基于机器学习的水位异常检测预警方法发明专利

专利名称：基于机器学习的水位异常检测预警方法

专利类型：发明专利

专利申请号：CN202410664920.7

专利申请（专利权）人：娄底市水利水电工程建设有限责任公司
权利人地址：湖南省娄底市娄星区氐星路8号

专利发明（设计）人：熊瑶琪,曹应文,文杰,杨斌,周赣红

专利摘要：本发明公开了基于机器学习的水位异常检测预警方法，属于水位预警技术领域。首先，通过采集气象信息、历史日志和陆地水文图，以及指定区域内河流周边的图像数据和环境信息，在陆地水文图中将河流划分为河道，采用机器学习算法在历史日志中提取训练集，分析得到各河道的关系参数和风险系数；其次，再根据风险系数划分异常河道和标记河道，分析标记河道周边的图像数据和环境信息并建立关系公式，结合气象信息预测未来一段时间异常河道的水位变化幅度，从而计算异常河道的趋向指数；最后，通过数据中心显示所有河道的信息，定时生成水位记录存入历史日志中，设置指数阈值，在异常河道的趋向指数大于指数阈值时进行预警。

主权利要求：
1.基于机器学习的水位异常检测预警方法，其特征在于：该方法包括以下步骤：
S100、采集气象信息、历史日志和陆地水文图，以及指定区域内河流周边的图像数据和环境信息；
S200、在陆地水文图中将河流划分为河道，采用机器学习算法在历史日志中提取训练集，分析得到各河道的关系参数和风险系数，根据风险系数划分异常河道和标记河道；
S300、分析标记河道周边的图像数据和环境信息并建立关系公式，结合气象信息预测未来一段时间异常河道的水位变化幅度，从而计算异常河道的趋向指数；
S400、数据中心显示所有河道的信息，定时生成水位记录存入历史日志中，设置指数阈值，当异常河道的趋向指数大于指数阈值时进行预警；
在S200中，具体步骤如下：
S201、分析陆地水文图中河流的所有分岔口的位置，相邻分岔口相连接后，将河流划分为不同的河道，确保每个河道中没有分岔口且只有一个流入口和流出口相连接；分析河流方向，将与河道h流入口连接的所有其他河道作为h的上层河道，按照河流方向将河道h流入口上游的所有其他河道作为h的上游河道；
S202、获取历史日志中所有水位记录的标识符，分析每个标识符对应监测设备的位置的所处河道，按照所处河道的不同对水位记录进行分类；分析每类的水位记录中的采集时间，分别计算相同采集时间下各水位记录中水位的平均值以得到平均水位；为每个河道建立记录集合，将每类的采集时间和平均水位放入对应记录集合中；
S203、将河道的记录集合与其上层河道的记录集合进行关联，将关联集合中相同采集时间下的所有平均水位打包为训练集，采用机器学习算法根据不同训练集拟合分析各河道的关系参数，通过关系参数分析计算各河道的风险系数，设置系数阈值，风险系数大于系数阈值的河道作为异常河道，将异常河道的所有上层河道进行标记；
在S203中，关系参数的具体分析步骤如下：
S2031、将河道的记录集合JHn与其所有上层河道的记录集合JHall进行关联，统计JHn中元素数量L并建立L个样本；获取关联集合中每个采集时间所对应的所有平均水位，将属于JHn的平均水位作为因变量，属于JHall的平均水位作为自变量，将相同采集时间下的因变量与自变量放入样本中，全部放入完成后所有样本打包为训练集；
S2032、将每个河道的训练集分别输入至多元线性回归模型中进行训练，得到每个河道的影响预测模型；具体包括：将训练集中每个样本的所有自变量作为多元线性回归模型的输入值，计算输出结果与对应样本的因变量之间的差值，设置误差阈值，当差值小于误差阈值时则标记对应样本并计算下一个样本；其他情况则调整回归系数的参数，得到新的多元线性回归模型，将未标记的样本重新输入至新的多元线性回归模型中进行计算，直到所有样本被标记则将当前的多元线性回归模型作为预测模型；其中，多元线性回归模型y的表达式为：y＝β0+β1SW1+β2SW2+...+βiSWi；
式中，βi为第i个回归系数，SWi为第i个自变量；将β1，β2，...，βi作为对应河道的关系参数；
在S203中，先将同一河道下所有监测设备当前时间下所采集的水位求和后计算平均值，得到河道的当前水位 设置最高水位 再将同一河道下所有关系参数求和得到总参数 代入公式计算每个河道的风险系数：式中，FXXe为河道e的风险系数，α和f为常数，R为河道e的所有上游河道数量，s为所有河道的数量。
2.根据权利要求1所述的基于机器学习的水位异常检测预警方法，其特征在于：在S100中，气象信息是指未来一段时间内的温度；历史日志是指河流的水位记录，每条水位记录包括监测设备的标识符、采集时间和水位；陆地水文图表示指定区域内的河流分布图；图像数据是指由安装在河流不同位置处的监测设备所采集的视频，环境信息是指由安装在河流不同位置处的监测设备所采集的温度和水位。
3.根据权利要求1所述的基于机器学习的水位异常检测预警方法，其特征在于：在S300中，具体步骤如下：
S301、获取标记河道的周边的视频，使用OpenCV技术将视频分解成单帧图像，对所有单帧图像进行筛选，采用边缘检测法去除模糊的单帧图像；采用卷积神经网络算法对剩余单帧图像中的冰雪覆盖区域进行识别，将单帧图像中识别到的所有冰雪覆盖区域面积求和后，除以单帧图像的总面积得到冰雪覆盖率；
S302、分析每张单帧图像对应的拍摄时间，按照拍摄时间先后顺序对所有单帧图像进行排序；获取环境信息中不同拍摄时间下的温度和水位，根据排列顺序将相同温度下单帧图像划为同类，将每类中所有单帧图像中冰雪覆盖率的极差除以拍摄时间的极差作为消融速度，每类中所有单帧图像对应拍摄时间下的水位的平均值作为消融速度对应的调整水位；
S303、将标记河道在不同温度下的消融速度和调整水位作为训练集，采用线性回归模型对训练集进行训练，分别建立温度与消融速度的关系公式，以及消融速度与调整水位的关系公式，每个标记河道都具有两个关系公式；将气象数据中的温度代入每个标记河道的关系公式中计算调整水位，再将调整水位代入异常河道的影响预测模型中计算得到异常河道的预测水位，根据预测水位变化幅度计算趋向指数。
4.根据权利要求3所述的基于机器学习的水位异常检测预警方法，其特征在于：在S303中，获取标记河道在不同温度下的消融速度，温度作为自变量，消融速度作为因变量；自变量作为线性回归模型的输入值，将输出结果与因变量进行对比，通过不断调整回归系数的参数最终得到温度与消融速度的关系公式；获取标记河道在不同消融速度下的调整水位，消融速度作为自变量，调整水位作为因变量；自变量作为线性回归模型的输入值，将输出结果与因变量进行对比，通过不断调整回归系数的参数最终得到消融速度与调整水位的关系公式。
5.根据权利要求3所述的基于机器学习的水位异常检测预警方法，其特征在于：在S303中，趋向指数计算步骤如下：S3031、设定预测时间集合{t1,t2,...,tu}，获取气象数据中{t1,t2,...,tu}时刻下的温度，分别代入每个标记河道的温度与消融速度关系公式中，再将计算结果再次代入消融速度与调整水位的关系公式中，计算各时刻下不同标记河道的调整水位；
S3032、获取每个异常河道的影响预测模型，自动代入对应所有标记河道在各时刻下的调整水位，计算各时刻下异常河道的预测水位，分别将{t1,t2,...,tu}时刻下的预测水位代入S203步骤中计算得到风险系数{FXX1,FXX2,...,FXXu}；代入公式中计算每个异常河道的趋向指数：式中，QXZ为趋向指数。
6.根据权利要求3所述的基于机器学习的水位异常检测预警方法，其特征在于：在S400中，通过数据中心可视化大屏实时显示指定区域内所有河道的水位以及风险指数；所有监测设备每隔一段固定时长生成一次水位记录后存入历史日志中；设置指数阈值，当异常河道的趋向指数大于指数阈值时进行预警，通知工作人员进行处理。 说明书 : 基于机器学习的水位异常检测预警方法技术领域[0001] 本发明涉及水位预警技术领域，具体为基于机器学习的水位异常检测预警方法。背景技术[0002] 水位异常是指水位出现异常波动、突变或超出正常范围的现象。随着全球气候变化和人类活动的加剧，该现象在近年来逐渐增多并引起了广泛关注。研究水位异常的成因和规律，寻求有效的监测和预警方法，对于提高水资源利用效率和保护生态环境具有重要意义。[0003] 现阶段，针对水位监测或预警方面通常采用自动化监测和气象预警，通过监测设备实时采集的水位信息，结合未来气象预报的雨量信息进行预警。这种方法存在一定弊端：一方面，冬季雨雪频发导致大量冰雪附着在河流两岸，当温度上升时这些冰雪化成水流入河中，造成水位短时间抬高，这种情况下无法被事先预测。另一方面，河流不同位置的河床高度或宽度不同所导致的水位变化幅度存在差异，下游河道与上游河道的水位变化幅度也同样存在差异，只针对各监测设备采集的水位信息独立分析，而不考虑所处位置可能带来的差异则会导致预测不准确。所以，现阶段需要一种更加高效智能的水位监测预警技术方案来解决上述问题。发明内容[0004] 本发明的目的在于提供基于机器学习的水位异常检测预警方法，以解决上述背景技术中提出的问题。[0005] 为了解决上述技术问题，本发明提供如下技术方案：基于机器学习的水位异常检测预警方法，该方法包括以下步骤：[0006] S100、采集气象信息、历史日志和陆地水文图，以及指定区域内河流周边的图像数据和环境信息。[0007] S200、在陆地水文图中将河流划分为河道，采用机器学习算法在历史日志中提取训练集，分析得到各河道的关系参数和风险系数，根据风险系数划分异常河道和标记河道。[0008] S300、分析标记河道周边的图像数据和环境信息并建立关系公式，结合气象信息预测未来一段时间异常河道的水位变化幅度，从而计算异常河道的趋向指数。[0009] S400、数据中心显示所有河道的信息，定时生成水位记录存入历史日志中，设置指数阈值，当异常河道的趋向指数大于指数阈值时进行预警。[0010] 在S100中，气象信息是指未来一段时间内的温度，温度是指气温。历史日志是指河流的水位记录，每条水位记录包括监测设备的标识符、采集时间和水位。陆地水文图表示指定区域内的河流分布图。图像数据是指由安装在河流不同位置处的监测设备所采集的视频，环境信息是指由安装在河流不同位置处的监测设备所采集的温度和水位。[0011] 在S200中，具体步骤如下：[0012] S201、分析陆地水文图中河流的所有分岔口的位置，相邻分岔口相连接后，将河流划分为不同的河道，确保每个河道中没有分岔口且只有一个流入口和流出口相连接。分析河流方向，将与河道h流入口连接的所有其他河道作为h的上层河道，按照河流方向将河道h流入口上游的所有其他河道作为h的上游河道。[0013] 河流分岔口是河流在一定地点分成两条或多条河道流向不同方向的地理现象。河流受到地形或地质的影响，发生流量聚集不均或河道逐渐扩展时便会形成分岔口。河流分岔口的形成导致河流在不同方向上流动，且每条河道由于河床高度或宽度不同，水流量和水位也存在较大差异。监测设备安装在河流不同位置处，每条河道都至少存在一台监测设备。[0014] 河道h的上层河道是指流出口与河道h流入口相连接的所有其他河道。河道h的上游河道是指按照河流方向处于河道h上游方向的所有其他河道，所有上游河道包含所有上层河道。[0015] S202、获取历史日志中所有水位记录的标识符，分析每个标识符对应监测设备的位置的所处河道，按照所处河道的不同对水位记录进行分类。分析每类的水位记录中的采集时间，分别计算相同采集时间下各水位记录中水位的平均值以得到平均水位。为每个河道建立记录集合，将每类的采集时间和平均水位放入对应记录集合中。[0016] 平均水位是指在采集时间下所有同属于一个河道的监测设备所采集水位的平均值，每个记录集合代表一个河道，记录集合中保存若干个采集时间，以及采集时间下的平均水位。[0017] S203、将河道的记录集合与其上层河道的记录集合进行关联，将关联集合中相同采集时间下的所有平均水位打包为训练集，采用机器学习算法根据不同训练集拟合分析各河道的关系参数，通过关系参数分析计算各河道的风险系数，设置系数阈值，风险系数大于系数阈值的河道作为异常河道，将异常河道的所有上层河道进行标记。[0018] 每条河道对应若干条上层河道，故关联集合中存在两个及以上的记录集合。[0019] 在S203中，关系参数的具体分析步骤如下：[0020] S2031、将河道的记录集合JHn与其所有上层河道的记录集合JHall进行关联，统计JHn中元素数量L并建立L个样本。获取关联集合中每个采集时间所对应的所有平均水位，将属于JHn的平均水位作为因变量，属于JHall的平均水位作为自变量，将相同采集时间下的因变量与自变量放入样本中，全部放入完成后所有样本打包为训练集。[0021] S2032、将每个河道的训练集分别输入至多元线性回归模型中进行训练，得到每个河道的影响预测模型。具体包括：将训练集中每个样本的所有自变量作为多元线性回归模型的输入值，计算输出结果与对应样本的因变量之间的差值，设置误差阈值，当差值小于误差阈值时则标记对应样本并计算下一个样本。其他情况则调整回归系数的参数，得到新的多元线性回归模型，将未标记的样本重新输入至新的多元线性回归模型中进行计算，直到所有样本被标记则将当前的多元线性回归模型作为预测模型。其中，多元线性回归模型y的表达式为：[0022] y＝β0+β1SW1+β2SW2+...+βiSWi[0023] 式中，βi为第i个回归系数，SWi为第i个自变量；将β1，β2，...，βi作为对应河道的关系参数。[0024] 先将同一河道下所有监测设备当前时间下所采集的水位求和后计算平均值，得到河道的当前水位 设置最高水位 再将同一河道下所有关系参数求和得到总参数 代入公式计算每个河道的风险系数：[0025][0026] 式中，FXXe为河道e的风险系数，α和f为常数，R为河道e的所有上游河道数量，s为所有河道的数量。[0027] 风险系数同时受到当前水位、总参数和上游河道数量三方面的影响。当前水位越高则风险系数越大。总参数则表示河道受到上层河道水位变化的影响程度，总参数越大表示影响程度越小则风险系数越小。上游河道数量越多表示河道越处于下游位置，较容易受到所有上游河道的综合影响，影响越大则风险系数越大。[0028] 在S300中，具体步骤如下：[0029] S301、获取标记河道的周边的视频，使用OpenCV技术将视频分解成单帧图像，对所有单帧图像进行筛选，采用边缘检测法去除模糊的单帧图像。采用卷积神经网络算法对剩余单帧图像中的冰雪覆盖区域进行识别，将单帧图像中识别到的所有冰雪覆盖区域面积求和后，除以单帧图像的总面积得到冰雪覆盖率。[0030] S302、分析每张单帧图像对应的拍摄时间，按照拍摄时间先后顺序对所有单帧图像进行排序。获取环境信息中不同拍摄时间下的温度和水位，根据排列顺序将相同温度下单帧图像划为同类，将每类中所有单帧图像中冰雪覆盖率的极差除以拍摄时间的极差作为消融速度，每类中所有单帧图像对应拍摄时间下的水位的平均值作为消融速度对应的调整水位。[0031] 消融速度表示在温度保持不变的一段时间内冰雪覆盖率的减少速度。调整水位表示在温度保持不变的一段时间内水位的平均值。温度、消融速度和调整水位呈正比关系，温度越高，消融速度越大，调整水位越高。[0032] S303、将标记河道在不同温度下的消融速度和调整水位作为训练集，采用线性回归模型对训练集进行训练，分别建立温度与消融速度的关系公式，以及消融速度与调整水位的关系公式，每个标记河道都具有两个关系公式。将气象数据中的温度代入每个标记河道的关系公式中计算调整水位，再将调整水位代入异常河道的影响预测模型中计算得到异常河道的预测水位，根据预测水位变化幅度计算趋向指数。[0033] 标记河道由于河床高度、宽度或所处地理位置等现实因素的不同，导致即使是相同温度下各标记河道的消融速度和调整水位也会不同。[0034] 在S303中，获取标记河道在不同温度下的消融速度，温度作为自变量，消融速度作为因变量。自变量作为线性回归模型的输入值，将输出结果与因变量进行对比，通过不断调整回归系数的参数最终得到温度与消融速度的关系公式。获取标记河道在不同消融速度下的调整水位，消融速度作为自变量，调整水位作为因变量。自变量作为线性回归模型的输入值，将输出结果与因变量进行对比，通过不断调整回归系数的参数最终得到消融速度与调整水位的关系公式。[0035] 趋向指数计算步骤如下：[0036] S3031、设定预测时间集合{t1,t2,...,tu}，获取气象数据中{t1,t2,...,tu}时刻下的温度，分别代入每个标记河道的温度与消融速度关系公式中，再将计算结果再次代入消融速度与调整水位的关系公式中，计算各时刻下不同标记河道的调整水位。[0037] S3032、获取每个异常河道的影响预测模型，自动代入对应所有标记河道在各时刻下的调整水位，计算各时刻下异常河道的预测水位，分别将{t1,t2,...,tu}时刻下的预测水位代入S203步骤中计算得到风险系数{FXX1,FXX2,...,FXXu}。代入公式中计算每个异常河道的趋向指数：[0038][0039] 式中，QXZ为趋向指数。[0040] 在S400中，通过数据中心可视化大屏实时显示指定区域内所有河道的水位以及风险指数。所有监测设备每隔一段固定时长生成一次水位记录后存入历史日志中。设置指数阈值，当异常河道的趋向指数大于指数阈值时进行预警，通知工作人员进行处理。[0041] 与现有技术相比，本发明所达到的有益效果是：[0042] 1、河道精细化区分：本发明对河流按照分岔口进行河道区分，分析每个河道的上游河道和上层河道，根据当前水位与最高水位占比、受上层河道水位影响程度和上游河道数量综合分析计算河道的风险系数，相比于传统技术中将河流作为整体的分析方式更加精细化。[0043] 2、水位智能化预测：本发明先采用机器学习算法分析各河道水位与上层河道水位的关系建立预测模型，再通过分析历史数据，拟合温度、消融速度和调整水位之间的关系公式，代入气象信息中的温度来实现水位预测，相比于传统技术中仅凭雨量的预测方式更加智能化。[0044] 综上所述，本发明相比于传统技术具有河道精细化区分和水位智能化预测的优势，能够提高水位监测预警效率。附图说明[0045] 附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：[0046] 图1是本发明基于机器学习的水位异常检测预警方法的流程示意图。具体实施方式[0047] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。[0048] 请参阅图1，本发明提供基于机器学习的水位异常检测预警方法，该方法包括以下步骤：[0049] S100、采集气象信息、历史日志和陆地水文图，以及指定区域内河流周边的图像数据和环境信息。[0050] S200、在陆地水文图中将河流划分为河道，采用机器学习算法在历史日志中提取训练集，分析得到各河道的关系参数和风险系数，根据风险系数划分异常河道和标记河道。[0051] S300、分析标记河道周边的图像数据和环境信息并建立关系公式，结合气象信息预测未来一段时间异常河道的水位变化幅度，从而计算异常河道的趋向指数。[0052] S400、数据中心显示所有河道的信息，定时生成水位记录存入历史日志中，设置指数阈值，当异常河道的趋向指数大于指数阈值时进行预警。[0053] 在S100中，气象信息是指未来一段时间内的温度，温度是指气温。历史日志是指河流的水位记录，每条水位记录包括监测设备的标识符、采集时间和水位。陆地水文图表示指定区域内的河流分布图。图像数据是指由安装在河流不同位置处的监测设备所采集的视频，环境信息是指由安装在河流不同位置处的监测设备所采集的温度和水位。[0054] 在S200中，具体步骤如下：[0055] S201、分析陆地水文图中河流的所有分岔口的位置，相邻分岔口相连接后，将河流划分为不同的河道，确保每个河道中没有分岔口且只有一个流入口和流出口相连接。分析河流方向，将与河道h流入口连接的所有其他河道作为h的上层河道，按照河流方向将河道h流入口上游的所有其他河道作为h的上游河道。[0056] 河流分岔口是河流在一定地点分成两条或多条河道流向不同方向的地理现象。河流受到地形或地质的影响，发生流量聚集不均或河道逐渐扩展时便会形成分岔口。河流分岔口的形成导致河流在不同方向上流动，且每条河道由于河床高度或宽度不同，水流量和水位也存在较大差异。监测设备安装在河流不同位置处，每条河道都至少存在一台监测设备。[0057] 河道h的上层河道是指流出口与河道h流入口相连接的所有其他河道。河道h的上游河道是指按照河流方向处于河道h上游方向的所有其他河道，所有上游河道包含所有上层河道。[0058] S202、获取历史日志中所有水位记录的标识符，分析每个标识符对应监测设备的位置的所处河道，按照所处河道的不同对水位记录进行分类。分析每类的水位记录中的采集时间，分别计算相同采集时间下各水位记录中水位的平均值以得到平均水位。为每个河道建立记录集合，将每类的采集时间和平均水位放入对应记录集合中。[0059] 平均水位是指在采集时间下所有同属于一个河道的监测设备所采集水位的平均值，每个记录集合代表一个河道，记录集合中保存若干个采集时间，以及采集时间下的平均水位。[0060] S203、将河道的记录集合与其上层河道的记录集合进行关联，将关联集合中相同采集时间下的所有平均水位打包为训练集，采用机器学习算法根据不同训练集拟合分析各河道的关系参数，通过关系参数分析计算各河道的风险系数，设置系数阈值，风险系数大于系数阈值的河道作为异常河道，将异常河道的所有上层河道进行标记。[0061] 每条河道对应若干条上层河道，故关联集合中存在两个及以上的记录集合。[0062] 在S203中，关系参数的具体分析步骤如下：[0063] S2031、将河道的记录集合JHn与其所有上层河道的记录集合JHall进行关联，统计JHn中元素数量L并建立L个样本。获取关联集合中每个采集时间所对应的所有平均水位，将属于JHn的平均水位作为因变量，属于JHall的平均水位作为自变量，将相同采集时间下的因变量与自变量放入样本中，全部放入完成后所有样本打包为训练集。[0064] S2032、将每个河道的训练集分别输入至多元线性回归模型中进行训练，得到每个河道的影响预测模型。具体包括：将训练集中每个样本的所有自变量作为多元线性回归模型的输入值，计算输出结果与对应样本的因变量之间的差值，设置误差阈值，当差值小于误差阈值时则标记对应样本并计算下一个样本。其他情况则调整回归系数的参数，得到新的多元线性回归模型，将未标记的样本重新输入至新的多元线性回归模型中进行计算，直到所有样本被标记则将当前的多元线性回归模型作为预测模型。其中，多元线性回归模型y的表达式为：[0065] y＝β0+β1SW1+β2SW2+...+βiSWi[0066] 式中，βi为第i个回归系数，SWi为第i个自变量；将β1，β2，...，βi作为对应河道的关系参数。[0067] 先将同一河道下所有监测设备当前时间下所采集的水位求和后计算平均值，得到河道的当前水位 设置最高水位 再将同一河道下所有关系参数求和得到总参数 代入公式计算每个河道的风险系数：[0068][0069] 式中，FXXe为河道e的风险系数，α和f为常数，R为河道e的所有上游河道数量，s为所有河道的数量。[0070] 风险系数同时受到当前水位、总参数和上游河道数量三方面的影响。当前水位越高则风险系数越大。总参数则表示河道受到上层河道水位变化的影响程度，总参数越大表示影响程度越小则风险系数越小。上游河道数量越多表示河道越处于下游位置，较容易受到所有上游河道的综合影响，影响越大则风险系数越大。[0071] 在S300中，具体步骤如下：[0072] S301、获取标记河道的周边的视频，使用OpenCV技术将视频分解成单帧图像，对所有单帧图像进行筛选，采用边缘检测法去除模糊的单帧图像。采用卷积神经网络算法对剩余单帧图像中的冰雪覆盖区域进行识别，将单帧图像中识别到的所有冰雪覆盖区域面积求和后，除以单帧图像的总面积得到冰雪覆盖率。[0073] S302、分析每张单帧图像对应的拍摄时间，按照拍摄时间先后顺序对所有单帧图像进行排序。获取环境信息中不同拍摄时间下的温度和水位，根据排列顺序将相同温度下单帧图像划为同类，将每类中所有单帧图像中冰雪覆盖率的极差除以拍摄时间的极差作为消融速度，每类中所有单帧图像对应拍摄时间下的水位的平均值作为消融速度对应的调整水位。[0074] 消融速度表示在温度保持不变的一段时间内冰雪覆盖率的减少速度。调整水位表示在温度保持不变的一段时间内水位的平均值。温度、消融速度和调整水位呈正比关系，温度越高，消融速度越大，调整水位越高。[0075] S303、将标记河道在不同温度下的消融速度和调整水位作为训练集，采用线性回归模型对训练集进行训练，分别建立温度与消融速度的关系公式，以及消融速度与调整水位的关系公式，每个标记河道都具有两个关系公式。将气象数据中的温度代入每个标记河道的关系公式中计算调整水位，再将调整水位代入异常河道的影响预测模型中计算得到异常河道的预测水位，根据预测水位变化幅度计算趋向指数。[0076] 标记河道由于河床高度、宽度或所处地理位置等现实因素的不同，导致即使是相同温度下各标记河道的消融速度和调整水位也会不同。[0077] 在S303中，获取标记河道在不同温度下的消融速度，温度作为自变量，消融速度作为因变量。自变量作为线性回归模型的输入值，将输出结果与因变量进行对比，通过不断调整回归系数的参数最终得到温度与消融速度的关系公式。获取标记河道在不同消融速度下的调整水位，消融速度作为自变量，调整水位作为因变量。自变量作为线性回归模型的输入值，将输出结果与因变量进行对比，通过不断调整回归系数的参数最终得到消融速度与调整水位的关系公式。[0078] 趋向指数计算步骤如下：[0079] S3031、设定预测时间集合{t1,t2,...,tu}，获取气象数据中{t1,t2,...,tu}时刻下的温度，分别代入每个标记河道的温度与消融速度关系公式中，再将计算结果再次代入消融速度与调整水位的关系公式中，计算各时刻下不同标记河道的调整水位。[0080] S3032、获取每个异常河道的影响预测模型，自动代入对应所有标记河道在各时刻下的调整水位，计算各时刻下异常河道的预测水位，分别将{t1,t2,...,tu}时刻下的预测水位代入S203步骤中计算得到风险系数{FXX1,FXX2,...,FXXu}。代入公式中计算每个异常河道的趋向指数：[0081][0082] 式中，QXZ为趋向指数。[0083] 在S400中，通过数据中心可视化大屏实时显示指定区域内所有河道的水位以及风险指数。所有监测设备每隔一段固定时长生成一次水位记录后存入历史日志中。设置指数阈值，当异常河道的趋向指数大于指数阈值时进行预警，通知工作人员进行处理。[0084] 实施例一：[0085] 假设河道h1当前水位为1.8m，最高水位为2.5m，α为1，f为2，所有河道的数量为8，河道h1的上游河道数量为2，总参数为3，所有河道总参数之和为9，代入公式计算河道h1的风险系数：[0086][0087] 则河道h1的风险系数为0.63，当系数阈值为0.5时，河道h1作为异常河道。[0088] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。[0089] 最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

专利地区：湖南

专利申请日期：2024-05-27

专利公开日期：2024-11-29

专利公告号：CN118552852B