TWI752641B - 智慧防汛平台及其方法 - Google Patents
智慧防汛平台及其方法 Download PDFInfo
- Publication number
- TWI752641B TWI752641B TW109132090A TW109132090A TWI752641B TW I752641 B TWI752641 B TW I752641B TW 109132090 A TW109132090 A TW 109132090A TW 109132090 A TW109132090 A TW 109132090A TW I752641 B TWI752641 B TW I752641B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- flooding
- module
- prediction
- flood
- Prior art date
Links
Images
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
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Alarm Systems (AREA)
Abstract
本發明係關於一種智慧防汛平台,其係利用一接收模組從一感測元件或一資訊站接收一淹水資料,再由一預測模組利用複數個淹水歷程資料與該淹水資料預測出至少一淹水模式,以及根據該淹水資料執行一時序演算,以產生一淹水深度資料,最後再由一顯示模組顯示該預測模組輸出的該淹水模式及該淹水深度資料。如此,本發明可提供淹水情勢的快速判斷及預測,即可在災害發生前,即時做出防災決策且快速地調動機具,以大大降低災害的損失,且藉由資料不斷的接收預測及修正,亦可有效訓練人工智慧,使其更準確的預測後續的淹水情況。
Description
本發明涉及防汛技術,尤指一種可快速預測淹水情勢的的智慧防汛平台及其方法。
當梅雨季或是颱風季來臨時,通常會在短時間內會有非常大量的降雨,使得我國許多鄉鎮的海邊,因鄰近河川的上游降下劇烈雨量,或是人口密集處遇上過度的降雨量,且下游出海口適逢漲潮期間時,使得市區中防汛溝渠匯聚之雨量無法快速排出,且若所在的地勢相對較低時,即更容易造成淹水的情況。
當颱風來或是雨勢過大時,通常政府會成立災害應變中心,以快速針對不同的災情做出對應的防範決策,然而,在災害發生前,災害應變中心係無法根據有效地預測資料進行對應地防範決策,而在災害發生時,通常是待災害應變中心給予相關指示後,相對應的承包商才調動機具或是通知抽水站進行對應的作業,且在完成機具調動或在抽水站進行操作時,僅是利用人工電話聯繫,係無法即時地進行回報的動作,使得災害應變中心無法即時獲取對應的資訊。
又傳統研究提出的一種調派機具機制,係可透過最適解公式進行演算,但其演算方法及過程在實務上的操作過於複雜且不易實踐,致使其無法有效且即時地進行機具之調度。
因此,現今技術上亟需一種可準確且快速提供預測資料,預先進行抽水站操作或機具的調度,且可即時回報相關狀況的技術,進而改善先前技術所存在的問題。
本發明之目的在於提供一種智慧防汛平台,其主要是利用接收模組接收淹水資料,使得預測模組可利用複數個淹水歷程資料與淹水資料預測出至少淹水模式,以及根據淹水資料執行時序演算產生淹水深度資料,且再由顯示模組顯示預測模組輸出的淹水模式及淹水深度資料。如此,本發明可提供淹水情勢的快速判斷及預測,即可在災害發生前,即時做出防災決策且快速地調動機具,以大大降低災害的損失,且藉由資料不斷的接收預測及修正,亦可有效訓練人工智慧,使其更準確的預測後續的淹水情況。
為達上揭之目的者,本發明係提供一種智慧防汛平台,包括:一接收模組,其與一感測元件或一資訊站連接,以從該感測元件或該資訊站接收一淹水資料;一預測模組,其與該接收模組連接以接收該淹水資料,該預測模組係根據複數個淹水歷程資料與該淹水資料預測出至少一淹水模式,且再根據該淹水資料執行一時序演算,以產生一淹水深度資料;以及一顯示模組,其與該預測模組連接以顯示該淹水模式及該淹水深度資料。
較佳地,該淹水資訊係包括其一之一天氣資料、一淹水感測資料、一雨量資料、一水位資料或其任二者以上之組合。
較佳地,所述之智慧防汛平台進一步包括:一資料查詢模組,其與該接收模組及一資料庫連接,以從該接收模組接收該淹水資料,該資料查詢模組根據該淹水資料所感測的位置以從該資料庫擷取相對應的一地區資料。
較佳地,該地區資料包括其一之一河川資料、一地形資料、一行政區資料、一網格資料、一即時淹水感測資料或其任二者以上之組合。
較佳地,該預測模組與該資料查詢模組連接以接收該地區資料,該預測模組進一步依據該淹水模式及該淹水深度資料計算該地區資料中的一網格資料內的各個網格的一淹水結果。
較佳地,該預測模組預測該淹水模式時,該預測模組係將該些淹水歷程資料輸入至一自組織映射圖網路,使得與該淹水資料相對應的模擬淹水情況輸入至該自組織映射圖網路內,該預測模組係再根據試誤法進行該自組織映射圖網路內之複數個神經元的挑選,且經由挑選結果確認至少一最佳網路,該預測模組係根據該最佳網路產生該淹水模式。
較佳地,其中該預測模組產生該淹水深度資料時,該預測模組係將該淹水資料中的T時刻之該雨量資料、T-1時刻之該雨量資料、T-2時刻之該雨量資料以及T+1時刻之一預測雨量資料輸入一非線性自回歸模型,以經由該非線性自回歸模型中的類神經網路計算訓練後輸出T+1時刻之該預測雨量資料,且該預測模組根據T+1時刻之該預測雨量資料產生該淹水深度資料。
較佳地,所述之智慧防汛平台進一步包括:一結果統計模組,其與該預測模組連接以接收該淹水深度資料,該結果統計模組係將該淹水深度資料納入從一資料庫擷取的一全區淹水資料內,且統計該全區淹水資料中的各地區於一預測時序上的最大淹水深度及淹水級距百分比,以產生一統計資料;其
中,該結果統計模組進一步與該顯示模組連接,以將該統計資料傳輸予該顯示模組,使該顯示模組顯示各地區於該預測時序上的最大淹水深度及淹水級距百分比。
較佳地,所述之智慧防汛平台進一步包括:一資料處理模組,其與該接收模組及該預測模組連接,該資料處理模組從該接收模組接收該淹水資料,且針對該淹水資料執行一正規化程序,以排除該淹水資料中的至少一異常資料或至少一重複資料,該資料處理模組再將完成該正規化程序的該淹水資料傳輸予該預測模組。
較佳地,所述之智慧防汛平台進一步包括:一自動化作業模組,其與該接收模組連接,該自動化作業模組係設有一啟動門檻或一啟動時程,該自動化作業模組根據該啟動門檻決定是否啟動該接收模組進行資料傳輸的動作,當該自動化作業模組係判斷該啟動門檻被滿足時,該自動化作業模組係驅使該接收模組將該淹水資料傳輸予該預測模組,若該啟動門檻未被滿足時,該自動化作業模組停止驅使該接收模組傳輸的動作;或是該自動化作業模組係根據該啟動時程驅使該接收模組將該淹水資料傳輸予該預測模組。
較佳地,所述之智慧防汛平台進一步包括:一警示模組,其與該預測模組連接以接收該淹水模式及該淹水深度資料,該警示模組判斷該淹水模式及該淹水深度資料是否超出一防汛門檻,當該警示模組判斷為超出時,該警示模組係產生一警示訊號,且將該警示訊號傳輸予其一之一機具、一終端或其二者之組合。
本發明之另一目的在於提供一種智慧防汛方法,其主要是利用接收模組接收淹水資料,使得預測模組可利用複數個淹水歷程資料與淹水資料預
測出至少淹水模式,以及根據淹水資料執行時序演算產生淹水深度資料,且再由顯示模組顯示預測模組輸出的淹水模式及淹水深度資料。如此,本發明可提供淹水情勢的快速判斷及預測,即可在災害發生前,即時做出防災決策且快速地調動機具,以大大降低災害的損失,且藉由資料不斷的接收預測及修正,亦可有效訓練人工智慧,使其更準確的預測後續的淹水情況。
為達上揭之另一目的者,本發明係提供一種應用於如上述之智慧防汛平台上的智慧防汛方法。
為使本發明之上述目的、特徵和優點能更明顯易懂,下文茲配合各圖式所列舉之具體實施例詳加說明。
101:感測元件
102:資訊站
10:接收模組
11:淹水資料
20:預測模組
21:淹水歷程資料
22:淹水模式
23:自組織映射圖網路
231:神經元
232:最佳網路
233:輸入層
234:輸出層
24:非線性自回歸模型
241:連結輸入層
242:隱藏層
243:輸出層
25:淹水深度資料
30:顯示模組
401:機具
402:終端
40:警示模組
41:防汛門檻
42:警示訊號
50:資料查詢模組
60:資料庫
61:地區資料
62:全區淹水資料
70:結果統計模組
71:統計資料
80:資料處理模組
81:正規化程序
90:自動化作業模組
91:啟動門檻
92:啟動時程
S01-S04:步驟流程
圖1係為本發明之系統架構示意圖;圖2係為本發明之淹水模式預測之自組織映射圖網路的神經網路示意圖;圖3係為本發明之淹水深度資料預測之非線性自回歸模型之神經網路示意圖;圖4係為本發明之警示模組之系統架構示意圖;圖5係為本發明之資料查詢模組之系統架構示意圖;圖6係為本發明之結果統計模組之系統架構示意圖;圖7係為本發明之資料處理模組之系統架構示意圖;圖8係為本發明之自動化作業模組之系統架構示意圖;圖9係為本發明之步驟流程示意圖。
本發明之優點、特徵以及達到之技術方法將參照例示性實施例及所附圖式進行更詳細地描述而更容易理解,且本發明可以不同形式來實現,故不應被理解為其本發明僅限於此處所陳述的實施例,相反地,對所屬技術領域具有通常知識者而言,所提供的實施例將使本揭露更加透徹與全面且完整地傳達本發明的範疇,且本發明將僅為所附加的申請專利範圍所為定義。
另外,術語「包括」及/或「包含」指所述特徵、區域、整體、步驟、操作、元件及/或部件的存在,但不排除一個或多個其他特徵、區域、整體、步驟、操作、元件、部件及/或其組合的存在或添加。
為使 貴審查委員方便瞭解本發明之內容,以及所能達成之功效,茲配合圖式列舉之各項具體實施例以詳細說明如下:
請參閱圖1至圖4,其係為本發明之系統架構示意圖、淹水模式預測之自組織映射圖網路的神經網路示意圖、淹水深度資料預測之非線性自回歸模型之神經網路示意圖、以及警示模組之系統架構示意圖。如圖所示,本發明之智慧防汛平台主要是由一接收模組10、一預測模組20以及一顯示模組30所構成。該接收模組10具體為可用於接收外部環境所傳輸的封包資料,如此,當該接收模組10與一感測元件101(例如水位感測器)或一資訊站102(例如氣象站)連接,以接收該感測元件101或該資訊站102傳輸的一淹水資料11,如此,該淹水資料11係可包括有一天氣資料、一淹水感測資料、一雨量資料、一水位資料或其任二者以上之組合等。
該預測模組20是被用於接收相關資料後,再根據所接收到的資料進行演算後得出預測資料,因此,當該預測模組20與該接收模組10以接收到該淹水資料11時,該預測模組20係可根據原先儲存有的複數個淹水歷程資料21或
是從一淹水資料庫獲取的該些淹水歷程資料21以及該淹水資料11進行計算,以預測出至少一淹水模式22(即地區淹水的分布模式),具體來說,該預測模組20是將該些淹水歷程資料21輸入至一自組織映射圖網路23,使得與該淹水資料11相對應的模擬淹水情況輸入至該自組織映射圖網路23內,該預測模組20係再根據試誤法進行該自組織映射圖網路23內之複數個神經元231的挑選,且經由挑選結果確認至少一最佳網路232,該預測模組20係根據該最佳網路232產生該淹水模式22;其中該自組織映射圖網路23至少包括有一輸入層233及一輸出層234,該輸入層233是用於接收該些淹水歷程資料21的輸入,該輸出層則是利用試誤法進行該自組織映射圖網路23內之該些神經元231(挑選出的該些神經元231例如為圖2中的i、j、k)的挑選,以確認出至少一該最佳網路232(即網路拓撲)(在圖2中係繪示出三個該最佳網路232(wi、wj、wk)),如此,該預測模組20即可根據該最佳網路232產生該淹水模式22,如圖2所示。
此外,該預測模組20進一步還可利用一非線性自回歸模型24進行一時序演算,其即為利用T時刻之該雨量資料、T-1時刻之該雨量資料、T-2時刻之該雨量資料以及T+1時刻之一預測雨量資料進行T+1時刻之該預測雨量資料的計算預測,具體來說,是利用該非線性自回歸模型24中的一連結輸入層241輸入T時刻之該雨量資料、T-1時刻之該雨量資料、T-2時刻之該雨量資料以及T+1時刻之一預測雨量資料,在此的T+1時刻之該預測雨量資料係可為經前次的該非線性自回歸模型24運算後所出的T+1時刻之該預測雨量資料,若第一次預測時,係可為用戶自行輸入或是經相關計算後所得出的初步T+1時刻之該預測雨量資料等。當該非線性自回歸模型24接收到該些雨量資料及該預測雨量資料後,經由該非線性自回歸模型24中的一隱藏層242計算後,即可根據該非線性自回歸模型
24中的一輸出層243輸出另一個T+1時刻之一預測雨量資料,此時,該預測模組20係可根據T+1時刻之該預測雨量資料產生該淹水深度資料25外,亦可再將另一個T+1時刻之該預測雨量資料回饋至另一個該非線性自回歸模型24進行再次的計算,以得出再一個的T+1時刻之一預測雨量資料,在此訓練學習,且更精準的預測該淹水深度資料25,如圖3所示。
再者,當T+1時刻之該預測雨量資料被計算出來後,該連結輸入層241係可改為輸入T時刻之該雨量資料、T-1時刻之該雨量資料、T+1時刻之該預測雨量資料以及T+2時刻之一預測雨量資料以計算另一個T+2時刻之該預測雨量資料,且再改為輸入T時刻之該雨量資料、T+1時刻之該預測雨量資料、T+2時刻之該預測雨量資料以及T+3時刻之一預測雨量資料以計算另一個T+3時刻之該預測雨量資料等。
該顯示模組30係用於顯示所接收到的資料,故當該預測模組20將該淹水模式22及該淹水深度資料25傳輸予該顯示模組30時,該顯示模組30即可顯示該淹水模式22(例如利用地形圖顯示淹水的分布狀態)及該淹水深度資料25(例如根據顏色深淺分辨淹水的深度)。
此外,本發明進一步設有的一警示模組40,其與該預測模組20連接,在此之該警示模組40係用於判斷所接收到的資料是否超出所設定的一防汛門檻41,且於判定為超出時,則即時產生一警示訊號42且傳輸與相關防範災害的物件上,因此,當該警示模組40與該預測模組20連接且接收到該淹水模式22及該淹水深度資料25時,該警示模組40則根據該防汛門檻41判斷該淹水模式22及該淹水深度資料25是否超出該防汛門檻41(例如該淹水模式22的淹水分布超出一定範圍、或是該淹水深度資料25的水位深度超出淹水的臨界值等),當該警示
模組40判斷為超出時,該警示模組40係產生該警示訊號42,且將該警示訊號42傳輸予其一之一機具401(例如移動式抽水機)、一終端402(例如抽水站或是中央災害應變中心)或其二者之組合,如圖4所示。
藉此,本發明即可提供淹水情勢的快速判斷及預測,即可在災害發生前,即時做出防災決策且快速地在對應的各區域上調度機具,以大大降低災害的損失,且藉由資料不斷的接收預測及修正,亦可有效訓練人工智慧,使其更準確的預測後續的淹水情況。
請再參閱圖5,其係為本發明之資料查詢模組之系統架構示意圖。如圖6所示,本發明進一步包括有一資料查詢模組50,其係被用於與該接收模組10及一資料庫60連接,該資料查詢模組50係從該接收模組10接收該淹水資料11(在此的該淹水資料11係包括有該感測元件101或是該資料站102的位置資訊),如此,該資料查詢模組50係可根據該淹水資料11所感測的位置以從該資料庫60擷取相對應的一地區資料61。其中,該地區資料61包括其一之一河川資料、一地形資料、一行政區資料、一網格資料、一即時淹水感測資料或其任二者以上之組合,其中該網格資料係可由其地區被細分後的複數個網格,該即時淹水感測資料則可為其他模組、系統、資訊站或感測器在當下時刻所量測到的淹水感測資料。
當該預測模組20與該資料查詢模組50連接以接收到該地區資料51後,該預測模組20進一步即可依據該淹水模式22及該淹水深度資料25計算該地區資料51中的一網格資料內的各個網格的一淹水結果,進以分辨每一不同區域中的淹水結果,或是根據該地區資料中的該河川資料、該地形資料、該行政區資料等,區別不同地形地區的淹水結果,藉此便於災害中心或是相關防災者
可根據各網格中顯示的結果,決定人員或是機具調度的比例。又該預測模組20接收到該地區資料51的該即時淹水感測資料,該預測模組20進一步還可根據該即時淹水感測資料修正或訓練前次預測的該淹水模式22及該淹水深度資料25,進以訓練人工智慧,使其更準確的預測後續的淹水情況。
請再參閱圖6,其係為本發明之結果統計模組之系統架構示意圖。如圖7所示,本發明進一步包括有一結果統計模組70,其與該預測模組20連接以接收該淹水深度資料25,該結果統計模組70係將該淹水深度資料25納入從該資料庫60擷取的一全區淹水資料62內,且統計該全區淹水資料62中的各地區於一預測時序(例如未來的T+1至T+3時刻)上的最大淹水深度及淹水級距百分比,以產生一統計資料71。其中,該結果統計模組70進一步與該顯示模組30連接,以將該統計資料71傳輸予該顯示模組30,使該顯示模組30顯示各地區於該預測時序上的最大淹水深度及淹水級距百分比,以即時地於可能發生災害地區域上,預先調度部分機具或人員,進而防止災害的發生。
請再參閱圖7,其係為本發明之資料處理模組之系統架構示意圖。如圖8所示,本發明進一步包括有一資料處理模組80,其與該接收模組10及該預測模組20連接,該資料處理模組80從該接收模組10接收該淹水資料11,且針對該淹水資料11執行一正規化程序81,以排除該淹水資料11中的至少一異常資料或至少一重複資料,該資料處理模組80再將完成該正規化程序81的該淹水資料11傳輸予該預測模組20。
請再參閱圖8,其係為本發明之自動化作業模組之系統架構示意圖。如圖9所示,本發明進一步包括有一自動化作業模組90,其與該接收模組10連接,該自動化作業模組90係設有一啟動門檻91(例如接收到該淹水資料11時)
或一啟動時程92(即排定的作業時程),該自動化作業模組90根據該啟動門檻91決定是否啟動該接收模組10進行資料傳輸的動作,當該自動化作業模組90係判斷該啟動門檻91被滿足時(即判斷該接收模組10接收到該淹水資料11時),該自動化作業模組90係驅使該接收模組10將該淹水資料11傳輸予該預測模組20,若該啟動門檻91未被滿足時(即判斷該接收模組10並未接收到該淹水資料11時),該自動化作業模組90停止驅使該接收模組10傳輸的動作;或是該自動化作業模組90係根據該啟動時程92驅使該接收模組10將該淹水資料11傳輸予該預測模組20。
請再參閱圖9,其係為本發明之步驟流程示意圖。如圖所示,本發明主要係可依據下列步驟流程,以達成如上述之淹水情勢的快速判斷及預測、即時做出防災決策且快速地調動機具、藉由資料不斷的接收預測及修正訓練人工智慧,以更準確的預測後續的淹水情況等功能,其係包括:S01:接收模組從感測元件或資訊站接收淹水資料;S02:預測模組根據複數個淹水歷程資料與淹水資料預測出至少一淹水模式;S03:預測模組根據淹水資料執行一時序演算,以產生一淹水深度資料;S04:顯示模組顯示淹水模式及淹水深度資料。
本案所揭示者,乃較佳實施例,舉凡局部之變更或修飾而源於本案之技術思想而為熟習該項技藝之人所易於推知者,俱不脫本案之專利權範疇。
綜上所陳,本案無論就目的、手段與功效,在在顯示其迥異於習知之技術特徵,且其首先發明合於實用,亦在在符合發明之專利要件,懇請 貴審查委員明察,並祈早日賜予專利,俾嘉惠社會,實感德便。
101:感測元件
102:資訊站
10:接收模組
11:淹水資料
20:預測模組
21:淹水歷程資料
22:淹水模式
23:自組織映射圖網路
231:神經元
232:最佳網路
233:輸入層
234:輸出層
24:非線性自回歸模型
241:連結輸入層
242:隱藏層
243:輸出層
25:淹水深度資料
30:顯示模組
Claims (11)
- 一種智慧防汛平台,包括:一接收模組,其與一感測元件或一資訊站連接,以從該感測元件或該資訊站接收一淹水資料;一預測模組,其與該接收模組連接以接收該淹水資料,該預測模組係根據複數個淹水歷程資料與該淹水資料預測出至少一淹水模式,且再根據該淹水資料執行一時序演算,以產生一淹水深度資料;以及一顯示模組,其與該預測模組連接以顯示該淹水模式及該淹水深度資料;其中該預測模組預測該淹水模式時,該預測模組係將該些淹水歷程資料輸入至一自組織映射圖網路,使得與該淹水資料相對應的模擬淹水情況輸入至該自組織映射圖網路內,該預測模組係再根據試誤法進行該自組織映射圖網路內之複數個神經元的挑選,且經由挑選結果確認至少一最佳網路,該預測模組係根據該最佳網路產生該淹水模式。
- 如請求項1所述之智慧防汛平台,其中該淹水資訊係包括其一之一天氣資料、一淹水感測資料、一雨量資料、一水位資料或其任二者以上之組合。
- 如請求項1所述之智慧防汛平台,其進一步包括:一資料查詢模組,其與該接收模組及一資料庫連接,以從該接收模組接收該淹水資料,該資料查詢模組根據該淹水資料所感測的位置以從該資料庫擷取相對應的一地區資料。
- 如請求項3所述之智慧防汛平台,其中該地區資料包括其一之一河 川資料、一地形資料、一行政區資料、一網格資料、一即時淹水感測資料或其任二者以上之組合。
- 如請求項3所述之智慧防汛平台,其中該預測模組與該資料查詢模組連接以接收該地區資料,該預測模組進一步依據該淹水模式及該淹水深度資料計算該地區資料中的一網格資料內的各個網格的一淹水結果。
- 如請求項1所述之智慧防汛平台,其中該預測模組產生該淹水深度資料時,該預測模組係將該淹水資料中的T時刻之該雨量資料、T-1時刻之該雨量資料、T-2時刻之該雨量資料以及T+1時刻之一預測雨量資料輸入一非線性自回歸模型,以經由該非線性自回歸模型中的類神經網路計算訓練後輸出T+1時刻之該預測雨量資料,且該預測模組根據T+1時刻之該預測雨量資料產生該淹水深度資料。
- 如請求項1所述之智慧防汛平台,其進一步包括:一結果統計模組,其與該預測模組連接以接收該淹水深度資料,該結果統計模組係將該淹水深度資料納入從一資料庫擷取的一全區淹水資料內,且統計該全區淹水資料中的各地區於一預測時序上的最大淹水深度及淹水級距百分比,以產生一統計資料;其中,該結果統計模組進一步與該顯示模組連接,以將該統計資料傳輸予該顯示模組,使該顯示模組顯示各地區於該預測時序上的最大淹水深度及淹水級距百分比。
- 如請求項1所述之智慧防汛平台,其進一步包括:一資料處理模組,其與該接收模組及該預測模組連接,該資料處理模組從該接收模組接收該淹水資料,且針對該淹水資料執行一正規化程序,以排除該淹水資料中的至少一異常資料或至少一重複 資料,該資料處理模組再將完成該正規化程序的該淹水資料傳輸予該預測模組。
- 如請求項1所述之智慧防汛平台,其進一步包括:一自動化作業模組,其與該接收模組連接,該自動化作業模組係設有一啟動門檻或一啟動時程,該自動化作業模組根據該啟動門檻決定是否啟動該接收模組進行資料傳輸的動作,當該自動化作業模組係判斷該啟動門檻被滿足時,該自動化作業模組係驅使該接收模組將該淹水資料傳輸予該預測模組,若該啟動門檻未被滿足時,該自動化作業模組停止驅使該接收模組傳輸的動作;或是該自動化作業模組係根據該啟動時程驅使該接收模組將該淹水資料傳輸予該預測模組。
- 如請求項1所述之智慧防汛平台,其進一步包括:一警示模組,其與該預測模組連接以接收該淹水模式及該淹水深度資料,該警示模組判斷該淹水模式及該淹水深度資料是否超出一防汛門檻,當該警示模組判斷為超出時,該警示模組係產生一警示訊號,且將該警示訊號傳輸予其一之一機具、一終端或其二者之組合。
- 一種應用於如請求項1至10中任一項所述之智慧防汛平台上的智慧防汛方法,其包含下列步驟:一接收模組從一感測元件或一資訊站接收一淹水資料;一預測模組根據複數個淹水歷程資料與該淹水資料預測出至少一淹水模式;該預測模組根據該淹水資料執行一時序演算,以產生一淹水深度資料;以及 該顯示模組顯示該淹水模式及該淹水深度資料。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109132090A TWI752641B (zh) | 2020-09-17 | 2020-09-17 | 智慧防汛平台及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109132090A TWI752641B (zh) | 2020-09-17 | 2020-09-17 | 智慧防汛平台及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI752641B true TWI752641B (zh) | 2022-01-11 |
TW202213246A TW202213246A (zh) | 2022-04-01 |
Family
ID=80809405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109132090A TWI752641B (zh) | 2020-09-17 | 2020-09-17 | 智慧防汛平台及其方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI752641B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9213994B2 (en) * | 2006-10-17 | 2015-12-15 | Corelogic Solutions, Llc | Systems and methods for quantifying flood risk |
TWI546759B (zh) * | 2013-03-28 | 2016-08-21 | 國立臺灣大學 | 遠距環境資料分類系統及其方法 |
TWI598851B (zh) * | 2016-01-28 | 2017-09-11 | 桓達科技股份有限公司 | 動態洪氾預測與警示系統 |
CN111260117A (zh) * | 2020-01-10 | 2020-06-09 | 燕山大学 | 一种基于气象因子的ca-narx水质预测方法 |
-
2020
- 2020-09-17 TW TW109132090A patent/TWI752641B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9213994B2 (en) * | 2006-10-17 | 2015-12-15 | Corelogic Solutions, Llc | Systems and methods for quantifying flood risk |
TWI546759B (zh) * | 2013-03-28 | 2016-08-21 | 國立臺灣大學 | 遠距環境資料分類系統及其方法 |
TWI598851B (zh) * | 2016-01-28 | 2017-09-11 | 桓達科技股份有限公司 | 動態洪氾預測與警示系統 |
CN111260117A (zh) * | 2020-01-10 | 2020-06-09 | 燕山大学 | 一种基于气象因子的ca-narx水质预测方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202213246A (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bae et al. | Monthly dam inflow forecasts using weather forecasting information and neuro-fuzzy technique | |
CN101893674B (zh) | 一种区域电网污闪指数预测方法 | |
CN107169645B (zh) | 一种计及暴雨灾害影响的输电线路故障概率在线评估方法 | |
CN115527203B (zh) | 一种基于物联网的谷物干燥远程控制方法及系统 | |
CN101622952A (zh) | 灌区用水管理信息化结构体系 | |
CN102360468B (zh) | 洪水预报系统 | |
CN111860943A (zh) | 基于数值气象数据与机器学习的电网故障预测方法及系统 | |
CN115063020B (zh) | 基于风险监测融合的梯级水电站多维安全调度装置及方法 | |
Roy et al. | An improved flood warning system using WSN and Artificial Neural Network | |
Chidthong et al. | Developing a hybrid multi‐model for peak flood forecasting | |
CN111737853A (zh) | 一种基于swmm模型的低影响开发多目标区间优化配置方法 | |
CN103618638A (zh) | 评估电力通信网检修方案的方法 | |
CN115798151A (zh) | 一种城市洪涝风险监测系统及方法 | |
CN207924874U (zh) | 城市防汛预警预报装置 | |
CN115018165A (zh) | 基于大数据的洪水预报分析系统及方法 | |
CN116469227A (zh) | 一种流域洪水预警系统 | |
Vafakhah et al. | Application of intelligent technology in rainfall analysis | |
TWI752641B (zh) | 智慧防汛平台及其方法 | |
CN107563096A (zh) | 一种基于fcm的内涝建模分析方法 | |
CN114548806A (zh) | 基于大数据和vr技术的水利工程监管系统 | |
CN110570628A (zh) | 一种输电线路杆塔地质灾害监测预警分析系统及使用方法 | |
CN117346743A (zh) | 一种基于机器学习模型的水情遥测站智能监测巡检系统 | |
CN116307287B (zh) | 一种光伏发电有效时段的预测方法、系统及预测终端 | |
CN117150600B (zh) | 一种用于城市防内涝的屋顶蓄排水控制方法 | |
CN116524720A (zh) | 一种基于5g技术的一体化车联网智慧交通管理控制系统 |