、流速、淹没范围,为后续的数据处理提供详细信息;洪水特征计算能够提供时空动态的洪水演进信息,使得对洪水过程的分析更为全面,有助于理解洪水发展的规律和特征。利用地图层级数据对洪水特征数据进行颜色映射处理,可以实现对洪水信息的直观可视化呈现;不同洪水特征通过色彩变化能够清晰地传达给用户,提高信息传递的直观性;颜色映射能够在有限的图像空间内有效区分不同洪水特征,提高了信息区分度,有助于用户更准确地理解洪水演进的状况。基于洪水演进模拟数据以及网格地图瓦片数据进行拓扑关系构建,强化了洪水模拟数据与地理空间的关联性,有助于准确捕捉洪水在地理空间中的传播和变化规律;拓扑关系的构建有助于优化网络结构,提高数据检索、查询操作的效率,为后续的数据处理和可视化展示提供更高的性能。利用前端技术对网格地图瓦片数据进行网页展示,可以实现高效的地图数据展示,用户可以通过网页轻松浏览、查询地理信息;网格地图瓦片数据展示可以与用户进行交互,例如缩放、拖动操作,提升用户体验,使用户更灵活地获取所需信息。利用颜色映射数据以及拓扑关系数据对网格地图瓦片展示数据进行实时颜色动态渲染,实现对洪水演进的实时动态展示,有助于用户实时感知洪水发展状况;颜色动态渲染能够突出洪水演进模拟中的细致特征,使得用户更容易注意到关键的洪水信息,提高了信息传递的精确性和有效性。
优选地,本发明还提供了一种实时动态渲染的洪水预报及洪灾模拟方法和系统,包括:
地表特征提取模块,用于通过卫星遥感技术获取高分辨率地表数据;对高分辨率地表数据进行地表特征提取,从而获取地表特征数据;
三维大气实时分析模块,用于获取气象数据;对气象数据进行三维大气实时分析,从而获取实时气象场数据;
水文地形耦合模型构建模块,用于基于地表特征数据进行地表地形分析并进行地形模型构建,从而获取地形模型;对地形模型与实时气象场数据进行动态水文过程耦合,从而获取水文地形耦合模型;
洪水演进模拟与地图切片模块,用于根据水文地形耦合模型进行洪水演进模拟处理,从而获取洪水演进模拟数据;对水文地形耦合模型中的洪水演进模型网格进行地图切片,从而获取网格地图瓦片数据;
洪水预报及洪灾模拟模块,用于根据洪水演进模拟数据以及网格地图瓦片数据进行洪水预报并进行洪灾模拟渲染,以实现实时动态渲染的洪水预报及洪灾模拟工作。
本发明通过利用卫星遥感技术获取高分辨率地表数据,可获得地表特征的详细信息,包括地形、植被、建筑,提供基础数据支持,通过先进的图像处理算法,对高分辨率地表数据进行特征提取,获得地表特征数据,为后续水文地形模型构建提供准确输入;获取实时气象数据,包括温度、湿度、风速,实现对大气状态的高时空分辨率监测,为水文地形模型提供准确的气象输入,过先进的气象分析方法,实现对三维大气的实时监测,提高对气象变化的敏感性,为水文地形模型提供更精细的气象场数据;利用地表特征数据进行地表地形分析,构建精细的地形模型,包括河流、湖泊、山脉,为水文地形模型提供真实的地形信息,将地形模型与实时气象场数据进行耦合,实现对水文过程的实时动态模拟,更准确地反映地表水文变化;利用水文地形耦合模型进行洪水演进模拟,获得高时空分辨率的洪水演进模拟数据,为洪水预报提供准确的基础,对洪水演进模型网格进行地图切片,生成网格地图瓦片数据,为后续的洪水预报及洪灾模拟渲染提供方便快捷的地图数据;利用洪水演进模拟数据和网格地图瓦片数据,实现对洪水演进过程的实时动态渲染,提供直观、准确的洪水预报和洪灾模拟结果,结合高分辨率地图数据,可在洪水预报中实现全景洪灾模拟渲染,使用户更直观地理解洪灾影响,支持紧急响应和决策制定。因此,本发明提供了一种实时动态渲染的洪水预报及洪灾模拟方法和系统,通过地表特征提取、三维大气实时分析以及洪灾模拟渲染,降低了地形对水文模型的影响以及模型参数的不确定性,提高了对三维气象降雨的准确性,以满足实时洪水动态渲染的需求。
附图说明
图1为一种实时动态渲染的洪水预报及洪灾模拟方法和系统的步骤流程示意图;
图2为图1中步骤S1的详细实施步骤流程示意图;
图3为图1中步骤S2的详细实施步骤流程示意图;
图4为图1中步骤S5的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,一种实时动态渲染的洪水预报及洪灾模拟方法和系统,所述方法包括以下步骤:
步骤S1:通过卫星遥感技术获取高分辨率地表数据;对高分辨率地表数据进行地表特征提取,从而获取地表特征数据;
步骤S2:获取气象数据;对气象数据进行三维大气实时分析,从而获取实时气象场数据;
步骤S3:基于地表特征数据进行地表地形分析并进行地形模型构建,从而获取地形模型;对地形模型与实时气象场数据进行动态水文过程耦合,从而获取水文地形耦合模型;
步骤S4:根据水文地形耦合模型进行洪水演进模拟处理,从而获取洪水演进模拟数据;对水文地形耦合模型中的洪水演进模型网格进行地图切片,从而获取网格地图瓦片数据;
步骤S5:根据洪水演进模拟数据以及网格地图瓦片数据进行洪水预报并进行洪灾模拟渲染,以实现实时动态渲染的洪水预报及洪灾模拟工作。
本发明通过利用卫星遥感技术获取高分辨率地表数据,可获得地表特征的详细信息,包括地形、植被、建筑,提供基础数据支持,通过先进的图像处理算法,对高分辨率地表数据进行特征提取,获得地表特征数据,为后续水文地形模型构建提供准确输入;获取实时气象数据,包括温度、湿度、风速,实现对大气状态的高时空分辨率监测,为水文地形模型提供准确的气象输入,过先进的气象分析方法,实现对三维大气的实时监测,提高对气象变化的敏感性,为水文地形模型提供更精细的气象场数据;利用地表特征数据进行地表地形分析,构建精细的地形模型,包括河流、湖泊、山脉,为水文地形模型提供真实的地形信息,将地形模型与实时气象场数据进行耦合,实现对水文过程的实时动态模拟,更准确地反映地表水文变化;利用水文地形耦合模型进行洪水演进模拟,获得高时空分辨率的洪水演进模拟数据,为洪水预报提供准确的基础,对洪水演进模型网格进行地图切片,生成网格地图瓦片数据,为后续的洪水预报及洪灾模拟渲染提供方便快捷的地图数据;利用洪水演进模拟数据和网格地图瓦片数据,实现对洪水演进过程的实时动态渲染,提供直观、准确的洪水预报和洪灾模拟结果,结合高分辨率地图数据,可在洪水预报中实现全景洪灾模拟渲染,使用户更直观地理解洪灾影响,支持紧急响应和决策制定。因此,本发明提供了一种实时动态渲染的洪水预报及洪灾模拟方法和系统,通过地表特征提取、三维大气实时分析以及洪灾模拟渲染,降低了地形对水文模型的影响以及模型参数的不确定性,提高了对三维气象降雨的准确性,以满足实时洪水动态渲染的需求。
本发明实施例中,参考图1所述,为本发明一种实时动态渲染的洪水预报及洪灾模拟方法的步骤流程示意图,在本实例中,所述一种实时动态渲染的洪水预报及洪灾模拟方法包括以下步骤:
步骤S1:通过卫星遥感技术获取高分辨率地表数据;对高分辨率地表数据进行地表特征提取,从而获取地表特征数据;
本发明实施例中,使用先进的卫星遥感技术获取目标区域的高分辨率地表数据;对获取的卫星遥感数据进行预处理,包括去除云层影响、大气校正,以确保数据质量;利用计算机视觉和图像处理技术,对预处理后的卫星遥感数据进行地表特征提取,包括地表类型、土地覆盖、高程信息;将提取的地表特征整理和组织,生成地表特征数据,这是后续步骤的输入。
步骤S2:获取气象数据;对气象数据进行三维大气实时分析,从而获取实时气象场数据;
本发明实施例中,从气象卫星、气象雷达、地面气象站数据源获取实时气象数据,包括温度、湿度、风速、降水;将来自不同数据源的气象数据进行融合,以提高数据的时空分辨率和准确性;利用数值天气模型方法对气象数据进行三维大气实时分析,以获取更为精细的三维气象场数据;将分析得到的三维气象场数据整理成模型所需的格式,作为下一步骤的输入。
步骤S3:基于地表特征数据进行地表地形分析并进行地形模型构建,从而获取地形模型;对地形模型与实时气象场数据进行动态水文过程耦合,从而获取水文地形耦合模型;
本发明实施例中,利用地表特征数据,进行地形分析,包括地势高低、水系分布;基于地表地形分析结果,构建地形模型;将构建的地形模型与实时气象场数据进行动态水文过程耦合,考虑地形对水文过程的影响,生成水文地形耦合模型。
步骤S4:根据水文地形耦合模型进行洪水演进模拟处理,从而获取洪水演进模拟数据;对水文地形耦合模型中的洪水演进模型网格进行地图切片,从而获取网格地图瓦片数据;
本发明实施例中,利用水文地形耦合模型进行洪水演进模拟,考虑降雨、地形、土地利用因素,生成洪水演进模拟数据;对水文地形耦合模型中的洪水演进模型网格进行地图切片计算,确定切片范围和网格数据;根据切片计算结果,将洪水演进模拟数据与地形模型整合,生成网格地图瓦片数据,为下一步骤提供输入。
步骤S5:根据洪水演进模拟数据以及网格地图瓦片数据进行洪水预报并进行洪灾模拟渲染,以实现实时动态渲染的洪水预报及洪灾模拟工作;
本发明实施例中,利用洪水演进模拟数据和网格地图瓦片数据,进行实时洪水预报,考虑不同场景下的洪水情况;将洪水预报结果与地形模型结合,进行洪灾模拟渲染,模拟洪水对地区的影响,生成可视化的结果;利用高性能计算和图形渲染技术,实现对洪水预报及洪灾模拟结果的实时动态渲染,以提供即时、直观的信息展示。
优选地,步骤S1包括以下步骤:
步骤S11:通过卫星遥感技术获取高分辨率地表数据;对高分辨率地表数据进行图像多光谱波段分割,从而获取多光谱波段图像数据;对多光谱波段图像数据进行影像配准与融合,从而获取多光谱图像数据;
步骤S12:对多光谱图像数据进行地物分类与分割,从而获取地物分类图数据;
步骤S13:对多光谱图像数据进行特征点匹配,从而获取图像匹配点云数据;对图像匹配点云数据进行自适应点云滤波,从而获取匹配点云滤波数据;
步骤S14:基于匹配点云滤波数据进行三维重建与体素化,从而获取三维地表模型;对三维地表模型进行地形信息插值处理,从而获取数字高程模型;
步骤S15:利用数字高程模型对地物分类图数据进行地表特征提取,从而获取地表特征数据。
本发明通过利用卫星遥感技术获取的高分辨率地表数据为后续步骤提供了空间信息基础,使地表特征提取更加准确;分割得到的多光谱波段图像数据包含了不同波段的信息,提高了地物的光谱特征分辨率,有助于更细致的地物分类;通过配准与融合处理,整合不同波段的信息,减少数据间的差异,提高整体图像质量,为后续步骤提供更一致的数据源。通过地物分类与分割,将图像中的不同地物划分为不同类别,提高了对地物的精细识别能力;利用多光谱图像数据进行分类,可以更全面地反映地表的复杂特征,包括植被、水体、建筑的多种地物类型。通过特征点匹配得到的点云数据具有更高的准确性,有助于准确地还原地表的三维形状;自适应点云滤波处理有助于去除噪点,使点云数据更加清晰,为后续的三维重建提供更可靠的基础。基于匹配点云滤波数据的三维重建能够提供精确的地表模型,包括建筑、植被的三维结构;地形信息插值处理有助于获取数字高程模型,提供了地表的高程信息,为地表特征提取提供了基础。利用数字高程模型对地物分类图数据进行地表特征提取,能够获取地表的各种特征,如高度、坡度,为后续的洪水预测提供更为丰富的地理信息;整合数字高程模型和地物分类图数据,综合利用多源数据,提高地表特征的全面性和准确性。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S1包括:
步骤S11:通过卫星遥感技术获取高分辨率地表数据;对高分辨率地表数据进行图像多光谱波段分割,从而获取多光谱波段图像数据;对多光谱波段图像数据进行影像配准与融合,从而获取多光谱图像数据;
本发明实施例中,利用卫星遥感技术获取高分辨率的地表数据,包括RGB和多光谱波段图像;对高分辨率地表数据进行多光谱波段分割,将图像分割成不同波段,形成多光谱波段图像数据;进行多光谱波段图像数据的影像配准,确保不同波段图像在空间上的一致性;对配准后的图像进行融合,整合各波段信息,生成多光谱图像数据。
步骤S12:对多光谱图像数据进行地物分类与分割,从而获取地物分类图数据;
本发明实施例中,利用图像处理和机器学习算法对多光谱图像数据进行地物分类,将图像中的不同地物进行标记和分割;生成地物分类图数据,其中每个像素点被归类为特定地物类型,
步骤S13:对多光谱图像数据进行特征点匹配,从而获取图像匹配点云数据;对图像匹配点云数据进行自适应点云滤波,从而获取匹配点云滤波数据;
本发明实施例中,利用计算机视觉算法对多光谱图像数据进行特征点提取和匹配,确定不同图像之间的对应关系;生成图像匹配点云数据,其中每个点包含了特征点的三维坐标;利用自适应点云滤波计算公式对图像匹配点云数据进行自适应点云滤波,去除噪声点和不必要的细节,得到更加平滑和精确的匹配点云数据。
步骤S14:基于匹配点云滤波数据进行三维重建与体素化,从而获取三维地表模型;对三维地表模型进行地形信息插值处理,从而获取数字高程模型;
本发明实施例中,利用匹配点云滤波数据进行三维重建,创建三维地表模型;对三维地表模型进行体素化,将模型离散化成体素;对三维地表模型进行地形信息插值处理,利用插值算法填充缺失的地形数据。
步骤S15:利用数字高程模型对地物分类图数据进行地表特征提取,从而获取地表特征数据;
本发明实施例中,利用生成的数字高程模型对地物分类图数据进行地表特征提取,根据高程信息分析地物的形态和分布。
优选地,步骤S13中自适应点云滤波,其中自适应点云滤波的计算公式具体为:
;
公式,表示经过滤波后的图像匹配点云数据值,/>表示趋于无限大的正整数,/>表示点云数据的亮度值,/>滤波第一角度参数,/>表示点云在空间中的横坐标,/>表示点云在空间中的纵坐标,/>表示点云在空间中的竖坐标,/>表示滤波第二角度参数,/>表示滤波调整权重参数,/>表示自适应点云滤波的阈值参数,/>表示调整滤波整体效果的角度参数,/>表示常数因子,/>表示自适应点云滤波计算的误差纠正量。
本发明构造了一种自适应点云滤波计算公式,用于对图像匹配点云数据进行自适应点云滤波;公式中将点云数据的亮度值取对数,有助于减小数据的动态范围,使得在不同光照条件下能更好地适应滤波过程;/>引入角度参数的正弦函数,有助于对角度信息进行加权,使得滤波对不同角度的点云具有不同的响应;/>引入点云坐标的尺度因子,有助于对空间中不同尺度的点云进行加权,更好地适应不同尺度下的滤波需求;引入角度参数及权重调整项,有助于灵活调整滤波的角度响应和权重分配,使得滤波适用于不同的场景;/>引入整体效果调整项,有助于全局性地调整滤波结果,使其更好地适应不同场景;/>引入误差纠正量,有助于修正滤波计算中可能存在的误差,提高滤波结果的准确性。
优选地,步骤S15包括以下步骤:
步骤S151:利用数字高程模型对地物分类图数据进行地形特征分析,从而获取地形特征数据;
步骤S152:利用数字高程模型对地物分类图数据进行异常地形检测,从而获取异常地形数据;
步骤S153:根据地形特征数据以及异常地形数据对三维地表模型潜在水体检测,从而获取潜在水体数据;
步骤S154:基于数字高程模型进行地表坡度与坡向计算,从而获取地表坡度与坡向参数;
步骤S155:基于数字高程模型进行地表植被指数计算,从而获取地表植被指数;
步骤S156:对潜在水体数据、地表坡度与坡向参数以及地表植被指数进行地表特征数据整合,从而获取地表特征数据。
本发明通过利用数字高程模型对地物分类图数据进行地形特征分析,可以精确捕捉地表的起伏、坡度特征;有助于识别并区分地表的自然特征,如山脉、河流、平原,为后续的水文地形模型构建提供基础数据;地形特征分析还可用于土地利用规划、生态环境监测领域,为决策提供详实的地表信息。利用数字高程模型对地物分类图数据进行异常地形检测,有助于发现地表的异常地形特征,如悬崖、断层;对于洪水预报及洪灾模拟至关重要,因为异常地形可能对水流产生显著影响;异常地形检测可提高水文地形模型的精度,增强模型对地形复杂性的适应能力。利用地形特征数据和异常地形数据对潜在水体进行检测,能够准确识别地表上的湖泊、河流、水库水体;这为水文地形模型提供了关键的水体分布信息,对于模拟洪水演进、水资源管理具有重要意义。在数字高程模型的基础上进行地表坡度与坡向计算,有助于量化地表的坡度情况,提供了洪水流动方向的关键参数;对于水流模拟、泥石流风险评估方面具有重要作用,同时为地形复杂区域的洪水预报提供了关键的地形参数。利用数字高程模型进行地表植被指数计算,能够反映地表植被的分布状况;对于洪水模拟中考虑植被的影响、预测洪水对植被覆盖区域的影响方面具有重要意义;植被指数计算也可用于生态环境监测、土地利用规划领域。将潜在水体数据、地表坡度与坡向参数以及地表植被指数整合,提供全面的地表特征数据;为水文地形模型的建立提供了综合的地形特征,有助于更真实、全面地模拟洪水演进过程;整合后的数据也可用于地理信息系统(GIS)分析、环境影响评估的方面。
本发明实施例中,利用DEM数据进行地形特征分析,包括高度、坡度、坡向参数的计算;将地物分类图数据与DEM分析结果整合,确保地物分类信息与地形特征数据的对应关系;利用整合后的数据,提取地形特征信息,如山脊、谷底、高地,形成地形特征数据。利用数字高程模型进行异常地形检测,通过比较地形特征与期望值,识别异常地形区域;将异常地形检测结果与地物分类图数据结合,以便更准确地识别异常地形;生成异常地形数据,标识出可能存在问题或变化的区域,如地表沉降、地裂缝。利用地形特征数据,寻找可能存储水体的区域,如低洼地带;将异常地形数据与地形特征数据结合,更准确地确定潜在水体的位置;利用整合后的数据进行潜在水体检测,标识出可能存在的水体区域,生成潜在水体数据。利用数字高程模型进行坡度与坡向的计算,使用数值计算方法得到地表的坡度与坡向信息;利用数字高程模型和其他遥感数据,获取地表的植被分布信息;将潜在水体数据、地表坡度与坡向参数以及地表植被指数整合到一个数据集中;利用整合后的数据,生成全面的地表特征数据,包括潜在水体分布、地表坡度、坡向以及植被指数信息。
优选地,步骤S2包括以下步骤:
步骤S21:获取气象数据;对气象数据以及高分辨率地表数据进行三维气象场重建,从而获取三维气象场数据;
步骤S22:利用大气动力学模型对三维气象场数据进行模型嵌套,从而获取模型嵌套气象场数据;
步骤S23:对模型嵌套气象场数据进行垂直剖面的三维气象降雨数据提取,从而获取三维气象降雨数据;
步骤S24:对三维气象降雨数据进行数值模拟并进行参数修正,从而获取参数修正后的三维气象降雨数据;
步骤S25:利用地表特征数据对参数修正后的三维气象降雨数据进行地表地形影响综合分析,从而获取三维气象降雨综合数据;
步骤S26:基于三维气象降雨综合数据进行实时气象场监测,从而获取实时气象场数据。
本发明通过结合气象数据和高分辨率地表数据,三维气象场的重建能够提供更高时空分辨率的气象信息,有助于准确捕捉局地气象变化;通过整合不同来源的数据,可以获取更全面、综合的三维气象场数据,包括温度、湿度、风速多种气象要素。大气动力学模型的应用可以提高对三维气象场的解析精度,使模型能更好地反映大气运动、稳定性动力学过程;模型嵌套有助于确保三维气象场数据在时空上的一致性,提高了气象场数据的整体可信度。通过对模型嵌套气象场数据进行垂直剖面提取,获取更详细的垂直气象降雨数据,为后续洪水模拟提供更准确的降雨输入;三维气象降雨数据能够提供空间分布上更为详尽的信息,有助于全面理解降雨的空间分布特征。通过数值模拟,可以更好地模拟降雨过程,提高数据的准确性;对数值模拟中的参数进行修正,使模拟结果更符合实际观测情况,提高了数据的可信度和准确性。结合地表特征数据,对三维气象降雨数据进行地表地形影响分析,提高了洪水预报的精度;综合考虑地表地形影响,得到更全面的三维气象降雨综合数据,为后续的洪水模拟提供更精准的输入。基于三维气象降雨综合数据进行实时气象场监测,能够提供时效性更强的气象信息,支持实时动态渲染的洪水预报及洪灾模拟工作;实时气象场数据的获取为即时调整模型参数、提高洪水模拟的精度提供了及时的反馈信息。
作为本发明的一个实例,参考图3所示,在本实例中所述步骤S2包括:
步骤S21:获取气象数据;对气象数据以及高分辨率地表数据进行三维气象场重建,从而获取三维气象场数据;
本发明实施例中,结合获取的气象数据和高分辨率地表数据,采用插值、数值模型技术,进行三维气象场的重建;包括通过数据融合提高气象场数据的空间分辨率。
步骤S22:利用大气动力学模型对三维气象场数据进行模型嵌套,从而获取模型嵌套气象场数据;
本发明实施例中,使用大气动力学模型,数值天气预报模型,对三维气象场数据进行嵌套,以提高模拟的时空分辨率和准确性。
步骤S23:对模型嵌套气象场数据进行垂直剖面的三维气象降雨数据提取,从而获取三维气象降雨数据;
本发明实施例中,对经过模型嵌套的气象场数据进行垂直剖面分析,提取垂直方向上的气象降雨数据,包括降雨量和分布。
步骤S24:对三维气象降雨数据进行数值模拟并进行参数修正,从而获取参数修正后的三维气象降雨数据;
本发明实施例中,利用数值模型对三维气象降雨数据进行模拟,考虑大气、地表因素,生成模拟的三维降雨数据;通过与实际观测数据比较,进行数值模拟的参数修正,以提高模型的准确性和逼真度。
步骤S25:利用地表特征数据对参数修正后的三维气象降雨数据进行地表地形影响综合分析,从而获取三维气象降雨综合数据;
本发明实施例中,将地表特征数据与经过参数修正的三维气象降雨数据进行融合,考虑地形、土地利用因素;进行地形影响的综合分析,考虑地势对降雨分布的影响,生成综合的三维气象降雨数据。
步骤S26:基于三维气象降雨综合数据进行实时气象场监测,从而获取实时气象场数据;
本发明实施例中,利用实时观测数据,对三维气象降雨综合数据进行实时监测,确保模型与实际观测数据的一致性;根据监测结果,生成实时的气象场数据,包括降雨量、风速信息,用于后续的洪水预报和模拟。
优选地,步骤S23包括以下步骤:
步骤S231:对模型嵌套气象场数据进行垂直层次分割,从而获取不同高度的气象场垂直层次数据;对不同高度的气象场垂直层次数据进行三维剖面数据提取,从而获取三维剖面数据,其中三维剖面数据包括温度剖面数据、湿度剖面数据以及风速剖面数据;
步骤S232:对温度剖面数据进行对流层云上升趋势预测,从而获取对流层气流数据;对湿度剖面数据进行剖面层次水汽含量检测,从而获取剖面层次水汽含量数据;
步骤S233:利用对流层气流数据对对应的剖面层次水汽含量数据进行降雨强度和时间分析,从而获取降雨强度和时间数据;
步骤S234:对风速剖面数据进行风向和风力强度识别,从而获取风向和风力强度数据;对风向和风力强度数据以及剖面层次水汽含量数据进行降雨分布空间特征提取,从而获取降雨分布空间特征数据;
步骤S235:基于降雨强度和时间数据以及降雨分布空间特征数据进行降雨时空变化分析,从而获取降雨时空变化数据;
步骤S236:对降雨时空变化数据进行降雨气象系统的移动范围预测,从而获取三维气象降雨数据。
本发明通过垂直层次分割,可以获得不同高度的气象场数据,从而提高了对大气垂直结构的分辨率,使得气象场数据更加精准和细致;获得的不同高度的气象场数据可提供多层次气象信息,包括地面到高空的多维温度、湿度和风速分布,为后续的三维剖面数据提取提供了基础。通过对温度剖面数据进行对流层云上升趋势预测,能够提供对流层气流的动态信息,为后续降雨强度和时间分析提供基础;通过对湿度剖面数据进行剖面层次水汽含量检测,可获取不同高度上的水汽分布,为后续的降雨强度和时间分析提供必要的湿度信息。利用对流层气流数据和水汽含量数据进行分析,可以准确预测降雨的强度,提供实时的降雨强度数据;结合气流和水汽含量数据,能够预测降雨的时间分布,为洪水演进模拟提供时间维度的信息。通过风速剖面数据的分析,可以准确识别风向和风力强度,为后续降雨分布空间特征提取提供基础;结合风向、风力和水汽含量数据,可以提取降雨在空间上的分布特征,为时空变化分析提供关键信息。结合降雨强度、时间和分布空间特征数据,可以生成详细的降雨时空变化图谱,为洪水预报和模拟提供全面的时空信息。利用时空变化数据,可以准确预测降雨气象系统的移动范围,为洪水预报提供更加精细的空间分布信息,增强模型的实时性和准确性。
本发明实施例中,将模型嵌套的气象场数据进行垂直层次分割,划分不同高度层次,对不同高度的气象场垂直层次数据进行三维剖面数据提取;利用温度剖面数据进行对流层云上升趋势预测,获取对流层气流数据;利用湿度剖面数据进行剖面层次水汽含量检测;利用对流层气流数据对对应的剖面层次水汽含量数据进行降雨强度和时间分析;对风速剖面数据进行风向和风力强度的识别;利用风向和风力强度数据以及剖面层次水汽含量数据进行降雨分布空间特征提取;基于降雨强度和时间数据以及降雨分布空间特征数据进行降雨时空变化分析;对降雨时空变化数据进行分析,预测降雨气象系统的移动范围。
优选地,步骤S4包括以下步骤:
步骤S41:根据水文地形耦合模型进行洪水演进模拟处理,从而获取洪水演进模拟数据;对水文地形耦合模型中的洪水演进模型网格进行网格栅格化处理,从而栅格化网格数据;
步骤S42:根据洪水演进模拟数据对栅格化网格数据进行网格切片范围计算,从而获取网格切片范围数据;
步骤S43:对栅格化网格数据进行实时数据流量界定并进行流域范围界定,从而获取实时数据流量数据以及流域范围数据;
步骤S44:利用实时数据流量数据对栅格化网格数据进行地图切片大小调整,从而获取地图切片大小数据;
步骤S45:利用流域范围数据对栅格化网格数据进行地图层级确定,从而获取地图层级数据;
步骤S46:对栅格化网格数据进行空间索引构建,从而获取空间索引数据;
步骤S47:基于空间索引数据、网格切片范围数据、地图切片大小数据以及地图层级数据对栅格化网格数据进行快速地图切片,从而获取网格地图瓦片数据。
本发明通过水文地形耦合模型进行洪水演进模拟,能够更准确地模拟洪水的动态演变过程;对洪水演进模型网格进行网格栅格化处理有助于将模型输出的复杂空间信息转化为易于处理的栅格数据,方便后续的计算和分析。通过对洪水演进模拟数据进行分析,可以确定需要关注的区域,进而计算出合适的网格切片范围;有助于优化后续的地图切片处理,提高数据处理的效率,并确保在实时动态渲染中只显示与洪水相关的区域,减少不必要的计算开销。实时数据流量界定有助于确定洪水泛滥的区域,流域范围界定则可以精确划定水域的范围;这些数据对于洪水预报和模拟渲染至关重要,能够提供实时的洪水信息以及流域范围的准确边界,为后续的地图切片和渲染提供关键参数。根据实时数据流量的变化调整地图切片的大小,可以更好地适应洪水演进的动态变化;有助于在洪水预报及洪灾模拟过程中动态调整地图切片的精度,保证渲染结果更符合实际情况。流域范围数据用于确定地图的层级结构,使得在不同缩放级别下可以有效展示流域内的详细信息;通过合理设定地图层级,可以在不同尺度下呈现洪水演进的全貌,提高用户对洪水情况的整体了解。空间索引的构建提高了对栅格化网格数据的查询效率,加速后续地图切片的生成过程;通过合理的空间索引设计,能够在实时动态渲染中更迅速地定位、提取和处理所需的地理信息。通过综合利用空间索引、网格切片范围、地图切片大小和地图层级数据,实现了高效的地图切片生成;有助于在洪水演进模拟中实现快速、准确的地图渲染,提供用户友好的实时动态可视化效果,帮助用户更好地理解洪水的发展过程。
本发明实施例中,使用水文地形耦合模型,结合地形和气象数据,进行洪水演进模拟处理;基于模型参数和输入数据,计算每个模型网格的洪水演进情况;输出洪水演进模拟数据,包括水位、流速。利用洪水演进模拟数据,结合网格切片范围计算公式,计算每个栅格的网格切片范围;考虑洪水演进的方向、速度因素,确定每个网格的切片范围大小;输出网格切片范围数据,用于后续地图切片。利用栅格化网格数据,计算实时数据流量,考虑每个栅格的水流情况;根据流域边界条件,确定流域的范围,标识出流域内的栅格;输出实时数据流量数据和流域范围数据。结合实时数据流量数据,调整栅格化网格数据的地图切片大小;根据流量大小,优化地图切片,确保在关键区域有更高的分辨率;输出地图切片大小数据,用于后续地图切片。利用流域范围数据,确定不同区域的地图层级;根据流域内的地形特征、重要性因素,确定地图的层级结构;输出地图层级数据,用于后续地图切片。利用栅格化网格数据,构建空间索引结构(四叉树、R树);将栅格数据按照空间位置进行组织,提高后续地图切片的检索效率;输出空间索引数据,用于后续地图切片。利用空间索引数据,实现对栅格化网格数据的快速检索;结合网格切片范围、地图切片大小和地图层级数据,进行地图切片;输出网格地图瓦片数据,用于实时动态渲染的洪水预报及洪灾模拟。
优选地,步骤S42中切网格切片范围计算,其中网格切片范围计算公式具体为:
;
式中,网格切片范围值,/>表示洪水演进方向角度,/>表示水文地形耦合模型中的洪水演进模型网格尺寸,/>表示水文地形耦合模型中的地表特征数据,/>表示趋于无限大的正整数,/>表示水文地形耦合模型中的水文地形耦合模型网格横向分辨率,/>表示洪水演进模拟数据的时间步长,/>表示水文地形耦合模型中的水文地形耦合模型网格纵向分辨率,/>表示水文地形耦合模型中的动态水文过程的倾斜角度,/>表示地形模型的坡度,/>表示洪水演进模拟数据中的洪水增加速度,/>表示洪水演进模拟数据中的洪水流速,/>表示水文地形耦合模型中的地形模型参数,/>表示水文地形耦合模型中的洪水演进模型网格数量。
本发明构造了一种网格切片范围计算的公式,用于根据洪水演进模拟数据对栅格化网格数据进行网格切片范围计算;公式中部分通过/>确定洪水演进方向,与/>和/>相乘开立方根,从而在网格切片范围计算中引入了洪水演进的方向性和模型的尺寸信息,增强了切片范围的准确性;/>部分引入极限计算,通过横向和纵向的分辨率、时间步长参数,使得计算在无穷大情况下趋近于一个常数,为整体公式提供了数学的稳定性和收敛性;/>部分将地形和洪水演进的多个参数综合考虑,引入了倾斜角度、坡度、洪水速度因素,使得计算更为综合和贴近实际情况;/>项引入网格数量的平方根,考虑到模型规模对切片范围的影响,使得计算结果更具普适性和可调节性。
优选地,步骤S5包括以下步骤:
步骤S51:按照时间单位对洪水演进模拟数据进行洪水特征计算,从而获取洪水特征数据;
步骤S52:根据地图层级数据对洪水特征数据进行颜色映射处理,从而获取颜色映射数据;
步骤S53:基于洪水演进模拟数据以及网格地图瓦片数据进行拓扑关系构建,从而获取拓扑关系数据;
步骤S54:利用前端技术对网格地图瓦片数据进行网页展示,从而获取网格地图瓦片展示数据;
步骤S55:利用颜色映射数据以及拓扑关系数据对网格地图瓦片展示数据进行实时颜色动态渲染,从而获取地图瓦片动态渲染数据。
本发明通过按照时间单位对洪水演进模拟数据进行特征计算,可以精细提取洪水演进过程中的关键特征,如水位、流速、淹没范围,为后续的数据处理提供详细信息;洪水特征计算能够提供时空动态的洪水演进信息,使得对洪水过程的分析更为全面,有助于理解洪水发展的规律和特征。利用地图层级数据对洪水特征数据进行颜色映射处理,可以实现对洪水信息的直观可视化呈现;不同洪水特征通过色彩变化能够清晰地传达给用户,提高信息传递的直观性;颜色映射能够在有限的图像空间内有效区分不同洪水特征,提高了信息区分度,有助于用户更准确地理解洪水演进的状况。基于洪水演进模拟数据以及网格地图瓦片数据进行拓扑关系构建,强化了洪水模拟数据与地理空间的关联性,有助于准确捕捉洪水在地理空间中的传播和变化规律;拓扑关系的构建有助于优化网络结构,提高数据检索、查询操作的效率,为后续的数据处理和可视化展示提供更高的性能。利用前端技术对网格地图瓦片数据进行网页展示,可以实现高效的地图数据展示,用户可以通过网页轻松浏览、查询地理信息;网格地图瓦片数据展示可以与用户进行交互,例如缩放、拖动操作,提升用户体验,使用户更灵活地获取所需信息。利用颜色映射数据以及拓扑关系数据对网格地图瓦片展示数据进行实时颜色动态渲染,实现对洪水演进的实时动态展示,有助于用户实时感知洪水发展状况;颜色动态渲染能够突出洪水演进模拟中的细致特征,使得用户更容易注意到关键的洪水信息,提高了信息传递的精确性和有效性。
作为本发明的一个实例,参考图4所示,在本实例中所述步骤S5包括:
步骤S51:按照时间单位对洪水演进模拟数据进行洪水特征计算,从而获取洪水特征数据;
本发明实施例中,确定洪水演进模拟数据中的分钟时间单位;对每个时间单位内的洪水演进模拟数据进行分析,计算洪水的特征参数,如洪水深度、洪水面积;利用数学算法或模型,根据分析结果计算洪水的特征值,形成洪水特征数据。
步骤S52:根据地图层级数据对洪水特征数据进行颜色映射处理,从而获取颜色映射数据;
本发明实施例中,以不同缩放级别确定地图的层级结构;制定颜色映射规则,将洪水特征数据映射到不同的颜色,以直观展示洪水的程度;根据规则,对洪水特征数据进行颜色映射处理,形成颜色映射数据。
步骤S53:基于洪水演进模拟数据以及网格地图瓦片数据进行拓扑关系构建,从而获取拓扑关系数据;
本发明实施例中,获取洪水演进模拟数据中的网格地图瓦片数据;利用地理信息系统(GIS)技术,根据网格地图瓦片数据构建洪水演进模拟数据的拓扑关系,确保地理空间上的相邻关系得以体现;生成拓扑关系数据,描述网格之间的连接关系。
步骤S54:利用前端技术对网格地图瓦片数据进行网页展示,从而获取网格地图瓦片展示数据;
本发明实施例中,设计网页布局,将网格地图瓦片数据嵌入网页中;配置展示参数,包括地图显示范围、缩放,以确保用户友好的地图展示。
步骤S55:利用颜色映射数据以及拓扑关系数据对网格地图瓦片展示数据进行实时颜色动态渲染,从而获取地图瓦片动态渲染数据;
本发明实施例中,利用之前生成的颜色映射数据,将洪水特征数据映射到相应的颜色;根据拓扑关系数据,确保颜色映射在相邻网格之间平滑过渡;利用前端技术,实现实时颜色动态渲染效果,使洪水演进过程在网页上得以生动展示。
优选地,本发明还提供了一种实时动态渲染的洪水预报及洪灾模拟方法和系统,包括:
地表特征提取模块,用于通过卫星遥感技术获取高分辨率地表数据;对高分辨率地表数据进行地表特征提取,从而获取地表特征数据;
三维大气实时分析模块,用于获取气象数据;对气象数据进行三维大气实时分析,从而获取实时气象场数据;
水文地形耦合模型构建模块,用于基于地表特征数据进行地表地形分析并进行地形模型构建,从而获取地形模型;对地形模型与实时气象场数据进行动态水文过程耦合,从而获取水文地形耦合模型;
洪水演进模拟与地图切片模块,用于根据水文地形耦合模型进行洪水演进模拟处理,从而获取洪水演进模拟数据;对水文地形耦合模型中的洪水演进模型网格进行地图切片,从而获取网格地图瓦片数据;
洪水预报及洪灾模拟模块,用于根据洪水演进模拟数据以及网格地图瓦片数据进行洪水预报并进行洪灾模拟渲染,以实现实时动态渲染的洪水预报及洪灾模拟工作。
本发明通过利用卫星遥感技术获取高分辨率地表数据,可获得地表特征的详细信息,包括地形、植被、建筑,提供基础数据支持,通过先进的图像处理算法,对高分辨率地表数据进行特征提取,获得地表特征数据,为后续水文地形模型构建提供准确输入;获取实时气象数据,包括温度、湿度、风速,实现对大气状态的高时空分辨率监测,为水文地形模型提供准确的气象输入,过先进的气象分析方法,实现对三维大气的实时监测,提高对气象变化的敏感性,为水文地形模型提供更精细的气象场数据;利用地表特征数据进行地表地形分析,构建精细的地形模型,包括河流、湖泊、山脉,为水文地形模型提供真实的地形信息,将地形模型与实时气象场数据进行耦合,实现对水文过程的实时动态模拟,更准确地反映地表水文变化;利用水文地形耦合模型进行洪水演进模拟,获得高时空分辨率的洪水演进模拟数据,为洪水预报提供准确的基础,对洪水演进模型网格进行地图切片,生成网格地图瓦片数据,为后续的洪水预报及洪灾模拟渲染提供方便快捷的地图数据;利用洪水演进模拟数据和网格地图瓦片数据,实现对洪水演进过程的实时动态渲染,提供直观、准确的洪水预报和洪灾模拟结果,结合高分辨率地图数据,可在洪水预报中实现全景洪灾模拟渲染,使用户更直观地理解洪灾影响,支持紧急响应和决策制定。因此,本发明提供了一种实时动态渲染的洪水预报及洪灾模拟方法和系统,通过地表特征提取、三维大气实时分析以及洪灾模拟渲染,降低了地形对水文模型的影响以及模型参数的不确定性,提高了对三维气象降雨的准确性,以满足实时洪水动态渲染的需求。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种实时动态渲染的洪水预报及洪灾模拟方法,其特征在于,包括以下步骤:
步骤S1:通过卫星遥感技术获取高分辨率地表数据;对高分辨率地表数据进行地表特征提取,从而获取地表特征数据;步骤S1包括以下步骤:
步骤S11:通过卫星遥感技术获取高分辨率地表数据;对高分辨率地表数据进行图像多光谱波段分割,从而获取多光谱波段图像数据;对多光谱波段图像数据进行影像配准与融合,从而获取多光谱图像数据;
步骤S12:对多光谱图像数据进行地物分类与分割,从而获取地物分类图数据;
步骤S13:对多光谱图像数据进行特征点匹配,从而获取图像匹配点云数据;对图像匹配点云数据进行自适应点云滤波,从而获取匹配点云滤波数据;步骤S13中自适应点云滤波,其中自适应点云滤波的计算公式具体为:
;
公式中,表示经过滤波后的图像匹配点云数据值,/>表示趋于无限大的正整数,/>表示点云数据的亮度值,/>表示滤波第一角度参数,/>表示点云在空间中的横坐标,/>表示点云在空间中的纵坐标,/>表示点云在空间中的竖坐标,/>表示滤波第二角度参数,/>表示滤波调整权重参数,/>表示自适应点云滤波的阈值参数,/>表示调整滤波整体效果的角度参数,/>表示常数因子,/>表示自适应点云滤波计算的误差纠正量;
步骤S14:基于匹配点云滤波数据进行三维重建与体素化,从而获取三维地表模型;对三维地表模型进行地形信息插值处理,从而获取数字高程模型;
步骤S15:利用数字高程模型对地物分类图数据进行地表特征提取,从而获取地表特征数据;
步骤S2:获取气象数据;对气象数据进行三维大气实时分析,从而获取实时气象场数据;
步骤S3:基于地表特征数据进行地表地形分析并进行地形模型构建,从而获取地形模型;对地形模型与实时气象场数据进行动态水文过程耦合,从而获取水文地形耦合模型;
步骤S4:根据水文地形耦合模型进行洪水演进模拟处理,从而获取洪水演进模拟数据;对水文地形耦合模型中的洪水演进模型网格进行地图切片,从而获取网格地图瓦片数据;
步骤S5:根据洪水演进模拟数据以及网格地图瓦片数据进行洪水预报并进行洪灾模拟渲染,以实现实时动态渲染的洪水预报及洪灾模拟工作。
2.根据权利要求1所述的实时动态渲染的洪水预报及洪灾模拟方法,其特征在于,步骤S15包括以下步骤:
步骤S151:利用数字高程模型对地物分类图数据进行地形特征分析,从而获取地形特征数据;
步骤S152:利用数字高程模型对地物分类图数据进行异常地形检测,从而获取异常地形数据;
步骤S153:根据地形特征数据以及异常地形数据对三维地表模型潜在水体检测,从而获取潜在水体数据;
步骤S154:基于数字高程模型进行地表坡度与坡向计算,从而获取地表坡度与坡向参数;
步骤S155:基于数字高程模型进行地表植被指数计算,从而获取地表植被指数;
步骤S156:对潜在水体数据、地表坡度与坡向参数以及地表植被指数进行地表特征数据整合,从而获取地表特征数据。
3.根据权利要求1所述的实时动态渲染的洪水预报及洪灾模拟方法,其特征在于,步骤S2包括以下步骤:
步骤S21:获取气象数据;对气象数据以及高分辨率地表数据进行三维气象场重建,从而获取三维气象场数据;
步骤S22:利用大气动力学模型对三维气象场数据进行模型嵌套,从而获取模型嵌套气象场数据;
步骤S23:对模型嵌套气象场数据进行垂直剖面的三维气象降雨数据提取,从而获取三维气象降雨数据;
步骤S24:对三维气象降雨数据进行数值模拟并进行参数修正,从而获取参数修正后的三维气象降雨数据;
步骤S25:利用地表特征数据对参数修正后的三维气象降雨数据进行地表地形影响综合分析,从而获取三维气象降雨综合数据;
步骤S26:基于三维气象降雨综合数据进行实时气象场监测,从而获取实时气象场数据。
4.根据权利要求3所述的实时动态渲染的洪水预报及洪灾模拟方法,其特征在于,步骤S23包括以下步骤:
步骤S231:对模型嵌套气象场数据进行垂直层次分割,从而获取不同高度的气象场垂直层次数据;对不同高度的气象场垂直层次数据进行三维剖面数据提取,从而获取三维剖面数据,其中三维剖面数据包括温度剖面数据、湿度剖面数据以及风速剖面数据;
步骤S232:对温度剖面数据进行对流层云上升趋势预测,从而获取对流层气流数据;对湿度剖面数据进行剖面层次水汽含量检测,从而获取剖面层次水汽含量数据;
步骤S233:利用对流层气流数据对对应的剖面层次水汽含量数据进行降雨强度和时间分析,从而获取降雨强度和时间数据;
步骤S234:对风速剖面数据进行风向和风力强度识别,从而获取风向和风力强度数据;对风向和风力强度数据以及剖面层次水汽含量数据进行降雨分布空间特征提取,从而获取降雨分布空间特征数据;
步骤S235:基于降雨强度和时间数据以及降雨分布空间特征数据进行降雨时空变化分析,从而获取降雨时空变化数据;
步骤S236:对降雨时空变化数据进行降雨气象系统的移动范围预测,从而获取三维气象降雨数据。
5.根据权利要求1所述的实时动态渲染的洪水预报及洪灾模拟方法,其特征在于,步骤S4包括以下步骤:
步骤S41:根据水文地形耦合模型进行洪水演进模拟处理,从而获取洪水演进模拟数据;对水文地形耦合模型中的洪水演进模型网格进行网格栅格化处理,从而栅格化网格数据;
步骤S42:根据洪水演进模拟数据对栅格化网格数据进行网格切片范围计算,从而获取网格切片范围数据;
步骤S43:对栅格化网格数据进行实时数据流量界定并进行流域范围界定,从而获取实时数据流量数据以及流域范围数据;
步骤S44:利用实时数据流量数据对栅格化网格数据进行地图切片大小调整,从而获取地图切片大小数据;
步骤S45:利用流域范围数据对栅格化网格数据进行地图层级确定,从而获取地图层级数据;
步骤S46:对栅格化网格数据进行空间索引构建,从而获取空间索引数据;
步骤S47:基于空间索引数据、网格切片范围数据、地图切片大小数据以及地图层级数据对栅格化网格数据进行快速地图切片,从而获取网格地图瓦片数据。
6.根据权利要求5所述的实时动态渲染的洪水预报及洪灾模拟方法,其特征在于,步骤S42中切网格切片范围计算,其中网格切片范围计算公式具体为:
;
式中,网格切片范围值,/>表示洪水演进方向角度,/>表示水文地形耦合模型中的洪水演进模型网格尺寸,/>表示水文地形耦合模型中的地表特征数据,/>表示趋于无限大的正整数,/>表示水文地形耦合模型中的水文地形耦合模型网格横向分辨率,/>表示洪水演进模拟数据的时间步长,/>表示水文地形耦合模型中的水文地形耦合模型网格纵向分辨率,/>表示水文地形耦合模型中的动态水文过程的倾斜角度,/>表示地形模型的坡度,/>表示洪水演进模拟数据中的洪水增加速度,/>表示洪水演进模拟数据中的洪水流速,/>表示水文地形耦合模型中的地形模型参数,/>表示水文地形耦合模型中的洪水演进模型网格数量。
7.根据权利要求1所述的实时动态渲染的洪水预报及洪灾模拟方法,其特征在于,步骤S5包括以下步骤:
步骤S51:按照时间单位对洪水演进模拟数据进行洪水特征计算,从而获取洪水特征数据;
步骤S52:根据地图层级数据对洪水特征数据进行颜色映射处理,从而获取颜色映射数据;
步骤S53:基于洪水演进模拟数据以及网格地图瓦片数据进行拓扑关系构建,从而获取拓扑关系数据;
步骤S54:利用前端技术对网格地图瓦片数据进行网页展示,从而获取网格地图瓦片展示数据;
步骤S55:利用颜色映射数据以及拓扑关系数据对网格地图瓦片展示数据进行实时颜色动态渲染,从而获取地图瓦片动态渲染数据。
8.一种实时动态渲染的洪水预报及洪灾模拟系统,其特征在于,用于执行如权利要求1所述的实时动态渲染的洪水预报及洪灾模拟方法,该实时动态渲染的洪水预报及洪灾模拟系统包括:
地表特征提取模块,用于通过卫星遥感技术获取高分辨率地表数据;对高分辨率地表数据进行地表特征提取,从而获取地表特征数据;地表特征提取模块用于:
步骤S11:通过卫星遥感技术获取高分辨率地表数据;对高分辨率地表数据进行图像多光谱波段分割,从而获取多光谱波段图像数据;对多光谱波段图像数据进行影像配准与融合,从而获取多光谱图像数据;
步骤S12:对多光谱图像数据进行地物分类与分割,从而获取地物分类图数据;
步骤S13:对多光谱图像数据进行特征点匹配,从而获取图像匹配点云数据;对图像匹配点云数据进行自适应点云滤波,从而获取匹配点云滤波数据;步骤S13中自适应点云滤波,其中自适应点云滤波的计算公式具体为:
;
公式中,表示经过滤波后的图像匹配点云数据值,/>表示趋于无限大的正整数,/>表示点云数据的亮度值,/>表示滤波第一角度参数,/>表示点云在空间中的横坐标,/>表示点云在空间中的纵坐标,/>表示点云在空间中的竖坐标,/>表示滤波第二角度参数,/>表示滤波调整权重参数,/>表示自适应点云滤波的阈值参数,/>表示调整滤波整体效果的角度参数,/>表示常数因子,/>表示自适应点云滤波计算的误差纠正量;
步骤S14:基于匹配点云滤波数据进行三维重建与体素化,从而获取三维地表模型;对三维地表模型进行地形信息插值处理,从而获取数字高程模型;
步骤S15:利用数字高程模型对地物分类图数据进行地表特征提取,从而获取地表特征数据;
三维大气实时分析模块,用于获取气象数据;对气象数据进行三维大气实时分析,从而获取实时气象场数据;
水文地形耦合模型构建模块,用于基于地表特征数据进行地表地形分析并进行地形模型构建,从而获取地形模型;对地形模型与实时气象场数据进行动态水文过程耦合,从而获取水文地形耦合模型;
洪水演进模拟与地图切片模块,用于根据水文地形耦合模型进行洪水演进模拟处理,从而获取洪水演进模拟数据;对水文地形耦合模型中的洪水演进模型网格进行地图切片,从而获取网格地图瓦片数据;
洪水预报及洪灾模拟模块,用于根据洪水演进模拟数据以及网格地图瓦片数据进行洪水预报并进行洪灾模拟渲染,以实现实时动态渲染的洪水预报及洪灾模拟工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311691049.1A CN117409168B (zh) | 2023-12-11 | 2023-12-11 | 实时动态渲染的洪水预报及洪灾模拟方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311691049.1A CN117409168B (zh) | 2023-12-11 | 2023-12-11 | 实时动态渲染的洪水预报及洪灾模拟方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117409168A CN117409168A (zh) | 2024-01-16 |
CN117409168B true CN117409168B (zh) | 2024-04-09 |
Family
ID=89492804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311691049.1A Active CN117409168B (zh) | 2023-12-11 | 2023-12-11 | 实时动态渲染的洪水预报及洪灾模拟方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117409168B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117669274B (zh) * | 2024-02-02 | 2024-04-19 | 河北省保定水文勘测研究中心 | 一种基于虚拟现实的洪水模拟预报方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110400366A (zh) * | 2019-06-06 | 2019-11-01 | 中国电建集团北京勘测设计研究院有限公司 | 一种基于OpenGL的实时洪水灾害可视化仿真方法 |
CN114332395A (zh) * | 2021-12-30 | 2022-04-12 | 山脉科技股份有限公司 | 一种基于水力学模型与三维渲染技术实现洪水演进模拟的方法 |
CN115798147A (zh) * | 2022-09-22 | 2023-03-14 | 广东省水文局惠州水文分局 | 一种实时洪水预报及洪灾模拟的方法和系统 |
CN116563453A (zh) * | 2023-03-20 | 2023-08-08 | 成都信息工程大学 | 一种加速渲染的精细化污染扩散可视化方法 |
-
2023
- 2023-12-11 CN CN202311691049.1A patent/CN117409168B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110400366A (zh) * | 2019-06-06 | 2019-11-01 | 中国电建集团北京勘测设计研究院有限公司 | 一种基于OpenGL的实时洪水灾害可视化仿真方法 |
CN114332395A (zh) * | 2021-12-30 | 2022-04-12 | 山脉科技股份有限公司 | 一种基于水力学模型与三维渲染技术实现洪水演进模拟的方法 |
CN115798147A (zh) * | 2022-09-22 | 2023-03-14 | 广东省水文局惠州水文分局 | 一种实时洪水预报及洪灾模拟的方法和系统 |
CN116563453A (zh) * | 2023-03-20 | 2023-08-08 | 成都信息工程大学 | 一种加速渲染的精细化污染扩散可视化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117409168A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Object-oriented change detection for landslide rapid mapping | |
Ramiya et al. | Segmentation based building detection approach from LiDAR point cloud | |
Zhou et al. | Individual tree parameters estimation for plantation forests based on UAV oblique photography | |
KR102540762B1 (ko) | 위성영상을 이용한 저수지 모니터링 방법 | |
CN117409168B (zh) | 实时动态渲染的洪水预报及洪灾模拟方法和系统 | |
Zeybek | Classification of UAV point clouds by random forest machine learning algorithm | |
CN113780174A (zh) | 结合随机森林算法的高植被台风暴雨型滑坡识别方法 | |
CN116843845A (zh) | 一种应用于数字孪生城市的空间数据集成方法及系统 | |
Su et al. | A new hierarchical moving curve-fitting algorithm for filtering lidar data for automatic DTM generation | |
Singh et al. | Detection of 2011 Sikkim earthquake-induced landslides using neuro-fuzzy classifier and digital elevation model | |
CN117475314B (zh) | 一种地质灾害隐患立体识别方法、系统及介质 | |
Rashidi et al. | Extraction of ground points from LiDAR data based on slope and progressive window thresholding (SPWT) | |
CN102540169B (zh) | 一种基于遥感影像的水体制图产品质量评价方法 | |
CN117171533B (zh) | 一种地理测绘作业数据实时采集处理方法及系统 | |
CN113780175A (zh) | 高植被覆盖区台风暴雨型滑坡的遥感识别方法 | |
CN117390555A (zh) | 一种实现泥石流灾害风险多维分类预测方法 | |
Costantino et al. | Features and ground automatic extraction from airborne LiDAR data | |
Sarıtaş et al. | Enhancing Ground Point Extraction in Airborne LiDAR Point Cloud Data Using the CSF Filter Algorithm | |
Rocchini | Resolution problems in calculating landscape metrics | |
Forghani et al. | Extracting terrain categories from multi-source satellite imagery | |
CN115147726A (zh) | 城市形态图的生成方法、装置、电子设备和可读存储介质 | |
Kato | Integrating openstreetmap data in object based landcover and landuse classification for disaster recovery | |
Tang et al. | Accuracy test of point-based and object-based urban building feature classification and extraction applying airborne LiDAR data | |
Wang et al. | Combining SAR images with land cover products for rapid urban flood mapping | |
Rutzinger et al. | Object-based building detection based on airborne laser scanning data within GRASS GIS 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 |