【技术实现步骤摘要】
本专利技术涉及泥石流灾害监测预报，尤其涉及一种基于实时降雨监测的泥石流灾害智能预报方法。
技术介绍
1、泥石流是指在山区或者其他沟谷深壑，地形险峻的地区，因为暴雨、暴雪或其他因素激发并携带有大量泥沙以及石块的特殊洪流，泥石流具有突然性以及流速快，流量大，物质量大和破坏力强等特点，发生泥石流常常会冲毁公路铁路等交通设施甚至村镇等，造成巨大损失。
2、当前泥石流灾害监测预报方法，存在误报率高和提前时间短的问题，其原因在于，一方面当前模型使用的降雨特征参数不完善，使得构建的阈值模型无法捕捉到对触发泥石流更敏感的降雨特征，另一方面在构建阈值模型时使用的是触发泥石流的完整降雨，使得模型很难做到在降雨初期就能判别触发泥石流的降雨事件，而无法更早的预报泥石流。比如应用最广泛的降雨强度-历时（i-d）阈值模型，仅考虑降雨强度和降雨历时两个参数，且构建模型的时候使用的是触发泥石流完整的降雨数据，导致该模型在实际应用时，产生大量误报且无法较早的判别泥石流事件；并且，当前基于实时降雨监测的泥石流预报方法尚不完善，在处理降雨数据时，判断降雨事件开始和结束等的设计不完善，而无法有效的支撑预报模型实现其功能。为此，我们提出了判断降雨事件开始和结束的方法，以支撑本方法的有效运行。
技术实现思路
1、本专利技术所要解决的问题是当前泥石流灾害监测预报方法，存在误报率高和提前时间短的问题。
2、为了解决上述技术问题，本专利技术提供了一种基于实时降雨监测的泥石流灾害智能预报方法，所述智能预报方法
3、s1：泥石流发生概率智能预测模型构建；
4、s2：降雨事件开始判断并记录降雨事件；
5、s3：降雨数据特征参数与泥石流发生概率计算；
6、s4：泥石流发生概率分级与预警信息发布；
7、s5：降雨事件结束判断。
8、优选的，所述s1中泥石流发生概率智能预测模型构建的具体方法如下：
9、s101：获取目标泥石流沟的历史降雨监测数据和泥石流历史灾害数据；
10、s102：将s101获取的降雨记录数据划分成单个的降雨事件序列，划分依据为一次降雨开始于降雨强度大于1mm/h，结束于连续4小时降雨强度小于1mm/h，并将其分割成以降雨事件第一个降雨数据开始，依次增加一个降雨数据的多个降雨序列，将触发泥石流的降雨序列标记为1，没有触发泥石流的降雨序列标记为0；
11、s103：计算s102每个降雨序列[r1, r2,…, rn]的特征参数，包括绝对能量值c1为所有雨量值平方的和、累积降雨量c2为所有雨量值的和、平均降雨强度c3为累积雨量除以雨量值数量、最大雨量值c4为雨量值中的最大值，计算方法为：
12、c1=r12+r22+…+rn2；
13、c2=r1+r2+…+rn；
14、c3=c2/n；
15、c4=max[r1,r2,…,rn]；
16、s104：使用smote方法重采样，以平衡触发和未触发泥石流的降雨序列的样本数量，采用机器学习分类模型（如extra trees），以s103计算的降雨数据特征参数为自变量，以s102标记的是否触发泥石流（0，1）为因变量，构建预测泥石流发生概率的二分类机器学习模型，优化并导出模型，命名为df_model.pkl。
17、优选的，所述s2中降雨事件开始判断并记录降雨事件的具体方法如下：
18、s201：读取雨量计实时降雨量，判定是否发生降雨事件，判定依据为近一小时的降雨强度大于或等于1mm/h；
19、s202：s201中判定依据的实现方法为每获取一个新的降雨量数据后，统计近1小时的总降雨量是否大于或等于1mm，如果否，继续读取最新降雨数据，判断降雨事件是否开始；如果是，判定降雨事件开始，并从第一个不为0的数据开始记录该降雨事件序列r=[r1,r2,…,rn]。
20、优选的，所述s3中降雨数据特征参数与泥石流发生概率计算的具体方法如下：
21、s301：计算s202中降雨序列r的特征参数，所述特征参数包括绝对能量值c1、累积降雨量c2、平均降雨强度c3、最大雨量值c4，计算方法同s103；
22、s302：将提取的特征参数输入到s1建立的泥石流发生概率智能预测模型（df_model.pkl）中，输出泥石流发生的概率p；
23、优选的，所述s4中泥石流发生概率分级与预警信息发布的具体方法为：判定泥石流发生概率p所在的阈值范围，如果p≤0.5，判断无泥石流事件，进入s5；如果p>0.5，判定预警级别，并发布预警信息。
24、优选的，所述预警级别划分为一级预警、二级预警和三级预警三个等级，所述泥石流沟发生概率p的范围为0≤p≤1.0；
25、其中：
26、一级预警为泥石流发生概率极高，阈值范围为0.9≤p≤1.0；
27、二级预警为泥石流发生概率高，阈值范围为0.7≤p＜0.9；
28、三级预警为泥石流发生概率中，阈值范围为0.5＜p＜0.7。
29、优选的，所述s5中降雨事件结束判定依据为连续4小时降雨强度小于1mm/h，其具体的实现方法为：
30、s501：判断降雨事件开始后是否达到4小时，如果否，读取新的降雨数据，得到新的降雨序列r，进入s3；如果是，判断该降雨事件近4小时内每个小时的降雨强度是否均小于1mm/h；
31、s502：判断降雨事件开始后已达到4小时后，根据s501的结果判定降雨事件是否结束，如果否，则读取新的降雨数据的到新的降雨序列r，进入s3；如果是，则判定降雨结束，初始化参数，进入s2，重新进入下一次降雨事件开始判定流程，循环运行。
32、本专利技术的技术效果和优点：
33、1．本专利技术基于在目标泥石流沟建的雨量计，读取实时的降雨监测数据，判定是否发生降雨事件，如果发生降雨事件，则从当前降雨事件序列中提取特征参数，将这些参数输入到基于该沟历史数据构建的泥石流发生概率智能预测模型，得出泥石流发生的概率值，通过设置阈值判定当前发生泥石流的预警级别，并发布预警信息，预报泥石流的发生，有效提高了泥石流预报的准确率和缩短了预报时间。
34、2．本专利技术通过在参数使用方面，提出采用绝对能量值c1、累积降雨量c2、平均降雨强度c3和最大雨量值c4四个参数构建泥石流智能预报模型；在模型构建方面，将触发泥石流的降雨事件，分割成以降雨事件第一个降雨数据开始，依次增加一个降雨数据的多个降雨序列，分别提取降雨特征参数，基于机器学习模型构建泥石流发生概率的智能预测模型；在处理实时降雨监测数据方面，定义了降雨事件开始和结束的判定方法，可以有效提高泥石流预报的准确率和缩短预报时间。
本文档来自技高网...【技术保护点】
1.一种基于实时降雨监测的泥石流灾害智能预报方法，其特征在于：所述智能预报方法的具体方法如下：
2.根据权利要求1所述的一种基于实时降雨监测的泥石流灾害智能预报方法，其特征在于：所述S1中泥石流发生概率智能预测模型构建的具体方法如下：
3.根据权利要求1所述的一种基于实时降雨监测的泥石流灾害智能预报方法，其特征在于：所述S2中降雨事件开始判断并记录降雨事件的具体方法如下：
4.根据权利要求1所述的一种基于实时降雨监测的泥石流灾害智能预报方法，其特征在于：所述S3中降雨数据特征参数与泥石流发生概率计算的具体方法如下：
5.根据权利要求1所述的一种基于实时降雨监测的泥石流灾害智能预报方法，其特征在于：所述S4中泥石流发生概率分级与预警信息发布的具体方法为：判定泥石流发生概率P所在的阈值范围，如果P≤0.5，判断无泥石流事件，进入S5；如果P>0.5，判定预警级别，并发布预警信息。
6.根据权利要求5所述的一种基于实时降雨监测的泥石流灾害智能预报方法，其特征在于：所述预警级别划分为一级预警、二级预警和三级预警三个等级，所
7.根据权利要求1所述的一种基于实时降雨监测的泥石流灾害智能预报方法，其特征在于：所述S5中降雨事件结束判定依据为连续4小时降雨强度小于1mm/h，其具体的实现方法为：
...【技术特征摘要】
1.一种基于实时降雨监测的泥石流灾害智能预报方法，其特征在于：所述智能预报方法的具体方法如下：
2.根据权利要求1所述的一种基于实时降雨监测的泥石流灾害智能预报方法，其特征在于：所述s1中泥石流发生概率智能预测模型构建的具体方法如下：
3.根据权利要求1所述的一种基于实时降雨监测的泥石流灾害智能预报方法，其特征在于：所述s2中降雨事件开始判断并记录降雨事件的具体方法如下：
4.根据权利要求1所述的一种基于实时降雨监测的泥石流灾害智能预报方法，其特征在于：所述s3中降雨数据特征参数与泥石流发生概率计算的具体方法如下：
5.根据权利要求1所述的一种基于实时降雨...
【专利技术属性】
技术研发人员：赵岩，孟兴民，岳东霞，郑娇玉，陈冠，李亚军，曾润强，张毅，祁天君，郭富赟，
申请(专利权)人：兰州大学，
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。