CN117876197B - 城市黄泥水多尺度溯源方法、系统及源头预警方法 - Google Patents

城市黄泥水多尺度溯源方法、系统及源头预警方法 Download PDF

Info

Publication number
CN117876197B
CN117876197B CN202410275093.2A CN202410275093A CN117876197B CN 117876197 B CN117876197 B CN 117876197B CN 202410275093 A CN202410275093 A CN 202410275093A CN 117876197 B CN117876197 B CN 117876197B
Authority
CN
China
Prior art keywords
grid
data
yellow mud
mud water
land
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410275093.2A
Other languages
English (en)
Other versions
CN117876197A (zh
Inventor
黄�俊
余顺超
李岚斌
姜学兵
金平伟
尹斌
李乐
寇馨月
李�浩
刘晓林
贾茜淳
刘斌
胡嘉仪
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.)
Pearl Water Soil And Water Conservation Monitoring Station Pearl Water Resources Commission
Pearl River Hydraulic Research Institute of PRWRC
Original Assignee
Pearl Water Soil And Water Conservation Monitoring Station Pearl Water Resources Commission
Pearl River Hydraulic Research Institute of PRWRC
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 Pearl Water Soil And Water Conservation Monitoring Station Pearl Water Resources Commission, Pearl River Hydraulic Research Institute of PRWRC filed Critical Pearl Water Soil And Water Conservation Monitoring Station Pearl Water Resources Commission
Priority to CN202410275093.2A priority Critical patent/CN117876197B/zh
Publication of CN117876197A publication Critical patent/CN117876197A/zh
Application granted granted Critical
Publication of CN117876197B publication Critical patent/CN117876197B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了城市黄泥水多尺度溯源方法、系统及源头预警方法，其中城市黄泥水多尺度溯源方法包括步骤：S1、将待研究区进行空间格网化为N个格网单元格，获取数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据；S2、构建黄泥水发生概率模型；S3、基于黄泥水发生概率模型，并根据步骤S1的数据分别计算N个格网单元格的黄泥水发生概率；S4、通过绝对高程值的有向图回溯方法进行溯源分析，得到j个目标回溯单元格，获取j个目标回溯单元格的黄泥水发生概率中的最大值，则最大值对应的格网单元格的坐标，即判断为黄泥水发生源头。本发明的方法实现快速判断城市黄泥水发生源头，准确性高。

Description

城市黄泥水多尺度溯源方法、系统及源头预警方法
技术领域
本发明属于黄泥水溯源技术领域，具体地说，涉及城市黄泥水多尺度溯源方法、系统及源头预警方法。
背景技术
黄泥水是指经强降雨冲刷裸露土壤而形成的泥沙含量高、色泽泛黄的泥水，黄泥水含有大量固体悬浮物、有机物与重金属，如直接排入河涌水系后对地表水及地下水产生重要的不利影响。
由于黄泥水发生发展是一个随着降雨和径流动态变化的过程，在下游监测到的黄泥水现象，可能是上游数公里之外的裸露土壤在强降雨条件下所形成的。黄泥水现象与其发生源头往往距离较远，给黄泥水治理管理带来一定难题。由此可见，黄泥水溯源分析是黄泥水治理管理的重要依据，但目前尚未有黄泥水溯源分析的有效方法。因此，有必要研究一种城市黄泥水溯源方法及源头预警方法以解决上述问题。
发明内容
发明的第一目的在于克服现有技术中存在的缺点与不足，提供一种城市黄泥水多尺度溯源方法，实现快速发现城市黄泥水发生源头，准确性高。
本发明的第二目的为城市黄泥水多尺度溯源系统。
本发明的第三目的为提供一种城市黄泥水源头预警方法，实现有效预测城市黄泥水源头的目标范围，提高预警的可靠性。
本发明的目的通过下述技术方案实现：城市黄泥水多尺度溯源方法，包括步骤：
S1、获取并处理待研究区的基础数据，将待研究区进行空间格网化为N个格网单元格，得到待研究区的数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据；
S2、构建黄泥水发生概率模型：
pi=f(Ei，Ti，Gi，Ri)=(Ei+Ti+Gi+Ri)/4，
其中，pi表示第i个格网单元格的黄泥水发生概率，i=1…N，Ei、Ti、Gi及Ri分别表示对黄泥水发生概率评价指标ei、ti、gi及ri分别进行归一化处理后得到的数据，ei、ti、gi及ri分别表示第i个格网单元格的绝对高程值、用地类型值、非绿地面积占比及降雨量；
S3、基于所述黄泥水发生概率模型，并根据所述数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据分别计算N个格网单元格的黄泥水发生概率；
S4、当基础数据中的降雨量为已经发生的降雨量，通过格网单元格的绝对高程值的有向图回溯方法进行溯源分析，得到j个目标回溯单元格，根据步骤S3的结果获取j个目标回溯单元格的黄泥水发生概率中的最大值，则最大值对应的格网单元格的坐标，即判断为黄泥水发生源头。
优选的，步骤S1中，所述基础数据包括边界矢量数据、正射遥感影像、数字高程模型及降雨量数据，所述正射遥感影像的分辨率记为y米，数字高程模型的分辨率记为d米，每个所述格网单元格的大小为a米×a米，满足a≥y且a≥d；
根据正射遥感影像获取所述用地类型栅格数据和绿地空间分布栅格数据，用地类型包括建成区或者水面、裸地或者荒地、以及施工用地，根据降雨量数据获取降雨量空间分布栅格数据。
优选的，步骤S3具体包括步骤，
S31、计算格网单元格的绝对高程值：
ei=(ui1+ui2+ui3+...+uik)/ki，
其中，ei为第i个格网单元格的绝对高程值，ki表示第i个格网单元格空间位置对应的数字高程模型有k个像元值，k个像元值分别为ui1、ui2、ui3...uik；
S32、计算格网单元格的用地类型值：
ti=(D1×s1+ D2×s2+ D3×s3)/(s1+s2+s3)，
且满足h1+h2+h3=h及s1+s2+s3=a2，
其中，ti表示第i个格网单元格的用地类型值；D1表示建成区或者水面的预设权重值，D2表示裸地或者荒地的预设权重值，D3表示施工用地的预设权重值，s1表示建成区或者水面的面积，s2表示裸地或者荒地的面积，s2表示施工用地的面积，h表示第i个格网单元格对应的用地类型栅格数据的像元值个数，其中建成区或者水面的像元值有h1个，裸地或者荒地的像元值有h2个，施工用地的像元值有h3个；
S33、计算格网单元格的非绿地面积占比：
gi=1-sgi/a2，
其中，gi及sgi分别表示第i个格网单元格的非绿地面积占比和绿地面积，绿地面积根据所述绿地空间分布栅格数据计算得到；
S34、计算格网单元格的降雨量：
降雨量空间分布栅格数据的分辨率与格网单元格的大小相同，第i个格网单元格的预设时间段的降雨量ri即为降雨量空间分布栅格数据的第i个像元值大小；
S35、按照步骤S31至S34的方法计算得到N个格网单元格的黄泥水发生概率评价指标序列分别为：{e1，t1，g1，r1}、{e2，t2，g2，r2}、{e3，t3，g3，r3}...{eN，tN，gN，rN}，归一化处理后得到新的黄泥水发生概率评价指标序列依次为：{E1，T1，G1，R1}、{E2，T2，G2，R2}、{E3，T3，G3，R3}...{EN，TN，GN，RN}；
S36、根据黄泥水发生概率模型，计算得到N个格网单元格黄泥水发生概率的集合p={p1，p2，p3...pN}。
优选的，步骤S4具体包括步骤：
S41、假设在第i个格网单元格发生黄泥水现象，预设回溯的临界距离为L，将第i个格网单元格的坐标记为（xi，yi），则与其相邻的4个格网单元格的坐标分别为（xi-1，yi）、（xi+1，yi）、（xi，yi-1）和（xi，yi+1），对应的绝对高程值分别记为exi-1，exi+1，eyi-1和eyi+1；
S42、判断exi-1，exi+1，eyi-1和eyi+1是否大于或者等于第i个格网单元格的绝对高程值ei，若是，则将对应的格网单元格标记为目标回溯单元格；
S43、对各个目标回溯单元格按照S41至S42的方法进行下一步的回溯分析，最终分析得到j个目标回溯单元格，且满足j×a≤L，其中格网单元格的大小为a米×a米；
S44、根据步骤S3的结果，获取所述j个目标回溯单元格的黄泥水发生概率中的最大值，则最大值对应的格网单元格的坐标，即判断为黄泥水发生源头。
优选的，步骤S2中，所述归一化处理的公式如下：
Xi=（xi- xmin）/( xmax- xmin)，
其中，Xi表示归一化处理后第i个格网单元格的黄泥水发生概率评价指标，xi表示归一化处理前第i个格网单元格的黄泥水发生概率评价指标，xi包括ei、ti、gi及ri，xmax和xmin分别表示归一化处理前N个格网单元格的黄泥水发生概率评价指标中的最大值和最小值。
城市黄泥水多尺度溯源系统，包括：
数据获取模块，用于获取并处理待研究区的基础数据，将待研究区进行空间格网化为N个格网单元格，得到待研究区的数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据；
建模模块，用于构建黄泥水发生概率模型：
pi=f(Ei，Ti，Gi，Ri)=(Ei+Ti+Gi+Ri)/4，
其中，pi表示第i个格网单元格的黄泥水发生概率，i=1…N，Ei、Ti、Gi及Ri分别表示对黄泥水发生概率评价指标ei、ti、gi及ri分别进行归一化处理后得到的数据，ei、ti、gi及ri分别表示第i个格网单元格的绝对高程值、用地类型值、非绿地面积占比及降雨量；
计算模块，用于基于所述黄泥水发生概率模型，并根据所述数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据分别计算N个格网单元格的黄泥水发生概率；
溯源分析模块，用于当基础数据中的降雨量为已经发生的降雨量，通过格网单元格的绝对高程值的有向图回溯方法进行溯源分析，得到j个目标回溯单元格，根据计算模块的结果获取j个目标回溯单元格的黄泥水发生概率中的最大值，则最大值对应的格网单元格的坐标，即判断为黄泥水发生源头。
城市黄泥水源头预警方法，包括步骤：
S01、获取并处理待研究区的基础数据，将待研究区进行空间格网化为N个格网单元格，得到待研究区的数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据；
S02、构建黄泥水发生概率模型：
pi=f(Ei，Ti，Gi，Ri)=(Ei+Ti+Gi+Ri)/4，
其中，pi表示第i个格网单元格的黄泥水发生概率，i=1…N，Ei、Ti、Gi及Ri分别表示对黄泥水发生概率评价指标ei、ti、gi及ri分别进行归一化处理后得到的数据，ei、ti、gi及ri分别表示第i个格网单元格的绝对高程值、用地类型值、非绿地面积占比及降雨量；
S03、基于所述黄泥水发生概率模型，并根据所述数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据分别计算N个格网单元格的黄泥水发生概率；
S04、根据N个格网单元格黄泥水发生概率进行黄泥水溯源分析：
当基础数据中的降雨量为预报值，则统计N个网格单元格的黄泥水发生概率中大于或者等于设定预警值的格网单元格对应的坐标，即判断为预报降雨发生后最有可能的黄泥水发生源头，并发出预警信息。
优选的，步骤S01中，所述基础数据包括边界矢量数据、正射遥感影像、数字高程模型及降雨量数据，所述正射遥感影像的分辨率记为y米，数字高程模型的分辨率记为d米，每个所述格网单元格的大小为a米×a米，满足a≥y且a≥d；
根据正射遥感影像获取所述用地类型栅格数据和绿地空间分布栅格数据，所述用地类型包括建成区或者水面、裸地或者荒地、以及施工用地，根据降雨量数据获取降雨量空间分布栅格数据。
优选的，步骤S03具体包括步骤，
S031、计算格网单元格的绝对高程值：
ei=(ui1+ui2+ui3+...+uik)/ki，
其中，ei为第i个格网单元格的绝对高程值，ki表示第i个格网单元格空间位置对应的数字高程模型有k个像元值，k个像元值分别为ui1、ui2、ui3...uik；
S032、计算格网单元格的用地类型值：
ti=(D1×s1+ D2×s2+ D3×s3)/(s1+s2+s3)，
且满足h1+h2+h3=h及s1+s2+s3=a2，
其中，ti表示第i个格网单元格的用地类型值；D1表示建成区或者水面的预设权重值，D2表示裸地或者荒地的预设权重值，D3表示施工用地的预设权重值，s1表示建成区或者水面的面积，s2表示裸地或者荒地的面积，s2表示施工用地的面积，h表示第i个格网单元格对应的用地类型栅格数据的像元值个数，其中建成区或者水面的像元值有h1个，裸地或者荒地的像元值有h2个，施工用地的像元值有h3个；
S033、计算格网单元格的非绿地面积占比：
gi=1-sgi/a2，
其中，gi及sgi分别表示第i个格网单元格的非绿地面积占比和绿地面积，绿地面积根据所述绿地空间分布栅格数据计算得到；
S034、计算格网单元格的降雨量：
降雨量空间分布栅格数据的分辨率与格网单元格的大小相同，第i个格网单元格的预设时间段的降雨量ri即为降雨量空间分布栅格数据的第i个像元值大小；
S035、按照步骤S031至S034的方法计算得到N个格网单元格的黄泥水发生概率评价指标序列分别为：{e1，t1，g1，r1}、{e2，t2，g2，r2}、{e3，t3，g3，r3}...{eN，tN，gN，rN}，归一化处理后得到新的黄泥水发生概率评价指标序列依次为：{E1，T1，G1，R1}、{E2，T2，G2，R2}、{E3，T3，G3，R3}...{EN，TN，GN，RN}；
S036、根据黄泥水发生概率模型，计算得到N个格网单元格黄泥水发生概率的集合p={p1，p2，p3...pN}。
优选的，步骤S02中，所述归一化处理的公式如下：
Xi=（xi- xmin）/( xmax- xmin)，
其中，Xi表示归一化处理后第i个格网单元格的黄泥水发生概率评价指标，xi表示归一化处理前第i个格网单元格的黄泥水发生概率评价指标，xi包括ei、ti、gi及ri，xmax和xmin分别表示归一化处理前N个格网单元格的黄泥水发生概率评价指标中的最大值和最小值。
本发明相对于现有技术具有如下的优点及效果：
（1）本发明的城市黄泥水多尺度溯源方法首先获取待研究区的数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据，再通过格网单元格的绝对高程值、用地类型值、非绿地面积占比及降雨量这四个黄泥水发生概率评价指标构建黄泥水发生概率模型，然后基于黄泥水发生概率模型计算N个格网单元格的黄泥水发生概率，当基础数据中的降雨量为已经发生的降雨量，通过格网单元格的绝对高程值的有向图回溯方法进行溯源分析，结合N个格网单元格的黄泥水发生概率的结果判断得到黄泥水源头的坐标，此过程采用多指标评价与概率分析，使得溯源分析结果更加全面且符合实际，准确性高，提高了城市黄泥水溯源分析工作的针对性和效果。
（2）本发明的城市黄泥水多尺度溯源方法不依赖城市水系管网等基础资料进行溯源分析，依据格网分辨率大小，获得不同精度的溯源分析结果，对应的投入成本也不相同，格网分辨率越高精度越好成本越高，且根据有向图回溯方法进行搜索，物理机制明确，提高黄泥水溯源分析的工作效率。
（3）本发明的城市黄泥水源头预警方法首先获取待研究区的数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据，再通过格网单元格的绝对高程值、用地类型值、非绿地面积占比及降雨量四个黄泥水发生概率评价指标构建黄泥水发生概率模型，然后基于黄泥水发生概率模型计算N个格网单元格的黄泥水发生概率，当降雨量为预报值，根据N个格网单元格黄泥水发生概率与预设预警值判断，得到黄泥水源头的目标范围并发出预警，此过程采用多指标评价与概率分析，实现高效预测城市黄泥水源头的目标范围，提高预警的可靠性。
（4）本发明的城市黄泥水源头预警方法不依赖城市水系管网等基础资料进行溯源预测分析，依据格网单元格的分辨率大小，获得不同精度的溯源分析结果，格网单元格的分辨率越高精度越好，本发明为黄泥水源头预防治理提供决策依据。
附图说明
图1为本发明的城市黄泥水多尺度溯源方法的流程示意图。
图2为本发明的待研究区的区域示意图，其中黑色方框■表示“施工用地”，黑色圆形●表示“裸地或荒地”，空心五角星☆表示黄泥水自动化监测装置布设点。
图3为本发明的待研究区的格网化示意图，其中共生成9×8个格网单元，假定格网单元格的长宽均为1个长度单位。
图4为本发明的待研究区各格网单元格的各用地类型的赋值结果。
图5为本发明的待研究区的绿地空间分布图，其中斜线阴影区域表示绿地。
图6为本发明的待研究区的各格网单元格的非绿地面积占比的赋值及归一化处理结果。
图7为本发明的待研究区的各格网单元格的绝对高程值的计算结果。
图8为本发明的待研究区的各格网单元格的绝对高程值的归一化处理计算结果。
图9为本发明的待研究区的各格网单元格最近24小时预警降雨量计算结果。
图10为本发明的待研究区的各格网单元格最近24小时预警降雨量归一化处理计算结果。
图11为本发明的绝对高程值的有向图回溯方法的黄泥水溯源分析图，其中黑色实心五角星表示黄泥水报警点，空心五角星☆表示黄泥水自动化监测装置布设点，虚心及阴影区域表示回溯的临界距离L涉及到的格网单元格。
图12为本发明基于黄泥水发生概率模型得到的各格网单元格黄泥水发生概率的结果示意图。
图13为本发明的城市黄泥水源头预警方法的流程示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步的详细描述，但本发明的实施方式不限于此。
实施例1
如图1所示为城市黄泥水多尺度溯源方法的流程示意图，包括步骤：
S1、获取并处理待研究区的基础数据，将待研究区进行空间格网化为N个格网单元格，得到待研究区的数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据；
S2、构建黄泥水发生概率模型：
pi=f(Ei，Ti，Gi，Ri)=(Ei+Ti+Gi+Ri)/4，
其中，pi表示第i个格网单元格的黄泥水发生概率，i=1…N，Ei、Ti、Gi及Ri分别表示对黄泥水发生概率评价指标ei、ti、gi及ri分别进行归一化处理后得到的数据，ei、ti、gi及ri分别表示第i个格网单元格的绝对高程值、用地类型值、非绿地面积占比及降雨量；
S3、基于所述黄泥水发生概率模型，并根据所述数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据分别计算N个格网单元格的黄泥水发生概率；
S4、当基础数据中的降雨量为已经发生的降雨量，通过格网单元格的绝对高程值的有向图回溯方法进行溯源分析，得到j个目标回溯单元格，根据步骤S3的结果获取j个目标回溯单元格的黄泥水发生概率中的最大值，则最大值对应的格网单元格的坐标，即判断为黄泥水发生源头。
具体的，本发明的城市黄泥水多尺度溯源方法首先获取待研究区的基础数据，将基础数据处理后得到数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据，再构建黄泥水发生概率模型，其中该黄泥水发生概率模型的黄泥水发生黄泥水发生概率评价指标包括格网单元格的绝对高程值（指标1）、格网单元格的用地类型值（指标2）、格网单元格的非绿地面积占比（指标3）及格网单元格的降雨量（指标4），四个黄泥水发生概率评价指标通过数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据计算得到，然后基于黄泥水发生概率模型计算N个格网单元格的黄泥水发生概率。当基础数据中的降雨量为已经发生的降雨量，则通过格网单元格的绝对高程值的有向图回溯方法进行溯源分析，最后结合N个格网单元格的黄泥水发生概率的结果判断得到黄泥水源头的坐标。此过程采用多指标评价与概率分析，使得溯源分析结果更加全面且符合实际，准确性高，提高了城市黄泥水溯源分析工作的针对性和效果。
步骤S1中，所述基础数据包括边界矢量数据、正射遥感影像、数字高程模型及降雨量数据，所述正射遥感影像的分辨率记为y米，数字高程模型的分辨率记为d米，每个所述格网单元格的大小为a米×a米，满足a≥y且a≥d；
根据正射遥感影像获取所述用地类型栅格数据和绿地空间分布栅格数据，所述用地类型包括建成区或者水面、裸地或者荒地、以及施工用地，根据降雨量数据获取降雨量空间分布栅格数据。
具体的，在本实施例中，待研究区的边界矢量数据记为“数据0”，将待研究区的正射遥感影像记为“数据1”，正射遥感影像选择高分辨率正射遥感影像，分辨率y≤2，将待研究区的数值高程模型记为“数据2”，数字高程模型选择高分辨率数值高程模型，分辨率d≤2，将待研究区的m个站点降雨量数据记为“数据3”，对应的单位为毫米。
如图2至图3所示，基于“数据0”对待研究区进行格网化处理；基于“数据1”获取所述用地类型栅格数据（记为“数据LU”）和绿地空间分布栅格数据（记为“数据GD”），如图5所示为待研究区的绿地空间分布图，且“数据LU”和“数据GD”的空间分辨率均小于或者等于a，其中用地类型包括建成区或者水面（第一类）、裸地或者荒地（第二类）、以及施工用地（第三类）这三种类型，分别对应图3中的空白处、黑色方框及黑色圆形；基于“数据3”，采用常规的空间插值的方法如反距离加权法、泰森多边形法及克里金邻域法将“数据3”由点状分布数据转为面状分布的栅格数据，即降雨量空间分布栅格数据（记为“数据RF”），保证“数据RF”的分辨率（即栅格数据的像元边长）与待研究区的空间栅格单元格的边长相同。
步骤S3具体包括步骤，
S31、计算格网单元格的绝对高程值：
ei=(ui1+ui2+ui3+...+uik)/ki，
其中，ei为第i个格网单元格的绝对高程值，ki表示第i个格网单元格空间位置对应的数字高程模型有k个像元值，k个像元值分别为ui1、ui2、ui3...uik；
S32、计算格网单元格的用地类型值：
ti=(D1×s1+ D2×s2+ D3×s3)/(s1+s2+s3)，
且满足h1+h2+h3=h及s1+s2+s3=a2，
其中，ti表示第i个格网单元格的用地类型值；D1表示建成区或者水面的预设权重值，D2表示裸地或者荒地的预设权重值，D3表示施工用地的预设权重值，s1表示建成区或者水面的面积，s2表示裸地或者荒地的面积，s2表示施工用地的面积，h表示第i个格网单元格对应的用地类型栅格数据的像元值个数，其中建成区或者水面的像元值有h1个，裸地或者荒地的像元值有h2个，施工用地的像元值有h3个；
S33、计算格网单元格的非绿地面积占比：
gi=1-sgi/a2，
其中，gi及sgi分别表示第i个格网单元格的非绿地面积占比和绿地面积，绿地面积根据所述绿地空间分布栅格数据计算得到；
S34、计算格网单元格的降雨量：
降雨量空间分布栅格数据的分辨率与格网单元格的大小相同，第i个格网单元格的预设时间段的降雨量ri即为降雨量空间分布栅格数据的第i个像元值大小；
S35、按照步骤S31至S34的方法计算得到N个格网单元格的黄泥水发生概率评价指标序列分别为：{e1，t1，g1，r1}、{e2，t2，g2，r2}、{e3，t3，g3，r3}...{eN，tN，gN，rN}，归一化处理后得到新的黄泥水发生概率评价指标序列依次为：{E1，T1，G1，R1}、{E2，T2，G2，R2}、{E3，T3，G3，R3}...{EN，TN，GN，RN}；
S36、根据黄泥水发生概率模型，计算得到N个格网单元格黄泥水发生概率的集合p={p1，p2，p3...pN}。
具体的，第i个格网单元格的绝对高程值ei即第i个格网单元格对应的“数据2”的平均值，如图7所示，根据数字高程模型计算获得各格网单元格的绝对高程值，在本实施例中，当a=d时，第i个格网单元格仅包含“数据2”的1个像元值，其格网单元格的绝对高程值ei=ui1；
ti即第i个格网单元格对应的“数据LU”的主要用地类型，在本实施例中，D1、D2和D3分别取值为0、0.5和1，如图4所示为对待研究区的三种用地类型的预设权重值按照该取值进行赋值后的结果。假设格网单元格的a=1米，其中第3行第3列的格网单元格的绿地面积为0.5平方米由公式1-0.5×0.5/(1×1)=0.75计算得到第3行第3列的格网单元格的非绿地占比为0.75，如图6所示。预设时间段根据实际需要选择，如选择最近24小时的降雨量。
步骤S4具体包括步骤：
S41、假设在第i个格网单元格发生黄泥水现象，预设回溯的临界距离为L，将第i个格网单元格的坐标记为（xi，yi），则与其相邻的4个格网单元格的坐标分别为（xi-1，yi）、（xi+1，yi）、（xi，yi-1）和（xi，yi+1），对应的绝对高程值分别记为exi-1，exi+1，eyi-1和eyi+1；
S42、判断exi-1，exi+1，eyi-1和eyi+1是否大于或者等于第i个格网单元格的绝对高程值ei，若是，则将对应的格网单元格标记为目标回溯单元格；
S43、对各个目标回溯单元格按照S41至S42的方法进行下一步的回溯分析，最终分析得到j个目标回溯单元格，且满足j×a≤L，其中格网单元格的大小为a米×a米；
S44、根据步骤S3的结果，获取所述j个目标回溯单元格的黄泥水发生概率中的最大值，则最大值对应的格网单元格的坐标，即判断为黄泥水发生源头。
具体的，当第i个格网单元格发生黄泥水现象，需要对其进行溯源分析查找源头，从第i个格网单元格起回溯临界距离L，其中临界距离L根据实测数据或者经验确定，实测数据包括排水管网或者河涌中高含沙量水流泥沙量弥散特征。假如在坐标为（x0，y0）的格网单元格发生了黄泥水现象，按照绝对高程值有向图回溯方法进行搜索临界距离L，搜索过程中涉及到j个格网单元格，依据N个格网单元格黄泥水发生概率的集合p={p1，p2，p3...pN}得到j个格网单元格黄泥水发生概率的集合{pj}，其中{pj}中最大值对应的格网单元格为第s个，那么第s个格网单元格所在的坐标为（xs，ys）即判断为最有可能的黄泥水发生源头。
在本实施例中，如图8和图11所示，假设图8中第5行第5列的格网单元格发生黄泥水预警（对应的绝对高程值是0.33），找出其相邻的四个格网单元格并将该四个格网单元格对应的绝对高程值与0.33对比，判断后确定0.43与0.40所在的格网单元格为目标回溯单元格，再分别对0.43与0.40所在的格网单元格分别进行溯源，以此类推，得到图11中阴影区域的格网单元格为全部目标回溯单元格，获取全部目标回溯单元格对应的黄泥水发生概率，如图12所示，得到其中的最大值为0.91，则该最大值所在的格网单元格即第1行第6列所在的坐标即判断为本次要找的黄泥水源头。其中，本次回溯过程中从预警的格网单元格回溯至此最大值所在的格网单元格的距离为6个格网单元格的大小。
本发明的城市黄泥水多尺度溯源方法不依赖城市水系管网等基础资料进行溯源分析，依据格网分辨率大小，获得不同精度的溯源分析结果，对应的投入成本也不相同，格网分辨率越高精度越好成本越高，且根据有向图回溯分析方法搜索，物理机制明确，提高溯源分析的工作效率。
步骤S2中，所述归一化处理的公式如下：
Xi=（xi- xmin）/( xmax- xmin)，
其中，Xi表示归一化处理后第i个格网单元格的黄泥水发生概率评价指标，xi表示归一化处理前第i个格网单元格的黄泥水发生概率评价指标，xi包括ei、ti、gi及ri，xmax和xmin分别表示归一化处理前N个格网单元格的黄泥水发生概率评价指标中的最大值和最小值。
具体的，在本实施例中，图6为本发明的待研究区的各格网单元格的非绿地面积占比的赋值及归一化处理结果，归一化处理前后的结果数值一致，此时对应的公式为Gi=（gi-gmin）/( gmax- gmin)。例如图6中的第4行第4列的格网单元格的非绿地面积占比赋值为0，通过公式计算归一化处理的结果（0-0）/(1-0)=0。图7和图8分别为本发明的待研究区的各格网单元格的绝对高程值的归一化处理前、后的数据结果，此时对应的公式为Ei=（ei- emin）/( emax- emin)。例如图7中的第4行第4列的格网单元格的绝对高程值是51，通过公式计算归一化处理的结果（51-39）/(69-39)=0.40。图9和图10分别为本发明的待研究区的各格网单元格最近24小时预警降雨量归一化处理前、后的数据结果, 此时对应的计算公式为Ri=（ri-rmin）/( rmax- rmin)。
实施例2
城市黄泥水多尺度溯源系统，包括：
数据获取模块，用于获取并处理待研究区的基础数据，将待研究区进行空间格网化为N个格网单元格，得到待研究区的数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据；
建模模块，用于构建黄泥水发生概率模型：
pi=f(Ei，Ti，Gi，Ri)=(Ei+Ti+Gi+Ri)/4，
其中，pi表示第i个格网单元格的黄泥水发生概率，i=1…N，Ei、Ti、Gi及Ri分别表示对黄泥水发生概率评价指标ei、ti、gi及ri分别进行归一化处理后得到的数据，ei、ti、gi及ri分别表示第i个格网单元格的绝对高程值、用地类型值、非绿地面积占比及降雨量；
计算模块，用于基于所述黄泥水发生概率模型，并根据所述数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据分别计算N个格网单元格的黄泥水发生概率；
溯源分析模块，用于判断当基础数据中的降雨量为已经发生的降雨量，通过格网单元格的绝对高程值的有向图回溯方法进行溯源分析，得到j个目标回溯单元格，根据计算模块的结果获取j个目标回溯单元格的黄泥水发生概率中的最大值，则最大值对应的格网单元格的坐标，即判断为黄泥水发生源头。
实施例3
如图13所示为城市黄泥水源头预警方法的流程示意图，包括步骤：
S01、获取并处理待研究区的基础数据，将待研究区进行空间格网化为N个格网单元格，得到待研究区的数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据；
S02、构建黄泥水发生概率模型：
pi=f(Ei，Ti，Gi，Ri)=(Ei+Ti+Gi+Ri)/4，
其中，pi表示第i个格网单元格的黄泥水发生概率，i=1…N，Ei、Ti、Gi及Ri分别表示对黄泥水发生概率评价指标ei、ti、gi及ri分别进行归一化处理后得到的数据，ei、ti、gi及ri分别表示第i个格网单元格的绝对高程值、用地类型值、非绿地面积占比及降雨量；
S03、基于所述黄泥水发生概率模型，并根据所述数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据分别计算N个格网单元格的黄泥水发生概率；
S04、根据N个格网单元格黄泥水发生概率进行黄泥水溯源分析：
当基础数据中的降雨量为预报值，则统计N个网格单元格的黄泥水发生概率中大于或者等于设定预警值的格网单元格对应的坐标，即判断为预报降雨发生后最有可能的黄泥水发生源头，并发出预警信息。
具体的，本发明的城市黄泥水源头预警方法首先获取待研究区的数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据，再通过格网单元格的绝对高程值、用地类型值、非绿地面积占比及降雨量四个黄泥水发生概率评价指标构建黄泥水发生概率模型，然后基于黄泥水发生概率模型计算N个格网单元格的黄泥水发生概率，当降雨量为预报值，即通过天气预报等气象部门获取的未来一段时间内降雨量数据，根据N个格网单元格黄泥水发生概率与预设预警值判断，得到黄泥水源头的目标范围并发出预警。步骤S04中设定预警值采用统计法确定，具体包括：
假设待研究区有黄泥水发生源头B个，假设已经发生了U次降雨且每次降雨B个黄泥水源头均产生了黄泥水现象，那么待研究区就有B×U次黄泥水事件，该B个源头是确定的且U次黄泥水事件为实际发生，B及U可以根据气象部门历史记录数据和现场调查获取；
按照步骤S01获取并处理待研究区的基础数据，得到数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据，该基础数据中的降雨量对应的是所述U次降雨过程的降雨量；
基于步骤S02中的黄泥水发生概率模型并根据上述数据，计算待研究区各格网单元格发生B×U次黄泥水事件的发生概率，得到概率集合{p’1-1，p’1-2，p’1-3...p’1-Z，p’2-1，p’2-2，p’2-3...p’2-Z，p’3-1，p’3-2，p’3-3...p’3-Z，p’F-1，p’F-2，p’F-3...p’F-Z}，其中Z=1…U，F=1…B。p’F-Z表示第F个黄泥水源头第Z次降雨发生黄泥水事件根据黄泥水计算模型计算得到的概率值。选择所述概率集合中的最小值作为设定预警值。设定预警值的设定便于提高黄泥水排查工作效率，在本实施例中，通过将N个格网单元格黄泥水发生概率的集合p={p1，p2，p3...pN}的各个概率与设定预警值比较，统计N个格网单元格黄泥水发生概率集合p={p1，p2，p3...pN}中概率大于或者等于设定预警值的格网单元格，获取对应在坐标，则这些坐标判断为本次城市黄泥水源头的预警目标范围，即未来一段时间内发生降雨后极有可能是区域黄泥水源头。人员可根据预警信息对现场隐患情况进行查漏补缺，避免或减轻黄泥水源头的发生。
本发明的方法采用多指标评价与概率分析，实现高效预测城市黄泥水源头的目标范围，提高预警的可靠性。
步骤S01中，所述基础数据包括边界矢量数据、正射遥感影像、数字高程模型及降雨量数据，所述正射遥感影像的分辨率记为y米，数字高程模型的分辨率记为d米，每个所述格网单元格的大小为a米×a米，满足a≥y且a≥d；
根据正射遥感影像获取所述用地类型栅格数据和绿地空间分布栅格数据，所述用地类型包括建成区或者水面、裸地或者荒地、以及施工用地，根据降雨量数据获取降雨量空间分布栅格数据。
具体的，在本实施例中，待研究区的边界矢量数据记为“数据0”，将待研究区的正射遥感影像记为“数据1”，正射遥感影像选择高分辨率正射遥感影像，分辨率y≤2，将待研究区的数值高程模型记为“数据2”，数字高程模型选择高分辨率数值高程模型，分辨率d≤2，将待研究区的m个站点降雨量数据记为“数据3”，对应的单位为毫米。
如图2至图3所示，基于“数据0”对待研究区进行格网化处理；基于“数据1”获取所述用地类型栅格数据（记为“数据LU”）和绿地空间分布栅格数据（记为“数据GD”），如图5所示为待研究区的绿地空间分布图，且“数据LU”和“数据GD”的空间分辨率均小于或者等于a，其中用地类型包括建成区或者水面、裸地或者荒地、以及施工用地这三种类型，分别对应图3中的空白处、黑色方框及黑色圆形；基于“数据3”，采用常规的空间插值的方法如反距离加权法、泰森多边形法及克里金邻域法将“数据3”由点状分布数据转为面状分布的栅格数据，即降雨量空间分布栅格数据（记为“数据RF”），保证“数据RF”分辨率（即栅格数据的像元边长）与待研究区的空间栅格单元格的边长相同。
步骤S03具体包括步骤，
S031、计算格网单元格的绝对高程值：
ei=(ui1+ui2+ui3+...+uik)/ki，
其中，ei为第i个格网单元格的绝对高程值，ki表示第i个格网单元格空间位置对应的数字高程模型有k个像元值，k个像元值分别为ui1、ui2、ui3...uik；
S032、计算格网单元格的用地类型值：
ti=(D1×s1+ D2×s2+ D3×s3)/(s1+s2+s3)，
且满足h1+h2+h3=h及s1+s2+s3=a2，
其中，ti表示第i个格网单元格的用地类型值，D1表示建成区或者水面的预设权重值，D2表示裸地或者荒地的预设权重值，D3表示施工用地的预设权重值，s1表示建成区或者水面的面积，s2表示裸地或者荒地的面积，s2表示施工用地的面积，h表示第i个格网单元格对应的用地类型栅格数据的像元值个数，其中建成区或者水面的像元值有h1个，裸地或者荒地的像元值有h2个，施工用地的像元值有h3个；
S033、计算格网单元格的非绿地面积占比：
gi=1-sgi/a2，
其中，gi及sgi分别表示第i个格网单元格的非绿地面积占比和绿地面积，绿地面积根据所述绿地空间分布栅格数据计算得到；
S034、计算格网单元格的降雨量：
降雨量空间分布栅格数据的分辨率与格网单元格的大小相同，第i个格网单元格的预设时间段的降雨量ri即为降雨量空间分布栅格数据的第i个像元值大小；
S035、按照步骤S031至S034的方法计算得到N个格网单元格的黄泥水发生概率评价指标序列分别为：{e1，t1，g1，r1}、{e2，t2，g2，r2}、{e3，t3，g3，r3}...{eN，tN，gN，rN}，归一化处理后得到新的黄泥水发生概率评价指标序列依次为：{E1，T1，G1，R1}、{E2，T2，G2，R2}、{E3，T3，G3，R3}...{EN，TN，GN，RN}；
S036、根据黄泥水发生概率模型，计算得到N个格网单元格黄泥水发生概率的集合p={p1，p2，p3...pN}。
具体的，i个格网单元格的绝对高程值ei即第i个格网单元格对应的“数据2”的平均值，如图7所示，根据数字高程模型计算获得各格网单元格的绝对高程值，在本实施例中，当a=d时，第i个格网单元格仅包含“数据2”的1个像元值，其格网单元格的绝对高程值ei=ui1；
ti即第i个格网单元格对应的“数据LU”的主要用地类型，在本实施例中，D1、D2和D3分别取值为0、0.5和1，如图4所示为对待研究区的三种用地类型的预设权重值按照该取值进行赋值后的结果。假设格网单元格的a=1米，其中第3行第3列的格网单元格的绿地面积为0.5平方米由公式1-0.5×0.5/(1×1)=0.75计算得到第3行第3列的格网单元格的非绿地占比为0.75，如图6所示。
本发明的城市黄泥水源头预警方法不依赖城市水系管网等基础资料进行溯源预测分析，依据格网单元格的分辨率大小，获得不同精度的溯源分析结果，格网单元格的分辨率越高精度越好，本发明为黄泥水源头预防治理提供决策依据。
步骤S02中，所述归一化处理的公式如下：
Xi=（xi- xmin）/( xmax- xmin)，
其中，Xi表示归一化处理后第i个格网单元格的黄泥水发生概率评价指标，xi表示归一化处理前第i个格网单元格的黄泥水发生概率评价指标，xi包括ei、ti、gi及ri，xmax和xmin分别表示归一化处理前N个格网单元格的黄泥水发生概率评价指标中的最大值和最小值。
具体的，在本实施例中，图6为本发明的待研究区的各格网单元格的非绿地面积占比的赋值及归一化处理结果，归一化处理前后的结果数值一致，此时对应的公式为Gi=（gi-gmin）/( gmax- gmin)。例如图6中的第4行第4列的格网单元格的非绿地面积占比赋值为0，通过公式计算归一化处理的结果（0-0）/(1-0)=0。图7和图8分别为本发明的待研究区的各格网单元格的绝对高程值的归一化处理前、后的数据结果，此时对应的公式为Ei=（ei- emin）/( emax- emin)。例如图7中的第4行第4列的格网单元格的绝对高程值是51，通过公式计算归一化处理的结果（51-39）/(69-39)=0.40。图9和图10分别为本发明的待研究区的各格网单元格最近24小时预警降雨量归一化处理前、后的数据结果, 此时对应的计算公式为Ri=（ri-rmin）/( rmax- rmin)。
上述实施例为本发明较佳的实施方式，并不能对本发明进行限定，其他的任何未背离本发明的技术方案而所做的改变或其它等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.城市黄泥水多尺度溯源方法，其特征在于，包括步骤：
S1、获取并处理待研究区的基础数据，将待研究区进行空间格网化为N个格网单元格，得到待研究区的数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据；
S2、构建黄泥水发生概率模型：
pi=f(Ei，Ti，Gi，Ri)=(Ei+Ti+Gi+Ri)/4，
其中，pi表示第i个格网单元格的黄泥水发生概率，i=1…N，Ei、Ti、Gi及Ri分别表示对黄泥水发生概率评价指标ei、ti、gi及ri分别进行归一化处理后得到的数据，ei、ti、gi及ri分别表示第i个格网单元格的绝对高程值、用地类型值、非绿地面积占比及降雨量；
S3、基于所述黄泥水发生概率模型，并根据所述数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据分别计算N个格网单元格的黄泥水发生概率；
步骤S3具体包括步骤，
S31、计算格网单元格的绝对高程值：
ei=(ui1+u i2+u i3+...+uik)/ki，
其中，ei为第i个格网单元格的绝对高程值，ki表示第i个格网单元格空间位置对应的数字高程模型有k个像元值，k个像元值分别为ui1、u i2、u i3...uik；
S32、计算格网单元格的用地类型值：
ti=(D1×s1+ D2×s2+ D3×s3)/(s1+s2+s3)，
且满足h1+h2+h3=h及s1+s2+s3=a2，
其中，ti表示第i个格网单元格的用地类型值；D1表示建成区或者水面的预设权重值，D2表示裸地或者荒地的预设权重值，D3表示施工用地的预设权重值，s1表示建成区或者水面的面积，s2表示裸地或者荒地的面积，s2表示施工用地的面积，h表示第i个格网单元格对应的用地类型栅格数据的像元值个数，其中建成区或者水面的像元值有h1个，裸地或者荒地的像元值有h2个，施工用地的像元值有h3个；
S33、计算格网单元格的非绿地面积占比：
gi=1-sgi/a2，
其中，gi及sgi分别表示第i个格网单元格的非绿地面积占比和绿地面积，绿地面积根据所述绿地空间分布栅格数据计算得到；
S34、计算格网单元格的降雨量：
降雨量空间分布栅格数据的分辨率与格网单元格的大小相同，第i个格网单元格的预设时间段的降雨量ri即为降雨量空间分布栅格数据的第i个像元值大小；
S35、按照步骤S31至S34的方法计算得到N个格网单元格的黄泥水发生概率评价指标序列分别为：{e1，t1，g1，r1}、{e2，t2，g2，r2}、{e3，t3，g3，r3}...{eN，tN，gN，rN}，归一化处理后得到新的黄泥水发生概率评价指标序列依次为：{E1，T1，G1，R1}、{E2，T2，G2，R2}、{E3，T3，G3，R3}...{EN，TN，GN，RN}；
S36、根据黄泥水发生概率模型，计算得到N个格网单元格黄泥水发生概率的集合p={p1，p2，p3...pN}；
S4、当基础数据中的降雨量为已经发生的降雨量，通过格网单元格的绝对高程值的有向图回溯方法进行溯源分析，得到j个目标回溯单元格，根据步骤S3的结果获取j个目标回溯单元格的黄泥水发生概率中的最大值，则最大值对应的格网单元格的坐标，即判断为黄泥水发生源头；
步骤S4具体包括步骤：
S41、假设在第i个格网单元格发生黄泥水现象，预设回溯的临界距离L，将第i个格网单元格的坐标记为（xi，yi），则与其相邻的4个格网单元格的坐标分别为（xi-1，yi）、（xi+1，yi）、（xi，yi-1）和（xi，yi+1），对应的绝对高程值分别记为e xi-1，e xi+1，e yi-1和e yi+1；
S42、判断e xi-1，e xi+1，e yi-1和e yi+1是否大于或者等于第i个格网单元格的绝对高程值ei，若是，则将对应的格网单元格标记为目标回溯单元格；
S43、对各个目标回溯单元格按照S41至S42的方法进行下一步的回溯分析，最终分析得到j个目标回溯单元格，且满足j×a≤L，其中格网单元格的大小为a米×a米；
S44、根据步骤S3的结果，获取所述j个目标回溯单元格的黄泥水发生概率中的最大值，则最大值对应的格网单元格的坐标，即判断为黄泥水发生源头。
2.根据权利要求1所述的城市黄泥水多尺度溯源方法，其特征在于，步骤S1中，所述基础数据包括边界矢量数据、正射遥感影像、数字高程模型及降雨量数据，所述正射遥感影像的分辨率记为y米，数字高程模型的分辨率记为d米，每个所述格网单元格的大小为a米×a米，满足a≥y且a≥d；
根据正射遥感影像获取所述用地类型栅格数据和绿地空间分布栅格数据，用地类型包括建成区或者水面、裸地或者荒地、以及施工用地，根据降雨量数据获取降雨量空间分布栅格数据。
3.根据权利要求1所述的城市黄泥水多尺度溯源方法，其特征在于，步骤S2中，所述归一化处理的公式如下：
Xi=（xi- xmin）/( xmax- xmin)，
其中，Xi表示归一化处理后第i个格网单元格的黄泥水发生概率评价指标，xi表示归一化处理前第i个格网单元格的黄泥水发生概率评价指标，xi包括ei、ti、gi及ri，xmax和xmin分别表示归一化处理前N个格网单元格的黄泥水发生概率评价指标中的最大值和最小值。
4.城市黄泥水多尺度溯源系统，应用于权利要求1所述的方法，其特征在于，包括：
数据获取模块，用于获取并处理待研究区的基础数据，将待研究区进行空间格网化为N个格网单元格，得到待研究区的数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据；
建模模块，用于构建黄泥水发生概率模型：
pi=f(Ei，Ti，Gi，Ri)=(Ei+Ti+Gi+Ri)/4，
其中，pi表示第i个格网单元格的黄泥水发生概率，i=1…N，Ei、Ti、Gi及Ri分别表示对黄泥水发生概率评价指标ei、ti、gi及ri分别进行归一化处理后得到的数据，ei、ti、gi及ri分别表示第i个格网单元格的绝对高程值、用地类型值、非绿地面积占比及降雨量；
计算模块，用于基于所述黄泥水发生概率模型，并根据所述数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据分别计算N个格网单元格的黄泥水发生概率；
溯源分析模块，用于当基础数据中的降雨量为已经发生的降雨量，通过格网单元格的绝对高程值的有向图回溯方法进行溯源分析，得到j个目标回溯单元格，根据计算模块的结果获取j个目标回溯单元格的黄泥水发生概率中的最大值，则最大值对应的格网单元格的坐标，即判断为黄泥水发生源头。
5.城市黄泥水源头预警方法，其特征在于，包括步骤：
S01、获取并处理待研究区的基础数据，将待研究区进行空间格网化为N个格网单元格，得到待研究区的数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据；
步骤S01中，所述基础数据包括边界矢量数据、正射遥感影像、数字高程模型及降雨量数据，所述正射遥感影像的分辨率记为y米，数字高程模型的分辨率记为d米，每个所述格网单元格的大小为a米×a米，满足a≥y且a≥d；
根据正射遥感影像获取所述用地类型栅格数据和绿地空间分布栅格数据，所述用地类型包括建成区或者水面、裸地或者荒地、以及施工用地，根据降雨量数据获取降雨量空间分布栅格数据；
S02、构建黄泥水发生概率模型：
pi =f(Ei，Ti，Gi，Ri)=(Ei+Ti+Gi+Ri)/4，
其中，pi表示第i个格网单元格的黄泥水发生概率，i=1…N，Ei、Ti、Gi及Ri分别表示对黄泥水发生概率评价指标ei、ti、gi及ri分别进行归一化处理后得到的数据，ei、ti、gi及ri分别表示第i个格网单元格的绝对高程值、用地类型值、非绿地面积占比及降雨量；
S03、基于所述黄泥水发生概率模型，并根据所述数字高程模型、用地类型栅格数据、绿地空间分布栅格数据及降雨量空间分布栅格数据分别计算N个格网单元格的黄泥水发生概率；
步骤S03具体包括步骤，
S031、计算格网单元格的绝对高程值：
ei=(ui1+u i2+u i3+...+uik)/ki，
其中，ei为第i个格网单元格的绝对高程值，ki表示第i个格网单元格空间位置对应的数字高程模型有k个像元值，k个像元值分别为ui1、u i2、u i3...uik；
S032、计算格网单元格的用地类型值：
ti=(D1×s1+ D2×s2+ D3×s3)/(s1+s2+s3)，
且满足h1+h2+h3=h及s1+s2+s3=a2，
其中，ti表示第i个格网单元格的用地类型值；D1表示建成区或者水面的预设权重值，D2表示裸地或者荒地的预设权重值，D3表示施工用地的预设权重值，s1表示建成区或者水面的面积，s2表示裸地或者荒地的面积，s2表示施工用地的面积，h表示第i个格网单元格对应的用地类型栅格数据的像元值个数，其中建成区或者水面的像元值有h1个，裸地或者荒地的像元值有h2个，施工用地的像元值有h3个；
S033、计算格网单元格的非绿地面积占比：
gi=1-sgi/a2，
其中，gi及sgi分别表示第i个格网单元格的非绿地面积占比和绿地面积，绿地面积根据所述绿地空间分布栅格数据计算得到；
S034、计算格网单元格的降雨量：
降雨量空间分布栅格数据的分辨率与格网单元格的大小相同，第i个格网单元格的预设时间段的降雨量ri即为降雨量空间分布栅格数据的第i个像元值大小；
S035、按照步骤S031至S034的方法计算得到N个格网单元格的黄泥水发生概率评价指标序列分别为：{e1，t1，g1，r1}、{e2，t2，g2，r2}、{e3，t3，g3，r3}...{eN，tN，gN，rN}，归一化处理后得到新的黄泥水发生概率评价指标序列依次为：{E1，T1，G1，R1}、{E2，T2，G2，R2}、{E3，T3，G3，R3}...{EN，TN，GN，RN}；
S036、根据黄泥水发生概率模型，计算得到N个格网单元格黄泥水发生概率的集合p={p1，p2，p3...pN}；
S04、根据N个格网单元格黄泥水发生概率进行黄泥水溯源分析：
当基础数据中的降雨量为预报值，则统计N个网格单元格的黄泥水发生概率中大于或者等于设定预警值的格网单元格对应的坐标，即判断为预报降雨发生后最有可能的黄泥水发生源头，并发出预警信息。
6.根据权利要求5所述的城市黄泥水源头预警方法，其特征在于，步骤S02中，所述归一化处理的公式如下：
Xi=（xi- xmin）/( xmax- xmin)，
其中，Xi表示归一化处理后第i个格网单元格的黄泥水发生概率评价指标，xi表示归一化处理前第i个格网单元格的黄泥水发生概率评价指标，xi包括ei、ti、gi及ri，xmax和xmin分别表示归一化处理前N个格网单元格的黄泥水发生概率评价指标中的最大值和最小值。
CN202410275093.2A 2024-03-12 2024-03-12 城市黄泥水多尺度溯源方法、系统及源头预警方法 Active CN117876197B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410275093.2A CN117876197B (zh) 2024-03-12 2024-03-12 城市黄泥水多尺度溯源方法、系统及源头预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410275093.2A CN117876197B (zh) 2024-03-12 2024-03-12 城市黄泥水多尺度溯源方法、系统及源头预警方法

Publications (2)

Publication Number Publication Date
CN117876197A CN117876197A (zh) 2024-04-12
CN117876197B true CN117876197B (zh) 2024-05-24

Family

ID=90579500

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410275093.2A Active CN117876197B (zh) 2024-03-12 2024-03-12 城市黄泥水多尺度溯源方法、系统及源头预警方法

Country Status (1)

Country Link
CN (1) CN117876197B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795947A (zh) * 2022-11-15 2023-03-14 中国水利水电科学研究院 一种基于数字高程模型的河道反向溯源确定方法
CN116499519A (zh) * 2023-03-21 2023-07-28 珠江水利委员会珠江流域水土保持监测中心站 城市黄泥水信息化感知的监测预警装置及方法
CN117113038A (zh) * 2023-10-25 2023-11-24 珠江水利委员会珠江水利科学研究院 城市水土流失黄泥水事件溯源方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795947A (zh) * 2022-11-15 2023-03-14 中国水利水电科学研究院 一种基于数字高程模型的河道反向溯源确定方法
CN116499519A (zh) * 2023-03-21 2023-07-28 珠江水利委员会珠江流域水土保持监测中心站 城市黄泥水信息化感知的监测预警装置及方法
CN117113038A (zh) * 2023-10-25 2023-11-24 珠江水利委员会珠江水利科学研究院 城市水土流失黄泥水事件溯源方法及系统

Also Published As

Publication number Publication date
CN117876197A (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
CN109508630B (zh) 一种基于人工智能识别水尺水位的方法
CN111062361B (zh) 一种河湖岸线采砂监测分析的方法及装置
CN111507375B (zh) 一种城市内涝风险快速评估方法及系统
CN117010726B (zh) 用于城市防洪的智慧预警方法及系统
CN117688844B (zh) 一种基于深度神经网络的城市内涝实时模拟方法及系统
CN114399204A (zh) 一种城市内涝灾害风险评估方法
WO2018147086A1 (ja) 道路陥没危険度評価装置および道路陥没危険度評価方法、ならびに道路陥没危険度評価用コンピュータプログラム
CN110285330B (zh) 一种基于局部离群因子的水务网管网爆管检测方法
CN113837450A (zh) 基于深度学习的河网密集流域水情趋势预测方法及其应用
CN117408173B (zh) 一种基于机器学习的水文流量整编智能模型构建方法
CN116822185B (zh) 基于hasm的日降水数据空间模拟方法和系统
CN113593191A (zh) 一种基于大数据的可视化城市内涝监测预警系统
CN117275188A (zh) 一种山洪灾害监测预警系统和方法
CN114997534A (zh) 基于视觉特征的相似降雨预报方法和设备
CN113076617A (zh) 一种城市供水管网结构与功能的可视化方法、系统、设备、信息化管网系统及介质
CN118314491B (zh) 一种基于无人机测绘的海滩侵蚀检测和定量计算方法
CN116542553A (zh) 一种基于人群分布预测的规划方案生态评估与优化方法
CN114528672B (zh) 基于3s技术的城市水文站网布设方法及系统
CN106202707A (zh) 一种基于灰色置信区间的结构应力‑强度干涉模型集合可靠性分析方法
CN117876197B (zh) 城市黄泥水多尺度溯源方法、系统及源头预警方法
CN117169121B (zh) 一种基于云边端架构的交通道路病害检测系统及方法
CN116758707B (zh) 一种基于大数据的地质灾害监测系统及方法
CN117372629A (zh) 一种基于数字孪生的水库可视化数据监管控制系统及方法
CN107490363B (zh) 一种基于地表温度数据的产热企业生产强度监测方法
CN114021422A (zh) 一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法

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