基于BP-GEO的洪涝灾害预警方法

基于bp
‑
geo的洪涝灾害预警方法
技术领域
1.本发明属于洪涝灾害监测技术领域，具体涉及基于bp
‑
geo的洪涝灾害预警方法。


背景技术：

2.随着全球气候的变化，海平面上升和城市化的不断推进，加之我国地理环境复杂，自然灾害发生的频率和强度不断加大。由于对水资源的需求，多数城市建在大海、河流、湖泊等水系的附近，一旦遭遇大暴雨，洪涝灾害就容易发生。
3.20世纪中国发生过四次大规模的水患，而小型规模的洪灾几乎年年都在发生。全国大约2/3的地区受到不同类型和不同危害程度的洪水灾害。洪涝灾害可造成粮食减产，导致巨额经济损失，破坏土地资源和生态环境，对社会经济和环境具有多方面的影响。洪涝灾害可由很多原因造成，在各种致灾原因中，暴雨是最常见和最具威胁性的。同时，暴雨本身也是危害最严重的气象灾害之一，暴雨天气出现，多伴随雷电和狂风，常导致平面积水、河道漫溢、农田毁坏、房屋倒塌等。
4.在暴雨洪涝灾害的预报预警服务系统中，美国联邦紧急事务管理(fema)早已利用gis技术辅助预测洪灾危害，而后，中国开始利用这一技术进行洪灾的预警。但这一方法没有考虑流域洪水形成的复杂性。另外，水文模型是暴雨洪涝灾害预报的重要的依据之一。目前，我国所采用的水文预报模型主要有我国自行研制开发的新安江模型、双超产流模型、河北雨洪模型、姜湾径流模型等，从国外引进的模型主要有tank、sacramento和smar等模型，但计算较为复杂，对历史资料的要求较高。由于流域洪水的形成非常复杂，降雨径流关系通常是动态的，非线性的，所以神经网络在洪水预报中更加智能和实用，但并未考虑地形在暴雨洪水预警中的重要作用，预报结果在某些方面仍旧缺乏可信度。
5.上述方法均只考虑了暴雨洪涝预报的单一方面，预报结果准确度不高，因此需要更为完善的预报模型进行暴雨和洪涝灾害的预警。


技术实现要素：

6.本发明的目的在于提供基于bp
‑
geo的洪涝灾害预警方法，以解决现有技术不全面的问题。
7.为实现上述目的，本发明提供如下技术方案：基于bp
‑
geo的洪涝灾害预警方法，其中，具体包括如下步骤：
8.步骤1、根据高程数据求解区域微地形特征，并利用区域微地形特征对径流数据进行修正；
9.步骤2、利用模糊c值聚类法将流域地理位置结合灾害影响程度进行分类；
10.步骤3、利用bp神经网络模型，构建洪涝灾害预报系统；
11.步骤4、利用灾害损失评估模型并结合受灾地区具体情况，并进行洪涝灾害预警并评定灾害等级及损失情况。
12.优选的，所述步骤1中，具体包括如下步骤：
13.步骤11、根据高程数据求解区域微地形特征：
14.步骤111、计算区域微地形特征，
15.步骤112、计算坡度及坡向，
[0016][0017]
步骤12、利用区域微地形特征对径流数据进行修正：
[0018]
步骤121、坡面的修正系数k为，其中，δh为高程差，c为山坡倾角系数，则，
[0019][0020]
步骤122、沟壑径流修正系数k为，k＝1.35。
[0021]
优选的，所述步骤2中，具体包括如下步骤：
[0022]
步骤21、生成0
‑
1间的随机数初始化样本的隶属矩阵u，则，
[0023]
步骤22、利用公式：计算出c个聚类中心c
i
(i＝1,
…
,c)；
[0024]
步骤23、计算fcm的价值函数j，则，
[0025]
步骤24、计算矩阵u：并返回步骤2.2。
[0026]
优选的，所述步骤23中：
[0027]
u
ij
∈[0,1]为第j个数据点属于第i个聚类的程度；
[0028]
d
ij
＝||c
i
‑
x
j
||为第i个聚类中心与第j个数据点间的欧氏距离；
[0029]
c
i
为模糊组i的聚类中心；
[0030]
m∈[1,∞]为加权指数。
[0031]
优选的，所述步骤23还包括：
[0032]
步骤231、构造新的目标函数，并求得使计算fcm的价值函数j达到最小值的必要条件，则，
[0033][0034]
其中，λ
j
(j＝1,
…
,n)为n个约束式的拉格朗日乘子，若n个约束式的拉格朗日乘子小于确定阈值，或它相对于上次价值函数值的改变量小于阈值，则算法停止。
[0035]
优选的，所述步骤3中，具体步骤如下：
[0036]
步骤31、建立洪水水位预报神经网络模型的模式对：
[0037]
步骤311、输入层单元数据给定，上游水位站水位数据个数为n1，下游水位站水位数据个数为n2，且n＝n1+n2，则，
[0038][0039]
步骤312、输出单元数据给定，预报下游站，且时间间隔为nδ，(n+1)δ，
…
，(n+q
‑
1)δ后的洪水水位数据，
[0040][0041]
步骤32、确定目标函数，其中，
[0042][0043][0044]
步骤33、输入单元数据规范化，将输入单元的数据规范为0.2
‑
0.8之间：
[0045][0046]
步骤34、规范化输出单元数据：
[0047][0048]
优选的，所述步骤311中，i＝1,2,
…
,n,k＝1,2,
…
,m，且及为上下游水位站水位等时间间隔为δ的序列；
[0049]
所述步骤33中，m＝max{n1,n2}，
[0050]
所述步骤34中，
[0051]
优选的，所述步骤3是用于构造人工神经网络的训练模式对，当训练成功后，并得到预报值时，必须给出还原公式，时，必须给出还原公式，
[0052]
优选的，所述的步骤4中，所述灾害损失评估模型为：
[0053][0054]
优选的，所述灾害损失评估模型中：
[0055]
i为洪水单元号；
[0056]
j为行业序号；
[0057]
k为水深级别；
[0058]
m为淹没历时等级；
[0059]
n为预警时间等级；
[0060]
days为淹没时间天数。
[0061]
本发明的技术效果和优点：该基于bp
‑
geo的洪涝灾害预警方法不仅考虑了微地形特征对径流的影响，并且利用聚类分析的方法将洪涝流域进行分类，最后结合bp神经网络技术进行较为准确的洪涝预报，使灾害评估模型能预先给出防灾指导方案。
附图说明
[0062]
图1为本发明的暴雨洪涝灾害预警模型预测与评估流程；
[0063]
图2为本发明人工神经网络结构示意图。
具体实施方式
[0064]
下面将结合本发明实施例中的附图1
‑
2，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0065]
本发明提供了如图1
‑
2中所示的基于bp
‑
geo的洪涝灾害预警方法，其中，具体包括如下步骤：
[0066]
步骤1、根据高程数据求解区域微地形特征，并利用区域微地形特征对径流数据进行修正；
[0067]
步骤2、利用模糊c值聚类法将流域地理位置结合灾害影响程度进行分类；
[0068]
步骤3、利用bp神经网络模型，构建洪涝灾害预报系统；
[0069]
步骤4、利用灾害损失评估模型并结合受灾地区具体情况，并进行洪涝灾害预警并评定灾害等级及损失情况。
[0070]
具体的，所述步骤1中，具体包括如下步骤：
[0071]
步骤11、根据高程数据求解区域微地形特征：
[0072]
步骤111、计算区域微地形特征，
[0073]
步骤112、计算坡度及坡向，
[0074][0075]
步骤12、利用区域微地形特征对径流数据进行修正：
[0076]
步骤121、坡面的修正系数k为，其中，δh为高程差，c为山坡倾角系数，则，
[0077][0078]
步骤122、沟壑径流修正系数k为，k＝1.35。
[0079]
具体的，所述步骤2中，具体包括如下步骤：
[0080]
步骤21、生成0
‑
1间的随机数初始化样本的隶属矩阵u，则，
[0081]
步骤22、利用公式：计算出c个聚类中心c
i
(i＝1,
…
,c)；
[0082]
步骤23、计算fcm的价值函数j，则，
[0083]
步骤24、计算矩阵u：并返回步骤2.2。
[0084]
具体的，所述步骤23中：
[0085]
u
ij
∈[0,1]为第j个数据点属于第i个聚类的程度；
[0086]
d
ij
＝||c
i
‑
x
j
||为第i个聚类中心与第j个数据点间的欧氏距离；
[0087]
c
i
为模糊组i的聚类中心；
[0088]
m∈[1,∞]为加权指数。
[0089]
具体的，所述步骤23还包括：
[0090]
步骤231、构造新的目标函数，并求得使计算fcm的价值函数j达到最小值的必要条件，则，
[0091][0092]
其中，λ
j
(j＝1,
…
,n)为n个约束式的拉格朗日乘子，若n个约束式的拉格朗日乘子小于确定阈值，或它相对于上次价值函数值的改变量小于阈值，则算法停止。
[0093]
具体的，所述步骤3中，具体步骤如下：
[0094]
步骤31、建立洪水水位预报神经网络模型的模式对：
[0095]
步骤311、输入层单元数据给定，上游水位站水位数据个数为n1，下游水位站水位数据个数为n2，且n＝n1+n2，则，
[0096][0097]
步骤312、输出单元数据给定，预报下游站，且时间间隔为nδ，(n+1)δ，
…
，(n+q
‑
1)δ后的洪水水位数据，
[0098][0099]
步骤32、确定目标函数，其中，
[0100][0101][0102]
步骤33、输入单元数据规范化，将输入单元的数据规范为0.2
‑
0.8之间：
[0103][0104]
步骤34、规范化输出单元数据：
[0105][0106]
具体的，所述步骤311中，i＝1,2,
…
,n,k＝1,2,
…
,m，且及为上下游水位站水位等时间间隔为δ的序列；
[0107]
所述步骤33中，m＝max{n1,n2}，
[0108]
所述步骤34中，
[0109]
具体的，所述步骤3是用于构造人工神经网络的训练模式对，当训练成功后，并得到预报值时，必须给出还原公式，时，必须给出还原公式，
[0110]
具体的，所述的步骤4中，所述灾害损失评估模型为：
[0111][0112]
具体的，所述灾害损失评估模型中：
[0113]
i为洪水单元号；
[0114]
j为行业序号；
[0115]
k为水深级别；
[0116]
m为淹没历时等级；
[0117]
n为预警时间等级；
[0118]
days为淹没时间天数。
[0119]
实施例：
[0120]
步骤1、根据高程数据求解区域微地形特征，包括坡度、坡向及高程差，并利用区域微地形特征对径流数据进行修正，对修正后的径流数据以及降水数据、水文站测得的上下游水位数据进行整合。
[0121]
在步骤1中，求解微地形特征及对径流数据修正具体包括如下步骤：
[0122]
步骤11、计算区域微地形特征的具体公式和计算方法如下：
[0123]
步骤111、计算区域微地形特征，式(1)中，slope
we
表示东西(x轴)方向上的坡度，slope
sn
表示南北(y轴)方向上的坡度，δh为高程差，δx为东西(x轴)方向上的水平距离，δy为南北(y轴)方向上的水平距离。
[0124]
步骤112、计算坡度及坡向，由式(1)可知坡度和坡向的计算公式为，式(2)中，slope表示坡度，aspect表示坡向，slope
we
表示东西(x轴)方向上的坡度，slope
sn
表示南北(y轴)方向上的坡度，与式(1)一致。
[0125]
步骤12、根据区域微地形特征对区域径流数据进行修正，具体包括如下几个方面：
[0126]
步骤121、坡面的修正系数数k为：式(3)中，δh为高程差，c为山坡倾角系数，则，计算公式如下：
[0127][0128]
步骤122、计算出沟壑径流修正系数k，k＝1.35。
[0129]
步骤2、利用模糊c值聚类法(fcm)将流域地理位置结合灾害影响程度进行分类。
[0130]
在步骤2中，利用模糊c值聚类法将流域地理位置结合灾害影响程度进行分类具体包括如下步骤：
[0131]
步骤21、生成0
‑
1间的随机数初始化样本的隶属矩阵u，使得：
[0132]
步骤22、利用公式：计算出c个聚类中心c
i
(i＝1，
…
，c)。
[0133]
步骤23、根据下式(7)计算fcm的价值函数(目标函数)j，则，式(7)中，u
ij
∈[0，1]表示第j个数据点属于第i个聚类的程度，d
ij
＝||c
i
‑
x
j
||为第i个聚类中心与第j个数据点间的欧氏距离，c
i
为模糊组i的聚类中心，m∈[1，∞]为加权指数。
[0134]
所述步骤23还包括步骤231，构造新的目标函数，求得使(7)式达到最小值的必要条件，则，式(8)中，λ
j
(j＝1，
…
，n)是上式的n个约束式的拉格朗日乘子，若它小于某个确定的阈值，或它相对于上次价值函数值的改变量小于某个阈值，则算法停止。
[0135]
步骤24、计算新的矩阵u，并返回步骤2.2。
[0136]
步骤3、利用bp人工神经网络模型，构建洪涝灾害预报系统。
[0137]
在步骤3中，构建基于bp人工神经网络结构构建暴雨洪涝灾害预报系统的具体步骤如下：
[0138]
步骤31、建立洪水水位预报神经网络模型的模式对：
[0139]
步骤311、首先，输入层单元数据给定，如果上下游水位站分别取水位数据个数为
n1和n2，其中n＝n1+n2，则，其中，i＝1，2，
…
，n，k＝1，2，
…
，m，和l＝1，2，
…
，为上下游水位站水位等时间间隔为δ的序列。
[0140]
步骤312、输出单元数据给定，如果想预报下游站，当前时间间隔nδ，(n+1)δ，
…
，(n+q
‑
1)δ后的洪水水位数据，则，1)δ后的洪水水位数据，则，
[0141]
步骤32、确定目标函数，式(12)中：式(12)中：式(12)、(13)及(14)中：s
e
是预报误差的均方差，σ
y
是预报要素值的均方差，是实测值，是预报值，是第t个输出单元的实测值均值；m是系列点次的个数。
[0142]
步骤33、规范化输入的单元数据，考虑到输入单元数据的规范化是在过去已有数据基础上进行的，为估计到在预测阶段可能超过历史洪峰的情况，这里把输入单元的数据规范在0.2到0.8之间，具体规范化方法如下：
[0143]
式(15)中：式(15)中：m＝max{n1，n2}。
[0144]
步骤34、规范化输出单元数据，具体规范方法如下：(16)，式(16)中：
[0145]
以上的规范化处理，主要是用于构造人工神经网络的训练模式对，当训练成功后，得到了预报值时，还必须给出还原公式，具体还原公式如下，
[0146]
步骤4、利用灾害损失评估模型
‑
cas
‑
los模型，并结合受灾地区具体情况，并进行洪涝灾害预警并评定出灾害等级及损失情况。
[0147]
在步骤4中，评估灾害损失的模型为：
[0148]
式(18)中，i为洪水单元号；j为行业序号；k为水深级别；m为淹没历时等级；n为预警时间等级；days为淹没时间天数。
[0149]
本发明不仅考虑了微地形特征对径流的影响，并且利用聚类分析的方法将洪涝流域进行分类，最后结合bp神经网络技术进行准确的洪涝预报，并且灾害评估模型也能预先给出防灾指导方案，使bp
‑
geo模型能够成为准确的洪涝灾害预警方法。
[0150]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。