一种基于云平台的洪水预警监测数字化方法及系统与流程

本发明涉及信号装置或者呼叫装置的，具体为一种基于云平台的洪水预警监测数字化方法及系统。

背景技术：

1、在全球气候变化与快速城市化背景下，洪涝灾害日益频繁，其强度和造成的损失不断升高。城市一旦发生严重洪涝灾害，将严重威胁社会经济正常秩序，尤其在人口密集、经济发达的高度城市化地区，洪涝灾害所造成的直接或间接损失更是难以估量。2010-2022年中国因洪涝灾害死亡或失踪人口累计达到10988人，直接经济损失高达29853.73亿元。近年来，随着webgis、遥感遥测技术和通讯技术等的不断发展，快速融合实时水雨情信息以提高洪水预报的精度和响应能力、集成多种预报模型以提高洪水预报的精度、集成洪水预报与预警技术等已成为当前防汛减灾平台开发的必然要求。

2、公开号为cn116580542b的中国发明专利申请公开了一种洪水预警方法及系统。对目标信息压缩系数和降雨量信息进行回归分析处理，得到该降雨量信息的量化评估数据。通过系数回归分析线程所携带的数据回归分析能力，能够较为快速地得到回归分析结果，即量化评估数据。系数回归分析线程是系数优化后得到的，相较于系数更新之前的线程，该系数回归分析线程携带相对准确的数据回归分析能力，能够在一定程度上保证回归分析结果的可靠性。可采用基于该量化评估数据确定的目标量化系数对降雨量信息进行评估，得到该降雨量信息的评估数据，从而能够精确的确定出该区域和周围区域的降雨量，根据全部的降雨信息，能够精确的确定出发生洪水的可能性，进一步地提高洪水预警的可靠性和置信度。

3、洪涝灾害的快速模拟及预警预报是洪涝防灾减灾的重点，但目前基于物理机制的水库模型的模拟时效仍然过低，不能够快速准确预测洪水到来，建立的模型不能较好地模拟洪水淹没的演进情况，存在较大误差，水雨情信息实时查询较为困难，给防汛减灾工作带来了一定的麻烦。

技术实现思路

1、针对相关技术中的问题，本发明提供了一种基于云平台的洪水预警监测数字化方法及系统，以克服现有相关技术所存在的上述技术问题。

2、为解决上述技术问题，本发明是通过以下技术方案实现的：

3、本发明为一种基于云平台的洪水预警监测数字化方法，包括如下步骤：

4、s1、获取一段时间内的降雨预报数据，记为降雨预报数据集，计算总降雨量；

5、s2、通过洪水风险因素获得洪水风险因素集，生成风险因素矩阵；

6、s3、建立水库洪水模型，由剩余水库容量判断水库是否蓄满，若水库没有蓄满，由土湿和所述剩余水库容量计算临界雨量；

7、s4、使用所述风险因素矩阵修正所述临界雨量，得到真实雨量，再将真实雨量与所述总降雨量进行比较，得到真实雨量指标；将所述真实雨量指标转化为雨量预警指标；

8、s5、获取河道监控视频图像，得到洪水图像，对所述洪水图像使用神经网络处理后识别洪水，得到洪水实时位置，将雨量预警指标和洪水实时位置上传云端；

9、s6、搭建洪水预警平台，建立洪水数据库，实时更新洪水数据实现对洪水预警监测，并将所述洪水数据存储在数据库中。

10、该发明首先通过天气预报，计算未来t小时内的总降雨量；考虑不同洪水风险因素，包括水库纳洪承载力、水库水位和降雨变化，综合考虑影响洪水发生的各个因素，得到的数据直观准确；其中使用加权k最近邻算法预测降水，利用往年的天气数据找到权值最大的类作为未来t小时内的降雨情况；再构建水库洪水模型，包括水库降雨量、水库蒸散发量和水库产流量，水库是影响洪水的主要因素，水库剩余容量直接影响洪水是否发生；将水库洪水模型中因素输入bp神经网络，输出待修正的临界雨量，使用风险因素矩阵修正临界雨量得到真实雨量，再将真实雨量指标转化为雨量预警指标；使用yolo检测算法识别洪水，通过建立网格矩阵，比较相邻帧图像相同网格坐标，计算网格距离建立联系，设定阈值判断是否识别洪水；最后搭建洪水预警平台并建立数据库，实时更新洪水数据实现对洪水预警监测，并将所述洪水数据存储在数据库中，数据可视化，同时方便查询。

11、优选地，所述s1包括以下步骤：

12、s11、获取洪水预警的降雨预报，将小雨记为1，中雨记为2，大雨记为3，暴雨记为4；在未来的t小时内的降雨记为降雨预报数据集a＝{a11,a23,a33,...,at2}，其中at2表示未来t小时后有中雨；

13、s12、设定小雨为24小时内降雨量小于10毫米，中雨为24小时内降雨量10-25毫米，大雨为24小时内降雨量25-50毫米，暴雨为24小时内降雨量50-100毫米；选择小雨为24小时内降雨量8毫米，中雨为24小时内降雨量20毫米，大雨为24小时内降雨量40毫米，暴雨为24小时内降雨量80毫米，计算得到未来t小时内的总降雨量。

14、优选地，所述s2包括以下步骤：

15、s21、所述洪水风险因素包括水库纳洪承载力，具体步骤如下：

16、s211、设定水库降雨等于水库纳洪承载力，根据水库水量的输入输出，得到水库水量平衡计算公式如下，

17、b-b′+c-c′＝α+e-f+g-g′

18、其中，α表示水库纳洪承载力，b表示降雨结束后土壤含水量，b′表示当前土壤含水量，c表示降雨结束后水库容量，c′表示当前水库容量，e表示上游来水进入水库的量，f表示流域总蒸发量，g表示地下水补给量，g′表示地下渗水量；

19、将水库水量平衡计算公式整理得，α＝δb+δc+δg+f-e，其中δb表示水库剩余容量，δc表示土壤含水增加量，δg表示地下水交换量；

20、s212、设定在未来的t小时内的水库纳洪承载力集合记为a′＝{a1′,a′2,...,at′}，其中at′表示未来t小时后的水库纳洪承载力，得到洪水风险因素中的水库纳洪承载力集合；

21、s22、所述洪水风险因素包括水库水位，具体步骤如下：

22、s221、设定某时间段内作为水库的汛期时间域，24小时内降雨量大于10毫米作为汛期降雨标准，设定汛期第一场降雨发生时间划分为汛期开始时间，汛期最后一次降雨发生时间划分为汛期结束时间，隶属度βd计算公式表示如下：

23、

24、其中，d′表示汛期开始时间，d″表示汛期结束时间，d表示汛期时间，χ1和χ2分别表示汛期开始参数和汛期结束参数；

25、s222、设定正常水库容量c1，相应水库容量c2，则剩余水库容量c3＝c1-c2，计算汛期隶属度βd，计算得到汛期水库容量c4＝(1-βd)·c3+c2；依次计算汛期时间段内的隶属度βd，作出汛期水库容量图像，对比模糊表得到汛期水库水位图像，选取未来t小时内水库水位得到水库水位集合，记为a″＝{a1″,a2″,...,at″}，其中at″表示未来t小时后的水库水位；得到洪水风险因素中的水库水位集合；

26、s23、所述洪水风险因素包括降雨变化，使用加权k最近邻算法预测降水，具体步骤如下：

27、s231、获取往年天气数据作为训练样本集，组成训练样本矩阵

28、

29、其中，eji表示获取第j次天气数据对应第i小时的降雨情况；

30、设定不降雨记为0，降雨情况为小雨记为1，降雨情况为中雨记为2，降雨情况为大雨记为3，降雨情况为暴雨记为4；每次选取的天气数据对应的训练样本集{ej1,ej2,...,eji}对应的样本标签记为

31、s232、计算训练样本集{ej1,ej2,...,eji}对应的权重集{e′j1,e′j2,...,e′ji}，组成权重矩阵

32、

33、权重计算公式如下，

34、

35、其中，δji表示eji对应的样本差，e′ji表示eji对应的权重，δ1表示样本标签落在训练样本集的样本个数，δ2表示样本标签落在训练样本集的样本个数总和，i＝1,2,...,g′；

36、s233、获取往年天气数据作为测试样本集，组成测试样本矩阵

37、

38、其中，gnm表示获取第n次天气数据对应第m小时的降雨情况；

39、计算所述训练样本矩阵和测试样本矩阵中距离最近的n个样本，按照从小到大的顺序排列组成近邻矩阵

40、

41、其中，hnm表示样本eji和样本gnm的距离；

42、s234、按照近邻矩阵中的样本与测试样本矩阵中样本的距离，得到距离矩阵，再分别赋予距离矩阵中样本不同的距离权值，得到距离权值矩阵

43、

44、其中，kmn表示所述距离矩阵中gmn和hmn距离的距离权值；

45、采取加权多数投票方法，从距离权值矩阵中找到权值和最大类作为权值标签，记为所述权值标签即为样本标签

46、s235、在样本标签中选取前t小时的样本，将选取前t小时的样本记为a″′＝{a1″′,a2″′,...,at″′}，其中at″′表示未来t小时后的降雨情况；得到洪水风险因素中的降雨变化集合；

47、s24、将洪水风险因素中的所述水库纳洪承载力集合、水库水位集合、降雨变化集合组成风险因素矩阵

48、

49、该发明通过考虑不同洪水风险因素，包括水库纳洪承载力、水库水位和降雨变化，直观计算得到洪水风险因素数据；水库纳洪承载力使用平衡公式计算得到；水库水位使用隶属度计算公式，做出图像找到对应的水库水位；降雨变化使用k最近邻算法预测降水，通过往年天气数据的样本集，计算距离权值，将最大的权值和的类作为未来降雨，使用算法巧妙，得到结果准确。

50、优选地，所述s3包括以下步骤：

51、s31、水库洪水模型包括水库降雨量、水库蒸散发量和水库产流量，建立模型过程具体如下：

52、s311、获取水库卫星图像，将所述水库卫星图像栅格化处理，得到水库栅格地图，将所述水库栅格地图最左下角顶点作为坐标原点o，使用直角坐标法对所述水库栅格地图建立直角坐标系；从所述坐标原点o开始，按照从左到右，从下到上的顺序对每个栅格依次编码；得到水库栅格编码矩阵

53、

54、其中，lqp表示第q行第p列的栅格编号；

55、选取任意水库栅格，放置φ1个雨水接收器，接收φ2小时雨水，得到φ1个雨水接收器接收到的平均雨量为φ3，设定雨水接收器面积为每个栅格的面积为则t小时内水库降雨量

56、s312、计算所述水库蒸散发量，设定平均气温饱和水汽压斜率为η，净辐射为κ，潜在蒸散常数为o1，每小时空气输送水汽通量为o2，则t小时内水库蒸散发量

57、s313、计算所述水库产流量，设定t小时内的降雨强度为λ1，水库入渗率为λ2；当降雨强度大于水库入渗率时，t小时内的产流量γ3＝(λ1-λ2)·t，当降雨强度小于或者等于水库入渗率时，t小时内的产流量γ3＝0；

58、s32、由所述t小时内水库降雨量、t小时内水库蒸散发量、t小时内水库产流量，构建t小时内水库洪水模型，由所述t小时内水库洪水模型得到t小时内剩余水库容量γ′＝γ″-(γ1-γ2+γ3)，其中γ″表示水库容量；当剩余水库容量小于或者等于0，则水库已经蓄满；否则水库没有蓄满，由土湿和所述剩余水库容量计算临界雨量，具体步骤如下：

59、s321、设定水库连接河段个数为r，第r′个水库连接河段的土湿为第r′个水库连接河段面积占水库连接河段面积比重记为θr′，水库连接河段的土湿计算公式如下，

60、

61、s322、计算所述a″′＝{a1″′,a2″′,...,at″′}中未来t小时后的降雨量，设定第一阈值ω1，计算土湿和所述剩余水库容量的和与未来t小时后的降雨量的差的绝对值，记为可能临界雨量；当所述可能临界雨量小于或者等于ω1，则所述可能临界雨量为临界雨量；否则所述可能临界雨量不是临界雨量，重复s23，直至所述可能临界雨量小于或者等于ω1，得到临界雨量。

62、该发明通过考虑水库降雨量、水库蒸散发量和水库产流量，建立水库洪水模型，为临界雨量的计算和雨量预警指标分析奠定基础；通过水库洪水模型计算得到可能临界雨量，设定阈值，比较确定可能临界雨量是否为临界雨量，过程严谨。

63、优选地，所述s4包括以下步骤：

64、s41、选取风险因素矩阵中部分风险因素作为训练集样本矩阵和检验集样本矩阵，分别如下，

65、

66、其中，a′t′表示未来t′小时后的水库纳洪承载力，a″t′表示未来t′小时后的水库水位，a″′t′表示未来t′小时后的降雨情况，且t′＜t；

67、s42、将训练集样本矩阵中水库纳洪承载力、水库水位、降雨情况数据归一化处理，得到归一化训练集样本矩阵；设定bp神经网络中输入节点个数为3，输出节点个数为1，学习率为ρ；将归一化训练集样本矩阵输入bp神经网络中，设定最小误差，输出修正临界雨量，当修正临界雨量与临界雨量的差的绝对值小于或者等于最小误差，得到训练好的bp神经网络模型；否则继续进行训练直至修正临界雨量与临界雨量的差的绝对值小于或者等于最小误差；

68、s43、将检验集样本矩阵中水库纳洪承载力、水库水位、降雨情况数据归一化处理，得到归一化检验集样本矩阵，输入训练好的bp神经网络模型中，对检验集样本矩阵进行检测，设定第二阈值ω2，当得到修正临界雨量与临界雨量的精度差值小于或者等于ω2，所述临界雨量不需要修正，所述临界雨量即为真实雨量；否则得到待修正的临界雨量，对待修正的临界雨量进行修正，具体步骤如下：

69、s431、获取往年洪水时间段内的水库降雨量、水库蒸散发量和水库产流量，计算得到往年临界雨量，记为往年临界雨量集合d′＝{d1,d2,...dc}，其中dc表示c年前临界雨量；计算往年的临界雨量集合中临界雨量的平均值，记为

70、s432、计算往年临界雨量集合中临界雨量的平均值和待修正的临界雨量的平均值，记为所述即为修正后的临界雨量，得到真实雨量；

71、s44、设定第三阈值ω3，当所述真实雨量和所述未来t小时内的总降雨量差的绝对值小于或者等于ω3，将真实雨量作为真实雨量指标；否则将未来t小时内的总降雨量作为真实雨量指标；得到所述真实雨量指标后，计算对应的t小时内剩余水库容量，当所述t小时内剩余水库容量剩余60％，雨量预警指标为四级蓝色预警；当所述t小时内剩余水库容量剩余40％，雨量预警指标为三级黄色预警；当所述t小时内剩余水库容量剩余20％，雨量预警指标为二级橙色预警；当所述t小时内剩余水库容量剩余10％，雨量预警指标为一级红色预警。

72、该发明通过使用训练集样本矩阵训练bp神经网络，判断临界雨量是否为真实雨量，得到待修正的临界雨量，通过往年临界雨量的平均值，对待修正的临界雨量进行修正处理，方法巧妙，结果准确。

73、优选地，所述s5包括以下步骤：

74、s51、使用yolo检测算法识别洪水，获取河道监控视频图像，对河道监控视频的第i帧洪水图像，将所述第i帧洪水图像划分成r个网格，每个网格划分成个候选区域，设定表示第r个网格中第候选区域，得到网格矩阵

75、

76、设定所述网格矩阵k中第一网格对于第i帧洪水图像左上角的左右偏移量是sx，网格矩阵k中第一网格对于第i帧洪水图像左上角的上下偏移量是sy，所述第一网格的高度为uhigh，第一网格的宽度为uwidth，对第一网格通过真实化处理，计算公式如下，

77、

78、其中，表示横坐标偏移值，表示纵坐标偏移值，表示横坐标尺度缩放，表示纵坐标尺度放缩，s′x表示第一网格横坐标，s′y表示第一网格纵坐标，u′high表示第一网格高度，u′width表示第一网格宽度；分别对网格矩阵k中所有网格进行真实化处理，得到第i帧洪水图像的真实矩阵；

79、

80、其中，s(r)x表示第r个网格的横坐标，s(r)y表示第r个网格纵坐标，u(r)high表示第r个网格高度，u(r)width表示第r个网格宽度；

81、s52、由所述第i帧洪水图像的真实矩阵k′，设定第i-1帧洪水图像的真实矩阵k″，对k′和k″进行并交比，具体过程如下：

82、s521、设定第i-1帧洪水图像网格数量为r′，比较第i帧洪水图像的真实矩阵k′和第i-1帧洪水图像的真实矩阵k″中对应网格有相同的网格坐标记为j；设定第四阈值ω4，当j大于或者等于ω4时，将第i-1帧洪水图像的真实矩阵k″对应相同网格的高度和宽度替换成第i帧洪水图像的真实矩阵k′对应相同网格的高度和宽度；

83、s522、当j小于ω4时，此时第i帧洪水图像存在洪水移动过快；对于第i帧洪水图像存在洪水移动过快，选取第i-2帧、第i-3帧和第i-4帧洪水图像，重复s521，如果第i-2帧、第i-3帧和第i-4帧洪水图像真实矩阵对应网格相同的网格坐标j都小于ω4，舍弃第i帧洪水图像；否则将第i-1帧洪水图像的真实矩阵k″对应相同网格的高度和宽度替换成第i帧洪水图像的真实矩阵k′对应相同网格的高度和宽度；

84、s53、计算第i-1帧洪水图像的真实矩阵k″对应相同网格的高度和宽度和第i帧洪水图像的真实矩阵k′对应相同网格的高度和宽度的紧邻距离w，计算公式如下，

85、

86、其中，l1和l1分别表示高度权重和宽度权重，s(v)x和s(v)y分别表示第v个网格的横坐标和纵坐标，u(v)high和u(v)width分别表示第v个网格高度和宽度，且v≤r；

87、设定距离阈值ζ，当紧邻距离w大于ζ时，第i-1帧洪水图像的真实矩阵k″对应相同网格的高度和宽度替换成第i帧洪水图像的真实矩阵k′对应相同网格的高度和宽度中，对应相同网格不是洪水网格，即不能识别洪水，重复s521和s522；否则可以识别洪水；

88、s54、识别洪水后，由所述洪水图像定位河道监控位置，得到洪水实时位置，将雨量预警指标和洪水实时位置上传云端。

89、该发明通过yolo检测算法实现对洪水的识别，通过建立网格矩阵，比较相邻帧图像相同网格坐标，计算网格距离建立联系，设定阈值判断距离是否符合要求，从而识别洪水，定位洪水位置，实现实时监测洪水，算法识别准确率，具有较高的实时性。

90、优选地，所述s6包括以下步骤：

91、s61、洪水预警平台接收雨量预警指标和洪水实时位置，并雨量预警指标和洪水实时位置实时传输到互联网上；

92、s62、建立数据库，所述数据库存储水库纳洪承载力、水库水位、降雨情况和雨量预警指标，实现对洪水预警；数据库存储洪水实时位置和洪水路径，实现对洪水监测。

93、本实施例还公开了一种基于云平台的洪水预警监测数字化系统，具体包括：洪水风险因素生成风险因素矩阵模块、修正临界雨量模块、雨量预警指标模块、洪水识别模块和洪水预警平台和数据库模块；

94、所述洪水风险因素生成风险因素矩阵模块用于水库纳洪承载力、水库水位和降雨变化形成洪水风险因素矩阵；

95、所述修正临界雨量用于使用洪水风险因素对临界雨量进行约束修正得到真实雨量；

96、所述雨量预警指标模块用于真实雨量指标转化为雨量预警指标实现雨量预警；

97、所述洪水识别模块用于通过监控图像实现对洪水的识别以及定位；

98、所述洪水预警平台和数据库模块用于搭建洪水预警平台，使用数据库存储洪水相关信息。

99、本发明具备以下有益效果：

100、1.该发明首先通过天气预报，计算未来t小时内的总降雨量；考虑不同洪水风险因素，包括水库纳洪承载力、水库水位和降雨变化，综合考虑影响洪水发生的各个因素，得到的数据直观准确；其中使用加权k最近邻算法预测降水，利用往年的天气数据找到权值最大的类作为未来t小时内的降雨情况；再构建水库洪水模型，包括水库降雨量、水库蒸散发量和水库产流量，水库是影响洪水的主要因素，水库剩余容量直接影响洪水是否发生；将水库洪水模型中因素输入bp神经网络，输出待修正的临界雨量，使用风险因素矩阵修正临界雨量得到真实雨量，再将真实雨量指标转化为雨量预警指标；使用yolo检测算法识别洪水，通过建立网格矩阵，比较相邻帧图像相同网格坐标，计算网格距离建立联系，设定阈值判断是否识别洪水；最后搭建洪水预警平台并建立数据库，实时更新洪水数据实现对洪水预警监测，并将所述洪水数据存储在数据库中，数据可视化，同时方便查询。

101、2.该发明通过考虑不同洪水风险因素，包括水库纳洪承载力、水库水位和降雨变化，直观计算得到洪水风险因素数据；水库纳洪承载力使用平衡公式计算得到；水库水位使用隶属度计算公式，做出图像找到对应的水库水位；降雨变化使用k最近邻算法预测降水，通过往年天气数据的样本集，计算距离权值，将最大的权值和的类作为未来降雨，使用算法巧妙，得到结果准确。

102、3.该发明通过考虑水库降雨量、水库蒸散发量和水库产流量，建立水库洪水模型，为临界雨量的计算和雨量预警指标分析奠定基础；通过水库洪水模型计算得到可能临界雨量，设定阈值，比较确定可能临界雨量是否为临界雨量，过程严谨。

103、4.该发明通过使用训练集样本矩阵训练bp神经网络，判断临界雨量是否为真实雨量，得到待修正的临界雨量，通过往年临界雨量的平均值，对待修正的临界雨量进行修正处理，方法巧妙，结果准确。

104、5.该发明通过yolo检测算法实现对洪水的识别，通过建立网格矩阵，比较相邻帧图像相同网格坐标，计算网格距离建立联系，设定阈值判断距离是否符合要求，从而识别洪水，定位洪水位置，实现实时监测洪水，算法识别准确率，具有较高的实时性。

105、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。