CN117726043B - 一种水库水情自动测报及预报方法 - Google Patents
一种水库水情自动测报及预报方法 Download PDFInfo
- Publication number
- CN117726043B CN117726043B CN202410161674.3A CN202410161674A CN117726043B CN 117726043 B CN117726043 B CN 117726043B CN 202410161674 A CN202410161674 A CN 202410161674A CN 117726043 B CN117726043 B CN 117726043B
- Authority
- CN
- China
- Prior art keywords
- water
- area
- reservoir
- downstream
- upstream
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 276
- 238000013277 forecasting method Methods 0.000 title claims description 10
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims abstract description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 67
- 238000012545 processing Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000003313 weakening effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种水库水情自动测报及预报方法，包括步骤：获取水库覆盖区域的卫星图像监测数据；将卫星图像监测数据进行数据预处理；通过通信设备将采集的数据传输至数据处理中心；对上传的水库覆盖区域卫星图像进行区域划分，获得多个子区域；将各子区域图像输入建立水情预测模型，根据水情预测模型输出结果构成水情预报数据；数据处理中心对接收到的水情预报数据进行处理和分析，生成水库水情的实时预测报告；同时，根据实时预测报告中的预测结果，发出预警信号，提醒相关人员采取应对措施。本发明以解决传统水库水情监测方式和现有洪水预报系统存在的问题，保证水情预报准确性、实时性和可靠性，实现水库全域并行实时测报。
Description
技术领域
本发明属于水库水情监测技术领域，特别是涉及一种水库水情自动测报及预报方法。
背景技术
水库水情监测是水利工程领域的重要组成部分，对于保障水库安全、合理利用水资源、预防洪涝灾害等具有重要意义。传统水库水情监测主要依赖人工观测和上报数据，然而这种方式存在数据不及时、不准确等问题，难以满足现代水利工程的需求。为了解决这些问题，急需一种能够自动测报和预报水库水情的方法。
在现有的技术中，一些水库已经开始使用自动监测设备来监测水库的水位和流速等参数。这些设备通常包括水位传感器、流速传感器、数据采集器和通信设备等。水位传感器一般采用超声波测距原理测量水库水位，流速传感器则通过测量水流冲击力测量流速。数据采集器对传感器采集的数据进行采集、整理和存储，并通过通信设备将数据传输至数据处理中心。然而，这些设备仍然存在一些问题，如数据传输不及时、不准确等。同时，这些设备也没有考虑到数据处理的及时性和准确性，因此无法满足现代水利工程的需求。
此外，一些水情预报系统也已经开始使用神经卷积建立模型来预测水情。这些模型通常基于历史数据和气象信息，通过一定的算法预测水情情况。然而，这些模型往往存在一些局限性，如模型的准确性不稳定、缺乏实时性等。现有的水库检测技术只能够进行局部检测，或是通过增加点位局部检测来扩展检测范围，但是测量范围仍然具有局限性，无法实现高效率的大范围水库水域的全局监测。同时，这些模型也没有考虑到实时监测数据的重要性，因此无法满足现代水利工程的需求。
发明内容
为了解决上述问题，本发明提出了一种水库水情自动测报及预报方法，以解决传统水库水情监测方式和现有洪水预报系统存在的问题，提高数据采集的实时性和准确性、数据处理和分析的及时性和准确性、水情预报的准确性、实时性和可靠性，实现水库全域并行实时测报。
为达到上述目的，本发明采用的技术方案是：一种水库水情自动测报及预报方法，包括步骤：
步骤1：获取水库覆盖区域的卫星图像监测数据；
步骤2：将卫星图像监测数据进行数据预处理；
步骤3：通过通信设备将采集的数据传输至数据处理中心；对上传的水库覆盖区域卫星图像进行区域划分，获得多个子区域；将各子区域图像输入建立水情预测模型，根据水情预测模型输出结果构成水情预报数据；
上传的水库覆盖区域卫星图像进行区域划分，获得多个子区域，包括步骤：
步骤3.1.1：在卫星图像定位水库水坝位置；
步骤3.1.2：根据水坝位置定位，划分上游区域、蓄水区域和下游区域，获取多个子区域；
所述水情预测模型利用水库状态知识图谱和卷积神经网络结合构成，处理过程包括步骤：
步骤3.2.1：获取大量水库卫星图像数据进行特征标记，获取卫星图像中各子区域的特征数据以及对应状态特征，构成水库状态数据；
步骤3.2.2：利用所获取的水库状态数据，创建水库状态知识图谱；
步骤3.2.3：各子区域图像通过卷积神经网络获取识别结果；
步骤3.2.4：将所述识别结果利用水库状态知识图谱进行状态判定；
步骤4：数据处理中心对接收到的水情预报数据进行处理和分析，生成水库水情的实时预测报告；同时，根据实时预测报告中的预测结果，发出预警信号，提醒相关人员采取应对措施。
进一步的是，将卫星图像监测数据进行数据预处理包括：
降噪处理：对噪声进行消除或减弱；
薄云处理：对卫星图像中出现的薄云进行消除或减弱处理；
阴影处理：对卫星图像中出现的阴影进行消除或减弱处理。
进一步的是，创建水库状态知识图谱，以水库各子区域为基础构建知识图谱，包括上游区域节点、蓄水区域节点和下游区域节点；
上游区域节点匹配有多个上游水域面积特征支点，各上游水域面积特征支点连接上游水量值；
蓄水区域节点匹配有多个蓄水水域面积特征支点，各蓄水水域面积特征支点连接蓄水量值；
下游区域节点匹配有多个下游水域面积特征支点，各下游水域面积特征支点连接下游水量值。
进一步的是，将各子区域图像输入建立水情预测模型，根据水情预测模型输出结果构成水情预报数据，包括步骤：
对上游区域进行实时图像获取，对上游区域图像进行边界切割，提取水域边界特征，获取上游水域框，计算上游水域面积；利用所计算的上游水域面积进入水库状态知识图谱进行相应调取，返回上游水量值；
对蓄水区域进行实时图像获取，对蓄水区域图像进行边界切割，提取水域边界特征，获取蓄水水域框，计算蓄水水域面积；利用所计算蓄水水域面积进入水库状态知识图谱进行相应调取，上游水域面积特征支点连接蓄水水量值；
对下游区域进行实时图像获取，对下游区域图像进行边界切割，提取水域边界特征，获取下游水域框，计算下游水域面积，利用所计算下游水域面积进入水库状态知识图谱进行相应调取，下游水域面积特征支点连接下游水量值；
水情预报数据包括上游水量值、蓄水水量值和下游水量值。
进一步的是，进入水库状态知识图谱进行相应调取时，通过对获得的各子区域图像进行识别，基于卷积神经网络进行特征识别后，判断子区域图像属于上游区域、蓄水区域或下游区域作为主标签，并获取上游区域、蓄水区域和下游区域各主标签下相应区域面积特征支点作为子标签，并将各子标签下对应的水量值代入相应子标签下形成数据包，作为状态值结果，进行状态判定。
进一步的是，根据实时预测报告中的预测结果，发出预警信号，包括步骤：
根据所返回的上游水量值，大于预警则进行上游预警警告；
根据所返回的蓄水水量值，大于预警则进行蓄水预警警告；
根据所返回的下游水量值，大于预警则进行下游预警警告。
进一步的是，所述水情预测模型以水库水量稳定性为目标，建立目标函数：
；
式中，a1、a2和a3分别为上游水量状态、蓄水水量状态和下游水量状态的权重，f1t、f2t和f3t分别为上游t时刻水量值变量、蓄水t时刻水量值变量和下游t时刻水量值变量；
调整水库各个部分水量变化，利用目标函数获取水量稳定状态。
采用本技术方案的有益效果：
本发明通过自动监测水库水量的变化，水情预报的准确性、实时性和可靠性，实现水库全域并行实时测报；通过数据处理中心进行数据分析和水量预报，提高了决策的科学性和及时性；通过向相关部门发送预警信息，增强了防洪减灾的能力。该方法具体有以下技术效果：
本发明能够有效提高数据采集的实时性和准确性：通过获取水库覆盖区域的卫星图像监测数据，能够实现数据的实时采集和监测，避免了传统人工观测和上报数据的延迟和不准确等问题。
本发明能够有效提高数据处理和分析的及时性和准确性：通过数据处理中心对接收到的数据进行处理和分析，生成水情报告和预报结果，能够快速响应水库的水情变化，并给出准确的预报结果，为决策提供了科学依据。
本发明能够有效提高水库水情预报的实时性、准确性和可靠性，实现水库全域测报：通过结合实时水库覆盖区域的卫星图像监测数据，对水库覆盖区域卫星图像进行区域划分，获得多个子区域；将各子区域图像输入建立水情预测模型，水情预测模型由水库状态知识图谱和卷积神经网络交互结合，构成实时并行监测水库各个区域的水量，利用各子区域图像通过卷积神经网络获取识别结果；将所述识别结果利用水库状态知识图谱进行状态判定，根据水情预测模型输出结果构成水情预报数据，进行洪水预报能够提高洪水预报的准确性、可靠性和实时性，能够准确且全面地进行水库全流域同时实时监测，实现水库全域测报，为防洪减灾提供了更加可靠的技术支持。
本发明能够有效提高水库管理的效率和安全性：通过自动监测并行检测水库的各个区域的水量，根据上游、蓄水和下游区域的特征状态的不同，进行全方位的并行检测，并生成水情报告和洪水预报结果，能够提高水库管理的效率和安全性，为保障人民生命财产安全提供了有力支持。
综上所述，本发明的水库水情自动测报及预报方法具有提高数据采集的实时性和准确性、提高数据处理和分析的及时性和准确性、提高洪水预报的准确性和可靠性、提高水库管理的效率和安全性等优点，对于现代水利工程具有重要的意义和应用价值。
附图说明
图1 为本发明的一种水库水情自动测报及预报方法流程示意图；
图2 为本发明实施例中水库覆盖区域卫星图像进行区域划分的结构示意图；
图3 为本发明实施例中水库状态知识图谱的结构示意图。
实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
在本实施例中，参见图1所示，本发明提出了一种水库水情自动测报及预报方法，包括步骤：
步骤1：获取水库覆盖区域的卫星图像监测数据；
步骤2：将卫星图像监测数据进行数据预处理；
步骤3：通过通信设备将采集的数据传输至数据处理中心；对上传的水库覆盖区域卫星图像进行区域划分，获得多个子区域；将各子区域图像输入建立水情预测模型，根据水情预测模型输出结果构成水情预报数据；
如图2所示，上传的水库覆盖区域卫星图像进行区域划分，获得多个子区域，包括步骤：
步骤3.1.1：在卫星图像定位水库水坝位置；
步骤3.1.2：根据水坝位置定位，划分上游区域、蓄水区域和下游区域，获取多个子区域，如图2中所示的矩形虚线框。
水情预测模型利用水库状态知识图谱和卷积神经网络结合构成，处理过程包括步骤：
步骤3.2.1：获取大量水库卫星图像数据进行特征标记，获取卫星图像中各子区域的特征数据以及对应状态特征，构成水库状态数据；
步骤3.2.2：利用所获取的水库状态数据，创建水库状态知识图谱；
步骤3.2.3：各子区域图像通过卷积神经网络获取识别结果；
步骤3.2.4：将所述识别结果利用水库状态知识图谱进行状态判定。
步骤4：数据处理中心对接收到的水情预报数据进行处理和分析，生成水库水情的实时预测报告；同时，根据实时预测报告中的预测结果，发出预警信号，提醒相关人员采取应对措施。
作为上述实施例对优化方案，将卫星图像监测数据进行数据预处理包括：
降噪处理：对噪声进行消除或减弱；由于传感器的因素，一些获取的遥感图像中会出现周期性的噪声，必须对其进行消除或减弱方可使用。例如，周期性噪声一般重叠在原图像上，成为周期性的干涉图形，具有不同的幅度、频率和相位。它形成一系列的尖峰或者亮斑，代表在某些空间频率位置最为突出。一般可以用带通或者槽形滤波的方法来消除。
薄云处理：对卫星图像中出现的薄云进行消除或减弱处理；由于天气原因，对于有些遥感图形中出现的薄云可以进行减弱处理。
阴影处理：对卫星图像中出现的阴影进行消除或减弱处理；由于太阳高度角的原因，有些图像会出现山体阴影，可以采用比值法对其进行消除。
作为上述实施例对优化方案，如图3所示，创建水库状态知识图谱，以水库各子区域为基础构建知识图谱，包括上游区域节点、蓄水区域节点和下游区域节点；
上游区域节点匹配有多个上游水域面积特征支点（上游面积1、上游面积2……上游面积m），各上游水域面积特征支点连接上游水量值（上游水量值1、上游水量值2……上游水量值m）；
蓄水区域节点匹配有多个蓄水水域面积特征支点（蓄水面积1、蓄水面积2……蓄水面积k），各蓄水水域面积特征支点连接蓄水量值1、蓄水水量值2……蓄水水量值k）；
下游区域节点匹配有多个下游水域面积特征支点（下游面积1、下游面积2……下游面积n），各下游水域面积特征支点连接下游水量值（下游水量值1、下游水量值2……下游水量值n）。
将各子区域图像输入建立水情预测模型，根据水情预测模型输出结果构成水情预报数据，包括步骤：
对上游区域进行实时图像获取，对上游区域图像进行边界切割，提取水域边界特征，获取上游水域框，计算上游水域面积；利用所计算的上游水域面积进入水库状态知识图谱进行相应调取，返回上游水量值；
对蓄水区域进行实时图像获取，对蓄水区域图像进行边界切割，提取水域边界特征，获取蓄水水域框，计算蓄水水域面积；利用所计算蓄水水域面积进入水库状态知识图谱进行相应调取，上游水域面积特征支点连接蓄水水量值；
对下游区域进行实时图像获取，对下游区域图像进行边界切割，提取水域边界特征，获取下游水域框，计算下游水域面积，利用所计算下游水域面积进入水库状态知识图谱进行相应调取，下游水域面积特征支点连接下游水量值；
水情预报数据包括上游水量值、蓄水水量值和下游水量值。
具体的，进入水库状态知识图谱进行相应调取时，通过对获得的各子区域图像进行识别，基于卷积神经网络进行特征识别后，判断子区域图像属于上游区域、蓄水区域或下游区域作为主标签，并获取上游区域、蓄水区域和下游区域各主标签下相应区域面积特征支点作为子标签，并将各子标签下对应的水量值代入相应子标签下形成数据包，作为状态值结果，进行状态判定。
作为上述实施例对优化方案，根据实时预测报告中的预测结果，发出预警信号，包括步骤：
根据所返回的上游水量值，大于预警则进行上游预警警告；
根据所返回的蓄水水量值，大于预警则进行蓄水预警警告；
根据所返回的下游水量值，大于预警则进行下游预警警告。
作为上述实施例对优化方案，所述水情预测模型以水库水量稳定性为目标，建立目标函数：
；
式中，a1、a2和a3分别为上游水量状态、蓄水水量状态和下游水量状态的权重，f1t、f2t和f3t分别为上游t时刻水量值变量、蓄水t时刻水量值变量和下游t时刻水量值变量；
调整水库各个部分水量变化，利用目标函数获取水量稳定状态。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种水库水情自动测报及预报方法，其特征在于，包括步骤：
步骤1：获取水库覆盖区域的卫星图像监测数据；
步骤2：将卫星图像监测数据进行数据预处理；
步骤3：通过通信设备将采集的数据传输至数据处理中心；对上传的水库覆盖区域卫星图像进行区域划分，获得多个子区域；将各子区域图像输入建立水情预测模型，根据水情预测模型输出结果构成水情预报数据；
上传的水库覆盖区域卫星图像进行区域划分，获得多个子区域，包括步骤：
步骤3.1.1：在卫星图像定位水库水坝位置；
步骤3.1.2：根据水坝位置定位，划分上游区域、蓄水区域和下游区域，获取多个子区域；
水情预测模型利用水库状态知识图谱和卷积神经网络结合构成，处理过程包括步骤：
步骤3.2.1：获取大量水库卫星图像数据进行特征标记，获取卫星图像中各子区域的特征数据以及对应状态特征，构成水库状态数据；
步骤3.2.2：利用所获取的水库状态数据，创建水库状态知识图谱；
步骤3.2.3：各子区域图像通过卷积神经网络获取识别结果；
步骤3.2.4：将所述识别结果利用水库状态知识图谱进行状态判定；
步骤4：数据处理中心对接收到的水情预报数据进行处理和分析，生成水库水情的实时预测报告；同时，根据实时预测报告中的预测结果，发出预警信号，提醒相关人员采取应对措施。
2.根据权利要求1所述的一种水库水情自动测报及预报方法，其特征在于，将卫星图像监测数据进行数据预处理包括：
降噪处理：对噪声进行消除或减弱；
薄云处理：对卫星图像中出现的薄云进行消除或减弱处理；
阴影处理：对卫星图像中出现的阴影进行消除或减弱处理。
3.根据权利要求1所述的一种水库水情自动测报及预报方法，其特征在于，创建水库状态知识图谱，以水库各子区域为基础构建知识图谱，包括上游区域节点、蓄水区域节点和下游区域节点；
上游区域节点匹配有多个上游水域面积特征支点，各上游水域面积特征支点连接上游水量值；
蓄水区域节点匹配有多个蓄水水域面积特征支点，各蓄水水域面积特征支点连接蓄水量值；
下游区域节点匹配有多个下游水域面积特征支点，各下游水域面积特征支点连接下游水量值。
4.根据权利要求3所述的一种水库水情自动测报及预报方法，其特征在于，将各子区域图像输入建立水情预测模型，根据水情预测模型输出结果构成水情预报数据，包括步骤：
对上游区域进行实时图像获取，对上游区域图像进行边界切割，提取水域边界特征，获取上游水域框，计算上游水域面积；利用所计算的上游水域面积进入水库状态知识图谱进行相应调取，返回上游水量值；
对蓄水区域进行实时图像获取，对蓄水区域图像进行边界切割，提取水域边界特征，获取蓄水水域框，计算蓄水水域面积；利用所计算蓄水水域面积进入水库状态知识图谱进行相应调取，上游水域面积特征支点连接蓄水水量值；
对下游区域进行实时图像获取，对下游区域图像进行边界切割，提取水域边界特征，获取下游水域框，计算下游水域面积，利用所计算下游水域面积进入水库状态知识图谱进行相应调取，下游水域面积特征支点连接下游水量值；
水情预报数据包括上游水量值、蓄水水量值和下游水量值。
5.根据权利要求4所述的一种水库水情自动测报及预报方法，其特征在于，进入水库状态知识图谱进行相应调取时，通过对获得的各子区域图像进行识别，基于卷积神经网络进行特征识别后，判断子区域图像属于上游区域、蓄水区域或下游区域作为主标签，并获取上游区域、蓄水区域和下游区域各主标签下相应区域面积特征支点作为子标签，并将各子标签下对应的水量值代入相应子标签下形成数据包，作为状态值结果，进行状态判定。
6.根据权利要求4或5所述的一种水库水情自动测报及预报方法，其特征在于，根据实时预测报告中的预测结果，发出预警信号，包括步骤：
根据所返回的上游水量值，大于预警则进行上游预警警告；
根据所返回的蓄水水量值，大于预警则进行蓄水预警警告；
根据所返回的下游水量值，大于预警则进行下游预警警告。
7.根据权利要求6所述的一种水库水情自动测报及预报方法，其特征在于，所述水情预测模型以水库水量稳定性为目标，建立目标函数：
；
式中，a1、a2和a3分别为上游水量状态、蓄水水量状态和下游水量状态的权重，f1t、f2t和f3t分别为上游t时刻水量值变量、蓄水t时刻水量值变量和下游t时刻水量值变量；
调整水库各个部分水量变化，利用目标函数获取水量稳定状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410161674.3A CN117726043B (zh) | 2024-02-05 | 2024-02-05 | 一种水库水情自动测报及预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410161674.3A CN117726043B (zh) | 2024-02-05 | 2024-02-05 | 一种水库水情自动测报及预报方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117726043A CN117726043A (zh) | 2024-03-19 |
| CN117726043B true CN117726043B (zh) | 2024-05-03 |
Family
ID=90210954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410161674.3A Active CN117726043B (zh) | 2024-02-05 | 2024-02-05 | 一种水库水情自动测报及预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117726043B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118392136A (zh) * | 2024-06-27 | 2024-07-26 | 贵州道坦坦科技股份有限公司 | 基于深度学习的水情监测方法及预警系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105843942A (zh) * | 2016-04-01 | 2016-08-10 | 浙江大学城市学院 | 一种基于大数据技术的城市防汛决策支持系统 |
| CN108510110A (zh) * | 2018-03-13 | 2018-09-07 | 浙江禹控科技有限公司 | 一种基于知识图谱的水位趋势分析方法 |
| JP2019090197A (ja) * | 2017-11-13 | 2019-06-13 | ニタコンサルタント株式会社 | 複数貯水池氾濫解析プログラム及びコンピュータで読み取り可能な記録媒体並びに記憶した機器、複数貯水池氾濫解析方法、複数貯水池氾濫解析装置 |
| CN113377966A (zh) * | 2021-08-11 | 2021-09-10 | 长江水利委员会水文局 | 一种基于知识图谱的水利工程调度规程推理方法 |
| CA3132706A1 (en) * | 2020-10-05 | 2022-04-05 | Bank Of Montreal | Systems and methods for generating flood hazard estimation using machine learning model and satellite data |
| CN114707227A (zh) * | 2022-04-28 | 2022-07-05 | 水利部南京水利水文自动化研究所 | 一种基于数字孪生的大坝安全预警消警方法及系统 |
| CN115271186A (zh) * | 2022-07-18 | 2022-11-01 | 福建中锐网络股份有限公司 | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 |
| CN115310536A (zh) * | 2022-08-06 | 2022-11-08 | 福建中锐网络股份有限公司 | 基于神经网络和gcn深度学习模型的水库水位预测预警方法 |
| CN115907229A (zh) * | 2022-12-30 | 2023-04-04 | 长江水利委员会水文局 | 一种基于数字孪生的水库防洪管理方法 |
| KR102540762B1 (ko) * | 2022-10-14 | 2023-06-14 | 대한민국 | 위성영상을 이용한 저수지 모니터링 방법 |
| EP4216117A1 (en) * | 2022-01-21 | 2023-07-26 | China Three Gorges Co., Ltd. | Method and apparatus for training water-and-sediment prediction model for reservoir and method and apparatus for predicting water-and-sediment in reservoir |
| CN116882211A (zh) * | 2023-09-06 | 2023-10-13 | 珠江水利委员会珠江水利科学研究院 | 一种基于数字孪生的水库水情预报仿真方法和系统 |
| CN117315890A (zh) * | 2023-09-27 | 2023-12-29 | 西安热工研究院有限公司 | 一种水电站水位梯级预警方法、系统、装置及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117575319B (zh) * | 2023-11-27 | 2024-07-02 | 郑州大学 | 一种评估城市洪涝灾害等级的方法及系统 |
-
2024
- 2024-02-05 CN CN202410161674.3A patent/CN117726043B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105843942A (zh) * | 2016-04-01 | 2016-08-10 | 浙江大学城市学院 | 一种基于大数据技术的城市防汛决策支持系统 |
| JP2019090197A (ja) * | 2017-11-13 | 2019-06-13 | ニタコンサルタント株式会社 | 複数貯水池氾濫解析プログラム及びコンピュータで読み取り可能な記録媒体並びに記憶した機器、複数貯水池氾濫解析方法、複数貯水池氾濫解析装置 |
| CN108510110A (zh) * | 2018-03-13 | 2018-09-07 | 浙江禹控科技有限公司 | 一种基于知识图谱的水位趋势分析方法 |
| CA3132706A1 (en) * | 2020-10-05 | 2022-04-05 | Bank Of Montreal | Systems and methods for generating flood hazard estimation using machine learning model and satellite data |
| CN113377966A (zh) * | 2021-08-11 | 2021-09-10 | 长江水利委员会水文局 | 一种基于知识图谱的水利工程调度规程推理方法 |
| EP4216117A1 (en) * | 2022-01-21 | 2023-07-26 | China Three Gorges Co., Ltd. | Method and apparatus for training water-and-sediment prediction model for reservoir and method and apparatus for predicting water-and-sediment in reservoir |
| CN114707227A (zh) * | 2022-04-28 | 2022-07-05 | 水利部南京水利水文自动化研究所 | 一种基于数字孪生的大坝安全预警消警方法及系统 |
| CN115271186A (zh) * | 2022-07-18 | 2022-11-01 | 福建中锐网络股份有限公司 | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 |
| CN115310536A (zh) * | 2022-08-06 | 2022-11-08 | 福建中锐网络股份有限公司 | 基于神经网络和gcn深度学习模型的水库水位预测预警方法 |
| KR102540762B1 (ko) * | 2022-10-14 | 2023-06-14 | 대한민국 | 위성영상을 이용한 저수지 모니터링 방법 |
| CN115907229A (zh) * | 2022-12-30 | 2023-04-04 | 长江水利委员会水文局 | 一种基于数字孪生的水库防洪管理方法 |
| CN116882211A (zh) * | 2023-09-06 | 2023-10-13 | 珠江水利委员会珠江水利科学研究院 | 一种基于数字孪生的水库水情预报仿真方法和系统 |
| CN117315890A (zh) * | 2023-09-27 | 2023-12-29 | 西安热工研究院有限公司 | 一种水电站水位梯级预警方法、系统、装置及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| 国际关于洪涝灾害风险研究的知识图谱分析及进展评述;曾坚;王倩雯;郭海沙;;灾害学;20200420(第02期);127-135 * |
| 基于知识图谱的水库防洪应急决策关键技术研究;马斌;丁文杰;浙江水利水电学院学报;20231025;第35卷(第5期);43-48 * |
| 桑河二级水电站水情自动测报系统建设和应用;任启成;周双全;徐文卓;刘艳华;马延功;刘兴勇;;云南水力发电;20180215(第01期);139-143 * |
| 水库大坝安全智慧管理的内涵与应用前景;向衍;盛金保;刘成栋;;中国水利;20181030(第20期);34-38 * |
| 通辽市霍林河水库大坝安全运行管理预警系统研究;刘新潮;;内蒙古水利;20160125(第01期);14-15 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117726043A (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117726043B (zh) | 一种水库水情自动测报及预报方法 | |
| CN110533885B (zh) | 城市内涝监测预警系统及预警方法 | |
| CN108320462A (zh) | 城市防汛预警预报系统 | |
| CN113110200A (zh) | 一种基于气象和雨洪模型的城市内涝预警系统 | |
| CN107679768A (zh) | 一种基于电网实时数据的态势感知系统及其构建方法 | |
| CN114611778B (zh) | 一种基于入库流量的水库水位预警方法及系统 | |
| CN109407177B (zh) | 基于机器学习与常规气象观测的大雾识别系统和应用方法 | |
| CN116821272B (zh) | 一种城市内涝智慧监控预警方法及系统 | |
| CN110097223B (zh) | 一种台风灾害下输电线路损毁预警方法 | |
| CN109543870B (zh) | 一种基于邻域保持嵌入算法的输电线路杆塔雷击预警方法 | |
| CN115394051A (zh) | 变电站内涝灾害监测预警系统 | |
| CN111915847A (zh) | 一种精细化降雨预报系统及其预警方法 | |
| CN111579004A (zh) | 基于北斗卫星应用的水利监测系统、监测方法及存储介质 | |
| CN207924874U (zh) | 城市防汛预警预报装置 | |
| CN113593191A (zh) | 一种基于大数据的可视化城市内涝监测预警系统 | |
| CN117072883A (zh) | 一种基于物联网技术的城市排水管网远程监测维护系统 | |
| CN115909664A (zh) | 基于bim的河道安全预警方法、装置及设备 | |
| CN210865032U (zh) | 城市内涝监测预警系统 | |
| CN116895134A (zh) | 一种基于5g技术的水电站下游水位突涨预警方法及系统 | |
| Stoian et al. | SCADA and modeling in water management | |
| CN113606099A (zh) | 一种监测风电机组叶片结冰的方法和系统 | |
| CN117592276A (zh) | 一种裂流的监测和预测方法及系统 | |
| CN117689360A (zh) | 一种风机智慧巡检一体化平台制作方法 | |
| CN116823067A (zh) | 管网水质清污状态的确定方法、装置及电子设备 | |
| CN115600047B (zh) | 一种基于栅格分析的小流域面平均降雨量测算方法和系统 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240410 Address after: No. 801, 802, 803, 804, 805, floor 8, building 1, No. 5 Beisen North Road, Qingyang District, Chengdu, Sichuan 610000 Applicant after: Zhongshui Junxin engineering survey and Design Co.,Ltd. Country or region after: China Address before: No. 43 Zhanbei East Street, Chenghua District, Chengdu City, Sichuan Province, 610051 Applicant before: China Science and technology Xinde Construction Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |