CN117992919A - 基于机器学习和多气象模态融合的河流洪水预警方法 - Google Patents

基于机器学习和多气象模态融合的河流洪水预警方法 Download PDF

Info

Publication number
CN117992919A
CN117992919A CN202410168448.8A CN202410168448A CN117992919A CN 117992919 A CN117992919 A CN 117992919A CN 202410168448 A CN202410168448 A CN 202410168448A CN 117992919 A CN117992919 A CN 117992919A
Authority
CN
China
Prior art keywords
river
meteorological
time sequence
feature
rainfall
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202410168448.8A
Other languages
English (en)
Inventor
徐金阁
靳莉君
吕园园
刘静
刘兴畅
戴昌明
郭强
龚玺
严昌盛
刘群
康翰一
王鹏
韩作强
王婷
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.)
Hydrology And Water Resources Information Center Of Yellow River Water Conservancy Commission
China Energy Engineering Group Hunan Electric Power Design Institute Co Ltd
Original Assignee
Hydrology And Water Resources Information Center Of Yellow River Water Conservancy Commission
China Energy Engineering Group Hunan Electric Power Design Institute 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 Hydrology And Water Resources Information Center Of Yellow River Water Conservancy Commission, China Energy Engineering Group Hunan Electric Power Design Institute Co Ltd filed Critical Hydrology And Water Resources Information Center Of Yellow River Water Conservancy Commission
Priority to CN202410168448.8A priority Critical patent/CN117992919A/zh
Publication of CN117992919A publication Critical patent/CN117992919A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Emergency Management (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Image Processing (AREA)

Abstract

公开了一种基于机器学习和多气象模态融合的河流洪水预警方法。其首先将河流水位的时间序列和降雨量的时间序列分别排列为输入向量后进行关联编码以得到降雨量‑河流水位时序关联特征向量，接着，通过河流流域地表形态特征提取器对河流流域的卫星遥感图像进行特征提取并使用基于重参数化层的特征图增强器进行处理以得到河流流域地表形态增强特征图，然后，对所述河流流域地表形态增强特征图和所述降雨量‑河流水位时序关联特征向量进行多模态融合以得到多气象模态融合特征，最后，基于所述多气象模态融合特征，确定是否产生河流洪水预警提示。这样，可以提高洪水预警的准确性和实时性，为洪水防御和救援提供有效的决策支持。

Description

基于机器学习和多气象模态融合的河流洪水预警方法
技术领域
本申请涉及河流洪水预警领域，且更为具体地，涉及一种基于机器学习和多气象模态融合的河流洪水预警方法。
背景技术
河流洪水是一种常见的自然灾害，对人类社会和生态环境造成严重的损失。为了有效地预防和减轻洪水灾害，需要建立科学的洪水预警系统，及时提供准确的洪水信息和预警信号。然而，传统的洪水预警方法通常基于经验公式或水文模型，忽略了河流水位和降雨量之间的复杂非线性关系，以及河流流域的地表形态对洪水影响的多样性，导致预警结果的不稳定性和不可靠性。
因此，期望一种基于机器学习和多气象模态融合的河流洪水预警方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请提供了一种基于机器学习和多气象模态融合的河流洪水预警方法，其可以利用卫星遥感、气象站等多种数据源，通过机器学习算法建立河流水位和降雨量之间的关联关系模型，以此来进行河流水位的预测和判断，并且，还可以结合河流流域的地形、土壤、植被等河流流域地表形态信息，以此来评估洪水灾害的可能性和严重程度，从而综合生成不同等级的洪水预警信号。
根据本申请的一个方面，提供了一种基于机器学习和多气象模态融合的河流洪水预警方法，其包括：
获取河流流域的卫星遥感图像；
获取气象站数据，其中，所述气象站数据包括河流水位的时间序列和降雨量的时间序列；
将所述河流水位的时间序列和所述降雨量的时间序列分别按照时间维度排列为河流水位时序输入向量和降雨量时序输入向量；
对所述降雨量时序输入向量和所述河流水位时序输入向量进行关联编码以得到降雨量-河流水位时序关联特征向量；
通过基于深度神经网络模型的河流流域地表形态特征提取器对所述河流流域的卫星遥感图像进行特征提取以得到河流流域地表形态特征图；
使用基于重参数化层的特征图增强器对所述河流流域地表形态特征图进行处理以得到河流流域地表形态增强特征图；
对所述河流流域地表形态增强特征图和所述降雨量-河流水位时序关联特征向量进行多模态融合以得到多气象模态融合特征；以及
基于所述多气象模态融合特征，确定是否产生河流洪水预警提示。
与现有技术相比，本申请提供的基于机器学习和多气象模态融合的河流洪水预警方法，其首先将河流水位的时间序列和降雨量的时间序列分别排列为输入向量后进行关联编码以得到降雨量-河流水位时序关联特征向量，接着，通过河流流域地表形态特征提取器对河流流域的卫星遥感图像进行特征提取并使用基于重参数化层的特征图增强器进行处理以得到河流流域地表形态增强特征图，然后，对所述河流流域地表形态增强特征图和所述降雨量-河流水位时序关联特征向量进行多模态融合以得到多气象模态融合特征，最后，基于所述多气象模态融合特征，确定是否产生河流洪水预警提示。这样，可以提高洪水预警的准确性和实时性，为洪水防御和救援提供有效的决策支持。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的基于机器学习和多气象模态融合的河流洪水预警方法的流程图。
图2为根据本申请实施例的基于机器学习和多气象模态融合的河流洪水预警方法的架构示意图。
图3为根据本申请实施例的基于机器学习和多气象模态融合的河流洪水预警系统的框图。
图4为根据本申请实施例的基于机器学习和多气象模态融合的河流洪水预警方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通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，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
针对上述技术问题，在本申请的技术方案中，提出了一种基于机器学习和多气象模态融合的河流洪水预警方法，该方法利用了卫星遥感、气象站等多种数据源，通过机器学习算法建立了河流水位和降雨量之间的关联关系模型，以此来进行河流水位的预测和判断，并且，还结合了河流流域的地形、土壤、植被等河流流域地表形态信息，以此来评估洪水灾害的可能性和严重程度，从而综合生成不同等级的洪水预警信号。这样，能够提高洪水预警的准确性和实时性，为洪水防御和救援提供有效的决策支持。
图1为根据本申请实施例的基于机器学习和多气象模态融合的河流洪水预警方法的流程图。图2为根据本申请实施例的基于机器学习和多气象模态融合的河流洪水预警方法的架构示意图。如图1和图2所示，根据本申请实施例的基于机器学习和多气象模态融合的河流洪水预警方法，包括步骤：S110，获取河流流域的卫星遥感图像；S120，获取气象站数据，其中，所述气象站数据包括河流水位的时间序列和降雨量的时间序列；S130，将所述河流水位的时间序列和所述降雨量的时间序列分别按照时间维度排列为河流水位时序输入向量和降雨量时序输入向量；S140，对所述降雨量时序输入向量和所述河流水位时序输入向量进行关联编码以得到降雨量-河流水位时序关联特征向量；S150，通过基于深度神经网络模型的河流流域地表形态特征提取器对所述河流流域的卫星遥感图像进行特征提取以得到河流流域地表形态特征图；S160，使用基于重参数化层的特征图增强器对所述河流流域地表形态特征图进行处理以得到河流流域地表形态增强特征图；S170，对所述河流流域地表形态增强特征图和所述降雨量-河流水位时序关联特征向量进行多模态融合以得到多气象模态融合特征；以及，S180，基于所述多气象模态融合特征，确定是否产生河流洪水预警提示。
具体地，在本申请的技术方案中，首先，获取河流流域的卫星遥感图像，并获取气象站数据，其中，所述气象站数据包括河流水位的时间序列和降雨量的时间序列。接着，考虑到在河流洪水预警中，所述河流水位和所述降雨量在时间维度上具有着时序的动态变化规律，并且，河流水位和降雨量之间还存在着复杂的关联关系。因此，为了能够建立河流水位和降雨量之间的关联关系，以便于实现对未来水位的预测，在本申请的技术方案中，需要将所述河流水位的时间序列和所述降雨量的时间序列分别按照时间维度排列为河流水位时序输入向量和降雨量时序输入向量。
继而，再计算所述降雨量时序输入向量相对于所述河流水位时序输入向量的样本协方差关联矩阵以得到降雨量-河流水位时序关联矩阵。应可以理解，在洪水预警中，降雨量是导致河流水位变化的主要因素之一。通过计算降雨量和河流水位的时序输入向量之间的样本协方差关联矩阵，可以揭示降雨量和河流水位之间的关联模式和变化趋势，为后续的特征提取和模型建立提供基础。
然后，将所述降雨量-河流水位时序关联矩阵通过基于卷积神经网络模型的降雨量-河流水位时序关联特征提取器中进行特征挖掘，以提取出所述降雨量和所述河流水位之间的时序协同关联特征信息，从而得到降雨量-河流水位时序关联特征向量。
相应地，在步骤S140中，对所述降雨量时序输入向量和所述河流水位时序输入向量进行关联编码以得到降雨量-河流水位时序关联特征向量，包括：计算所述降雨量时序输入向量相对于所述河流水位时序输入向量的样本协方差关联矩阵以得到降雨量-河流水位时序关联矩阵；以及，将所述降雨量-河流水位时序关联矩阵通过基于卷积神经网络模型的降雨量-河流水位时序关联特征提取器以得到所述降雨量-河流水位时序关联特征向量。
应可以理解，所述卫星遥感图像可以提供大范围的地表信息，包括河流流域的地形、土壤、植被等特征。这些地表特征对于洪水预警具有重要意义，因为它们可以影响水流的分布和流速，从而影响洪水的形成和发展。因此，为了能够提取地表形态特征，以进一步改善河流洪水预警的准确性，在本申请的技术方案中，进一步将所述河流流域的卫星遥感图像通过基于卷积神经网络模型的河流流域地表形态特征提取器中进行特征挖掘，以提取出所述卫星遥感图像中关于河流流域地表形态的特征分布信息，从而得到河流流域地表形态特征图。通过所述基于卷积神经网络模型的河流流域地表形态特征提取器进行处理，可以从所述卫星遥感图像中提取出与地表形态相关的特征，因此，所述河流流域地表形态特征图可以提供更详细和全面的河流流域地表形态特征信息，为洪水预警提供更全面和准确的信息。
相应地，在步骤S150中，所述深度神经网络模型为卷积神经网络模型，即，所述基于深度神经网络模型的河流流域地表形态特征提取器为基于卷积神经网络模型的河流流域地表形态特征提取器。值得一提的是，卷积神经网络(Convolutional Neural Network，CNN)是一种深度学习模型，主要用于处理具有网格结构的数据，它是一种前馈神经网络，具有多个层级，包括卷积层、池化层和全连接层。卷积神经网络的核心思想是通过卷积操作来提取输入数据的特征。卷积操作使用一组可学习的滤波器(也称为卷积核)对输入数据进行逐元素的乘法和求和运算，生成特征图(feature map)。这些特征图捕捉了输入数据的局部特征，例如边缘、纹理等。在卷积层之后，通常会应用池化层来减小特征图的尺寸，并且可以降低模型对输入数据的位置敏感性。常见的池化操作包括最大池化和平均池化。最后，通过全连接层将特征图转换为具有预测能力的向量，用于进行分类、回归或其他任务。全连接层中的每个神经元与前一层的所有神经元相连接。
进一步地，考虑到在洪水预警中，所述河流流域地表形态特征图包含了地表形态的信息，如高程、坡度等。然而，这些特征图可能还存在一些隐含的信息，因此，为了增强和丰富河流流域地表形态的这些特征的表达能力，使其更具区分性和鲁棒性，在本申请的技术方案中，进一步使用基于重参数化层的特征图增强器对所述河流流域地表形态特征图进行处理以得到河流流域地表形态增强特征图。通过所述基于重参数化层的特征图增强器进行处理，能够引入随机性，将原始特征图重新参数化为更丰富的特征表示，从而增强所述河流流域地表形态特征图的表达能力，使其更能捕捉到地表形态的细节和变化，从而提取出更具区分性和重要性的特征信息，如河流的形状、河道的宽度、地形的起伏等，从而更准确地评估洪水的可能性和严重程度。在这个过程中，每个所述河流流域地表形态特征图的均值和方差被提取出来，并用于生成新的特征图。这种重参数化的形式可以看作是在语义特征空间中进行数据增强的一种方式，这有助于提高分类器对不同河流流域地表形态特征的感知和识别能力，进一步改善洪水预警的准确性。
相应地，在步骤S160中，使用基于重参数化层的特征图增强器对所述河流流域地表形态特征图进行处理以得到河流流域地表形态增强特征图，包括：使用基于重参数化层的特征图增强器以如下增强公式对所述河流流域地表形态特征图进行处理以得到河流流域地表形态增强特征图；其中，所述增强公式为：
其中，F是所述河流流域地表形态特征图，F'是所述河流流域地表形态增强特征图，μ和σ分别是特征值集合fi∈F的均值和方差，fi是所述河流流域地表形态特征图的第i个位置的特征值，fi'是所述河流流域地表形态增强特征图的第i个位置的特征值，且fi'∈F'，log表示以2为底的对数函数，arccos表示反余弦函数，arcsin表示反正弦函数。
接着，考虑到所述河流流域地表形态增强特征图提供了关于河流流域的地表形态特征信息，而所述降雨量-河流水位时序关联特征向量反映了降雨量和水位之间的时序协同关联关系。然而，单独使用这两种信息可能无法全面地描述洪水的发生和发展情况，因为洪水的形成和演变是受多个因素共同影响的。基于此，为了能够将不同气象模态的信息融合在一起，从而综合考虑多个因素对洪水预警的影响，在本申请的技术方案中，进一步使用基于元网络的多气象模态融合器对所述河流流域地表形态增强特征图和所述降雨量-河流水位时序关联特征向量进行多模态融合以得到多气象模态融合特征图。应可以理解，所述基于元网络的多气象模态融合器是一种用于学习不同模态之间关系的网络结构，它可以将不同模态的特征进行逐通道融合，从而得到更全面和综合的特征表示。通过使用所述基于元网络的多气象模态融合器，可以将所述河流流域地表形态增强特征图和所述降雨量-河流水位时序关联特征向量进行有效地融合，从而在进行河流洪水预警时综合考虑了地表形态、降雨量和水位等多个因素的信息，能够更全面地描述洪水的可能性和严重程度，从而提高洪水预警的准确性和可靠性，为洪水防御和救援提供更有效的决策支持。
相应地，在步骤S170中，对所述河流流域地表形态增强特征图和所述降雨量-河流水位时序关联特征向量进行多模态融合以得到多气象模态融合特征，包括：使用基于元网络的多气象模态融合器对所述河流流域地表形态增强特征图和所述降雨量-河流水位时序关联特征向量进行多模态融合以得到多气象模态融合特征图作为所述多气象模态融合特征。
其中，在一个示例中，使用基于元网络的多气象模态融合器对所述河流流域地表形态增强特征图和所述降雨量-河流水位时序关联特征向量进行多模态融合以得到多气象模态融合特征图作为所述多气象模态融合特征，包括：将所述降雨量-河流水位时序关联特征向量通过点卷积层以得到第一卷积特征向量；将所述第一卷积特征向量通过基于ReLU函数的修正线性单元以得到第一修正卷积特征向量；将所述第一修正卷积特征向量通过点卷积层以得到第二卷积特征向量；将所述第二卷积特征向量通过基于Sigmoid函数的修正线性单元以得到第二修正卷积特征向量；以及，融合所述第二修正卷积特征向量与所述河流流域地表形态增强特征图以得到所述多气象模态融合特征图。
继而，将所述多气象模态融合特征图通过分类器以得到分类结果，所述分类结果用于表示是否产生河流洪水预警提示。也就是说没理由所述多气象模态数据的融合特征信息来进行分类处理，以此来综合生成不同等级的洪水预警信号。这样，能够提高洪水预警的准确性和实时性，为洪水防御和救援提供有效的决策支持。
相应地，在步骤S180中，基于所述多气象模态融合特征，确定是否产生河流洪水预警提示，包括：将所述多气象模态融合特征图通过分类器以得到分类结果，所述分类结果用于表示是否产生河流洪水预警提示。
进一步地，在本申请的技术方案中，所述的基于机器学习和多气象模态融合的河流洪水预警方法，其还包括训练步骤：用于对所述基于卷积神经网络模型的降雨量-河流水位时序关联特征提取器、基于卷积神经网络模型的河流流域地表形态特征提取器、所述基于重参数化层的特征图增强器、所述基于元网络的多气象模态融合器和所述分类器进行训练。
其中，在一个示例中，所述训练步骤，包括：训练数据获取，所述训练数据包括河流流域的训练卫星遥感图像，训练气象站数据，以及，是否产生河流洪水预警提示的真实值，其中，所述训练气象站数据包括训练河流水位的时间序列和训练降雨量的时间序列；将所述训练河流水位的时间序列和所述训练降雨量的时间序列分别按照时间维度排列为训练河流水位时序输入向量和训练降雨量时序输入向量；计算所述训练降雨量时序输入向量相对于所述训练河流水位时序输入向量的样本协方差关联矩阵以得到训练降雨量-河流水位时序关联矩阵；将所述训练降雨量-河流水位时序关联矩阵通过所述基于卷积神经网络模型的降雨量-河流水位时序关联特征提取器以得到训练降雨量-河流水位时序关联特征向量；通过所述基于卷积神经网络模型的河流流域地表形态特征提取器对所述河流流域的训练卫星遥感图像进行特征提取以得到训练河流流域地表形态特征图；使用所述基于重参数化层的特征图增强器对所述训练河流流域地表形态特征图进行处理以得到训练河流流域地表形态增强特征图；使用所述基于元网络的多气象模态融合器对所述训练河流流域地表形态增强特征图和所述训练降雨量-河流水位时序关联特征向量进行多模态融合以得到训练多气象模态融合特征图；对所述训练多气象模态融合特征图进行优化以得到优化后训练多气象模态融合特征图；将所述优化后训练多气象模态融合特征图通过所述分类器以得到分类损失函数值；以及，以所述分类损失函数值对所述基于卷积神经网络模型的降雨量-河流水位时序关联特征提取器、所述基于卷积神经网络模型的河流流域地表形态特征提取器、所述基于重参数化层的特征图增强器、所述基于元网络的多气象模态融合器和所述分类器进行训练。
在上述技术方案中，所述训练河流流域地表形态特征图的各个特征矩阵表达所述河流流域的训练卫星遥感图像的图像语义特征，而各个特征矩阵之间遵循所述卷积神经网络模型的通道分布。在使用基于重参数化层的特征图增强器对所述训练河流流域地表形态特征图进行处时，所述基于重参数化层的特征图增强器基于先验信息对所述训练河流流域地表形态特征图进行特征图强化，但其并未改变所得到的河流流域地表形态增强特征图的各个特征矩阵间的通道分布样态。而在上述技术方案中，所述训练降雨量-河流水位时序关联特征向量表示训练降雨量和训练河流水位的全时域样本协方差关联分布的基于卷积编码的降雨量-河流水位间局部时域语义关联特征。
这样，在使用基于元网络的多气象模态融合器对所述训练河流流域地表形态特征图和所述训练降雨量-河流水位时序关联特征向量进行多模态融合后，会基于所述训练降雨量-河流水位时序关联特征向量表达的所述训练降雨量-河流水位间局部时域语义关联特征在通道维度上对所述训练河流流域地表形态特征图进行约束，这也使得所述训练多气象模态融合特征图在通道维度上具有与特征矩阵的图像语义分布关联弱化的混合分布，使得所述训练多气象模态融合特征图的基于图像语义特征空间分布和通道维度分布的整体特征分布在概率密度域下的概率密度表示稀疏化，从而影响通过分类器进行分类时的分类结果的回归收敛效果。
基于此，本申请的申请人对所述训练多气象模态融合特征图F1进行优化。相应地，在一个示例中，对所述训练多气象模态融合特征图进行优化以得到优化后训练多气象模态融合特征图，包括：以如下优化公式对所述训练多气象模态融合特征图进行优化以得到所述优化后训练多气象模态融合特征图；其中，所述优化公式为：
其中，F1是所述训练多气象模态融合特征图，F1 ⊙2表示特征图的逐位置平方图，Wm为参数可训练的中间权重图，例如基于所述训练多气象模态融合特征图F1的图像语义特征空间分布和通道维度分布性质，初始设置为其每个特征矩阵的特征值为所述训练河流流域地表形态特征图的相应特征矩阵的特征值均值，再以所述训练降雨量-河流水位时序关联特征向量沿通道加权，此外，WI为所有特征值为1的单位图，⊕表示特征图加法，⊙表示按位置点乘，F1'是所述优化后训练多气象模态融合特征图。
这里，为了优化所述训练多气象模态融合特征图F1的稀疏概率密度在整体概率空间内的分布均匀性和一致性，通过类标准柯西分布式的尾部分布加强机制，来对所述训练多气象模态融合特征图F1在高维特征空间内的距离式空间分布进行基于空间角度倾斜式的距离分布优化，以实现所述训练多气象模态融合特征图F1的各个局部特征分布的距离弱相关的特征分布空间共振，从而提升所述训练多气象模态融合特征图F1整体在概率密度分布层面相对于回归概率收敛的均匀性和一致性，提升分类回归收敛效果，即分类收敛的速度和准确性。这样，能够利用卫星遥感和气象数据来综合进行河流洪水预警，从而提高洪水预警的准确性和实时性，为洪水防御和救援提供有效的决策支持。
综上，基于本申请实施例的基于机器学习和多气象模态融合的河流洪水预警方法被阐明，其可以提高洪水预警的准确性和实时性，为洪水防御和救援提供有效的决策支持。
图3为根据本申请实施例的基于机器学习和多气象模态融合的河流洪水预警系统100的框图。如图3所示，根据本申请实施例的基于机器学习和多气象模态融合的河流洪水预警系统100，包括：卫星数据获取模块110，用于获取河流流域的卫星遥感图像；气象站数据获取模块120，用于获取气象站数据，其中，所述气象站数据包括河流水位的时间序列和降雨量的时间序列；向量化模块130，用于将所述河流水位的时间序列和所述降雨量的时间序列分别按照时间维度排列为河流水位时序输入向量和降雨量时序输入向量；关联编码模块140，用于对所述降雨量时序输入向量和所述河流水位时序输入向量进行关联编码以得到降雨量-河流水位时序关联特征向量；河流流域地表形态特征提取模块150，用于通过基于深度神经网络模型的河流流域地表形态特征提取器对所述河流流域的卫星遥感图像进行特征提取以得到河流流域地表形态特征图；特征图增强模块160，用于使用基于重参数化层的特征图增强器对所述河流流域地表形态特征图进行处理以得到河流流域地表形态增强特征图；多模态融合模块170，用于对所述河流流域地表形态增强特征图和所述降雨量-河流水位时序关联特征向量进行多模态融合以得到多气象模态融合特征；以及，预警分析模块180，用于基于所述多气象模态融合特征，确定是否产生河流洪水预警提示。
这里，本领域技术人员可以理解，上述基于机器学习和多气象模态融合的河流洪水预警系统100中的各个模块的具体功能和操作已经在上面参考图1到图2的基于机器学习和多气象模态融合的河流洪水预警方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于机器学习和多气象模态融合的河流洪水预警系统100可以实现在各种无线终端中，例如具有基于机器学习和多气象模态融合的河流洪水预警算法的服务器等。在一个示例中，根据本申请实施例的基于机器学习和多气象模态融合的河流洪水预警系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于机器学习和多气象模态融合的河流洪水预警系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于机器学习和多气象模态融合的河流洪水预警系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该基于机器学习和多气象模态融合的河流洪水预警系统100与该无线终端也可以是分立的设备，并且该基于机器学习和多气象模态融合的河流洪水预警系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
图4为根据本申请实施例的基于机器学习和多气象模态融合的河流洪水预警方法的应用场景图。如图4所示，在该应用场景中，首先，获取河流流域的卫星遥感图像(例如，图4中所示意的D1)以及气象站数据(例如，图4中所示意的D2)，其中，所述气象站数据包括河流水位的时间序列和降雨量的时间序列，然后，将所述河流流域的卫星遥感图像和所述气象站数据输入至部署有基于机器学习和多气象模态融合的河流洪水预警算法的服务器(例如，图4中所示意的S)中，其中，所述服务器能够使用所述基于机器学习和多气象模态融合的河流洪水预警算法对所述河流流域的卫星遥感图像和所述气象站数据进行处理以得到用于表示是否产生河流洪水预警提示的分类结果。
根据本申请的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本申请所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本申请的说明，而不应被认为是对其的限制。尽管描述了本申请的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本申请的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本申请范围内。应当理解，上面是对本申请的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本申请由权利要求书及其等效物限定。

Claims (9)

1.一种基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，包括：
获取河流流域的卫星遥感图像；
获取气象站数据，其中，所述气象站数据包括河流水位的时间序列和降雨量的时间序列；
将所述河流水位的时间序列和所述降雨量的时间序列分别按照时间维度排列为河流水位时序输入向量和降雨量时序输入向量；
对所述降雨量时序输入向量和所述河流水位时序输入向量进行关联编码以得到降雨量-河流水位时序关联特征向量；
通过基于深度神经网络模型的河流流域地表形态特征提取器对所述河流流域的卫星遥感图像进行特征提取以得到河流流域地表形态特征图；
使用基于重参数化层的特征图增强器对所述河流流域地表形态特征图进行处理以得到河流流域地表形态增强特征图；
对所述河流流域地表形态增强特征图和所述降雨量-河流水位时序关联特征向量进行多模态融合以得到多气象模态融合特征；以及
基于所述多气象模态融合特征，确定是否产生河流洪水预警提示。
2.根据权利要求1所述的基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，对所述降雨量时序输入向量和所述河流水位时序输入向量进行关联编码以得到降雨量-河流水位时序关联特征向量，包括：
计算所述降雨量时序输入向量相对于所述河流水位时序输入向量的样本协方差关联矩阵以得到降雨量-河流水位时序关联矩阵；以及
将所述降雨量-河流水位时序关联矩阵通过基于卷积神经网络模型的降雨量-河流水位时序关联特征提取器以得到所述降雨量-河流水位时序关联特征向量。
3.根据权利要求2所述的基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，所述深度神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，使用基于重参数化层的特征图增强器对所述河流流域地表形态特征图进行处理以得到河流流域地表形态增强特征图，包括：
使用基于重参数化层的特征图增强器以如下增强公式对所述河流流域地表形态特征图进行处理以得到河流流域地表形态增强特征图；其中，所述增强公式为：
其中，F是所述河流流域地表形态特征图，F'是所述河流流域地表形态增强特征图，μ和σ分别是特征值集合fi∈F的均值和方差，fi是所述河流流域地表形态特征图的第i个位置的特征值，fi′是所述河流流域地表形态增强特征图的第i个位置的特征值，且fi′∈F′，log表示以2为底的对数函数，arccos表示反余弦函数，arcsin表示反正弦函数。
5.根据权利要求4所述的基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，对所述河流流域地表形态增强特征图和所述降雨量-河流水位时序关联特征向量进行多模态融合以得到多气象模态融合特征，包括：
使用基于元网络的多气象模态融合器对所述河流流域地表形态增强特征图和所述降雨量-河流水位时序关联特征向量进行多模态融合以得到多气象模态融合特征图作为所述多气象模态融合特征。
6.根据权利要求5所述的基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，使用基于元网络的多气象模态融合器对所述河流流域地表形态增强特征图和所述降雨量-河流水位时序关联特征向量进行多模态融合以得到多气象模态融合特征图作为所述多气象模态融合特征，包括：
将所述降雨量-河流水位时序关联特征向量通过点卷积层以得到第一卷积特征向量；
将所述第一卷积特征向量通过基于ReLU函数的修正线性单元以得到第一修正卷积特征向量；
将所述第一修正卷积特征向量通过点卷积层以得到第二卷积特征向量；
将所述第二卷积特征向量通过基于Sigmoid函数的修正线性单元以得到第二修正卷积特征向量；以及
融合所述第二修正卷积特征向量与所述河流流域地表形态增强特征图以得到所述多气象模态融合特征图。
7.根据权利要求6所述的基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，基于所述多气象模态融合特征，确定是否产生河流洪水预警提示，包括：
将所述多气象模态融合特征图通过分类器以得到分类结果，所述分类结果用于表示是否产生河流洪水预警提示。
8.根据权利要求7所述的基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，还包括训练步骤：用于对所述基于卷积神经网络模型的降雨量-河流水位时序关联特征提取器、基于卷积神经网络模型的河流流域地表形态特征提取器、所述基于重参数化层的特征图增强器、所述基于元网络的多气象模态融合器和所述分类器进行训练。
9.根据权利要求8所述的基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，所述训练步骤，包括：
训练数据获取，所述训练数据包括河流流域的训练卫星遥感图像，训练气象站数据，以及，是否产生河流洪水预警提示的真实值，其中，所述训练气象站数据包括训练河流水位的时间序列和训练降雨量的时间序列；
将所述训练河流水位的时间序列和所述训练降雨量的时间序列分别按照时间维度排列为训练河流水位时序输入向量和训练降雨量时序输入向量；
计算所述训练降雨量时序输入向量相对于所述训练河流水位时序输入向量的样本协方差关联矩阵以得到训练降雨量-河流水位时序关联矩阵；
将所述训练降雨量-河流水位时序关联矩阵通过所述基于卷积神经网络模型的降雨量-河流水位时序关联特征提取器以得到训练降雨量-河流水位时序关联特征向量；
通过所述基于卷积神经网络模型的河流流域地表形态特征提取器对所述河流流域的训练卫星遥感图像进行特征提取以得到训练河流流域地表形态特征图；
使用所述基于重参数化层的特征图增强器对所述训练河流流域地表形态特征图进行处理以得到训练河流流域地表形态增强特征图；
使用所述基于元网络的多气象模态融合器对所述训练河流流域地表形态增强特征图和所述训练降雨量-河流水位时序关联特征向量进行多模态融合以得到训练多气象模态融合特征图；
对所述训练多气象模态融合特征图进行优化以得到优化后训练多气象模态融合特征图；
将所述优化后训练多气象模态融合特征图通过所述分类器以得到分类损失函数值；以及
以所述分类损失函数值对所述基于卷积神经网络模型的降雨量-河流水位时序关联特征提取器、所述基于卷积神经网络模型的河流流域地表形态特征提取器、所述基于重参数化层的特征图增强器、所述基于元网络的多气象模态融合器和所述分类器进行训练。
CN202410168448.8A 2024-02-06 2024-02-06 基于机器学习和多气象模态融合的河流洪水预警方法 Pending CN117992919A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410168448.8A CN117992919A (zh) 2024-02-06 2024-02-06 基于机器学习和多气象模态融合的河流洪水预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410168448.8A CN117992919A (zh) 2024-02-06 2024-02-06 基于机器学习和多气象模态融合的河流洪水预警方法

Publications (1)

Publication Number Publication Date
CN117992919A true CN117992919A (zh) 2024-05-07

Family

ID=90887147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410168448.8A Pending CN117992919A (zh) 2024-02-06 2024-02-06 基于机器学习和多气象模态融合的河流洪水预警方法

Country Status (1)

Country Link
CN (1) CN117992919A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118536021A (zh) * 2024-07-25 2024-08-23 山东省地质矿产勘查开发局第二水文地质工程地质大队(山东省鲁北地质工程勘察院) 基于多传感器的实时地下水水位动态监测系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118536021A (zh) * 2024-07-25 2024-08-23 山东省地质矿产勘查开发局第二水文地质工程地质大队(山东省鲁北地质工程勘察院) 基于多传感器的实时地下水水位动态监测系统
CN118536021B (zh) * 2024-07-25 2024-09-20 山东省地质矿产勘查开发局第二水文地质工程地质大队(山东省鲁北地质工程勘察院) 基于多传感器的实时地下水水位动态监测系统

Similar Documents

Publication Publication Date Title
CN110443143B (zh) 多分支卷积神经网络融合的遥感图像场景分类方法
Luus et al. Multiview deep learning for land-use classification
TW202141358A (zh) 圖像修復方法及裝置、存儲介質、終端
CN117992919A (zh) 基于机器学习和多气象模态融合的河流洪水预警方法
CN110929080A (zh) 基于注意力和生成对抗网络的光学遥感图像检索方法
CN113095370A (zh) 图像识别方法、装置、电子设备及存储介质
CN116910611A (zh) 基于大数据的智能环境监测系统及其方法
CN115222998B (zh) 一种图像分类方法
JP2010157118A (ja) パターン識別装置及びパターン識別装置の学習方法ならびにコンピュータプログラム
CN116704431A (zh) 水污染的在线监测系统及其方法
CN114863229A (zh) 图像分类方法和图像分类模型的训练方法、装置
CN109101984B (zh) 一种基于卷积神经网络的图像识别方法及装置
CN106355210A (zh) 基于深度神经元响应模式的绝缘子红外图像特征表达方法
CN117693754A (zh) 训练用于图像修复的经掩模的自动编码器
CN111079930A (zh) 数据集质量参数的确定方法、装置及电子设备
CN112818818B (zh) 一种基于affpn的新型超高清遥感图像变化检测方法
CN116849697A (zh) 一种基于自监督迁移学习的盆底功能障碍评估方法
Lin Automatic recognition and detection of building targets in urban remote sensing images using an improved regional convolutional neural network algorithm
CN116758092A (zh) 图像分割方法、装置、电子设备及存储介质
He et al. Fast image quality assessment via supervised iterative quantization method
CN114120050A (zh) 地表生态数据提取方法及装置、设备和存储介质
CN114385843A (zh) 分类网络构建方法以及图像检索方法
Gaur et al. Precipitation nowcasting using deep learning techniques
Li et al. Human Detection via Image Denoising for 5G‐Enabled Intelligent Applications
Han et al. An attention-oriented U-Net model and global feature for medical image segmentation

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