[發明專利]一種基于大數據的GIS山洪預防預警系統

有效

• 申請號: 202010772140.6
• 申請日: 2020-08-04
• 公開（公告）號: CN111784082B
• 公開（公告）日: 2021-02-19
• 發明（設計）人: 殷存澤;楊建航
• 申請（專利權）人: 安徽億縱電子科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06Q10/06;G06F16/29;G06N3/08
• 代理公司: 合肥正則元起專利代理事務所(普通合伙) 34160
• 代理人: 韓立峰;匡立嶺

1.一種基于大數據的GIS山洪預防預警系統，其特征在于，包括云計算平臺、環境監測模塊、地形監測模塊、圖像處理模塊和神經網絡模塊；

所述環境監測模塊用于獲取監測區域的環境信息，所述環境監測模塊包括溫度監測節點、濕度監測節點和風速監測節點，具體監測步驟為：

步驟一：通過溫度監測節點、濕度監測節點和風速監測節點對監測區域進行實時監測，通過氣象平臺獲取監測區域的雨量預測數據，將所有監測數據發送至云計算平臺，所述監測數據包括溫度、濕度、風速；

步驟二：云計算平臺接收到環境監測模塊以及氣象平臺的數據之后，將溫度、濕度、風速和雨量分別標記為W_t1、S_t1、F_t1和Y_t1，t1為對應的監測時間；

步驟三：通過公式獲取監測區域的環境安全系數H_t，計算公式為其中α、β、γ、δ為特定的比例系數，將環境監測模塊的監測數據、雨量、監測時間以及環境安全系數發送至數據存儲模塊的K1存儲器，同時將上述數據發送至神經網絡模塊；

所述地形監測模塊用于獲取監測區域的地形信息，所述地形信息包括裸地面積系數、植被面積系數和湖泊面積系數，具體獲取步驟如下：

S1：通過大氣層外光學衛星獲取監測區域的圖像，并將獲得圖像發送至云計算平臺；

S2：云計算平臺接收到圖像的同時，導入監測區域的矢量文件，通過ArcGIS軟件對圖像進行裁剪獲取監測區域的圖像，并對監測區域的圖像進行預處理；

S3：通過模式識別技術對監測區域的圖像進行識別，分別計算出裸地的像素點總數L_t2、植被的像素點總數Z_t2、湖泊的像素點總數P_t2和圖像總像素點總數T_t2,其中t2為圖像獲取的時間；

S4：通過公式獲取監測區域的地形安全系數D_t2，其中ε、∈、θ為特定比例系數，并將計算得到的裸地的像素點總數、植被的像素點總數、湖泊的像素點總數、圖像總像素點總數、圖像的獲取時間以及計算得到的地形安全系數發送至數據存儲模塊的K2存儲器進行存儲，同時將上述數據發送至神經網絡模塊；

S5：通過公式獲取監測區域的山洪發生系數F_t，其中t為獲取山洪發生系數F_t的時間，為特定比例系數；

S6：當山洪發生系數F_t小于等于設定閾值時，云計算平臺將山洪發生系數F_t發送至數據存儲模塊的K3存儲器，當山洪發生系數F_t大于設定閾值時，云計算平臺發送指令至圖像處理模塊，并將山洪發生系數F_t發送至數據存儲模塊的K3存儲器；

所述圖像處理模塊用于對監測區域圖像中的山坡坡度和峽谷深度進行計算，并將圖像中的區域進行分類，具體處理步驟為：

SS1：圖像處理模塊接收到云計算平臺發送的指令之后，從資源衛星應用中心獲取監測區域的多源衛星圖像的同時，導入監測區域的矢量文件，通過ArcGIS軟件對圖像進行裁剪獲取監測區域的圖像，并對裁剪之后的圖像進行預處理；

SS2：導入監測區域的高精度數字高程模型，結合監測區域的圖像和高精度數字高程模型對監測區域的山坡坡度和峽谷深度進行計算，將山坡坡度標記為A_i，i為山坡個數，且每兩個山坡間隔N米以上，否則合并為一個山坡進行計算，將峽谷深度標記為B_j，j為峽谷個數，且每兩個峽谷間隔N米以上，否則合并為一個峽谷進行計算，并將山坡坡度A_i和峽谷深度B_j發送至云計算模塊，其中N為設定安全數值；

SS3：當山坡坡度A_i和以此山坡中心位置為中點的方圓N米內峽谷深度B_j都小于設定閾值時，云計算平臺發送低風險指令至智能終端模塊；當山坡坡度A_i和以此山坡中心位置為中點的方圓N米內峽谷深度B_j其中一個大于設定閾值時，云計算平臺發送中風險指令至智能終端模塊和報警驅動模塊；當山坡坡度A_i和以此山坡中心位置為中點的方圓N米內峽谷深度B_j都大于設定閾值時，云計算平臺發送高風險指令至智能終端模塊和報警驅動模塊；

所述神經網絡模塊利用環境監測模塊和地形監測模塊的監測數據進行訓練，構建輔助預測模型，具體構建步驟如下：

SSS1：神經網絡模塊接收到環境監測數據、雨量預測數據、監測時間、地形監測數據以及圖像獲取時間作為模型訓練的輸入數據，將山洪發生系數作為模型訓練的輸出數據，并將其賦值為0或1對模型進行訓練，其中0表示山洪發生系數小于等于設定閾值，1表示山洪發生系數大于設定閾值；

SSS2：將環境監測模塊和地形監測模塊最近12h的監測數據作為模型的輸入數據，當模型的輸出數據為0時，將兩個模塊最近12h的監測數據作為模型的訓練數據對模型進行二次訓練；當模型的輸出數據為1時，將兩個模塊最近12h的監測數據作為模型的訓練數據對模型進行二次訓練的同時發送指令至云計算平臺。