一种基于历史数据的台风水灾智能预警系统的制作方法

专利名称：：一种基于历史数据的台风水灾智能预警系统的制作方法
技术领域：
：本发明涉及台风水灾预测技术，特别是涉及一种基于历史数据的台风水灾智能预警系统。
背景技术：
：台风这种自然灾害给沿海城市带来了不少麻烦。然而上海面朝东海、背靠太湖，北挟长江口、南瀕杭州湾，属于长江和太湖流域下游的典型平原感潮河网地区。上海的地理位置特殊，从而经常会引起"三碰头"或是"四碰头"的情况发生。目前，对于台风的增水预报主要还是以人工经验预报为主，由于人为因素过高，使得预报的精度受到影响。
发明内容本发明所要解决的技术问题就是为了克服上述现有技术存在的缺陷而提供一种基于历史数据的台风水灾智能预警系统。本发明的目的可以通过以下技术方案来实现一种基于历史数据的台风水灾智能预警系统，其特征在于，包括用于存储历史数据、预测数据以及GIS底图数据的数据库系统、神经网络预测服务器、WEBGIS图形显示系统以及WEB服务器，所述的神经网络预测服务器对历史数据进行处理得到预测数据，并存入数据库系统，所述的WEBGIS图形显示系统以图形方式显示数据库系统中的数据，并通过WEB服务器发布，所述的WEB服务器接收用户客户端的预测请求数据，并以WEB形式将相应预测结果展示给用户。所述的数据库系统包括历史台风及水情数据数据库、台风及风暴潮预测数据数据库，以及GIS底图数据数据库；所述的历史台风及水情数据数据库包括存储台风实测和预报数据、存储来自水文部门的天文潮位数据、存储来自水文部门的实测水情数据以及存储台风名称数4据；所述的台风及风暴潮预测数据数据库包括存储每次台风期间的水情数据和预报数据以及存储每次台风期间对6小时、12小时、24小时台风路径的预报数据；所述的GIS底图数据数据库包括基础电子底图数据以及遥感影像数据。所述的神经网络预测服务器为基于Matlab的神经网络预测服务器，该服务器通过CGI扩展与WEB服务器连接。所述的WEBGIS图形显示系统以图形方式显示数据库系统中的数据包括台风多路径显示、台风专题图显示以及数据显示；所述的台风多路径显示由WEBGIS图形显示系统访问数据库系统，根据数据生成台风的路径；所述的台风专题图显示为将热带气旋按近中心地面最大风力划分为六个等级，各等级以不同的颜色表示；所述的数据显示为以表格形式显示台风数据和水情数据。所述的WEBGIS图形显示系统采用美国ESRI的ArcIMS系统。所述的WEB服务器通过JavaScript以及HTML语言为用户提供数据展示。与现有技术相比，本发明预测精度高，能直观地显示当前及预报风暴潮信息，同时也能作为预报员在预报风暴潮时的辅助决策系统。图l为本发明的原理图；图2为台风路径专题截屏示意图；图3为0813森拉克台风期间的黄浦公园水文站的水情信息截屏示意图；图4为以网页形式进行台风信息输入的提交页面截屏示意图；图5为以表格形式显示历史预报结果截屏示意图；图6为单日潮位曲线显示截屏示意图。具体实施方式下面结合附图对本发明作进一步说明。如图1所示，一种基于历史数据的台风水灾智能预警系统，包括用于存储历史数据、预测数据以及GIS底图数据的数据库系统1、神经网络预测服务器2、WEBGIS图形显示系统3以及WEB服务器4，所述的神经网络预测服务器2对历史数据进行处理得到预测数据，并存入数据库系统1，所述的WEBGIS图形显示系统3以图形方式显示数据库系统中的数据，并通过WEB服务器4发布，所述的WEB服务器4接收用户客户端的预测请求数据，并以WEB形式将相应预测结果展示给用户。所述的数据库系统包括历史台风及水情数据数据库、台风及风暴潮预测数据数据库，以及GIS底图数据数据库；所述的历史台风及水情数据数据库包括存储台风实测和预报数据、存储来自水文部门的天文潮位数据、存储来自水文部门的实测水情数据以及存储台风名称数据;所述的台风及风暴潮预测数据数据库包括存储每次台风期间的水情数据和预报数据以及存储每次台风期间对6小时、12小时、24小时台风路径的预报数据；所述的GIS底图数据数据库包括基础电子底图数据以及遥感影像数据；所述的神经网络预测服务器为基于Matlab的神经网络预测服务器，该服务器通过CGI扩展与WEB服务器连接；所述的WEBGIS图形显示系统以图形方式显示数据库系统中的数据包括台风多路径显示、台风专题图显示以及数据显示；所述的台风多路径显示由WEBGIS图形显示系统访问数据库系统，根据数据生成台风的路径；所述的台风专题图显示为将热带气旋按近中心地面最大风力划分为六个等级，各等级以不同的颜色表示；所述的数据显示为以表格形式显示台风数据和水情数据；所述的WEBGIS图形显示系统采用美国ESRI的ArcIMS系统；所述的WEB服务器通过JavaScript以及HTML语言为用户提供数据展示。实施例本实施例基于MatlabWebServer的台风及增水预测，利用Matlab与Web技术的结合，使Matlab程序能够在未安装Matlab程序的电脑上通过Web访问运行。Web服务器通过CGI扩展和matlab服务相联系，同时，matlab服务和matlab程序的内核相联系。使用web服务器，我们就可以随时随地的使用matlab。将写好的神经网络预测台风和风暴潮的程序放在服务器端，然后通过HTML文档和标准表单计算出台风预测信息和风暴潮信息并返回给客户端，同时将该计算结果存储在预测的数据库，便于调用。本实施例采用ArcIMS图形显示平台地理信息系统(GIS)是在计算机硬、软件系统支持下，对整个或部分地球表层(包括大气层)空间中的有关地理分布数据进行采集、储存、管理、运算、分析、显示和描述的技术系统。美国ESRI公司6推出的GIS系列软件，是一个强大、统一、完备、可伸縮集成体系结构的系统。ArcIMS作为ESRI公司的最新一代WebGIS软件，具有产品成熟、简单的基于向导的界面、强大的智能化客户端、地图编辑和地图注释功能、方便的定制功能、高质量的制图功能、可伸縮的体系结构、支持多种开发方式等特点。对于需要管理和发布图形和地理数据来说，ArcIMS是一个理想的图形显示软件，通过工具定制，几乎不需要编程就可以实现图形数据的网络发布。用户通过IE等浏览器可以轻松地浏览空间数据、制作专题地图。本实施例的数据库系统-1、历史台风、水情数据对收集到的台风资料和上海市三个观测站资料进行整理和入库，便于检索，随时调用，以便制作各种图形、图像加工。SQLServer是由Microsoft开发和推广的关系数据库管理系统(DBMS)，SQLServer为数据管理与分析带来了灵活性，可以轻松存储和检索数据，还可以使用程序轻松的插入、更新和删除数据。建立了具有统一标准规范的台风及水情数据库，数据格式为MSSQLServer,数据包含(1)西北太平洋台风资料，包含1921年——2008年台风路径、每隔6小时台风中心气压、最大风速、移动速度、移动方向。(2)上海市米市渡水文观测站、黄浦公园水文观测站和吴淞水文观测站1921年——2008年台风期间潮位信息(每天两次高潮和两次低潮的天文潮和实测潮的时间和潮位)以及高潮时期的实测潮与天文潮的潮差信息。分为4张表存储存储表l:表名为taifeng为台风实测和预报数据。信息包括台风编号、时间、北纬、东经、中心气压、近中心风力、风速、移动速度、移动方向、24h北纬、24h东经、48h北讳、48h东经。此外，还包括了美国、日本、中国香港、中国台湾的预报数据。存储表2:表名为TianwenChaowei存储来自于上海市水文部门的天文潮位数据，包括黄浦江上三个水文测站每隔1个小时的天文潮位、潮时。存储表3:表名为ShiceChaowei为存储来自于上海市水文部门的实测水情数据，包括黄浦江上三个水文测站每隔5分钟的实测潮位、潮时。存储表4:表名为taifengbianhao对2000年以来每次台风的英文名称、中文名称、名字来源、表示意义等进行描述。如Longwang台风，中文名为"龙王"，该编号由中国提供，其意义为"神话传说中的司雨之神"。2、台风、风暴潮预测数据将根据神经网络计算的预测24h的台风资料以及台风增水信息建立数据库，便于进行显示、统计。分为两张表存储存储表1:表名为YubaoChaowei存储每次台风期间的水情数据和系统预报数据，包括相应的天文高潮、实测高潮以及系统预报的台风增水数据。存储表2:表名为YubaoTaifeng存储每次台风期间的系统对6小时、12小时、24小时台风路径的预报信息，包括北纬、东经、中心气压、近中心风力、风速、移动速度、移动方向。3、底图数据收集了台风路径显示所必须的电子地图资料，并进行了处理加工。①基础电子地图包括全球经纬度网格(间隔1°和5°)、世界行政区界、中国行政区划图(包括省界、地级市或地区、县或县级市、省会城市、沿海重要城市)、铁路、河流、湖泊。②遥感影像遥感作为数据更新的一种新手段，具有直观形象、及时、信息量丰富的特点。主要收集了全球TM卫星遥感影像。本实施例的系统实现1、台风及水情数据显示将收集的台风数据和水情数据及预测数据建立数据库，以地理信息系统可视化的方式进行显示，以直观的形式展示。1)多路径显示系统通过访问台风数据库，在ArcIMS服务器端自动、准确、快速绘制台风路径。所有台风路径均由服务器自动生成，无需人工制作。台风的实测和预测路径分别用不同颜色，每日2时与其它时刻的位置用不同颜色区分，并对台风起讫时间和每日2时的时间信息进行标注。2)台风专题图显示热带气旋按近中心地面最大风力划分为六个等级热带低压(TD)，最大风速10.8~17.1m/s;热带风暴(TS)，最大风速17.2~24.4m/s;强热带风暴(STS)，最大风速24.5-32.6m/s;台风(TY)，最大风速32.7-41.4m/s;强台风(STY)，最大风速41.5-50.9m/s;超强台风(SuperTY)，最大风速〉51.0m/s。图2是台风路径专题图，通过不同颜色的符号显示，直观表达了台风发生、发展过程中的风力强度和变化趋势。3)数据资料显示以表格的形式显示台风资料和水情数据。其中台风数据显示的包括台风编号、时间、北纬、东经、中心气压、近中心风力、风速、移动速度、移动方向等。水情数据显示的是台风期间每天的天文高潮、低潮以及实际测量的高潮、低潮，并计算出台风增水。图3是0813森拉克台风期间的黄浦公园水文站的水情信息。本实施例的神经网络预测服务器对历史资料数据的处理A.台风预警数据的处理1、神经网络参数选择神经网络输入和输出参数的选择关系到神经网络算法的准确度，因此，在参考文献的基础上，同时征询专家意见，选取台风的经度、纬度、中心气压、最大风速、移动速度和移动方向作为神经网络的输入参数，将24小时的经度差、纬度差、24小时后的中心气压、最大风速、移动速度作为目标参数供神经网络学习。目标参数计算，24h经度差-Long24h-Long;24h纬度差-Lat24h-Lat;其中Long24h、Lat24h表示同一个台风24h后的经纬度，Long、Lat表示同一台风输入参数当前经纬度。24h中心气压、24h最大风速、24h移动速度都采用同一台风相对于输入参数24h后的台风参数。见表l:__神经网络输入参数神经网络目标参数2、神经网络参数处理由于数据存在一定程度的缺失，因此需要对数据进行筛选。台风参数中，经度、讳度、中心气压、最大风速数据完整，移动速度和移动方向数据缺失小于5%，因此，将移动速度和移动方向缺失的数据项删除。由于计算模型中必须为数值型，而移动方向为字符集，因此须将移动方向转换为数值型。采用将正北方向记为1，然后顺时针依次记录为2——16，一共16个方向。见表2:924h经度差(Long24h-Long)24h纬度差(Lat24h-Lat)24h中心气压24h最大风速24h移动速度度度压速度向经纬气风速方风风心大动动台台中最移移表2标准方向移动方向数值表示NlyN(偏北)，N,1NENNEN、ENN、NNE2NENE、EN3NEENEE、EEN4EE5SEESEE、ESE、EES6SESE、ES7SESSSE、SES、ESS8SS9SWSSWS、SSW10SWSW、WS11swwSWW、SWS12wW13NWWNWW、WWN、WNW14丽丽、丽15N職N額、NNW16基于对神经网络收敛的考虑，将网络输入和目标参数进行移动程度的处理。为了使神经网络仿真结果不限制在一定的范围内，网络输入和输出参数采用除以一个常数的方法进行'"归一化"，使数据尽量集中在l附近。见表3:表3输入参数网络参数目标参数网络参数台风经度LongLong/18024h经度差Long24hLong24固台风纬度LatLat/9024h讳度差Lat24hLat24固0中心气压AirPAirP/100024h中心气压AirP24hAirP24h/1000最大风速WSpeedWSpeed/10024h最大风速WSpeed24hWSpeed24h/100移动速度MSpeedMSpeed/10024h移动速度MSpeed24hMSpeed24函0移动方向MDirMDir/163、神经网络学习及模拟在Matlab环境中利用神经网络工具箱建立BP神经网络模型，将处理好的网络学习数据带入神经网络进行学习和模拟。神经网络建立及学习代码如下<table>tableseeoriginaldocumentpage11</column></row><table>%用于记录08年差6小时的台风基础数据(数据未处理)，用于计算输出台风的经纬度；checkOri-checkOri(:，[l,2]);%[1>2]);%提取矩阵前两列，即经纬度cO=zeros(m，n-2);%checkOri=checkOri+cO1;%c01(:，[l,2])=checkOri;checkOri=cat^2，checkOri，cO);%checkOri-cOl;%将矩阵除经纬度(1，2列)外转化为0，用于经纬度相加T=T+checkOri%%%%%%%%0/oloadtyphoon08target24.txt;%Typhoon08checkAfter6.txt;checkAfter=typhoon08target24;%Typhoon08checkAfter6;%用于记录08年台风6小时后的真实数据资料，以便计算误差；n/。print("绝对误差")Error=T-checkAfter。/oprint("百分比误差");ErrorPer=abs(Error./checkAfter)*100。/oprint("误差")；％显示点之间的距离TPPre08=T(:，[l,2]);%记录08年台风预测的经纬度TPReal08=checkAfter(:,[l,2]);%记录08年台风的真实经纬度RadPre08=TPPre08*pi/l80;%RadPre08记录预测RadLat和RadlongRadReal08=TPReal08*pi/l80;%RadReal08记录真实RadLat和Radlong%%%%%%%%%%°/。％%%%%%%%求预测经讳度与实际经讳度之间的距离Distance(Km计)%%%%%%%%%%%%%%%%%%%%%采用GaussSphere，WGS-84坐标系=size(RadReal08);Distance=zeros(ml，5);foril=l:ml%forjl=l:nla=RadReal08(i1,1)陽RadPre08(i1,1);b=RadReal08(i1,2)-RadPre08(i1,2);S=2*asin(sqrt(((sin(a/2))A2)+cos(RadReal08(i1，1))*cos(RadPre08(i1，1))*((sin(b/2》A2)))*6378137.0;S=roundCS*10000)/10000;Distanced1,5)=S/1000;%记录每一个预测坐标与实际坐标之间的差end%endforil%=l:mlforjl=l:nlDistance(i1，1)=TPReal08(i1，1);Dis加ce(i1，2)=TPReal08(i1，2);%台风真实的经讳度Distance^1，3)=TPPre08(i1，1);Distance(i1,4)=TPPre08(i1，2);%台风预测经纬度%endendDistance%输出台风的真实坐标、预测坐标与差值(Km)12%%%%%%%%%%以下代码计算08年台风的误差平均值AveDis(Km计)%0/00/0%%%%%%%%%0/0%%%%0/0%%0/0%%0/00/0%，^^Dis=Distance(:,5);Ds廳-0;=size(Dis);fori3=l:n3Dsum=Dsum+Dis(i3);AveDis=Dsum/n3B.水灾预警数据的处理1、数据选择由于天文潮与台风风暴潮叠加容易造成洪涝灾害，因此采用台风数据和增水数据完整的1999——2008年的台风与增水对应数据进行神经网络增水预测模拟。见表4:_^_增水数据参数增水对应台风参含义数天文潮时间高潮对应的天文经度观测时刻台风处潮时间的经度天文潮高天文潮的高度纬度观测时刻台风处的纬度实测潮时间实际潮水时间中心气压观测时刻台风的中心气压实测潮高实测的潮水高度最大风速观测时刻台风的最大风速潮差(增水)实测潮高与天文移动速度观测时刻台风的潮高的差值移动速度移动方向观测时刻台风的移动方向选择预测上午高潮(2点左右)的对应台风的信息，包含前一天14点观测的台风信息和20点观测的台风信息，其中20点观测的台风信息用于修正14点预辆增水信息；同时选择下午高潮(14点左右)对应的台风信息，包含当天2点观测的台风信息和8点观测的台风信息，其中8点的台风信息用于修正2点预测的增水{曰息Q2、数据预处理将上海市吴淞水文观测站(31.38°N，121.05°E)作为台风对上海地区影响的定点位置，以其作为台风距离上海的起算点，用台风的观测位置经纬度减去吴淞水文观测站的经纬度作为网络输入的台风距离上海的距离。见表5，为了实现网络的收敛和预测的精确，将数据进行以下处理:表5原始参数网络输入参数原始参数网络目标参数经度差Long(LongLong/180潮位差Tide(实测Tide台风-121.05)潮位与天文潮位的差值)经度差Lat(Lat台La麵风-31.38)台风中心气压AirP/訓0AirP最大风速WSpeedWSpeed/100移动速度MSpeedMSpeed/羅移动方向MDirMDir/163、神经网络学习与模拟利用Matlab神经网络工具箱函数建立神经网络，将处理好的台风及增水数据带入神经网络进行学习和模拟神经网络构建及学习代码%BP神经网络用于台风对上海地区增水影响的预测，%clc;clearall;loadwater8data,txt%学习矩阵的台风参数loadwater8target,txt%学习矩阵的增水高程Pl=water8data;%输入层训练数据矩阵Tl=water8target;%输出层训练数据矩阵P=P1';T=Tl'j%AA=[reshape(data,3，length(data)/3)]'=size(P);%输入层数据矩阵大小，R行Q列=size(T);°/。输出层目标数据矩阵大小，S2行Q列Sl=85;%隐含层神经元数目%S3=100;%创建BP神经网络(newcf和newff)net=newcf(minmax(P),[S1,S2],{'tansig','purelin'},'traingdx');%建立一个新的生境网络，包含l个隐含层，隐含层神经元数目为5个，输出层神经元数目为l个%隐含层的阈值函数为tansig，输出层的阈值函数为purelin,为避免陷入局部最小，训练函数采用%结合动量和自动学习率的traingdxnet.trainParam.show=100;net.trainParam.epochs=50000;net.trainParam.goal=0.01;net.trainParam.lr=0.05;net.trainParam.min_grad=1e-15;net=init(net》_[net,tr]=train(net,P,T);savewater8netnet;%存储训练后的网络网络仿真代码:%TyphoonSim%网络模拟预测台风期间增水%网络采用由训练好的网络clc;clearall;loadwater8data.txt;%需要仿真预测的台风数据P2=water8data;P=P2';loadwater8netnet;%训练好的网络T=sim(net，P);T=T'%仿真结果dlmwrite('target8.txt'，T，'delimiter',''，'newline'，'pc');%存储仿真结果_利用以上神经网络学习和仿真代码对台风期间每天4次的台风观测数据(2点、8点、14点和20点)对应的每天两次高潮(上午潮和下午潮)增水进行模拟。本实施例利用MatlabWebServer将神经网络预测台风和风暴潮的程序在服务器上发布，客户端可以在不安装Matlab的情况下，通过Web访问服务器，输入相关参数预测台风和增水信息。图4是网页形式进行台风信息输入的提交页面。图5是对黄浦公园水文站在历次台风期间的历史预报结果，包括天文潮时、潮位以及当时预报的潮时、潮位和高潮增水。图6是一天内的潮位曲线，其中横轴表示时间，单位为时；纵轴表示潮位，单位为米。红色曲线为天文潮，蓝色曲线为实测潮，蓝色圆点为实际的高潮信息，咖啡色圆点和数字标示的是历史预报高潮信息。咖啡色圆点离蓝色圆点越近，就表示本次预报精度越高。1权利要求1.一种基于历史数据的台风水灾智能预警系统，其特征在于，包括用于存储历史数据、预测数据以及GIS底图数据的数据库系统、神经网络预测服务器、WEBGIS图形显示系统以及WEB服务器，所述的神经网络预测服务器对历史数据进行处理得到预测数据，并存入数据库系统，所述的WEBGIS图形显示系统以图形方式显示数据库系统中的数据，并通过WEB服务器发布，所述的WEB服务器接收用户客户端的预测请求数据，并以WEB形式将相应预测结果展示给用户。2.根据权利要求1所述的一种基于历史数据的台风水灾智能预警系统，其特征在于，所述的数据库系统包括历史台风及水情数据数据库、台风及风暴潮预测数据数据库，以及GIS底图数据数据库；所述的历史台风及水情数据数据库包括存储台风实测和预报数据、存储来自水文部门的天文潮位数据、存储来自水文部门的实测水情数据以及存储台风名称数据；所述的台风及风暴潮预测数据数据库包括存储每次台风期间的水情数据和预报数据以及存储每次台风期间对6小时、12小时、24小时台风路径的预报数据；所述的GIS底图数据数据库包括基础电子底图数据以及遥感影像数据。3.根据权利要求1或2所述的一种基于历史数据的台风水灾智能预警系统，其特征在于，所述的神经网络预测服务器为基于Matlab的神经网络预测服务器，该服务器通过CGI扩展与WEB服务器连接。4.根据权利要求3所述的一种基于历史数据的台风水灾智能预警系统，其特征在于，所述的WEBGIS图形显示系统以图形方式显示数据库系统中的数据包括台风多路径显示、台风专题图显示以及数据显示；所述的台风多路径显示由WEBGIS图形显示系统访问数据库系统，根据数据生成台风的路径；所述的台风专题图显示为将热带气旋按近中心地面最大风力划分为六个等级，各等级以不同的颜色表示；所述的数据显示为以表格形式显示台风数据和水情数据。5.根据权利要求1或4所述的一种基于历史数据的台风水灾智能预警系统，其特征在于，所述的WEBGIS图形显示系统采用美国ESRI的ArcIMS系统。6.根据权利要求5所述的一种基于历史数据的台风水灾智能预警系统，其特征在于，所述的WEB服务器通过JavaScript以及HTML语言为用户提供数据展示。全文摘要本发明涉及一种基于历史数据的台风水灾智能预警系统，包括用于存储历史资料数据、预测资料数据以及GIS底图数据的数据库系统、神经网络预测服务器、WEBGIS图形显示系统以及WEB服务器，所述的神经网络预测服务器对历史资料数据进行处理得到预测资料数据，并存入数据库系统，所述的WEBGIS图形显示系统以图形方式显示数据库系统中的数据，并通过WEB服务器发布，所述的WEB服务器接收用户客户端的预测请求数据，并以WEB形式将相应预测结果展示给用户。与现有技术相比，本发明预测精度高，能直观地显示当前及预报风暴潮信息，同时也能作为预报员在预报风暴潮时的辅助决策系统。文档编号G01W1/10GK101634721SQ20091004932公开日2010年1月27日申请日期2009年4月15日优先权日2009年4月15日发明者胡亦知申请人:华东师范大学第二附属中学