【技术实现步骤摘要】
本申请涉及河流洪水预警领域，且更为具体地，涉及一种基于机器学习和多气象模态融合的河流洪水预警方法。
技术介绍
1、河流洪水是一种常见的自然灾害，对人类社会和生态环境造成严重的损失。为了有效地预防和减轻洪水灾害，需要建立科学的洪水预警系统，及时提供准确的洪水信息和预警信号。然而，传统的洪水预警方法通常基于经验公式或水文模型，忽略了河流水位和降雨量之间的复杂非线性关系，以及河流流域的地表形态对洪水影响的多样性，导致预警结果的不稳定性和不可靠性。
2、因此，期望一种基于机器学习和多气象模态融合的河流洪水预警方案。
技术实现思路
1、为了解决上述技术问题，提出了本申请。本申请提供了一种基于机器学习和多气象模态融合的河流洪水预警方法，其可以利用卫星遥感、气象站等多种数据源，通过机器学习算法建立河流水位和降雨量之间的关联关系模型，以此来进行河流水位的预测和判断，并且，还可以结合河流流域的地形、土壤、植被等河流流域地表形态信息，以此来评估洪水灾害的可能性和严重程度，从而综合生成不同等级的洪水预警信号。
2、根据本申请的一个方面，提供了一种基于机器学习和多气象模态融合的河流洪水预警方法，其包括：
3、获取河流流域的卫星遥感图像；
4、获取气象站数据，其中，所述气象站数据包括河流水位的时间序列和降雨量的时间序列；
5、将所述河流水位的时间序列和所述降雨量的时间序列分别按照时间维度排列为河流水位时序输入向量和降雨量时序输入向量；
7、通过基于深度神经网络模型的河流流域地表形态特征提取器对所述河流流域的卫星遥感图像进行特征提取以得到河流流域地表形态特征图；
8、使用基于重参数化层的特征图增强器对所述河流流域地表形态特征图进行处理以得到河流流域地表形态增强特征图；
9、对所述河流流域地表形态增强特征图和所述降雨量-河流水位时序关联特征向量进行多模态融合以得到多气象模态融合特征；以及
10、基于所述多气象模态融合特征，确定是否产生河流洪水预警提示。
11、与现有技术相比，本申请提供的基于机器学习和多气象模态融合的河流洪水预警方法，其首先将河流水位的时间序列和降雨量的时间序列分别排列为输入向量后进行关联编码以得到降雨量-河流水位时序关联特征向量，接着，通过河流流域地表形态特征提取器对河流流域的卫星遥感图像进行特征提取并使用基于重参数化层的特征图增强器进行处理以得到河流流域地表形态增强特征图，然后，对所述河流流域地表形态增强特征图和所述降雨量-河流水位时序关联特征向量进行多模态融合以得到多气象模态融合特征，最后，基于所述多气象模态融合特征，确定是否产生河流洪水预警提示。这样，可以提高洪水预警的准确性和实时性，为洪水防御和救援提供有效的决策支持。
本文档来自技高网...【技术保护点】
1.一种基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，对所述降雨量时序输入向量和所述河流水位时序输入向量进行关联编码以得到降雨量-河流水位时序关联特征向量，包括：
3.根据权利要求2所述的基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，所述深度神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，使用基于重参数化层的特征图增强器对所述河流流域地表形态特征图进行处理以得到河流流域地表形态增强特征图，包括：
5.根据权利要求4所述的基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，对所述河流流域地表形态增强特征图和所述降雨量-河流水位时序关联特征向量进行多模态融合以得到多气象模态融合特征，包括：
6.根据权利要求5所述的基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，使用基于元网络的多气象模态融合器对所述河流流域地表形态增强
7.根据权利要求6所述的基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，基于所述多气象模态融合特征，确定是否产生河流洪水预警提示，包括：
8.根据权利要求7所述的基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，还包括训练步骤：用于对所述基于卷积神经网络模型的降雨量-河流水位时序关联特征提取器、基于卷积神经网络模型的河流流域地表形态特征提取器、所述基于重参数化层的特征图增强器、所述基于元网络的多气象模态融合器和所述分类器进行训练。
9.根据权利要求8所述的基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，所述训练步骤，包括：
...【技术特征摘要】
1.一种基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，对所述降雨量时序输入向量和所述河流水位时序输入向量进行关联编码以得到降雨量-河流水位时序关联特征向量，包括：
3.根据权利要求2所述的基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，所述深度神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，使用基于重参数化层的特征图增强器对所述河流流域地表形态特征图进行处理以得到河流流域地表形态增强特征图，包括：
5.根据权利要求4所述的基于机器学习和多气象模态融合的河流洪水预警方法，其特征在于，对所述河流流域地表形态增强特征图和所述降雨量-河流水位时序关联特征向量进行多模态融合以得到多气象模态融合特征，包括：
6....
【专利技术属性】
技术研发人员：徐金阁，靳莉君，吕园园，刘静，刘兴畅，戴昌明，郭强，龚玺，严昌盛，刘群，康翰一，王鹏，韩作强，王婷，
申请(专利权)人：中国能源建设集团湖南省电力设计院有限公司，
类型：发明
国别省市：
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。