CN117473791A - 一种基于人工智能的公共数据储存管理系统 - Google Patents

一种基于人工智能的公共数据储存管理系统 Download PDF

Info

Publication number
CN117473791A
CN117473791A CN202311774239.XA CN202311774239A CN117473791A CN 117473791 A CN117473791 A CN 117473791A CN 202311774239 A CN202311774239 A CN 202311774239A CN 117473791 A CN117473791 A CN 117473791A
Authority
CN
China
Prior art keywords
water source
rainfall
target water
characteristic model
source area
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.)
Granted
Application number
CN202311774239.XA
Other languages
English (en)
Other versions
CN117473791B (zh
Inventor
李甲萌
李欢
王谭
宋君业
李方纲
许士新
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.)
Shuifa Technology Information Shandong Co ltd
Original Assignee
Shuifa Technology Information Shandong 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 Shuifa Technology Information Shandong Co ltd filed Critical Shuifa Technology Information Shandong Co ltd
Priority to CN202311774239.XA priority Critical patent/CN117473791B/zh
Publication of CN117473791A publication Critical patent/CN117473791A/zh
Application granted granted Critical
Publication of CN117473791B publication Critical patent/CN117473791B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q50/06—Energy or water supply
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及水务数据储存管理领域，具体公开一种基于人工智能的公共数据储存管理系统，本发明通过分析水源地的水量趋势曲线，获取水源地的初步预测水量；构建水源地的降雨特征模型和蒸发特征模型，并通过比较模型的预测值和实际观测值，对降雨特征模型和蒸发特征模型进行验证和校正；根据水源地的初步预测水量、修正后的降雨特征模型和蒸发特征模型以及预测的气象信息，分析水源地的预测水量，判断水源地是否存在灾害风险，并进行预警；估算水源地水量时，考虑降雨和蒸发因素，并评估降雨特征模型和蒸发特征模型的精度，进行必要的修正，从而增强水源地水量估算结果的准确性，能够有效防范水源地洪涝和干旱等灾害风险。

Description

一种基于人工智能的公共数据储存管理系统
技术领域
本发明涉及水务数据储存管理领域，涉及到一种基于人工智能的公共数据储存管理系统。
背景技术
水务数据的储存管理对于可持续水资源管理、应急响应和灾害管理、水质监测和净化、水供应和分配以及决策支持和效能提升等方面具有重要性和意义。通过有效的数据管理，可以更好地管理和保护水资源，维护生态平衡，提升居民的生活质量。
其中水资源数据的储存管理，如水源地水量的预测分析是水务数据储存管理的一个重要方面，通过对水源地水量的预测，可以进行水资源的风险评估，如洪涝和干旱等，进而有助于制定相应的应对措施，减轻水资源管理中的风险和不确定性。
现有的水源地水量的预测分析方法虽然考虑到了降雨和蒸发因素对水源地水量的影响，但分析不够深入，现有方法结合降雨和蒸发因素估算水源地水量时，通过一段时间的降雨数据和蒸发数据，建立降雨模型和蒸发模型，预测水源地的降雨量和蒸发量，进而估算水源地水量，但是没有对建立的降雨模型和蒸发模型进行校验，根据短期监测的数据初步建立的降雨模型和蒸发模型可能精度不足或者存在失真，进而影响降雨量和蒸发量预测的精度，从而降低水源地水量估算的准确性，无法有效防范水源地洪涝和干旱等灾害风险。
发明内容
针对上述问题，本发明提出了一种基于人工智能的公共数据储存管理系统，实现对水务数据储存管理的功能。
本发明解决其技术问题采用的技术方案是：本发明提供一种基于人工智能的公共数据储存管理系统，包括：水源地水量信息监测分析模块：用于获取监测周期内各时间段目标水源地的近似水量，分析监测周期内目标水源地的水量趋势曲线，获取当前时间段目标水源地的初步预测水量。
水源地降雨特征模型建立模块：用于获取监测周期内各次降雨的降雨量和降雨后目标水源地的水量增加量，分析监测周期内降雨量与目标水源地水量增加量之间的关系函数，构建目标水源地的降雨特征模型。
水源地降雨特征模型修正模块：用于获取历史周期各历史年份中各次降雨的降雨量和降雨后目标水源地的水量增加量，分析目标水源地的降雨特征模型的精度，并对目标水源地的降雨特征模型进行修正。
水源地蒸发特征模型建立模块：用于获取监测周期内各干燥期的日照总时长、平均日照温度和目标水源地的水量减少量，分析监测周期内日照时长、日照温度和目标水源地水量减少量之间的关系函数，构建目标水源地的蒸发特征模型。
水源地蒸发特征模型修正模块：用于获取历史周期各历史年份中各干燥期的日照时长、日照温度和目标水源地的水量减少量，分析目标水源地的蒸发特征模型的精度，并对目标水源地的蒸发特征模型进行修正。
水源地灾害风险评估模块：用于根据当前时间段目标水源地的初步预测水量和修正后的目标水源地的降雨特征模型和蒸发特征模型，结合当前时间段的预测气象信息，分析当前时间段目标水源地的预测水量，判断目标水源地是否存在灾害风险，并进行预警。
数据库：用于存储历史周期各历史年份的气象信息和目标水源地水量信息。
在上述实施例的基础上，所述水源地水量信息监测分析模块的具体分析过程包括：设定监测周期的起始时间，将监测周期的起始时间与当前时间之间的时间间隔记为监测周期，按照预设的等时长原则对监测周期进行划分，得到监测周期的各时间段。
获取监测周期内各时间段目标水源地的近似水量。
在上述实施例的基础上，所述水源地水量信息监测分析模块的具体分析过程还包括：以监测周期内各时间段为自变量、以目标水源地的近似水量为因变量建立坐标系，根据监测周期内各时间段目标水源地的近似水量，在坐标系中标出对应的数据点，利用数学模型的建立方法绘制监测周期内目标水源地的水量趋势曲线，根据监测周期内目标水源地的水量趋势曲线，获取监测周期内目标水源地水量趋势曲线中当前时间段对应的目标水源地水量，将其记为当前时间段目标水源地的初步预测水量。
在上述实施例的基础上，所述水源地降雨特征模型建立模块的具体分析过程为：获取监测周期内各次降雨的降雨量和降雨后目标水源地的水量增加量。
根据监测周期内各次降雨的降雨量和降雨后目标水源地的水量增加量，获取监测周期内降雨量与目标水源地水量增加量之间的关系函数，构建目标水源地的降雨特征模型。
在上述实施例的基础上，所述水源地降雨特征模型修正模块的具体分析过程包括：设定历史周期的时长，提取数据库中存储的历史周期各历史年份的气象信息和目标水源地水量信息，得到历史周期各历史年份中各次降雨的降雨量和降雨后目标水源地的水量增加量，将其分别记为和/>，/>表示历史周期第/>个历史年份的编号，/>，表示历史年份中第/>次降雨的编号，/>，进一步构建历史周期各历史年份中各次降雨对应的表征坐标点，将其记为/>。
将历史周期各历史年份中各次降雨对应的表征坐标点进行汇总，得到目标水源地的降雨特征模型的数据集，并进行划分，得到目标水源地的降雨特征模型的测试集和优化集。
在上述实施例的基础上，所述水源地降雨特征模型修正模块的具体分析过程还包括：将目标水源地的降雨特征模型的测试集中各表征坐标点的横坐标代入目标水源地的降雨特征模型，得到目标水源地的降雨特征模型测试集中各表征坐标点横坐标对应的纵坐标，将其记为目标水源地的降雨特征模型测试集中各表征坐标点的预估纵坐标，将目标水源地的降雨特征模型测试集中各表征坐标点的预估纵坐标与其表征坐标点的纵坐标进行比较，得到目标水源地的降雨特征模型测试集中各表征坐标点的预估纵坐标与其表征坐标点的纵坐标之间差值的绝对值，将其记为目标水源地的降雨特征模型测试集中各表征坐标点的预测值偏差，并表示为，/>表示目标水源地的降雨特征模型测试集中第/>个表征坐标点的编号，/>。
通过分析公式到目标水源地的降雨特征模型的精度/>，其中/>表示预设的目标水源地的降雨特征模型的精度的修正因子，/>表示自然常数，/>表示目标水源地的降雨特征模型测试集中表征坐标点的数量，/>表示预设的目标水源地的降雨特征模型测试集中表征坐标点的预测值偏差的阈值。
在上述实施例的基础上，所述水源地降雨特征模型修正模块的具体分析过程还包括：将目标水源地的降雨特征模型的精度与预设的降雨特征模型的精度阈值进行比较，若目标水源地的降雨特征模型的精度小于预设的降雨特征模型的精度阈值，则目标水源地的降雨特征模型需要修正。
根据监测周期内各次降雨的降雨量和降雨后目标水源地的水量增加量，得到监测周期内各次降雨对应的表征坐标点，构建目标水源地的降雨特征模型的原始数据集。
将目标水源地的降雨特征模型的优化集与原始数据集进行整合，得到目标水源地的降雨特征模型的训练集，根据目标水源地的降雨特征模型训练集中各表征坐标点，获取目标水源地降雨特征模型训练集对应的降雨量与目标水源地水量增加量之间的关系函数，得到修正后的目标水源地的降雨特征模型。
在上述实施例的基础上，所述水源地蒸发特征模型建立模块的具体分析过程为：获取监测周期内各次降雨的间隔时间段，将其记为监测周期内各干燥期。
获取监测周期内各干燥期的日照总时长、平均日照温度和目标水源地的水量减少量。
根据监测周期内各干燥期的日照总时长、平均日照温度和目标水源地的水量减少量，获取监测周期内日照时长、日照温度和目标水源地水量减少量之间的关系函数，构建目标水源地的蒸发特征模型。
在上述实施例的基础上，所述水源地蒸发特征模型修正模块的具体分析过程为：提取数据库中存储的历史周期各历史年份的气象信息和目标水源地水量信息，得到历史周期各历史年份中各干燥期的日照时长、日照温度和目标水源地的水量减少量，构建目标水源地的蒸发特征模型的数据集，并进行划分，得到目标水源地的蒸发特征模型的测试集和优化集。
根据目标水源地的蒸发特征模型的测试集，分析目标水源地的蒸发特征模型的精度，判断目标水源地的蒸发特征模型是否需要修正，如需要修正，获取目标水源地的蒸发特征模型的原始数据集，将目标水源地的蒸发特征模型的优化集与原始数据集进行整合，得到目标水源地的蒸发特征模型的训练集，进一步对目标水源地的蒸发特征模型进行修正。
在上述实施例的基础上，所述水源地灾害风险评估模块的具体分析过程为：获取当前时间段的预测气象信息，得到当前时间段预测的累计降雨量，将其代入修正后的目标水源地的降雨特征模型，得到当前时间段预测的目标水源地的水量增加量，将其记为，并获取当前时间段预测的日照总时长和平均日照温度，将其代入修正后的目标水源地的蒸发特征模型，得到当前时间段预测的目标水源地的水量减少量，将其记为/>。
将当前时间段目标水源地的初步预测水量记为。
通过分析公式得到当前时间段目标水源地的预测水量/>，其中/>表示预设的当前时间段目标水源地预测水量的修正量。
根据当前时间段目标水源地的预测水量，判断目标水源地是否存在灾害风险，并进行预警。
相对于现有技术，本发明所述的一种基于人工智能的公共数据储存管理系统以下有益效果：1.本发明通过获取监测周期内各时间段水源地的近似水量，分析监测周期内水源地的水量趋势曲线，得到当前时间段水源地的初步预测水量，并考虑当前时间段水源地的降雨和蒸发因素，综合分析当前时间段水源地的预测水量，进而提高现有方法估算水源地水量的准确性和可靠性。
2.本发明通过对水源地的降雨和蒸发等数据进行长期监测，构建水源地的降雨特征模型和蒸发特征模型，通过比较模型的预测值和实际观测值，对降雨特征模型和蒸发特征模型进行验证和校正，可以评估降雨特征模型和蒸发特征模型的准确性，并进行必要的修正和改进，进而提高降雨量和蒸发量预测的精度，从而增强水源地水量估算的准确性，能够有效防范水源地洪涝和干旱等灾害风险，并为水资源管理和环境保护提供可靠的依据。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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为本发明的系统模块连接图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。
请参阅图1所示，本发明提供一种基于人工智能的公共数据储存管理系统，包括水源地水量信息监测分析模块、水源地降雨特征模型建立模块、水源地降雨特征模型修正模块、水源地蒸发特征模型建立模块、水源地蒸发特征模型修正模块、水源地灾害风险评估模块和数据库。
所述水源地水量信息监测分析模块分别与水源地降雨特征模型建立模块和水源地蒸发特征模型建立模块连接，水源地降雨特征模型建立模块与水源地降雨特征模型修正模块连接，水源地蒸发特征模型建立模块与水源地蒸发特征模型修正模块连接，水源地灾害风险评估模块分别与水源地降雨特征模型修正模块和水源地蒸发特征模型修正模块连接，数据库分别与水源地降雨特征模型修正模块和水源地蒸发特征模型修正模块连接。
所述水源地水量信息监测分析模块用于获取监测周期内各时间段目标水源地的近似水量，分析监测周期内目标水源地的水量趋势曲线，获取当前时间段目标水源地的初步预测水量。
进一步地，所述水源地水量信息监测分析模块的具体分析过程包括：设定监测周期的起始时间，将监测周期的起始时间与当前时间之间的时间间隔记为监测周期，按照预设的等时长原则对监测周期进行划分，得到监测周期的各时间段。
获取监测周期内各时间段目标水源地的近似水量。
作为一种优选方案，获取监测周期内各时间段目标水源地的近似水量，具体方法为：通过卫星遥感数据获取监测周期内各时间段目标水源地的表面积，将其记为，/>表示监测周期内/>第个时间段的编号，/>。
按照预设的原则对目标水源地进行划分，得到目标水源地的各子区域，在目标水源地的各子区域中布设设定数量的检测点，通过声纳获取监测周期内各时间段目标水源地各子区域中各检测点的水深，并进行平均值计算，得到监测周期内各时间段目标水源地各子区域的平均水深，将其记为，/>表示目标水源地第/>个子区域的编号，/>。
获取监测周期内各时间段目标水源地各子区域的面积，将其记为。
通过分析公式得到监测周期内各时间段目标水源地的近似水量/>，其中/>，/>表示预设的目标水源地近似水量的修正量。
作为一种优选方案，所述目标水源地包括但不限于：湖泊、河流和水库。
在另一个具体实施例中，通过无人机携带的高清摄像头获取监测周期内各时间段目标水源地的图像，对监测周期内各时间段目标水源地的图像进行分割，得到监测周期内各时间段目标水源地的各子图像，获取监测周期内各时间段目标水源地各子图像对应的面积，并进行累加，得到监测周期内各时间段目标水源地的表面积。
进一步地，所述水源地水量信息监测分析模块的具体分析过程还包括：以监测周期内各时间段为自变量、以目标水源地的近似水量为因变量建立坐标系，根据监测周期内各时间段目标水源地的近似水量，在坐标系中标出对应的数据点，利用数学模型的建立方法绘制监测周期内目标水源地的水量趋势曲线，根据监测周期内目标水源地的水量趋势曲线，获取监测周期内目标水源地水量趋势曲线中当前时间段对应的目标水源地水量，将其记为当前时间段目标水源地的初步预测水量。
所述水源地降雨特征模型建立模块用于获取监测周期内各次降雨的降雨量和降雨后目标水源地的水量增加量，分析监测周期内降雨量与目标水源地水量增加量之间的关系函数，构建目标水源地的降雨特征模型。
进一步地，所述水源地降雨特征模型建立模块的具体分析过程为：获取监测周期内各次降雨的降雨量和降雨后目标水源地的水量增加量。
作为一种优选方案，获取监测周期内各次降雨的降雨量和降雨后目标水源地的水量增加量，具体方法为：通过目标水源地所在地区的气象部门获取监测周期内各次降雨的降雨量。
获取监测周期内各次降雨的降雨前后目标水源地的近似水量，将
监测周期内各次降雨的降雨后目标水源地的近似水量减去降雨前目标水源地的近似水量，得到监测周期内各次降雨的降雨后目标水源地的水量增加量。
根据监测周期内各次降雨的降雨量和降雨后目标水源地的水量增加量，获取监测周期内降雨量与目标水源地水量增加量之间的关系函数，构建目标水源地的降雨特征模型。
作为一种优选方案，构建目标水源地的降雨特征模型，具体方法为：以降雨量为自变量、以降雨后目标水源地的水量增加量为因变量建立坐标系，根据监测周期内各次降雨的降雨量和降雨后目标水源地的水量增加量，在坐标系中标出对应的数据点，利用数学模型的建立方法，绘制监测周期内降雨量与目标水源地水量增加量之间的特征曲线，获取监测周期内降雨量与目标水源地水量增加量之间特征曲线对应的函数，将其记为监测周期内降雨量与目标水源地水量增加量之间的关系函数，构建目标水源地的降雨特征模型。
作为一种优选方案，获取监测周期内各次降雨前后目标水源地的近似水量的方式与获取监测周期内各时间段目标水源地的近似水量的方式，原理相同。
作为一种优选方案，所述监测周期内降雨量与目标水源地水量增加量之间的关系函数含有一个自变量，为一元函数。
所述水源地降雨特征模型修正模块用于获取历史周期各历史年份中各次降雨的降雨量和降雨后目标水源地的水量增加量，分析目标水源地的降雨特征模型的精度，并对目标水源地的降雨特征模型进行修正。
进一步地，所述水源地降雨特征模型修正模块的具体分析过程包括：设定历史周期的时长，提取数据库中存储的历史周期各历史年份的气象信息和目标水源地水量信息，得到历史周期各历史年份中各次降雨的降雨量和降雨后目标水源地的水量增加量，将其分别记为和/>，/>表示历史周期第/>个历史年份的编号，/>，/>表示历史年份中第/>次降雨的编号，/>，进一步构建历史周期各历史年份中各次降雨对应的表征坐标点，将其记为/>。
将历史周期各历史年份中各次降雨对应的表征坐标点进行汇总，得到目标水源地的降雨特征模型的数据集，并进行划分，得到目标水源地的降雨特征模型的测试集和优化集。
作为一种优选方案，获取历史周期各历史年份中各次降雨的降雨后目标水源地的水量增加量的方法与获取监测周期内各次降雨的降雨后目标水源地的水量增加量的方法，原理相同。
作为一种优选方案，测试集和优化集之间的比例表示测试集中表征坐标点的数量和优化集中表征坐标点的数量之比。
作为一种优选方案，按照预设的测试集和优化集之间的比例对目标水源地的降雨特征模型的数据集进行划分，得到目标水源地的降雨特征模型的测试集和优化集。
作为一种优选方案，目标水源地的降雨特征模型的测试集和优化集相加得到目标水源地的降雨特征模型的数据集。
作为一种优选方案，目标水源地的降雨特征模型的测试集用来验证目标水源地的降雨特征模型的精度，目标水源地的降雨特征模型的优化集用来对目标水源地的降雨特征模型进行修正。
进一步地，所述水源地降雨特征模型修正模块的具体分析过程还包括：将目标水源地的降雨特征模型的测试集中各表征坐标点的横坐标代入目标水源地的降雨特征模型，得到目标水源地的降雨特征模型测试集中各表征坐标点横坐标对应的纵坐标，将其记为目标水源地的降雨特征模型测试集中各表征坐标点的预估纵坐标，将目标水源地的降雨特征模型测试集中各表征坐标点的预估纵坐标与其表征坐标点的纵坐标进行比较，得到目标水源地的降雨特征模型测试集中各表征坐标点的预估纵坐标与其表征坐标点的纵坐标之间差值的绝对值，将其记为目标水源地的降雨特征模型测试集中各表征坐标点的预测值偏差，并表示为，/>表示目标水源地的降雨特征模型测试集中第/>个表征坐标点的编号，。
通过分析公式得到目标水源地的降雨特征模型的精度/>，其中/>表示预设的目标水源地的降雨特征模型的精度的修正因子，/>表示自然常数，/>表示目标水源地的降雨特征模型测试集中表征坐标点的数量，/>表示预设的目标水源地的降雨特征模型测试集中表征坐标点的预测值偏差的阈值。
进一步地，所述水源地降雨特征模型修正模块的具体分析过程还包括：将目标水源地的降雨特征模型的精度与预设的降雨特征模型的精度阈值进行比较，若目标水源地的降雨特征模型的精度小于预设的降雨特征模型的精度阈值，则目标水源地的降雨特征模型需要修正。
根据监测周期内各次降雨的降雨量和降雨后目标水源地的水量增加量，得到监测周期内各次降雨对应的表征坐标点，构建目标水源地的降雨特征模型的原始数据集。
将目标水源地的降雨特征模型的优化集与原始数据集进行整合，得到目标水源地的降雨特征模型的训练集，根据目标水源地的降雨特征模型训练集中各表征坐标点，获取目标水源地降雨特征模型训练集对应的降雨量与目标水源地水量增加量之间的关系函数，得到修正后的目标水源地的降雨特征模型。
作为一种优选方案，获取目标水源地降雨特征模型训练集对应的降雨量与目标水源地水量增加量之间的关系函数的方法与获取监测周期内降雨量与目标水源地水量增加量之间的关系函数的方法，原理相同。
需要说明的是，本发明通过数据增强的方法来扩充目标水源地降雨特征模型的训练集，增加目标水源地降雨特征模型的训练数据的多样性，进而对目标水源地降雨特征模型进行修正，提高其准确性。
所述水源地蒸发特征模型建立模块用于获取监测周期内各干燥期的日照总时长、平均日照温度和目标水源地的水量减少量，分析监测周期内日照时长、日照温度和目标水源地水量减少量之间的关系函数，构建目标水源地的蒸发特征模型。
进一步地，所述水源地蒸发特征模型建立模块的具体分析过程为：获取监测周期内各次降雨的间隔时间段，将其记为监测周期内各干燥期。
获取监测周期内各干燥期的日照总时长、平均日照温度和目标水源地的水量减少量。
作为一种优选方案，获取监测周期内各干燥期的日照总时长、平均日照温度和目标水源地的水量减少量，具体方法为：获取监测周期内各干燥期中各天的日照时长，并进行累加，得到监测周期内各干燥期的日照总时长。
获取监测周期内各干燥期中各天的平均气温，并进行平均值计算，得到监测周期内各干燥期的平均日照温度。
获取监测周期内各干燥期前后目标水源地的近似水量，将监测周期内各干燥期前目标水源地的近似水量减去其干燥期后目标水源地的近似水量，得到监测周期内各干燥期的目标水源地的水量减少量。
根据监测周期内各干燥期的日照总时长、平均日照温度和目标水源地的水量减少量，获取监测周期内日照时长、日照温度和目标水源地水量减少量之间的关系函数，构建目标水源地的蒸发特征模型。
作为一种优选方案，构建目标水源地的蒸发特征模型，具体方法为：以日照时长和日照温度为自变量、以目标水源地的水量减少量为因变量建立坐标系，根据监测周期内各干燥期的日照总时长、平均日照温度和目标水源地的水量减少量，在坐标系中标出对应的数据点，利用数学模型的建立方法，绘制监测周期内日照时长、日照温度和目标水源地水量减少量之间的特征曲线，获取监测周期内日照时长、日照温度和目标水源地水量减少量之间特征曲线对应的函数，将其记为监测周期内日照时长、日照温度和目标水源地水量减少量之间的关系函数，构建目标水源地的蒸发特征模型。
作为一种优选方案，监测周期内各次降雨的间隔时间段表示监测周期内各次降雨的时间与相邻上一次降雨时间之间的时间段。
作为一种优选方案，获取监测周期内各干燥期前后目标水源地的近似水量的方式与获取监测周期内各时间段目标水源地的近似水量的方式，原理相同。
作为一种优选方案，所述监测周期内日照时长、日照温度和目标水源地水量减少量之间的关系函数，含有两个自变量，为二元函数。
所述水源地蒸发特征模型修正模块用于获取历史周期各历史年份中各干燥期的日照时长、日照温度和目标水源地的水量减少量，分析目标水源地的蒸发特征模型的精度，并对目标水源地的蒸发特征模型进行修正。
进一步地，所述水源地蒸发特征模型修正模块的具体分析过程为：提取数据库中存储的历史周期各历史年份的气象信息和目标水源地水量信息，得到历史周期各历史年份中各干燥期的日照时长、日照温度和目标水源地的水量减少量，构建目标水源地的蒸发特征模型的数据集，并进行划分，得到目标水源地的蒸发特征模型的测试集和优化集。
根据目标水源地的蒸发特征模型的测试集，分析目标水源地的蒸发特征模型的精度，判断目标水源地的蒸发特征模型是否需要修正，如需要修正，获取目标水源地的蒸发特征模型的原始数据集，将目标水源地的蒸发特征模型的优化集与原始数据集进行整合，得到目标水源地的蒸发特征模型的训练集，进一步对目标水源地的蒸发特征模型进行修正。
作为一种优选方案，所述水源地蒸发特征模型修正模块的具体分析过程为：T1：提取数据库中存储的历史周期各历史年份的气象信息和目标水源地水量信息，得到历史周期各历史年份中各干燥期的日照时长、日照温度和目标水源地的水量减少量，将其分别记为、/>和/>，/>表示历史年份中第/>个干燥期的编号，/>，进一步构建历史周期各历史年份中各干燥期对应的表征坐标点，将其记为/>。
将历史周期各历史年份中各干燥期对应的表征坐标点进行汇总，得到目标水源地的蒸发特征模型的数据集，并按照预设的测试集和优化集之间的比例对目标水源地的蒸发特征模型的数据集进行划分，得到目标水源地的蒸发特征模型的测试集和优化集。
T2：将目标水源地的蒸发特征模型的测试集中各表征坐标点的x轴坐标和y轴坐标代入目标水源地的蒸发特征模型，得到目标水源地的蒸发特征模型测试集中各表征坐标点x轴坐标、y轴坐标对应的z轴坐标，将其记为目标水源地的蒸发特征模型测试集中各表征坐标点的预估z轴坐标，将目标水源地的蒸发特征模型测试集中各表征坐标点的预估z轴坐标与其表征坐标点的z轴坐标进行比较，得到目标水源地的蒸发特征模型测试集中各表征坐标点的预估z轴坐标与其表征坐标点的z轴坐标之间差值的绝对值，将其记为目标水源地的蒸发特征模型测试集中各表征坐标点的预测值偏差，并表示为，/>表示目标水源地的蒸发特征模型测试集中第/>个表征坐标点的编号，/>。
通过分析公式得到目标水源地的蒸发特征模型的精度/>，其中/>表示预设的目标水源地的蒸发特征模型的精度的修正因子，/>表示目标水源地的蒸发特征模型测试集中表征坐标点的数量，/>表示预设的目标水源地的蒸发特征模型测试集中表征坐标点的预测值偏差的阈值。
T3：将目标水源地的蒸发特征模型的精度与预设的蒸发特征模型的精度阈值进行比较，若目标水源地的蒸发特征模型的精度小于预设的蒸发特征模型的精度阈值，则目标水源地的蒸发特征模型需要修正。
根据监测周期内各干燥期的日照总时长、平均日照温度和目标水源地的水量减少量，得到监测周期内各干燥期对应的表征坐标点，构建目标水源地的蒸发特征模型的原始数据集。
将目标水源地的蒸发特征模型的优化集与原始数据集进行整合，得到目标水源地的蒸发特征模型的训练集，根据目标水源地的蒸发特征模型训练集中各表征坐标点，获取目标水源地蒸发特征模型训练集对应的日照时长、日照温度和目标水源地水量减少量之间的关系函数，得到修正后的目标水源地的蒸发特征模型。
作为一种优选方案，获取历史周期各历史年份中各干燥期的目标水源地的水量减少量的方法与获取监测周期内各干燥期的目标水源地的水量减少量的方法，原理相同。
作为一种优选方案，获取目标水源地蒸发特征模型训练集对应的日照时长、日照温度和目标水源地水量减少量之间的关系函数的方法与获取监测周期内日照时长、日照温度和目标水源地水量减少量之间的关系函数的方法，原理相同。
需要说明的是，本发明通过数据增强的方法来扩充目标水源地蒸发特征模型的训练集，增加目标水源地蒸发特征模型的训练数据的多样性，进而对目标水源地蒸发特征模型进行修正，提高其准确性。
需要说明的是，本发明通过对水源地的降雨和蒸发等数据进行长期监测，构建水源地的降雨特征模型和蒸发特征模型，通过比较模型的预测值和实际观测值，对降雨特征模型和蒸发特征模型进行验证和校正，可以评估降雨特征模型和蒸发特征模型的准确性，并进行必要的修正和改进，进而提高降雨量和蒸发量预测的精度，从而增强水源地水量估算的准确性，能够有效防范水源地洪涝和干旱等灾害风险，并为水资源管理和环境保护提供可靠的依据。
所述水源地灾害风险评估模块用于根据当前时间段目标水源地的初步预测水量和修正后的目标水源地的降雨特征模型和蒸发特征模型，结合当前时间段的预测气象信息，分析当前时间段目标水源地的预测水量，判断目标水源地是否存在灾害风险，并进行预警。
进一步地，所述水源地灾害风险评估模块的具体分析过程为：获取当前时间段的预测气象信息，得到当前时间段预测的累计降雨量，将其代入修正后的目标水源地的降雨特征模型，得到当前时间段预测的目标水源地的水量增加量，将其记为，并获取当前时间段预测的日照总时长和平均日照温度，将其代入修正后的目标水源地的蒸发特征模型，得到当前时间段预测的目标水源地的水量减少量，将其记为/>。
将当前时间段目标水源地的初步预测水量记为。
通过分析公式得到当前时间段目标水源地的预测水量/>，其中/>表示预设的当前时间段目标水源地预测水量的修正量。
根据当前时间段目标水源地的预测水量，判断目标水源地是否存在灾害风险，并进行预警。
作为一种优选方案，判断目标水源地是否存在灾害风险，具体方法为：将当前时间段目标水源地的预测水量与预设的目标水源地水量参考范围进行比对，若当前时间段目标水源地的预测水量不属于预设的目标水源地水量参考范围内，则目标水源地存在灾害风险，进一步获取目标水源地灾害风险的类型，将其反馈至目标水源地所在地区相关部门，进行预警。
作为一种优选方案，获取目标水源地灾害风险的类型，具体方法为：若当前时间段目标水源地的预测水量大于预设的目标水源地水量参考范围的上限值，则当前时间段目标水源地存在洪涝风险，若当前时间段目标水源地的预测水量小于预设的目标水源地水量参考范围的下限值，则当前时间段目标水源地存在干旱风险。
需要说明的是，本发明通过获取监测周期内各时间段水源地的近似水量，分析监测周期内水源地的水量趋势曲线，得到当前时间段水源地的初步预测水量，并考虑当前时间段水源地的降雨和蒸发因素，综合分析当前时间段水源地的预测水量，进而提高现有方法估算水源地水量的准确性和可靠性。
所述数据库用于存储历史周期各历史年份的气象信息和目标水源地水量信息。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本发明所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种基于人工智能的公共数据储存管理系统，其特征在于，包括：
水源地水量信息监测分析模块：用于获取监测周期内各时间段目标水源地的近似水量，分析监测周期内目标水源地的水量趋势曲线，获取当前时间段目标水源地的初步预测水量；
水源地降雨特征模型建立模块：用于获取监测周期内各次降雨的降雨量和降雨后目标水源地的水量增加量，分析监测周期内降雨量与目标水源地水量增加量之间的关系函数，构建目标水源地的降雨特征模型；
水源地降雨特征模型修正模块：用于获取历史周期各历史年份中各次降雨的降雨量和降雨后目标水源地的水量增加量，分析目标水源地的降雨特征模型的精度，并对目标水源地的降雨特征模型进行修正；
水源地蒸发特征模型建立模块：用于获取监测周期内各干燥期的日照总时长、平均日照温度和目标水源地的水量减少量，分析监测周期内日照时长、日照温度和目标水源地水量减少量之间的关系函数，构建目标水源地的蒸发特征模型；
水源地蒸发特征模型修正模块：用于获取历史周期各历史年份中各干燥期的日照时长、日照温度和目标水源地的水量减少量，分析目标水源地的蒸发特征模型的精度，并对目标水源地的蒸发特征模型进行修正；
水源地灾害风险评估模块：用于根据当前时间段目标水源地的初步预测水量和修正后的目标水源地的降雨特征模型和蒸发特征模型，结合当前时间段的预测气象信息，分析当前时间段目标水源地的预测水量，判断目标水源地是否存在灾害风险，并进行预警；
数据库：用于存储历史周期各历史年份的气象信息和目标水源地水量信息。
2.根据权利要求1所述的一种基于人工智能的公共数据储存管理系统，其特征在于：所述水源地水量信息监测分析模块的具体分析过程包括：
设定监测周期的起始时间，将监测周期的起始时间与当前时间之间的时间间隔记为监测周期，按照预设的等时长原则对监测周期进行划分，得到监测周期的各时间段；
获取监测周期内各时间段目标水源地的近似水量。
3.根据权利要求1所述的一种基于人工智能的公共数据储存管理系统，其特征在于：所述水源地水量信息监测分析模块的具体分析过程还包括：
以监测周期内各时间段为自变量、以目标水源地的近似水量为因变量建立坐标系，根据监测周期内各时间段目标水源地的近似水量，在坐标系中标出对应的数据点，利用数学模型的建立方法绘制监测周期内目标水源地的水量趋势曲线，根据监测周期内目标水源地的水量趋势曲线，获取监测周期内目标水源地水量趋势曲线中当前时间段对应的目标水源地水量，将其记为当前时间段目标水源地的初步预测水量。
4.根据权利要求1所述的一种基于人工智能的公共数据储存管理系统，其特征在于：所述水源地降雨特征模型建立模块的具体分析过程为：
获取监测周期内各次降雨的降雨量和降雨后目标水源地的水量增加量；
根据监测周期内各次降雨的降雨量和降雨后目标水源地的水量增加量，获取监测周期内降雨量与目标水源地水量增加量之间的关系函数，构建目标水源地的降雨特征模型。
5.根据权利要求1所述的一种基于人工智能的公共数据储存管理系统，其特征在于：所述水源地降雨特征模型修正模块的具体分析过程包括：
设定历史周期的时长，提取数据库中存储的历史周期各历史年份的气象信息和目标水源地水量信息，得到历史周期各历史年份中各次降雨的降雨量和降雨后目标水源地的水量增加量，将其分别记为和/>，/>表示历史周期第/>个历史年份的编号，/>，表示历史年份中第/>次降雨的编号，/>，进一步构建历史周期各历史年份中各次降雨对应的表征坐标点，将其记为/>；
将历史周期各历史年份中各次降雨对应的表征坐标点进行汇总，得到目标水源地的降雨特征模型的数据集，并进行划分，得到目标水源地的降雨特征模型的测试集和优化集。
6.根据权利要求5所述的一种基于人工智能的公共数据储存管理系统，其特征在于：所述水源地降雨特征模型修正模块的具体分析过程还包括：
将目标水源地的降雨特征模型的测试集中各表征坐标点的横坐标代入目标水源地的降雨特征模型，得到目标水源地的降雨特征模型测试集中各表征坐标点横坐标对应的纵坐标，将其记为目标水源地的降雨特征模型测试集中各表征坐标点的预估纵坐标，将目标水源地的降雨特征模型测试集中各表征坐标点的预估纵坐标与其表征坐标点的纵坐标进行比较，得到目标水源地的降雨特征模型测试集中各表征坐标点的预估纵坐标与其表征坐标点的纵坐标之间差值的绝对值，将其记为目标水源地的降雨特征模型测试集中各表征坐标点的预测值偏差，并表示为，/>表示目标水源地的降雨特征模型测试集中第/>个表征坐标点的编号，/>；
通过分析公式得到目标水源地的降雨特征模型的精度/>，其中/>表示预设的目标水源地的降雨特征模型的精度的修正因子，/>表示自然常数，/>表示目标水源地的降雨特征模型测试集中表征坐标点的数量，/>表示预设的目标水源地的降雨特征模型测试集中表征坐标点的预测值偏差的阈值。
7.根据权利要求6所述的一种基于人工智能的公共数据储存管理系统，其特征在于：所述水源地降雨特征模型修正模块的具体分析过程还包括：
将目标水源地的降雨特征模型的精度与预设的降雨特征模型的精度阈值进行比较，若目标水源地的降雨特征模型的精度小于预设的降雨特征模型的精度阈值，则目标水源地的降雨特征模型需要修正；
根据监测周期内各次降雨的降雨量和降雨后目标水源地的水量增加量，得到监测周期内各次降雨对应的表征坐标点，构建目标水源地的降雨特征模型的原始数据集；
将目标水源地的降雨特征模型的优化集与原始数据集进行整合，得到目标水源地的降雨特征模型的训练集，根据目标水源地的降雨特征模型训练集中各表征坐标点，获取目标水源地降雨特征模型训练集对应的降雨量与目标水源地水量增加量之间的关系函数，得到修正后的目标水源地的降雨特征模型。
8.根据权利要求1所述的一种基于人工智能的公共数据储存管理系统，其特征在于：所述水源地蒸发特征模型建立模块的具体分析过程为：
获取监测周期内各次降雨的间隔时间段，将其记为监测周期内各干燥期；
获取监测周期内各干燥期的日照总时长、平均日照温度和目标水源地的水量减少量；
根据监测周期内各干燥期的日照总时长、平均日照温度和目标水源地的水量减少量，获取监测周期内日照时长、日照温度和目标水源地水量减少量之间的关系函数，构建目标水源地的蒸发特征模型。
9.根据权利要求7所述的一种基于人工智能的公共数据储存管理系统，其特征在于：所述水源地蒸发特征模型修正模块的具体分析过程为：
提取数据库中存储的历史周期各历史年份的气象信息和目标水源地水量信息，得到历史周期各历史年份中各干燥期的日照时长、日照温度和目标水源地的水量减少量，构建目标水源地的蒸发特征模型的数据集，并进行划分，得到目标水源地的蒸发特征模型的测试集和优化集；
根据目标水源地的蒸发特征模型的测试集，分析目标水源地的蒸发特征模型的精度，判断目标水源地的蒸发特征模型是否需要修正，如需要修正，获取目标水源地的蒸发特征模型的原始数据集，将目标水源地的蒸发特征模型的优化集与原始数据集进行整合，得到目标水源地的蒸发特征模型的训练集，进一步对目标水源地的蒸发特征模型进行修正。
10.根据权利要求1所述的一种基于人工智能的公共数据储存管理系统，其特征在于：所述水源地灾害风险评估模块的具体分析过程为：
获取当前时间段的预测气象信息，得到当前时间段预测的累计降雨量，将其代入修正后的目标水源地的降雨特征模型，得到当前时间段预测的目标水源地的水量增加量，将其记为，并获取当前时间段预测的日照总时长和平均日照温度，将其代入修正后的目标水源地的蒸发特征模型，得到当前时间段预测的目标水源地的水量减少量，将其记为/>；
将当前时间段目标水源地的初步预测水量记为；
通过分析公式得到当前时间段目标水源地的预测水量/>，其中/>表示预设的当前时间段目标水源地预测水量的修正量；
根据当前时间段目标水源地的预测水量，判断目标水源地是否存在灾害风险，并进行预警。
CN202311774239.XA 2023-12-22 2023-12-22 一种基于人工智能的公共数据储存管理系统 Active CN117473791B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311774239.XA CN117473791B (zh) 2023-12-22 2023-12-22 一种基于人工智能的公共数据储存管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311774239.XA CN117473791B (zh) 2023-12-22 2023-12-22 一种基于人工智能的公共数据储存管理系统

Publications (2)

Publication Number Publication Date
CN117473791A true CN117473791A (zh) 2024-01-30
CN117473791B CN117473791B (zh) 2024-03-29

Family

ID=89638133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311774239.XA Active CN117473791B (zh) 2023-12-22 2023-12-22 一种基于人工智能的公共数据储存管理系统

Country Status (1)

Country Link
CN (1) CN117473791B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010025919A (ja) * 2009-04-23 2010-02-04 Mitsubishi Materials Techno Corp 地下水起源解析方法、地下水起源解析システム、地下水起源解析プログラム及び記録媒体
WO2018043252A1 (ja) * 2016-08-31 2018-03-08 日本電気株式会社 降雨量予測装置、降雨量予測方法、および記録媒体
AR109623A1 (es) * 2018-02-16 2019-01-09 Pescarmona Enrique Menotti Proceso y sistema de análisis y gestión hidrológica para cuencas
CN112016831A (zh) * 2020-08-27 2020-12-01 西安易辑数字科技有限公司 一种基于ai智能预报的城市内涝落区的识别方法
CN112799154A (zh) * 2020-12-28 2021-05-14 恒瑞通（福建）信息技术有限公司 一种生态环境大数据预测与预警的方法及终端
CN114036127A (zh) * 2021-10-29 2022-02-11 河海大学 一种改善水文模型径流模拟的方法
CN114493005A (zh) * 2022-01-27 2022-05-13 四川信天启智能技术有限公司 一种基于降雨量预测河道流量的预警方法及系统
CN115169938A (zh) * 2022-07-21 2022-10-11 河南省气候中心(河南省气候变化监测评估中心) 一种区域性暴雨灾害风险评估方法
CN115311821A (zh) * 2022-08-09 2022-11-08 武汉易特兰瑞科技有限公司 一种基于数字孪生技术的地质灾害智能监测云平台
CN115439005A (zh) * 2022-09-30 2022-12-06 武汉博顺达交通设备有限公司 智能排水监测方法、系统及存储介质
CN115796460A (zh) * 2023-02-13 2023-03-14 广东广宇科技发展有限公司 一种基于河湖信息的旱涝灾害防御方法及系统
CN116305813A (zh) * 2023-01-31 2023-06-23 中国地质大学（武汉） 一种基于滑坡降雨敏感性修正的精细化降雨阈值计算方法
CN116433003A (zh) * 2023-02-17 2023-07-14 中国水利水电科学研究院 一种旱涝事件评价及预估方法
CN117057616A (zh) * 2023-10-11 2023-11-14 安徽金海迪尔信息技术有限责任公司 基于数字孪生的水利监测方法及系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010025919A (ja) * 2009-04-23 2010-02-04 Mitsubishi Materials Techno Corp 地下水起源解析方法、地下水起源解析システム、地下水起源解析プログラム及び記録媒体
WO2018043252A1 (ja) * 2016-08-31 2018-03-08 日本電気株式会社 降雨量予測装置、降雨量予測方法、および記録媒体
AR109623A1 (es) * 2018-02-16 2019-01-09 Pescarmona Enrique Menotti Proceso y sistema de análisis y gestión hidrológica para cuencas
CN112016831A (zh) * 2020-08-27 2020-12-01 西安易辑数字科技有限公司 一种基于ai智能预报的城市内涝落区的识别方法
CN112799154A (zh) * 2020-12-28 2021-05-14 恒瑞通（福建）信息技术有限公司 一种生态环境大数据预测与预警的方法及终端
CN114036127A (zh) * 2021-10-29 2022-02-11 河海大学 一种改善水文模型径流模拟的方法
CN114493005A (zh) * 2022-01-27 2022-05-13 四川信天启智能技术有限公司 一种基于降雨量预测河道流量的预警方法及系统
CN115169938A (zh) * 2022-07-21 2022-10-11 河南省气候中心(河南省气候变化监测评估中心) 一种区域性暴雨灾害风险评估方法
CN115311821A (zh) * 2022-08-09 2022-11-08 武汉易特兰瑞科技有限公司 一种基于数字孪生技术的地质灾害智能监测云平台
CN115439005A (zh) * 2022-09-30 2022-12-06 武汉博顺达交通设备有限公司 智能排水监测方法、系统及存储介质
CN116305813A (zh) * 2023-01-31 2023-06-23 中国地质大学（武汉） 一种基于滑坡降雨敏感性修正的精细化降雨阈值计算方法
CN115796460A (zh) * 2023-02-13 2023-03-14 广东广宇科技发展有限公司 一种基于河湖信息的旱涝灾害防御方法及系统
CN116433003A (zh) * 2023-02-17 2023-07-14 中国水利水电科学研究院 一种旱涝事件评价及预估方法
CN117057616A (zh) * 2023-10-11 2023-11-14 安徽金海迪尔信息技术有限责任公司 基于数字孪生的水利监测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAOYA LIU;WEIBIAO LI;SHUMIN CHEN;RONG FANG;ZHUO LI;: "Atmospheric Response to Mesoscale Ocean Eddies over the South China Sea", ADVANCES IN ATMOSPHERIC SCIENCES, no. 09, 3 July 2018 (2018-07-03) *
马国斌;李京;蒋卫国;张静;马兰艳;: "基于气象预测数据的中国洪涝灾害危险性评估与预警研究", 灾害学, no. 03, 20 July 2011 (2011-07-20) *

Also Published As

Publication number Publication date
CN117473791B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
US20240273366A1 (en) Systems, methods, and computer readable media for predictive analytics and change detection from remotely sensed imagery
Turner et al. Complex relationship between seasonal streamflow forecast skill and value in reservoir operations
Meko et al. Sacramento River flow reconstructed to AD 869 from tree rings 1
US10103548B2 (en) Operating a solar power generating system
US10509868B2 (en) Operating a solar power generating system
Goel et al. Assessment of sediment deposition rate in Bargi Reservoir using digital image processing
CN106485360A (zh) 基于全局夜光遥感的局部社会经济指标预测方法及系统
KR20220078963A (ko) 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치
Cristiano et al. How much green roofs and rainwater harvesting systems can contribute to urban flood mitigation?
Harper Numerical modelling of extreme tropical cyclone winds
Sproles et al. Developing a snowmelt forecast model in the absence of field data
CN117473791B (zh) 一种基于人工智能的公共数据储存管理系统
CN111768310B (zh) 一种水库补水潜力的预测方法、装置及电子设备
CN113963314A (zh) 降雨量监测方法、装置、计算机设备及存储介质
Heide‐Jørgensen et al. Rebuilding beluga stocks in West Greenland
CN113704696B (zh) 一种水库水温结构判别方法及判别设备
CN116484468A (zh) 一种水库大坝的风险评估方法、装置、设备及存储介质
Jang et al. A probabilistic model for real‐time flood warning based on deterministic flood inundation mapping
CN115107931A (zh) 海上浮标系统
Jin et al. Quantitative analysis of coastal dune erosion based on geomorphology features and model simulation
CN118262482B (zh) 基于地下水渗流引发滑坡的预警方法、系统、装置及介质
CN116503767B (zh) 基于语义式图像处理的河道漂浮物识别系统
KR102642404B1 (ko) 메타 학습을 이용한 발전량 예측 방법, 이를 이용하는 장치 및 시스템
CN117910657B (zh) 碳排因子的预测方法、模型训练方法、计算设备、存储介质及程序产品
CN114239704B (zh) 基于海冰密集度数据的观测站点融化和冻结时间提取方法

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