System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及智慧城市相关,尤其涉及一种城市内涝点智能分析的监测方法及装置。
技术介绍
1、城市内涝是指城市地区在降雨过程中由于排水系统的不完善或排水能力不足,导致雨水无法迅速排出而积聚在道路、街区及低洼地区的现象。
2、一般而言城市的排水系统在短期内是固定的,因此要想进行内涝点智能预测可以通过对降雨过程进行分析进而对存在内涝风险的位置进行预测进而进行后续的处理,目前市场上进行内涝风险预测的方法往往是通过工程师以自身工作经验进行,这种方式非常依赖工程师本身的行业经验也需要花费大量的时间,当今市场需要对城市内涝点进行智能分析的方法,以对内涝点定位提供辅助支持,以使工程师快速准确找寻到存在内涝风险的位置。
技术实现思路
1、本专利技术的目的是为了至少解决现有技术的不足之一,提供一种城市内涝点智能分析的监测方法及装置。
2、为了实现上述目的,本专利技术采用以下的技术方案:
3、具体的,提出一种城市内涝点智能分析的监测方法,包括以下:
4、获取目标监测城市所对应的位置坐标系;
5、于所述目标监测城市中选取若干抽样监测点,并根据预设的雨量指标计算方式计算得到各个抽样监测点所对应的雨量指标;
6、将抽样监测点的位置坐标与其雨量指标进行关联作为抽样监测点的关键参数,得到基于关键参数的抽样监测点集;
7、获取于所述目标监测城市中选取的目标监测位置点,读取其位置坐标,其中目标监测位置点为不在抽样监测点集中的新的抽样监
8、根据基于关键参数的抽样监测点集以及目标监测位置点的位置坐标对所述目标监测位置点是否存在内涝风险进行预测。
9、进一步,具体的,目标监测城市所对应的位置坐标系通过基于wgs84世界大地测量系统1984坐标系转换得到。
10、进一步,具体的,根据预设的雨量指标计算方式计算得到各个抽样监测点所对应的雨量指标,包括,
11、通过预先进行实验,以降雨量分布、强度以及持续时间为参数,建立基于所述参数的降雨对城市排水系统的冲击程度的计算模型,所述计算模型计算得出的值即为雨量指标。
12、进一步,具体的,所述计算模型通过基于cnn神经网络模型或随机森林模型的方式进行训练计算得出。
13、进一步,具体的,根据基于关键参数的抽样监测点集以及目标监测位置点的位置坐标对所述目标监测位置点是否存在内涝风险进行预测,包括,
14、记目标监测位置点集为集合aset,集合aset中目标监测位置点的数量为qn,集合aset中目标监测位置点的序号为qi,qi∈[1,qn],记集合aset中序号为qi的目标监测位置点为aset(qi),aset(qi)对应的位置坐标为x(qi)、y(qi)和z(qi);
15、其中,在位置坐标中,x(qi)表示抽样监测点qi于x轴的坐标,y(qi)表示表示目标监测位置点qi于y轴的坐标,z(qi)表示抽样监测点qi于z轴的坐标也即目标监测位置点qi距离水平面的高度,因此z(qi)也表示距离水平面的高度相同的目标监测位置点所组成的平面;
16、进行预测得到目标监测位置点的雨量指标的过程包括以下,
17、对于任意一个目标监测位置点aset(qi);
18、获取在位置坐标系上与aset(qi)欧几里得距离最小的两个抽样监测点,记其中一个抽样监测点为aset(qi1),记另一个抽样监测点为aset(qi2);抽样监测点aset(qi1)对应的位置坐标为x(qi1)、y(qi1)和z(qi1),抽样监测点aset(qi2)对应的位置坐标为x(qi2)、y(qi2)和z(qi2);
19、获取抽样监测点aset(qi1)对应的雨量指标记为p(qi1),获取抽样监测点aset(qi2)对应的雨量指标记为p(qi2);
20、获取z(qi1)的对应平面作为plane(qi1),获取z(qi2)的对应平面作为plane(qi2);
21、获取所述位置坐标系中的落在plane(qi1)上的位置坐标点组成的集合作为set(qi1),set(qi1)中位置坐标点的数量为n1,set(qi1)中位置坐标点的序号为i1,i1∈[1,n1],set(qi1)中序号为i1的位置坐标点为set(qi1,i1),set(qi1,i1)对应的位置坐标为x(qi1,i1)、y(qi1,i1)和z(qi1,i1);
22、获取所述位置坐标系中的落在plane(qi2)上的位置坐标点组成的集合作为set(qi2),set(qi2)中位置坐标点的数量为n2,set(qi2)中位置坐标点的序号为i2,i2∈[1,n2],set(qi2)中序号为i1的位置坐标点为set(qi2,i2),set(qi2,i2)对应的位置坐标为x(qi2,i2)、y(qi2,i2)和z(qi2,i2);
23、计算aset(qi)的趋向变化率trend(qi)如下式:
24、
25、其中,函数e()为获取两个点之间的欧几里得距离的函数;
26、获取目标监测位置点集中落在plane(qi1)上的抽样监测点并计算其中各抽样监测点对应的雨量指标的算术平均数作为p(plane(qi1)),获取目标监测位置点集中落在plane(qi2)上的抽样监测点并计算其中各抽样监测点对应的雨量指标的算术平均数作为p(plane(qi2));
27、对目标监测位置点aset(qi)的内涝风险指数p(qi)进行计算,计算p(qi)的方法为p(qi)=
28、[p(plane(qi1))+p(plane(qi2))]*trend(qi)*α/2,其中α为调整系数,为人为设置的数值;
29、判断目标监测位置点aset(qi)的内涝风险指数p(qi)是否大于风险指数阈值,若是则判断该点存在内涝风险。
30、进一步,所述监测方法还包括,
31、将存在内涝风险的位置于位置坐标系中进行标注,并进行可视化展示。
32、本专利技术还提出一种城市内涝点智能分析的监测装置,包括:
33、位置坐标系读取模块,用于获取目标监测城市所对应的位置坐标系;
34、抽样模块,用于于所述目标监测城市中选取若干抽样监测点,并根据预设的雨量指标计算方式计算得到各个抽样监测点所对应的雨量指标;
35、抽样点集制作模块,用于将抽样监测点的位置坐标与其雨量指标进行关联作为抽样监测点的关键参数,得到基于关键参数的抽样监测点集;
36、数据获取模块,用于获取于所述目标监测城市中选取的目标监测位置点,读取其位置坐标,其中目标监测位置点为不在抽样监测点集中的新的抽样监测点;
37、内涝风险预测模块,用于根据基于关键参数的抽样监测点集以及目标监测位置点的位置坐标对所述目标监测位置点是否存在内涝风险进行预测。
38、进一步,本文档来自技高网...
【技术保护点】
1.一种城市内涝点智能分析的监测方法,其特征在于,包括以下:
2.根据权利要求1所述的一种城市内涝点智能分析的监测方法,其特征在于,具体的,目标监测城市所对应的位置坐标系通过基于WGS84世界大地测量系统1984坐标系转换得到。
3.根据权利要求1所述的一种城市内涝点智能分析的监测方法,其特征在于,具体的,根据预设的雨量指标计算方式计算得到各个抽样监测点所对应的雨量指标,包括,
4.根据权利要求3所述的一种城市内涝点智能分析的监测方法,其特征在于,具体的,所述计算模型通过基于CNN神经网络模型或随机森林模型的方式进行训练计算得出。
5.根据权利要求1所述的一种城市内涝点智能分析的监测方法,其特征在于,具体的,根据基于关键参数的抽样监测点集以及目标监测位置点的位置坐标对所述目标监测位置点是否存在内涝风险进行预测,包括,
6.根据权利要求5所述的一种城市内涝点智能分析的监测方法,其特征在于,所述监测方法还包括,
7.一种城市内涝点智能分析的监测装置,其特征在于,包括:
8.根据权利要求7所述的一种城市
...【技术特征摘要】
1.一种城市内涝点智能分析的监测方法,其特征在于,包括以下:
2.根据权利要求1所述的一种城市内涝点智能分析的监测方法,其特征在于,具体的,目标监测城市所对应的位置坐标系通过基于wgs84世界大地测量系统1984坐标系转换得到。
3.根据权利要求1所述的一种城市内涝点智能分析的监测方法,其特征在于,具体的,根据预设的雨量指标计算方式计算得到各个抽样监测点所对应的雨量指标,包括,
4.根据权利要求3所述的一种城市内涝点智能分析的监测方法,其特征在于,具体的,所述计算模型通过基于cnn神经网络模型...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。