申请/专利权人：南京师范大学

申请日：2024-04-09

公开（公告）日：2024-06-18

公开（公告）号：CN118015220B

主分类号：G06T17/05

分类号：G06T17/05;G06V20/13;G06V10/774;G06V10/86;G06F40/289;G06Q50/26

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2024.05.28#实质审查的生效;2024.05.10#公开

摘要：本发明涉及本发明提供一种基于多模态数据的城市洪涝快速制图方法，属于水文水资源领域的城市内涝技术领域，该方案的目的在于充分发挥多模态数据在城市洪涝制图领域的优势，通过并行计算提高制图效率，进行城市洪涝快速制图，方法包括以下步骤：数据预处理；构建数据集；生成权重；洪涝淹没概率制图；洪涝淹没范围制图。本发明的有益效果是基于多模态数据的城市洪涝制图方法，充分发挥多模态数据在城市区域内的优势，该方法很好地兼顾了制图效率与精度，能够在较短时间内完成城市尺度的洪涝制图，从而为决策者在防洪减灾时提供支持。

主权项：1.一种基于多模态数据的城市洪涝快速制图方法，其特征在于，所述方法包括以下步骤：S1：数据预处理，将获取的降雨站数据生成水深栅格文件作为模型输入，筛选社交媒体数据并生成洪水淹没点数据；S2：构建数据集，根据生成的洪涝淹没点数据以及随机生成的负样本数据，构建训练集、验证集和测试集；基于遥感影像提取水体范围；S3：生成权重，根据空间因素和数据源因素生成总体权重，用于后续洪涝淹没概率模型的计算；S4：洪涝淹没概率制图，定义洪涝淹没概率制图模型，通过模型预训练与微调，得到洪涝淹没概率图；S5：洪涝淹没范围制图，基于洪涝淹没概率图，通过自适应边缘检测算法确定自适应阈值，并通过融合模块得到洪涝淹没范围图，并对制图结果进行精度评价；其中，所述S3包括以下步骤：S31：空间因素权重定义，空间因素权重的计算方式如下： 式中，n为洪涝淹没点个数，deni是指密度函数在一定范围内与核函数进行卷积得到的值，对于点i，dpi是从洪涝淹没点p到点i的欧氏距离,z由AdamW优化器优化；S32：数据源因素权重定义，数据源因素权重基于不同洪涝淹没点的置信水平得到，权重的赋值依赖于使用偏好信息主观加权法对数据源的可靠性评价，不同数据来源类型不同，雨量站、官方报告、腾讯救援数据、微博网民数据的权重分别为4、3.5、3、1.5；S33：总体权重定义，总体权重用于消除不同洪涝淹没点在空间关系和数据来源上的差异，总体权重计算基于以下两个假设：1某一地区洪涝淹没点密度越大，该地区越容易被洪水淹没；2洪涝淹没点数据来源越权威，洪涝淹没点权重越大，具体的计算方式如下： 式中，wp为总体权重，wp_swf和wp_st分别表示空间因素权重和数据源因素权重，n为洪涝淹没点个数，c和d为空间因素和数据源两个权重因子影响的调整参数，为了减弱数据源因素对总权重的影响，避免不同数据源之间存在过多差异，将c和d分别设为1和0.5；其中，所述S4包括以下步骤：S41：洪涝淹没概率制图模型定义，为了更好地描述洪涝概率制图模型，将洪涝淹没点P进行以下定义：1i点离P点越近，i点被淹没的概率越大；2海拔相对于P点越低，被淹没的概率越大；3在距离P点一定距离内存在被P点影响的概率；4P点周围洪涝淹没点越多，淹没范围越大；因此，洪涝淹没概率的计算公式如下： 式中，n和M分别为洪涝淹没点个数和区域内栅格像元个数；hwp是洪涝淹没点的水深；hp和hi分别为洪涝淹没点p和点i的高程；dpi为洪涝淹没点p到点i的欧氏距离；a和b是由AdamW优化器优化的参数，wp为总体权重；S42：洪涝淹没概率制图模型预训练，预训练通过使用小样本数据即总数据集数量的30％，进行快速训练，以获得洪涝淹没概率制图模型的初始参数；S43：洪涝淹没概率制图模型微调，根据预训练模型的参数，通过使用所有样本数据进行训练，以获得洪涝淹没概率制图模型的最优参数并进行制图。

全文数据：

权利要求：

百度查询： 南京师范大学 一种基于多模态数据的城市洪涝快速制图方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD