一种基于水文模型的洪水预报系统

摘要

本发明公开一种基于水文模型的洪水预报系统，应用于信息处理领域；解决的技术问题是洪水预报系统洪水流量数据预测精度低，采用的技术方案是基于水文模型的洪水预报系统，包括人机交互模块、降雨雷达检测站、洪水模拟模块、数据接收处理模块、洪水模拟数据库、GIS子系统和无线通信网络；本发明能够提供预测性、反应性和主动性的实时预测洪水讯息，通过TOPKAPI水文模型模拟洪水流动，能够以最小的成本进行工作，采用AdaBoost分类器对洪水流量数据特征分类，大大提高洪水预报系统的洪水流量数据预测精度。

权利要求

1.一种基于水文模型的洪水预报系统，其特征在于：所述基于水文模型的洪水预报系统包括：人机交互模块，用于控制洪水泄流设施的洪水流量，以对洪水流量进行调洪计算；

降雨雷达检测站，用于实现对洪水所在地的气象目标进行实时探测；

洪水模拟模块，用于通过TOPKAPI水文模型模拟采集洪水流量数据和降雨流量数据；

数据接收处理模块，用于接收洪水流量数据和降雨流量数据，并采用AdaBoost分类器对接收的洪水流量数据和降雨流量数据进行分析处理；

洪水模拟数据库，用于通过层次模型数据库对洪水流量数据和降雨流量数据进行存储和定义标识；

GIS子系统，用于以图形表格展示每个探测周期的单元格洪水流量数据和降雨流量数据；

无线通信网络，用户终端用于通过GPRS无线通信方式将数据接收处理模块接收到的数据信息传输至公众网络告知用户终端；

其中，降雨雷达检测站单向连接至数据接收处理模块，洪水模拟模块单向连接至数据接收处理模块和洪水模拟数据库，数据接收处理模块与人机交互模块双向连接，人机交互模块单向连接至GIS子系统，GIS子系统单向连接至无线通信网络；

所述洪水模拟模块通过TOPKAPI水文模型模拟洪水流动，在上游洪水模拟模块部分，通过底层DEM定义的网格单元描述洪水流域地形，假设洪水流动集中在第i个DEM网格单元，则表现洪水流动现象的基本方程是连续性方程和流量方程，表示函数为：（1）

式（1）中，H表示垂直轴上的平均土壤含水量，t表示采集周期，X表示洪水流域地形空间尺寸，yr表示残余土壤含水量，ys表示饱和土壤含水量，L表示表层土层厚度，q表示土壤中的水平流动宽度流量， 表示表面坡度，ks表示饱和导水率，p表示降水强度；DEM网格单元垂直轴上土壤的实际总含水量函数表示为：（2）

式（2）中，表示垂直轴上土壤的实际总含水量，下标r表示残余英文单词缩写，下标s表示饱和英文单词缩写，代入公式（1）中，局部传导系数为：（3）

式（3）中，C表示局部传导系数；通过公式（3）实现在洪水流域地形空间尺寸为X的第i个DEM单元上得到积分方程为：（4）

式（4）中，Vsi是存储在第i个DEM网格单元格中的单位宽度体积，每个DEM网格单元中存储的水体积与总含水量 相关，如公式（5）所示：（5）

将公式（5）代入公式（4）中，化简得到一般单元编写非线性储层方程，上游洪水模拟模块进入DEM网格单元的总流入量如公式（6）所示：（6）

式（6）中，Q表示来自上游洪水模拟模块进入DEM网格单元的总流入量；在下游洪水模拟模块部分，根据公式（1）（6）中上游洪水的模拟程序，假设地表水深恒定，并在纵向尺寸上~进行积分，得出第i个DEM网格单元的非线性水库方程如公式（7）所示：（7）

式（7）中，Voi是第i个DEM网格单元中地表水的体积，下标o表示地表单词缩写，r1是土壤水产生的饱和过剩量；对于具有矩形横截面和宽度随排水面积增加而增加的树形河道网络，可将一般河道河段的非线性水库方程写成公式（8）：（8）

式（8）中，Vci是i河道河段中储存的水量，下标c表示河道河段单词缩写，r2是侧向排水输入，W是河道河段的宽度，Qc是下游洪水模拟模块的总流量，根据TOPKAPI水文模型计算Qc+Q得出洪水模拟输出的总流量。

2.根据权利要求1所述的一种基于水文模型的洪水预报系统，其特征在于：所述降雨雷达检测站由一个雷达站和四个雨滴谱监测站组成，其中雷达站由发射机、接收机、信号处理机、伺服系统、供配电系统、雷达控制终端、数据处理终端组成，用于实现对周边云朵、雨滴、冰雹等气象目标进行实时探测，雷达站与中心站通过有线网络进行数据传输和命令交互；

雨滴谱监测站由激光雨滴谱仪、数采设备、太阳能供电系统组成，用于实现对降雨速度谱和粒径谱的监测，并以此对雷达监测数据进行标校，实现降雨监测。

3.根据权利要求1所述的一种基于水文模型的洪水预报系统，其特征在于：所述洪水预报系统包括智能预警模块，设定1小时为时间周期，采集基础监视信息，由文件传输协议传输进行统一输出到数据接收处理模块，根据采集到的信息进行汇总分析，将接收数据信息与数据库标准数据信息进行对比，进而判断运行状态“正常、告警报错”，在GIS子系统上显示，同时后台进行告警提醒，由运维人员处理报错信息。

4.根据权利要求1所述的一种基于水文模型的洪水预报系统，其特征在于：所述洪水模拟模块包括上游洪水模拟模块和下游洪水模拟模块；所述上游洪水模拟模块用于降雨输入水量模拟和洪水表面流动水量模拟，所述下游洪水用于洪水地下流动水量模拟；

其中所述上游洪水模拟模块由流量检测模块、渗透检测模块、降雨速度检测模块和存量计算模块组成；

下游洪水模拟模块由蒸发量检测模块、渗透检测模块、地势水量损耗检测模块和流速检测模块组成。

5.根据权利要求1所述的一种基于水文模型的洪水预报系统，其特征在于：在积分域内单个DEM网格单元上，1小时周期内模拟得到的空气降水量是固定的，所有到达土壤的降水都会渗透，除非这个DEM网格单元中的土壤已经饱和。

6.根据权利要求1所述的一种基于水文模型的洪水预报系统，其特征在于：所述洪水预报系统通过GPRS无线通信方式传输至公众网络用户终端，用户终端分为普通用户终端和管理员终端，普通用户终端浏览地图数据以及地理上的洪水流域降雨信息，通过洪水观测API和降雨预测API预测包括累计降雨量和降水概率的洪水预报消息；管理员终端是运营服务的授权代理人，在接受到洪水预报消息后查看洪水情况，并通过物联网技术获取大数据洪水形势，之后管理员终端更新洪水情况和洪水数据，用户终端得知洪水情况后众源洪水形势，管理员终端批准消息并更新洪水预报。

7.根据权利要求1所述的一种基于水文模型的洪水预报系统，其特征在于：所述AdaBoost分类器对洪水流量数据特征分类分为强分类器与弱分类器，Adaboost对弱分类器进行迭代训练，每一个阶段训练好的弱分类器都将参与下一轮弱分类器的迭代，最终成为强分类器；假设AdaBoost分类器总计N个，按照特征参数从大到小排列，区分得到：（9）

式（9）中，R表示洪水流量数据集中度，T表示前k个洪水流量数据离散度，wk表示第k个洪水流量数据权重，gk为识别洪水流量数据类型值；若第k个洪水流量数据为正洪水流量数据，则gk=1；若第k个洪水流量数据为负洪水流量数据，否则gk= —1；

AdaBoost分类器处理过程中，强分类器初始化洪水流量数据权重为w，计算第j个强分类器加权错误率P，如公式（10）所示：（10）

式（10）中，x表示强分类器； 函数的含义是第j个强分类器的洪水流量数据分类结果，按照最优强弱分类结果，调整各洪水流量数据目标权重值，如公式（11）所示：（11）

根据计算结果更新分类目标洪水流量数据参数，区分洪水流量数据参数，完成洪水流量数据的深度处理。

说明书

一种基于水文模型的洪水预报系统

技术领域

[0001] 本发明涉及信息处理领域，且更确切地涉及一种基于水文模型的洪水预报系统。

背景技术

[0002] 自然洪水是最经常发生的灾害之一。与规划不善的城市偶尔出现的滞水排放不同，重大洪水事件总是会对财产造成相当大的损害，而且往往会造成生命损失。在不同的区域，土地使用不当的地区无法有效排放累积的降水，因此不可避免地会发生更频繁的洪水。

[0003] 传统的气象读数，例如降水量、温度和湿度等，需要很长时间才能测量、处理、记录并传输给相关组织。已知基于过去降水量的分析与几个缺点有关。例如，它们导致洪水预测不准确，而且往往过时。样本量有限，计算能力不足，预测方法低效，所有这些都削弱了该方案的真正潜力。现有技术中提出了一种典型的做法，用实时降雨、径流和其他数据训练现代机器学习模型。然而，目前尚不清楚预测结果如何与从众包中获得的实际事件相对比。

发明内容

[0004] 针对上述问题，本发明公开一种基于水文模型的洪水预报系统，将使用基于地形运动近似与积分（Terrain Motion Approximation and Integration，TOPKAPI）的水文模型，实现洪水流量大数据的分析与处理，实时预测洪水预报告警讯息。

[0005] 为了实现上述技术效果，本发明采用以下技术方案：

[0006] 一种基于水文模型的洪水预报系统，包括：

[0007] 人机交互模块，用于控制洪水泄流设施的洪水流量，以对洪水流量进行调洪计算；

[0008] 降雨雷达检测站，用于实现对洪水所在地的气象目标进行实时探测；

[0009] 洪水模拟模块，用于通过TOPKAPI水文模型模拟采集洪水流量数据和降雨流量数据；

[0010] 数据接收处理模块，用于接收洪水流量数据和降雨流量数据，并采用AdaBoost分类器对接收的洪水流量数据和降雨流量数据进行分析处理；

[0011] 洪水模拟数据库，用于通过层次模型数据库对洪水流量数据和降雨流量数据进行存储和定义标识；

[0012] GIS子系统，用于以图形表格展示每个探测周期的单元格洪水流量数据和降雨流量数据；

[0013] 无线通信网络，用户终端用于通过GPRS无线通信方式将数据接收处理模块接收到的数据信息传输至公众网络告知用户终端；

[0014] 其中，降雨雷达检测站单向连接至数据接收处理模块，洪水模拟模块单向连接至数据接收处理模块和洪水模拟数据库，数据接收处理模块与人机交互模块双向连接，人机交互模块单向连接至GIS子系统，GIS子系统单向连接至无线通信网络。

[0015] 作为本发明的进一步技术方案，所述降雨雷达检测站由一个雷达站和四个雨滴谱监测站组成，其中雷达站由发射机、接收机、信号处理机、伺服系统、供配电系统、雷达控制终端、数据处理终端组成，用于实现对周边云朵、雨滴、冰雹等气象目标进行实时探测，雷达站与中心站通过有线网络进行数据传输和命令交互；雨滴谱监测站由激光雨滴谱仪、数采设备、太阳能供电系统组成，用于实现对降雨速度谱和粒径谱的监测，并以此对雷达监测数据进行标校，实现降雨监测。

[0016] 作为本发明的进一步技术方案，所述洪水预报系统包括智能预警模块，设定1小时为时间周期，采集基础监视信息，由文件传输协议传输进行统一输出到数据接收处理模块，根据采集到的信息进行汇总分析，将接收数据信息与数据库标准数据信息进行对比，进而判断运行状态“正常、告警报错”，在GIS子系统上显示，同时后台进行告警提醒，由运维人员处理报错信息。

[0017] 作为本发明的进一步技术方案，所述洪水模拟模块包括上游洪水模拟模块和下游洪水模拟模块；所述上游洪水模拟模块用于降雨输入水量模拟和洪水表面流动水量模拟，所述下游洪水用于洪水地下流动水量模拟；

[0018] 其中所述上游洪水模拟模块由流量检测模块、渗透检测模块、降雨速度检测模块和存量计算模块组成；

[0019] 下游洪水模拟模块由蒸发量检测模块、渗透检测模块、地势水量损耗检测模块和流速检测模块组成。

[0020] 作为本发明的进一步技术方案，所述洪水模拟模块通过TOPKAPI水文模型模拟洪水流动，在上游洪水模拟模块部分，通过底层DEM定义的网格单元描述洪水流域地形，假设洪水流动集中在第i个DEM网格单元，则表现洪水流动现象的基本方程是连续性方程和流量方程，表示函数为：

[0021] （1）

[0022] 式（1）中，H表示垂直轴上的平均土壤含水量，t表示采集周期，X表示洪水流域地形空间尺寸，yr表示残余土壤含水量，ys表示饱和土壤含水量，L表示表层土层厚度，q表示土壤中的水平流动宽度流量， 表示表面坡度，ks表示饱和导水率，p表示降水强度；DEM网格单元垂直轴上土壤的实际总含水量函数表示为：

[0023] （2）

[0024] 式（2）中，η表示垂直轴上土壤的实际总含水量，下标r表示残余英文单词缩写，下标s表示饱和英文单词缩写，代入公式（1）中，局部传导系数为：

[0025] （3）

[0026] 式（3）中，C表示局部传导系数；通过公式（3）实现在洪水流域地形空间尺寸为X的第i个DEM单元上得到积分方程为：

[0027] （4）

[0028] 式（4）中，Vsi是存储在第i个DEM网格单元格中的单位宽度体积，每个DEM网格单元中存储的水体积与总含水量η相关，如公式（5）所示：

[0029] （5）

[0030] 将公式（5）代入公式（4）中，化简得到一般单元编写非线性储层方程，上游洪水模拟模块进入DEM网格单元的总流入量如公式（6）所示：

[0031] （6）

[0032] 式（6）中，Q表示来自上游洪水模拟模块进入DEM网格单元的总流入量；在下游洪水模拟模块部分，根据公式（1）（6）中上游洪水的模拟程序，假设地表水深恒定，并在纵向尺~寸上进行积分，得出第i个DEM网格单元的非线性水库方程如公式（7）所示：

[0033] （7）

[0034] 式（7）中，Voi是第i个DEM网格单元中地表水的体积，下标o表示地表单词缩写，r1是土壤水产生的饱和过剩量；对于具有矩形横截面和宽度随排水面积增加而增加的树形河道网络，可将一般河道河段的非线性水库方程写成公式（8）：

[0035] （8）

[0036] 式（8）中，Vci是i河道河段中储存的水量，下标c表示河道河段单词缩写，r2是侧向排水输入，W是河道河段的宽度，Qc是下游洪水模拟模块的总流量，根据TOPKAPI水文模型计算Qc+Q得出洪水模拟输出的总流量。

[0037] 作为本发明的进一步技术方案，在积分域内单个DEM网格单元上，1小时周期内模拟得到的空气降水量是固定的，所有到达土壤的降水都会渗透，除非这个DEM网格单元中的土壤已经饱和。

[0038] 作为本发明的进一步技术方案，所述洪水预报系统通过GPRS无线通信方式传输至公众网络用户终端，用户终端分为普通用户终端和管理员终端，普通用户终端浏览地图数据以及地理上的洪水流域降雨信息，通过洪水观测API和降雨预测API预测包括累计降雨量和降水概率的洪水预报消息；管理员终端是运营服务的授权代理人，在接受到洪水预报消息后查看洪水情况，并通过物联网技术获取大数据洪水形势，之后管理员终端更新洪水情况和洪水数据，用户终端得知洪水情况后众源洪水形势，管理员终端批准消息并更新洪水预报。

[0039] 作为本发明的进一步技术方案，所述AdaBoost分类器对洪水流量数据特征分类分为强分类器与弱分类器，Adaboost对弱分类器进行迭代训练，每一个阶段训练好的弱分类器都将参与下一轮弱分类器的迭代，最终成为强分类器；假设AdaBoost分类器总计N个，按照特征参数从大到小排列，区分得到：

[0040] （9）

[0041] 式（9）中，R表示洪水流量数据集中度，T表示前k个洪水流量数据离散度，wk表示第k个洪水流量数据权重，gk为识别洪水流量数据类型值；若第k个洪水流量数据为正洪水流量数据，则gk=1；若第k个洪水流量数据为负洪水流量数据，否则gk= —1；

[0042] AdaBoost分类器处理过程中，强分类器初始化洪水流量数据权重为w，计算第j个强分类器加权错误率P，如公式（10）所示：

[0043] （10）

[0044] 式（10）中，x表示强分类器； 函数的含义是第j个强分类器的洪水流量数据分类结果，按照最优强弱分类结果，调整各洪水流量数据目标权重值，如公式（11）所示：

[0045] （11）

[0046] 根据计算结果更新分类目标洪水流量数据参数，区分洪水流量数据参数，完成洪水流量数据的深度处理。

[0047] 本发明有益的积极效果在于：

[0048] 区别于常规技术，本发明能够提供预测性、反应性和主动性的实时预测洪水讯息，通过TOPKAPI水文模型模拟洪水流动，能够以最小的成本进行工作，AdaBoost分类器对洪水流量数据特征分类，大大提高洪水预报系统的洪水流量数据预测精度。

附图说明

[0049] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：

[0050] 图1展示了一种基于水文模型的洪水预报系统结构图；

[0051] 图2展示了TOPKAPI水文模型上游洪水流量模拟示意图；

[0052] 图3展示了TOPKAPI水文模型下游洪水流量模拟示意图；

[0053] 图4展示了洪水预报系统用户终端预报流程图；

[0054] 图5展示了三种洪水预报系统的预测精度对比图。

具体实施方式

[0055] 以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明；

[0056] 如图1所示，一种基于水文模型的洪水预报系统，其中包括人机交互模块、降雨雷达检测站、洪水模拟模块、数据接收处理模块、洪水模拟数据库、地理信息系统（General Installation Subcontractsm，GIS）和无线通信网络。其中，人机交互模块用于控制洪水泄流设施的洪水流量，以对洪水流量进行调洪计算；降雨雷达检测站用于实现对洪水所在地的气象目标进行实时探测；洪水模拟模块用于通过地形运动近似与积分（Terrain Motion Approximation and Integration，TOPKAPI）水文模型模拟采集洪水流量数据和降雨流量数据；数据接收处理模块用于接收洪水流量数据和降雨流量数据并采用AdaBoost分类器进行分析处理用于接收洪水流量数据和降雨流量数据，并采用AdaBoost分类器对接收的洪水流量数据和降雨流量数据进行分析处理；洪水模拟数据库用于通过层次模型数据库对洪水流量数据和降雨流量数据进行存储和定义标识；GIS子系统用于以图形表格展示每个探测周期的单元格洪水流量数据和降雨流量数据；无线通信网络用于通过通用分组无线业务（General Packet Radio Service，GPRS）无线通信方式传输至公众网络用户终端。降雨雷达检测站单向连接至数据接收处理模块，洪水模拟模块单向连接至数据接收处理模块和洪水模拟数据库，数据接收处理模块与人机交互模块双向连接，人机交互模块单向连接至GIS子系统，GIS子系统单向连接至无线通信网络。

[0057] 在具体实施例中，利用预报流域的起始经纬度，可以提取出预报流域的各个水文单元的拓扑结构。然后将预报流域的历史气象水文数据依据各个水文单元的拓扑结构中的节点做加权平均，得到各个水文单元的历史气象水文数据。其中，历史气象水文数据可以包括气温、降水量以及预报流域的各观测站的实测数据。将所述各个水文单元下的历史气象水文数据与对应的实际气象水文数据进行雨量比较，确定雨量匹配的历史气象水文数据，并与模拟计算得到的径流量进行加权得到各个水文单元的预报结果。其中，雨量匹配的历史气象水文数据中的雨量变化和水位变化趋势，可以作为对应的水文单元下的当前雨量变化和水位变化趋势的一个参考。也就是说，当前的雨量和水位变化趋势有可能跟历史上的变化趋势相似。而且，一组实际气象水文数据可能与多组历史气象水文数据匹配，这些多组匹配的历史气象水文数据都可以作为参考。水文模型模拟计算的结果为径流量，是通过在水文模型中输入相应流域的降水和蒸发数据，结合初始值，考虑流域特征，再辅以水文模型参数计算后得出的。

[0058] 在具体实施例中，水文模型模拟计算的结果为径流量，是通过在水文模型中输入相应流域的降水和蒸发数据，结合初始值，考虑流域特征，再辅以水文模型参数计算后得出的。若所述各个水文单元的预报结果与对应的实际气象水文数据的确定性系数大于等于有效阅值，则利用所述各个水文单元的降雨量以及在所述各个水文单元下的所述模拟计算采用的参数计算各个水文单元的洪水要素。上述有效阈值可以根据实际情况进行设置，通常可以设置为70%。其中，所述模拟计算采用的参数可以包括:超渗产流参数、地表调蓄系数、壤中流调节系数、地下水补给系数、蒸发系数、基流马斯京根系数、土壤蓄水容量和稳渗率上述各个水文单元的降雨量可以是实时的降雨量，也可以是预测的未来降雨量如果是实施的降雨量，则计算得到的洪水要素就是实时的:如果是未来的降雨量，则计算得到的洪水要素就是未来的。上述洪水要素可以包括洪水峰值、洪峰流量和洪峰到达时间等。

[0059] 在具体实施例中，降雨雷达检测站由一部雷达站、四个雨滴谱监测站、一套数据接收处理系统、一套业务应用系统组成。其中雷达站由发射机、接收机、信号处理机、伺服系统、供配电系统、雷达控制终端、数据处理终端等组成，用于实现对周边云朵、雨滴、冰雹等气象目标进行实时探测，雷达站与中心站通过有线网络进行数据传输和命令交互。雨滴谱监测站由激光雨滴谱仪、数采设备、太阳能供电系统等组成，用于实现对降雨速度谱和粒径谱的监测，并以此对雷达监测数据进行标校，实现高精度降雨监测。雨滴谱监测站数据通过GPRS等无线方式传送至中心站。中心站数据接收处理系统对雷达探测数据、雨滴谱数据进行分析处理，最终得到雷达监测区域的格点雨量值。业务应用系统基于每个探测周期的格点雨量进行累加并以图形表格形式在GIS系统上进行展示，并根据需要进行洪水预报分析、山洪预警分析城市内涝分析以及海绵城市分析应用等。

[0060] 在具体实施例中，所述洪水预报系统包括智能预警模块，设定1小时为时间周期，采集基础监视信息，由文件传输协议传输进行统一输出到数据接收处理模块，根据采集到的信息进行汇总分析，将接收数据信息与数据库标准数据信息进行对比，进而判断运行状态“正常、告警报错”，在GIS子系统显示，同时后台进行告警提醒，由运维人员处理报错信息。

[0061] 在具体实施例中，所述洪水模拟模块包括上游洪水模拟模块和下游洪水模拟模块；所述上游洪水模拟模块用于降雨输入水量模拟和洪水表面流动水量模拟，所述下游洪水用于洪水地下流动水量模拟。

[0062] 其中所述上游洪水模拟模块由流量检测模块、渗透检测模块、降雨速度检测模块和存量计算模块组成；下游洪水模拟模块由蒸发量检测模块、渗透检测模块、地势水量损耗检测模块和流速检测模块组成。

[0063] 在具体实施例中，比如上游洪水模拟模块模拟中，其中流量检测模块用以检测上游流量信息，具体模拟中，可以通过流速、水量等多种场景，比如试验时内模拟上游降雨输入水量和洪水表面流动水量，人为设置区域环境，比如通过管道模拟山区不同区域的渠道，通过灯光或者吸收水蒸气等环境中的数据信息。在进一步实施例中，通过选择实地区域环境或者区域水域特征，比如在某山区或者某洪水频发地，选取一部分信息特征，对洪水数据信息的流量、渗透量、降雨速度以及一天内或者一段时期内的流量存量等。在进行检测时，可以通过流量传感器、渗透检测传感器、降雨速度传感器或者存量计算传感器等，或者水量专门检测工具，通过上述模拟，能够实现洪水流动等不同信息的模拟或者应用。

[0064] 在具体实施例中，下游洪水模拟模块通过蒸发量检测模块检测某一个水域洪水蒸发量，某一个水域渗透检测量、某一个水域下地势水量损耗量、某一个水域下流速等不同的数据信息，通过这些数据信息进行数据信息评估，以提高数据信息仿真和模拟能力，这些不同的数据信息能够从侧面反映洪水量数据信息。

[0065] 在具体实施例中，所述洪水模拟模块通过TOPKAPI水文模型模拟洪水流动，如图2所示，在上游洪水模拟模块部分，通过底层数字高程模型（Digital elevation model，DEM）定义的网格单元描述洪水流域地形，假设洪水流动集中在第i个DEM网格单元，则表现洪水流动现象的基本方程是连续性方程和流量方程，用等式（1）中的近似形式表示：

[0066] （1）

[0067] 式（1）中，H表示垂直轴上的平均土壤含水量，t表示采集周期，X表示洪水流域地形空间尺寸，yr表示残余土壤含水量，ys表示饱和土壤含水量，L表示表层土层厚度，q表示土壤中的水平流动宽度流量， 表示表面坡度，ks表示饱和导水率，p表示降水强度；DEM网格单元垂直轴上土壤的实际总含水量函数表示为：

[0068] （2）

[0069] 式（2）中，η表示垂直轴上土壤的实际总含水量，下标r表示残余英文单词缩写，下标s表示饱和英文单词缩写。对预报流域的GIS数据和DEM数据进行分析，将预报流域划分为各个DEM网格单元，针对各个DEM网格单元，模拟计算时采用各自对应的参数，相对于现有的水文模型在模拟计算时采用整个预报流域的唯一一套参数，各个DEM网格单元的各自对应参数更能真实反映各个DEM网格单元的实际情况，通过各自对应的参数模拟计算得到的洪水要素更加符合各DEM网格单元的特征，根据各DEM网格单元的洪水要素进行洪水预报，精度和准确度更高。将公式（2）代入公式（1）中，局部传导系数为：

[0070] （3）

[0071] 式（3）中，C表示局部传导系数，包含了DEM网格单元特定土壤参数对其成正比的水力传导率和坡度的影响，以及与之成反比的储存容量；在洪水流域地形空间尺寸为X的第i个DEM单元上，在土壤中积分方程（4）得出：

[0072] （4）

[0073] 式（4）中，Vsi是存储在第i个DEM网格单元格中的单位宽度体积；在TOPKAPI水文模型中，水沿着四个方向的树状网格单元网络向下倾斜，直到到达流域出口，假设每个单元中沿单元的垂直含水量变化可以忽略不计，每个DEM网格单元中存储的水体积与总含水量η相关，如公式（5）所示：

[0074] （5）

[0075] 将公式（5）代入公式（4）中，化简得到一般单元编写非线性储层方程。将各DEM网格单元下的历史气象水文数据与对应的实际气象水文数据进行比较，确定出雨量匹配的历史气象水文数据，对经验预报洪水提供了帮助和科学支持。将加权得到的各DEM网格单元的预报结果与对应的实际气象水文数据进行比较，若二者的确定性系数大于等于有效阈值，即加权得到的各DEM网格单元的预报结果与对应的实际气象水文数据接近，则表示各DEM网格单元下的模拟计算采用的参数是准确合理的，可以利用准确合理的参数结合各DEM网格单元下的降雨量计算对应DEM网格单元的洪水要素。上述通过判断确定性系数是否超过有效阈值，确定模拟计算采用的参数是否准确合理，避免了利用不合理的参数计算得到的洪水要素不准确的问题。总之，上游洪水模拟模块进入DEM网格单元的总流入量如公式（6）所示：

[0076] （6）

[0077] 式（6）中，Q表示来自上游洪水模拟模块进入DEM网格单元的总流入量，在实施例中，上游洪水模拟模块进入DEM网格单元的总流入量Q包括来自高地土壤流入量Qc、支流侧向流入量Qo和支流侧向流入量Qs。

[0078] 在下游洪水模拟模块部分，如图3所示，根据上游洪水的模拟程序，假设地表水深恒定，并在纵向尺寸上进行积分，得出第i个DEM网格单元的非线性水库方程如公式（7）所示：

[0079] （7）

[0080] 式（7）中，Voi是第i个DEM网格单元中地表水的体积，下标o表示地表单词缩写，r1是土壤水产生的饱和过剩量；对于具有矩形横截面和宽度随排水面积增加而增加的树形河道网络，可将一般河道河段的非线性水库方程写成公式（8）：

[0081] （8）

[0082] 式（8）中，Vci是i河道河段中储存的水量，下标c表示河道河段单词缩写，r2是侧向排水输入，W是河道河段的宽度，Qc是下游洪水模拟模块的总流量，根据TOPKAPI水文模型计算Qc+Q得出洪水模拟输出的总流量。判断预报结果是否准确的执行过程是将预报结果中的洪峰大小与实际真实测量的洪水大小做对比。当预报结果中的洪峰大小与实际真实测量的洪水大小存在偏差时，对应修改水文模型的参数，并利用参数修改后的水文模型重新计算预报结果。利用计算得到准确预报结果所采用的水文模型的参数计算得到径流量，并将径流量与匹配的历史气象水文数据加权做洪水预报。本发明实施例通过采用上述技术方案，对历史气象水文数据进行挖掘，并与实时采集的气象水文数据智能匹配，确定出匹配的历史气象水文数据，对经验预报洪水提供帮助和科学支持。

[0083] 在具体实施例中，在积分域内单个DEM网格单元上，1小时周期内模拟得到的空气降水量是固定的，所有到达土壤的降水都会渗透，除非这个DEM网格单元中的土壤已经饱和。

[0084] 在具体实施例中，如图4所示，所述洪水预报系统通过GPRS无线通信方式传输至公众网络用户终端，用户终端分为普通用户终端和管理员终端，普通用户终端浏览地图数据以及地理上的洪水流域降雨信息，通过洪水观测应用程序接口（Application Program Interface，API）和降雨预测API预测包括累计降雨量和降水概率的洪水预报消息；管理员终端是运营服务的授权代理人，在接受到洪水预报消息后查看洪水情况，并通过物联网技术获取大数据洪水形势，之后管理员终端更新洪水情况和洪水数据，用户终端得知洪水情况后众源洪水形势，管理员终端批准消息并更新洪水预报。

[0085] 在具体实施例中，所述AdaBoost分类器对洪水流量数据特征分类分为强分类器与弱分类器，Adaboost对弱分类器进行迭代训练，每一个阶段训练好的弱分类器都将参与下一轮弱分类器的迭代，最终成为强分类器；假设AdaBoost分类器总计N个，按照特征参数从大到小排列，区分得到：

[0086] （9）

[0087] 式（9）中，R表示洪水流量数据集中度，T表示前k个洪水流量数据离散度，wk表示第k个洪水流量数据权重，gk为识别洪水流量数据类型值；若第k个洪水流量数据为正洪水流量数据，则gk=1；若第k个洪水流量数据为负洪水流量数据，否则gk= —1；Adaboost算法在样本训练集使用过程中，对其中的关键分类特征集进行多次挑选，逐步训练分量弱分类器，用适当的阈值选择最佳弱分类器，最后将每次迭代训练选出的最佳弱分类器构建为强分类器。其中，级联分类器的设计模式为在尽量保证感兴趣图像输出率的同时，减少非感兴趣图像的输出率，随着迭代次数不断增加，所有的非感兴趣图像样本都不能通过，而感兴趣样本始终保持尽可能通过为止。

[0088] 在AdaBoost分类器处理过程中，强分类器初始化洪水流量数据权重为w，计算第j个强分类器加权错误率P，如公式（10）所示：

[0089] （10）

[0090] 式（10）中，x表示强分类器； 函数的含义是第j个强分类器的洪水流量数据分类结果。由Adaboost算法的描述过程可知，该算法在实现过程中根据训练集的大小初始化样本权值，使其满足均匀分布，在后续操作中通过公式来改变和规范化算法迭代后样本的权值。样本被错误分类导致权值增大，反之权值相应减小，这表示被错分的训练样本集包括一个更高的权重。这就会使在下轮时训练样本集更注重于难以识别的样本，针对被错分样本的进一步学习来得到下一个弱分类器，直到样本被正确分类。在达到规定的迭代次数或者预期的误差率时，则强分类器构建完成。按照最优强弱分类结果，调整各洪水流量数据目标权重值，如公式（11）所示：

[0091] （11）

[0092] 根据计算结果更新分类目标洪水流量数据参数，区分洪水流量数据参数，完成洪水流量数据的深度处理。

[0093] 在具体实施例中，为取得更高的洪水流量数据检测精度则需要较大的训练洪水流量数据集，在每次迭代过程中，训练一个弱分类器则对应该洪水流量数据集中的每一个洪水流量数据，每个洪水流量数据具有很多特征，因此从庞大的特征中训练得到最优弱分类器的计算量增大。典型的 Adaboost 算法采用的搜索机制是回溯法，虽然在训练弱分类器时每一次都是由贪心算法来获得局部最佳弱分类器，但是却不能确保选择出来加权后的是整体最佳。在选择具有最小误差的弱分类器之后，对每个洪水流量数据的权值进行更新，增大错误分类的洪水流量数据对应的权值，相对地减小被正确分类的洪水流量数据权重。且执行效果依赖于弱分类器的选择，搜索时间随之增加，故训练过程使得整个系统的所用时间非常大，也因此限制了该算法的广泛应用。另一方面，在算法实现过程中，从检测率和对正洪水流量数据的误识率两个方面向预期值逐渐逼近来构造级联分类器，迭代训练生成大量的弱分类器后才能实现这一构造过程。由此推出循环逼近的训练分类器需要消耗更多的时间。

[0094] 在具体实施例中，将对本发明采用的一种改进深度学习算法模型进行仿真对比，采用调研方式分析语音分析过程中评判结果完成记录，并对评判结果进行系统整体模型的洪水流量数据预测精度运算，将结果以仿真曲线的形式表述，从而完成仿真与分析。仿真过程中所用到的计算机的硬件配置CPU为Inter Core i7‑9700H，运行内存为3200MHz 8×2GB，硬盘大小为1TB。仿真对比采用本发明与方案一（一种基于自组织映射算法模型的洪水预报系统）和方案二（多线程多模态技术的洪水预报系统）进行对比，对26GB洪水流量数据提取特征向量，根据微机计算数据结果验证该研究的有效性，将实验结果汇总数据表，如表
1所示。

[0095] 表1实验结果

[0096]

[0097] 在具体实施例中，通过对比各监控系统的信息识别精度，进一步完成对比实验，根据MTALAB软件实现该对比过程的仿真，得到三种洪水预报系统的预测精度对比图如图5所示，在具体实施例中，通过图5对比发现三种洪水预报系统的预测精度存在一定的波动，但本发明采用基于水文模型的洪水预报系统具有最高预测精度为97.744%，远远高于其他两种方案方法，满足了对复杂洪水预报信息的处理需求，提高预报精度。

[0098] 虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变；例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围；因此，本发明的范围仅由所附权利要求书限定。