(19)國(guó)家知識(shí)產(chǎn)權(quán)局(12)發(fā)明專利(10)授權(quán)公告號(hào)CN115798151B(65)同一申請(qǐng)的已公布的文獻(xiàn)號(hào)(73)專利權(quán)人中國(guó)科學(xué)院新疆生態(tài)與地理研究所地址830011新疆維吾爾自治區(qū)烏魯木齊市新市區(qū)北京南路818號(hào)(74)專利代理機(jī)構(gòu)北京盛詢知識(shí)產(chǎn)權(quán)代理有限公司11901專利代理師李茜茜審查員閆盼盼(54)發(fā)明名稱一種城市洪澇風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)及方法本發(fā)明公開了一種城市洪澇風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)及方法，其中監(jiān)測(cè)系統(tǒng)包括降雨統(tǒng)計(jì)模塊，用于獲取城市歷史降雨數(shù)據(jù)；數(shù)據(jù)采集模塊，用于獲取城市積水?dāng)?shù)據(jù)；數(shù)據(jù)分析模塊，用于根據(jù)所述城市歷史降雨數(shù)據(jù)與所述城市積水?dāng)?shù)據(jù)判斷洪澇發(fā)生概率，并生成預(yù)警指令傳輸至所述洪澇預(yù)警模塊；洪澇預(yù)警模塊，用于根據(jù)所述預(yù)警指令進(jìn)行不同形式的預(yù)警。本發(fā)明通過(guò)統(tǒng)計(jì)城市的歷史降雨數(shù)據(jù)以及采集本次降雨的積水?dāng)?shù)據(jù)，采用BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建洪澇預(yù)測(cè)模型，根據(jù)積水上升速率確定降雨類型，并根據(jù)該降雨類型所對(duì)應(yīng)發(fā)生洪澇時(shí)的水位值獲取洪澇發(fā)生概率，實(shí)現(xiàn)洪21.一種城市洪澇風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)，其特征在于，包括降雨統(tǒng)計(jì)模塊、數(shù)據(jù)采集模塊、數(shù)據(jù)所述降雨統(tǒng)計(jì)模塊用于獲取城市歷史降雨數(shù)據(jù)；所述數(shù)據(jù)采集模塊用于獲取城市積水?dāng)?shù)據(jù)；所述數(shù)據(jù)分析模塊用于根據(jù)所述城市歷史降雨數(shù)據(jù)與所述城市積水?dāng)?shù)據(jù)判斷洪澇發(fā)生概率，并生成預(yù)警指令傳輸至所述洪澇預(yù)警模塊；所述數(shù)據(jù)分析模塊采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建洪澇預(yù)測(cè)模型，將所述歷史降雨數(shù)據(jù)與所述城市積水?dāng)?shù)據(jù)作為輸入進(jìn)行模型訓(xùn)練，輸出所述洪澇發(fā)生概率；所述洪澇預(yù)測(cè)模型根據(jù)所述城市積水?dāng)?shù)據(jù)中的積水水位上升速率與所述降雨數(shù)據(jù)中的水位上升速率，以及降雨強(qiáng)度確定降雨類型，根據(jù)所述降雨類型預(yù)設(shè)期望概率值，并對(duì)各連接層隨機(jī)賦予權(quán)值，并根據(jù)所述降雨類型對(duì)應(yīng)的洪澇水位值設(shè)置洪澇閾值，根據(jù)所述城市積水?dāng)?shù)據(jù)中的積水水位值與所述洪澇閾值的比值獲取第一洪澇發(fā)生概率，將輸出的洪澇發(fā)生概率與預(yù)設(shè)的期望概率值進(jìn)行對(duì)比，獲取模型誤差，根據(jù)模型誤差對(duì)隨機(jī)賦予的權(quán)值進(jìn)行更新，重復(fù)進(jìn)行計(jì)算以減小誤差，當(dāng)模型收斂時(shí)，則通過(guò)輸出層輸出所述洪澇發(fā)生概所述洪澇預(yù)警模塊用于根據(jù)所述預(yù)警指令進(jìn)行不同形式的預(yù)警。2.根據(jù)權(quán)利要求1所述的城市洪澇風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)，其特征在于，所述城市歷史降雨數(shù)據(jù)的主要類型，所述降雨特征為所述降雨類型所對(duì)應(yīng)的降雨強(qiáng)度；所述水位上升速率為所述洪澇水位值與所述降雨時(shí)長(zhǎng)的比值；所述城市積水?dāng)?shù)據(jù)包括積水水位值與積水水位上升速3.根據(jù)權(quán)利要求1所述的城市洪澇風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)，其特征在于，當(dāng)所述洪澇發(fā)生概率達(dá)到70%時(shí)，所述數(shù)據(jù)分析模塊生成洪澇預(yù)防指令傳輸至所述洪澇預(yù)警模塊，當(dāng)所述洪澇發(fā)生概率達(dá)到90%時(shí)，所述數(shù)據(jù)分析模塊生成緊急預(yù)警指令傳輸至所述洪澇預(yù)警模塊。4.根據(jù)權(quán)利要求1所述的城市洪澇風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)，其特征在于，所述洪澇預(yù)警模塊包括預(yù)警燈與音頻裝置，當(dāng)獲取洪澇預(yù)防指令時(shí)，控制所述預(yù)警燈閃爍；當(dāng)獲取緊急預(yù)警指令時(shí)，控制所述音頻裝置進(jìn)行音頻報(bào)警。5.一種城市洪澇風(fēng)險(xiǎn)監(jiān)測(cè)方法，其特征在于，包統(tǒng)計(jì)城市歷史降雨數(shù)據(jù)，所述城市歷史降雨數(shù)據(jù)包括降雨類型、降雨特征、洪澇水位值、降雨時(shí)長(zhǎng)、水位上升速率；所述降雨類型為城市降雨的主要類型，所述降雨特征為所述降雨類型所對(duì)應(yīng)的降雨強(qiáng)度；所述水位上升速率為所述洪澇水位值與所述降雨時(shí)長(zhǎng)的比采集城市積水?dāng)?shù)據(jù)，所述城市積水?dāng)?shù)據(jù)包括積水水位值與積水水位上升速率；基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建洪澇預(yù)測(cè)模型，基于所述洪澇預(yù)測(cè)模型，將所述歷史降雨數(shù)據(jù)與所述城市積水?dāng)?shù)據(jù)作為輸入進(jìn)行訓(xùn)練，獲取洪澇發(fā)生概率；將所述歷史降雨數(shù)據(jù)與所述城市積水?dāng)?shù)據(jù)作為輸入進(jìn)行訓(xùn)練的過(guò)程包括：基于所述城市積水?dāng)?shù)據(jù)中的積水水位上升速率與所述降雨數(shù)據(jù)中的水位上升速率，以及降雨強(qiáng)度確定降雨類型；基于所述降雨類型預(yù)設(shè)期望概率值，并對(duì)各連接層隨機(jī)賦予權(quán)值，并基于所述降雨類3型對(duì)應(yīng)的洪澇水位值設(shè)置洪澇閾值；基于所述城市積水?dāng)?shù)據(jù)中的積水水位值與所述洪澇閾值的比值獲取第一洪澇發(fā)生概率，將所述第一洪澇發(fā)生概率與預(yù)設(shè)的期望概率值進(jìn)行對(duì)比，獲取模型誤差；基于模型誤差對(duì)隨機(jī)賦予的權(quán)值進(jìn)行更新，重復(fù)進(jìn)行計(jì)算以減小誤差，當(dāng)模型收斂時(shí)，則通過(guò)輸出層輸出所述洪澇發(fā)生概率；基于所述洪澇發(fā)生概率進(jìn)行不同形式的預(yù)警；當(dāng)所述洪澇發(fā)生概率達(dá)到70%時(shí)，進(jìn)行燈光形式預(yù)警；當(dāng)所述洪澇發(fā)生概率達(dá)到90%4技術(shù)領(lǐng)域[0001]本發(fā)明屬于洪澇預(yù)防領(lǐng)域，特別是涉及一種城市洪澇風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)及方法。背景技術(shù)[0002]洪是一種峰高量大、水位急劇上漲的自然現(xiàn)象，澇則是由于長(zhǎng)期降水或暴雨不能及時(shí)排入河道溝渠形成地表積水的自然現(xiàn)象。當(dāng)洪與澇對(duì)人類造成損失時(shí)則成為洪澇災(zāi)[0003]近年來(lái)，隨著社會(huì)經(jīng)濟(jì)的發(fā)展，洪澇災(zāi)害損失的主要部分已經(jīng)轉(zhuǎn)移到城市，洪澇的常受到洪澇的威脅。與農(nóng)村相比，城市的人口和資產(chǎn)高度集中，災(zāi)害損失要大得多，因此存在對(duì)城市洪澇監(jiān)測(cè)的必要性。[0004]傳統(tǒng)的城市洪澇監(jiān)測(cè)中大多通過(guò)傳感器獲取水位數(shù)據(jù)，并直接根據(jù)水位數(shù)據(jù)判斷是否存在洪澇風(fēng)險(xiǎn)，該方式的數(shù)據(jù)來(lái)源單一，且無(wú)法準(zhǔn)確地獲取降雨類型以及洪澇發(fā)生概率，導(dǎo)致判斷結(jié)果不準(zhǔn)確的案例屢見不鮮。發(fā)明內(nèi)容[0005]本發(fā)明的目的是提供一種城市洪澇風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)及方法，以解決上述現(xiàn)有技術(shù)存在的問題。[0006]一方面為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種城市洪澇風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)，包括降雨統(tǒng)[0007]所述降雨統(tǒng)計(jì)模塊用于獲取城市歷史降雨數(shù)據(jù)；[0008]所述數(shù)據(jù)采集模塊用于獲取城市積水?dāng)?shù)據(jù)；[0009]所述數(shù)據(jù)分析模塊用于根據(jù)所述城市歷史降雨數(shù)據(jù)與所述城市積水?dāng)?shù)據(jù)判斷洪澇發(fā)生概率，并生成預(yù)警指令傳輸至所述洪澇預(yù)警模塊；[0010]所述洪澇預(yù)警模塊用于根據(jù)所述預(yù)警指令進(jìn)行不同形式的預(yù)警。水位上升速率；所述降雨類型為城市降雨的主要類型，所述降雨特征為所述降雨類型所對(duì)應(yīng)的降雨強(qiáng)度；所述水位上升速率為所述洪澇水位值與所述降雨時(shí)長(zhǎng)的比值；所述城市積水?dāng)?shù)據(jù)包括積水水位值與積水水位上升速率。[0012]可選地，所述數(shù)據(jù)分析模塊采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建洪澇預(yù)測(cè)模型，將所述歷史降雨數(shù)據(jù)與所述城市積水?dāng)?shù)據(jù)作為輸入進(jìn)行模型訓(xùn)練，輸出所述洪澇發(fā)生概率。[0013]可選地，所述洪澇預(yù)測(cè)模型根據(jù)所述城市積水?dāng)?shù)據(jù)中的積水水位上升速率與所述降雨數(shù)據(jù)中的水位上升速率，以及降雨強(qiáng)度確定降雨類型，根據(jù)所述降雨類型預(yù)設(shè)期望概率值，并對(duì)各連接層隨機(jī)賦予權(quán)值，并根據(jù)所述降雨類型對(duì)應(yīng)的洪澇水位值設(shè)置洪澇閾值，根據(jù)所述城市積水?dāng)?shù)據(jù)中的積水水位值與所述洪澇閾值的比值獲取第一洪澇發(fā)生概率，將輸出的洪澇發(fā)生概率與預(yù)設(shè)的期望概率值進(jìn)行對(duì)比，獲取模型誤差，根據(jù)模型誤差對(duì)隨機(jī)5賦予的權(quán)值進(jìn)行更新，重復(fù)進(jìn)行計(jì)算以減小誤差，當(dāng)模型收斂時(shí)，則通過(guò)輸出層輸出所述洪澇發(fā)生概率。[0014]可選地，當(dāng)所述洪澇發(fā)生概率達(dá)到70%時(shí)，所述數(shù)據(jù)分析模塊生成洪澇預(yù)防指令傳輸至所述洪澇預(yù)警模塊，當(dāng)所述洪澇發(fā)生概率達(dá)到90%時(shí)，所述數(shù)據(jù)分析模塊生成緊急預(yù)警指令傳輸至所述洪澇預(yù)警模塊。[0015]可選地，所述洪澇預(yù)警模塊包括預(yù)警燈與音頻裝置，當(dāng)獲取洪澇預(yù)防指令時(shí)，控制所述預(yù)警燈閃爍；當(dāng)獲取緊急預(yù)警指令時(shí)，控制所述音頻裝置進(jìn)行音頻報(bào)警。[0016]另一方面為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種城市洪澇風(fēng)險(xiǎn)監(jiān)測(cè)方法，包括以下[0017]統(tǒng)計(jì)城市歷史降雨數(shù)據(jù)，所述城市歷史降雨數(shù)據(jù)包括降雨類型、降雨特征、洪澇水位值、降雨時(shí)長(zhǎng)、水位上升速率；所述降雨類型為城市降雨的主要類型，所述降雨特征為所述降雨類型所對(duì)應(yīng)的降雨強(qiáng)度；所述水位上升速率為所述洪澇水位值與所述降雨時(shí)長(zhǎng)的比[0018]采集城市積水?dāng)?shù)據(jù)，所述城市積水?dāng)?shù)據(jù)包括積水水位值與積水水位上升速率；[0019]基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建洪澇預(yù)測(cè)模型，基于所述洪澇預(yù)測(cè)模型，將所述歷史降雨數(shù)據(jù)與所述城市積水?dāng)?shù)據(jù)作為輸入進(jìn)行訓(xùn)練，獲取洪澇發(fā)生概率；[0020]基于所述洪澇發(fā)生概率進(jìn)行不同形式的預(yù)警。[0021]可選地，將所述歷史降雨數(shù)據(jù)與所述城市積水?dāng)?shù)據(jù)作為輸入進(jìn)行訓(xùn)練的過(guò)程包[0022]基于所述城市積水?dāng)?shù)據(jù)中的積水水位上升速率與所述降雨數(shù)據(jù)中的水位上升速[0023]基于所述降雨類型預(yù)設(shè)期望概率值，并對(duì)各連接層隨機(jī)賦予權(quán)值，并基于所述降雨類型對(duì)應(yīng)的洪澇水位值設(shè)置洪澇閾值；[0024]基于所述城市積水?dāng)?shù)據(jù)中的積水水位值與所述洪澇閾值的比值獲取第一洪澇發(fā)生概率，將所述第一洪澇發(fā)生概率與預(yù)設(shè)的期望概率值進(jìn)行對(duì)比，獲取模型誤差；[0025]基于模型誤差對(duì)隨機(jī)賦予的權(quán)值進(jìn)行更新，重復(fù)進(jìn)行計(jì)算以減小誤差，當(dāng)模型收斂時(shí)，則通過(guò)輸出層輸出所述洪澇發(fā)生概率。[0026]可選地，當(dāng)所述洪澇發(fā)生概率達(dá)到70%時(shí)，進(jìn)行燈光形式預(yù)警；當(dāng)所述洪澇發(fā)生概率達(dá)到90%時(shí)，進(jìn)行音頻提示預(yù)警。[0027]本發(fā)明的技術(shù)效果為：[0028]本發(fā)明提出了一種城市洪澇風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)與方法，通過(guò)統(tǒng)計(jì)城市的歷史降雨數(shù)據(jù)以及采集本次降雨的積水?dāng)?shù)據(jù)，采用BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建洪澇預(yù)測(cè)模型，根據(jù)積水上升速率確定降雨類型，并根據(jù)該降雨類型所對(duì)應(yīng)發(fā)生洪澇時(shí)的水位值獲取洪澇發(fā)生概率，實(shí)現(xiàn)洪澇風(fēng)險(xiǎn)監(jiān)測(cè)，同時(shí)通過(guò)對(duì)不同程度的洪澇風(fēng)險(xiǎn)進(jìn)行不同形式的預(yù)警，可有效避免洪澇災(zāi)害的發(fā)生。附圖說(shuō)明[0029]構(gòu)成本申請(qǐng)的一部分的附圖用來(lái)提供對(duì)本申請(qǐng)的進(jìn)一步理解，本申請(qǐng)的示意性實(shí)施例及其說(shuō)明用于解釋本申請(qǐng)，并不構(gòu)成對(duì)本申請(qǐng)的不當(dāng)限定。在附圖中：6[0030]圖1為本發(fā)明實(shí)施例中的城市洪澇風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)結(jié)構(gòu)示意圖；[0031]圖2為本發(fā)明實(shí)施例中的城市洪澇風(fēng)險(xiǎn)監(jiān)測(cè)方法流程圖。具體實(shí)施方式[0032]需要說(shuō)明的是，在不沖突的情況下，本申請(qǐng)中的實(shí)施例及實(shí)施例中的特征可以相互組合。下面將參考附圖并結(jié)合實(shí)施例來(lái)詳細(xì)說(shuō)明本申請(qǐng)。[0033]需要說(shuō)明的是，在附圖的流程圖示出的步驟可以在諸如一組計(jì)算機(jī)可執(zhí)行指令的計(jì)算機(jī)系統(tǒng)中執(zhí)行，并且，雖然在流程圖中示出了邏輯順序，但是在某些情況下，可以以不同于此處的順序執(zhí)行所示出或描述的步驟。[0035]如圖1所示，本實(shí)施例中提供一種城市洪澇風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)，包括降雨統(tǒng)計(jì)模塊、數(shù)[0036]降雨統(tǒng)計(jì)模塊用于獲取城市歷史降雨數(shù)據(jù)；所述城市歷史降雨數(shù)據(jù)指該城市發(fā)生洪澇時(shí)主要的降雨類型、降雨特征、發(fā)生洪澇時(shí)的水位值、降雨時(shí)長(zhǎng)以及水位的上升速率，其中降雨特征為所述降雨類型所對(duì)應(yīng)的降雨強(qiáng)度，水位上升速率為降雨統(tǒng)計(jì)模塊通過(guò)獲取的洪澇水位值與降雨時(shí)長(zhǎng)的比值進(jìn)行計(jì)算獲得。[0037]數(shù)據(jù)采集模塊用于獲取城市降雨時(shí)刻的積水?dāng)?shù)據(jù)；所述的積水?dāng)?shù)據(jù)為本次降雨過(guò)程中城市積水的水位值與積水上升速率。[0038]獲取該城市的歷史降雨數(shù)據(jù)以及本次降雨的積水?dāng)?shù)據(jù)后，數(shù)據(jù)分析模塊通過(guò)采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建洪澇預(yù)測(cè)模型，將所述城市歷史降雨數(shù)據(jù)與所述城市積水?dāng)?shù)據(jù)作為輸入進(jìn)行模型訓(xùn)練，即輸出洪澇發(fā)生概率；BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，包括輸入層、隱層與輸出層，所述洪澇預(yù)測(cè)模型獲取洪澇發(fā)生概率的具體過(guò)程包括：首先在神經(jīng)網(wǎng)絡(luò)的輸入層輸入城市積水?dāng)?shù)據(jù)與城市歷史降雨數(shù)據(jù)，在隱層根據(jù)城市積水?dāng)?shù)據(jù)中的積水水位上升速率與所述降雨數(shù)據(jù)中的降雨強(qiáng)度以及水位上升速率確定降雨類型，根據(jù)降雨類型預(yù)設(shè)期望概率值，并對(duì)各連接層隨機(jī)賦予權(quán)值，并根據(jù)所述降雨類型對(duì)應(yīng)的洪澇水位值設(shè)置洪澇閾值，根據(jù)所述城市積水?dāng)?shù)據(jù)中的積水水位值與所述洪澇閾值的比值進(jìn)行計(jì)算，獲取第一洪澇發(fā)生概率，將所述第一洪澇發(fā)生概率與預(yù)設(shè)的期望概率值進(jìn)行對(duì)比，獲取模型誤差，根據(jù)模型誤差對(duì)隨機(jī)賦予的權(quán)值進(jìn)行更新，重復(fù)進(jìn)行計(jì)算以減小誤差，當(dāng)模型收斂時(shí)，則通過(guò)輸出層輸出準(zhǔn)確的洪澇發(fā)生概率。[0039]作為本申請(qǐng)的一種較佳實(shí)施方式，當(dāng)判斷所述洪澇發(fā)生概率為70%,所述數(shù)據(jù)分析模塊生成洪澇預(yù)防指令傳輸至所述洪澇預(yù)警模塊，當(dāng)所述洪澇發(fā)生概率為90%,所述數(shù)據(jù)分析模塊生成緊急預(yù)警指令傳輸至所述洪澇預(yù)警模塊，在本段中的具體閾值設(shè)置根據(jù)實(shí)際需求進(jìn)行人為設(shè)定，且均屬于本申請(qǐng)的保護(hù)范圍。[0040]洪澇預(yù)警模塊包括若干個(gè)預(yù)警燈與便攜式音頻裝置，當(dāng)獲取洪澇預(yù)防指令時(shí)，所述洪澇預(yù)警模塊控制所述預(yù)警燈閃爍進(jìn)行預(yù)警，通知工作人員提前采取預(yù)防措施；當(dāng)獲取緊急預(yù)警指令時(shí)，所述洪澇預(yù)警模塊控制所述便攜式音頻裝置發(fā)聲，進(jìn)行音頻形式報(bào)警，通知隨身攜帶該音頻裝置的工作人員立刻采取預(yù)防措施。7[0043]統(tǒng)計(jì)城市歷史降雨數(shù)據(jù)，所述城市歷史降雨數(shù)據(jù)包括降雨類型、降雨特征、洪澇水位值、降雨時(shí)長(zhǎng)、水位上升速率；所述降雨類型為城市降雨的主要類型，所述降雨特征為所述降雨類型所對(duì)應(yīng)的降雨強(qiáng)度；所述水位上升速率為所述洪澇水位值與所述降雨時(shí)長(zhǎng)的比[0044]采集城市積水?dāng)?shù)據(jù)，所述城市積水?dāng)?shù)據(jù)包括積水水位值與積水水位上升速率；[0045]基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建洪澇預(yù)測(cè)模型，基于所述洪澇預(yù)測(cè)模型，將所述歷史降雨數(shù)據(jù)與所述城市積水?dāng)?shù)據(jù)作為輸入進(jìn)行訓(xùn)練，獲取洪澇發(fā)生概率；[0046]基于所述洪澇發(fā)生概率進(jìn)行不同形式的預(yù)警。[0047]作為本申請(qǐng)的一種較佳實(shí)施方式，將所述歷史降雨數(shù)據(jù)與所述城市積水?dāng)?shù)據(jù)作為輸入進(jìn)行訓(xùn)練的過(guò)程