传感器方面的sci期刊12本

传感器方面的sci期刊，本文整理汇总了以下12本。在传感器方面有新研究成果的，拟发表sci论文的朋友，了解下是否有合适自己的选刊，记得收藏喔。

1、SENSORS(传感器)

为传感器和生物传感器的科学和技术提供了一个先进的论坛。

2、ACS SENSORS(美国化学学会传感器杂志)

一本致力于传播有关传感器科学(选择性感知化学或生物物质和过程)各方面新认知的同行评议期刊。

3、Chemosensors(化学传感器)

一份国际性的、科学的、开放存取的化学传感器科学技术期刊。

4、Photonic Sensors(光子传感器)

报道光子学和传感器社区在光子传感科学和技术的所有领域感兴趣的新发展。

5、Journal of Sensors(传感器杂志)

发表了与传感器各个方面相关的论文，从传感器的理论和设计到完整传感设备的应用。

6、IEEE SENSORS JOURNAL(IEEE传感器杂志)

感兴趣的领域是用于感测和转换物理、化学和生物现象的设备的理论、设计、制造、制造和应用，重点是传感器和集成传感器致动器的电子和物理方面。

7、SENSORS AND MATERIALS(传感器和材料)

旨在了解传感技术、相关材料、相关现象和应用系统。

8、SENSORS AND ACTUATORS A-PHYSICAL(传感器和执行器A-物理)

致力于传播用于转换物理信号的固态器件研发的各个方面的信息。

9、BIOSENSORS & BIOELECTRONICS(生物传感器与生物电子学)

专门从事生物传感器和生物电子学研究、设计、开发和应用的主要国际期刊。

10、APPLIED OPTICS(应用光学)

提供了以应用为中心的光学、光子学、成像和传感研究。

11、TALANTA(塔兰塔)

发表纯分析化学和应用分析化学所有分支的文章，鼓励关于基础研究以及新型传感器和仪器开发的原创研究论文。

12、ANALYTICAL CHEMISTRY (分析化学)

主题通常包括化学反应和选择性、化学计量学与数据处理、电化学、元素与分子表征、成像、仪器、质谱、微米/纳米尺度系统、组学、传感、分类、光谱学和表面分析。

SCI期刊论文发表指导，选刊、投稿、修改了解，欢迎关注，私信交流~

论文推荐 杜文英：传感网支持下的洪涝事件过程监测与准实时服务方法及验证

《测绘学报》

构建与学术的桥梁 拉近与权威的距离

传感网支持下的洪涝事件过程监测与准实时服务方法及验证

杜文英1,2, 陈能成1,3, 袁赛1

1. 武汉大学测绘遥感信息工程国家重点实验室, 湖北 武汉 430079;

2. 长江水利委员会长江科学院, 湖北 武汉 430010;

3. 武汉大学地球空间信息技术协同创新中心, 湖北 武汉 430079

收稿日期：2018-08-15；修回日期：2019-10-11

基金项目：长江科学院开放研究基金（CKWV2018487/KY）；中国博士后科学基金会面上资助项目（2017M622502）；国家重点研发计划（2018YFB2100500；2017YFB0503803）；国家自然科学基金委资助项目（41601406；41771422；41971351）；湖北省自然科学基金（ZRMS2017000698）

第一作者简介：杜文英(1989-), 女, 博士, 副研究员, 研究方向为洪涝灾害感知。E-mail:duwenying@whu.edu.cn

通信作者：陈能成, E-mail:cnc@whu.edu.cn

摘要 ：洪涝过程探测与准实时服务对于保障人民生命和财产安全意义重大。通常洪涝探测仅关注洪涝断面/平均状态，缺乏对洪涝从发生、发展乃至最后结束的全过程的整体认知，且洪涝探测和服务被动滞后。本文制定洪涝过程探测规则，改进水位预测模型，并将其作为理论基础，与传感网信息模型和服务接口相结合，提出了洪涝过程动态探测与准实时服务（process-based flood detection and service，PFD&S）方法。以PFD&S方法为基础，设计并开发了PFD&S原型系统，该系统由传感器层、数据接入层、洪涝探测层和用户交互层4层组成，且具备传感器数据发布和洪涝事件订阅两种使用模式。文中以2016年夏季发生在黄汉流域的洪涝事件为例，对PFD&S方法的可行性和有效性进行验证。结果表明，PFD&S方法和系统能够精准判断洪涝事件所处阶段，并根据不同阶段的需求提供水位预测、洪涝预警或洪涝信息统计等服务，且方法具备准实时性和可扩展性特征。

关键词：洪涝 全生命周期 探测 准实时服务 传感网

Flood events process detection and near realtime service based on sensor web

DU Wenying1,2, CHEN Nengcheng1,3, YUAN Sai1

1. State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China;

2. Changjiang River Scientific Research Institute of Changjiang Water Resources Commission, Wuhan 430010, China;

3. Collaborative Innovation Center of Geospatial Technology, Wuhan University, Wuhan 430079, China

Foundation support: CRSRI Open Research Program (No. CKWV2018487/KY); China Postdoctoral Science Foundation (No. 2017M622502); The National Key Research and Development Program of China (Nos. 2018YFB2100500; 2017YFB0503803); The National Nature Science Foundation of China Program (Nos. 41601406; 41771422; 41971351); The Nature Science Foundation of Hubei Province (No. ZRMS2017000698)

First author: DU Wenying (1989—), female, PhD, associate researcher, majors in flood disaster sensing.E-mail:duwenying@whu.edu.cn.

Corresponding author: CHEN Nengcheng, E-mail:cnc@whu.edu.cn.

Abstract : Full life cycle flood detection and service (FD&S) is of great significance to ensuring people's lives and properties. Flood detection methods generally focuses on the flood section/average state, lack of the overall understanding of the flood process from the occurrence, through the development, and to the end of floods, and the detection and service of floods are passive and lagging.This paper made the flood process detection rule and improved the water level prediction model, which were employed as theoretical foundations, and combined them with sensor web to construct the process-based FD&S (PFD&S) method.Based on the PFD&S method, this paper developed the PFD&S prototype, which consists of the sensor layer, the data access layer, the flood detection layer, and the user interaction layer, and has the two operating modes of data publishing and flood subscription. The floods occurring in the Huanghan basin, Hubei, China in the summer of 2016 were selected as the case studies to test the feasibility and validation of the PFD&S method and prototype. The results demonstrated that the proposed PFD&S method and prototype could precisely determine the flood phases, provide the water level prediction, alert, and information statistics services according to the requirements of different flood phases, and the PFD&S method featured instantaneity and extensibility.

Key words: flood full life cycle detection near realtime service sensor web

2016年全球范围内洪涝事件发生164起，占自然灾害总数的47.9%，共造成4730人死亡，7790万人受灾，经济损失高达582.9亿美元[1]。及时高效的洪涝探测与服务能够切实保障人民生命和财产安全，对于洪涝事件管理和决策意义重大[2]。当前已有诸多学者针对洪涝事件的探测和服务方法开展了研究，主要包括基于遥感影像的洪涝监测[3-6]，基于地面直接观测数据的洪涝监测[7-8]，基于水文或水力学模型的洪涝过程模拟[9-10]，以及基于志愿者地理信息[11-12]的洪涝事件探测与服务等。

基于遥感影像的洪涝探测研究主要集中在水体范围的时序变化研究[13-14]和水体范围提取方法研究[15-17]两方面，二者均通过监测淹没范围的变化实现洪涝事件的探测。目前还有机构开发了基于遥感影像的洪涝事件探测与服务系统，如欧盟委员会的全球洪涝探测系统GFDS[18]和全球洪水感知系统GloFAS[19]，美国科罗拉多大学的达特茅斯洪涝观测台DFO[20]以及欧洲的洪涝感知系统EFAS[21]等。虽然遥感影像空间覆盖范围广，适合大尺度洪涝研究，但由于时间分辨率低，常常存在着洪涝事件发生时恰好缺乏遥感影像的情况。

基于地面观测变量的洪涝探测[22-23]主要基于水位或降雨量等的阈值过滤，探测时间连续性强、精度高。但目前此类方法偏重传感器的实时接入，对洪涝服务涉及较少，且方法本身的普适性和扩展性均较差。基于水文或水力学模型的洪涝模拟[9, 24]通常通过地表径流的变化模拟实现洪涝探测，针对特定区域反复进行模型迭代计算和参数校正之后，该类方法探测精度较高。但该类模型原理复杂，模拟过程中需要输入大量历史观测数据。对于缺乏长期且充分水文和气象资料的区域，该方法较难实现。基于志愿者地理信息数据的洪涝探测[25-26]通过志愿者提供的位置信息分析确定洪涝的可能发生范围，但该类数据在经济欠发达区域数据量有限，数据可靠性差且冗余严重，需要经过复杂的预处理过程。

综上可知，遥感影像由于较低的时间分辨率，志愿者地理信息由于区域不均衡性，均不能成为洪涝探测稳定的数据源，而水文或水力学模型的方法又对数据类型和时间跨度提出了较高的要求。因此，对于缺乏充分数据资料的地区来说，基于地面数据的过滤和分析不失为一种有效的洪涝探测手段。但当前基于地面数据的洪涝事件探测方法面临着如下问题：①不具备通用和可扩展性；②缺乏对洪涝事件过程的全局探测和分阶段服务。而实际中，通用且可扩展的洪涝探测与服务方法在理论上顺应了测绘学科发展趋势[27]，在实际上能够明显减少洪涝探测中的重复工作，洪涝的过程探测则能够更精确地划分洪涝阶段，提高洪涝事件应对效率。因此，为了减少洪涝探测中的重复工作并提高洪涝应对效率，本文制定了洪涝过程探测规则，并基于开放地理联盟(open geospatial consortium, OGC)中传感网的标准信息模型和服务接口，构建了洪涝过程动态探测与准实时服务(process-based flood detection and service，PFD&S)方法，以期精细化判断洪涝事件阶段，并根据不同洪涝阶段的特点提供定制服务。

1 洪涝过程动态探测与准实时服务方法1.1 方法总体思路

洪涝过程探测与即时服务PFD&S方法的总体架构如图 1所示。PFD&S方法基于面向服务的体系架构(service-oriented architecture，SOA)设计，自下而上由传感器层、数据接入层、洪涝探测层和用户交互层4层组成。其中传感层主要负责产生PFD&S方法中使用的观测数据；数据接入层主要用于完成传感器层中传感器及其观测数据的接入；洪涝探测层接收用户提供的1.2节中的洪涝过程探测规则参数，结合洪涝过程探测规则模板形成洪涝订阅模型，基于订阅模型对洪涝观测数据流进行匹配和过滤，完成洪涝事件阶段判断；用户交互层包括多种洪涝阶段服务类型，能够针对洪涝探测层的洪涝阶段判断结果提供对应服务。

图 1 洪涝过程探测与准实时服务方法总体架构Fig. 1 Overall architecture of the process-based flood detection and service (PFD&S) method

图选项

1.1.1 传感器层

传感器层由现实世界执行水文和气象监测的物理传感器组成，主要包括水位计、雨量计、蒸发计、湿度计、温度计等洪涝传感器。传感器层中的传感器元数据和观测数据通过GPRS、3G或4G网络等方式传输到数据接入层，为数据接入层提供数据基础和来源。

1.1.2 数据接入层

数据接入层由数据接入单元和OGC传感器观测服务(sensor observation service，SOS)组成，具体设计和实现思路如文献[28]中所示。为了提高方法的高复用性，数据接入单元在设计时将负责接收数据的数据接收组件与负责数据选择的观测过滤以及负责数据统一编码的观测编码组件相互分离，保证各组件单元相互独立。数据接入单元基于流式处理框架Storm中的拓扑观测接入实现，首先通过拓扑观测接入将传感器层的字节流数据导入，再将其统一转换为符合观测与测量(observations and measurements, O&M)标准的数据流，最后在SOS服务支持下，解析、选择与存储数据，为洪涝探测做好准备。

1.1.3 洪涝探测层

洪涝探测层为本文方法的核心，用于接收数据接入层数据并进行数据过滤和洪涝阶段判断，具体由传感器事件服务(sensor event service，SES)、SOS和SES的连接中间件SOS-SES-Feeder、洪涝探测处理单元、网络通知服务(web notification service，WNS)及洪涝过程探测规则组成。其中，SOS-SES-Feeder主动从SOS中拉取洪涝观测数据并实时注册到SES中，保证PFD&S方法的准实时性；洪涝过程探测规则和SES相结合，完成洪涝阶段判断；洪涝探测单元则根据洪涝阶段及阶段间的过渡条件，完成洪涝阶段变化检测；网络通知服务负责将洪涝探测单元的探测结果消息及时传输到用户交互层。

1.1.4 用户交互层

用户交互层根据洪涝探测层的阶段判断结果提供定制服务，主要包括水位预测、洪涝预警和洪涝统计3种服务类型。水位预测基于1.2.2节中的水位预测模型实现，主要用于预测下游站点未来48 h内的水位变化；洪涝预警服务以邮件形式发布洪涝状态异常消息；洪涝统计服务用于记录洪涝事件全生命周期过程中各个阶段的信息，包括洪涝诊断、准备、响应和恢复阶段的开始和结束时间以及洪涝发生过程中的最大水位信息等。具体来说，水位预测伴随洪涝事件整个过程，用于辅助洪涝阶段判断；当洪涝事件进入准备或响应阶段，或从响应阶段进入恢复阶段时触发洪涝预警服务；而洪涝统计服务则在恢复阶段进行。

1.2 方法理论基础

1.2.1 洪涝过程探测规则

洪涝过程探测规则是洪涝探测层的基础，考虑到部分地区数据资料的不充分以及洪涝探测的时效性要求，本文中的洪涝过程探测规则基于地面数据实现。在地面数据中，由于水位数据能够集中反映流域上下游的降雨量，所以本文选择水位数据作为输入。具体来讲，本文将洪涝划分为诊断、准备、响应和恢复4个阶段[29]，并根据不同阶段内水位的变化进行洪涝探测。诊断到准备、准备到响应、响应到恢复，以及恢复到准备阶段间的过渡条件分别如式(1)—式(4)中所示

(1)

(2)

(3)

(4)

式中，WL为水位；TW为时间窗口；Fre(TW)为在时间窗口TW内，符合条件的水位值发生频次；W1、W2和W3分别为不同阶段的水位阈值，且满足W1<W2，W3<W2；T1、T2、T3和T4分别为不同的时间窗口阈值，且满足T1≥T2≥T3≥T4；F1、F2、F3和F4分别为不同的发生频次阈值。

由于在实际中洪涝事件按照诊断、准备、响应和恢复4阶段依次顺序进行，不存在阶段跳跃现象，所以满足式(1)表示洪涝处于诊断阶段；同时满足式(1)和式(2)表示洪涝处于准备阶段；同时满足式(1)、式(2)和式(3)表示洪涝处于响应阶段；同时满足式(1)—式(4)表示洪涝处于恢复阶段。此外，由于保证水位和警戒水位在实际设定过程中已将河道蓄水和承压能力考虑在内，对于洪涝防范具有重要意义，所以本文洪涝过程探测规则中的水位阈值W1和W2通常设置为河道的保证和警戒水位。

1.2.2 水位预测模型

水位预测模型是水位预测服务的基础和核心，其结果能够反映洪涝事件未来的走势，且可与洪涝过程探测结果相结合，提高洪涝探测的准确性与时效性。后向反馈神经网络(back propagation neural network，BPNN)[30]由输入层、隐含层、输出层以及激励函数组成，具有较强的非线性映射能力和柔性的网络结构，在神经网络中应用较广泛，也常被用于水位预测。但当前基于BPNN的水位预测多采用上游水位和降雨量等构建输入向量[30]，而实际中，下游水位不仅受到上游水位和流域降雨量的影响，还受到流域气压、气温、大气温度、风速、蒸散发、相对湿度和日照等多种气象因子的影响。因此，为了提高预测精度，本文水位预测模型的输入变量为包含上游水位、流域降雨量以及上述气象因子在内的多维向量(水位，降雨量，气压，气温，地表温度，风速，蒸散发，相对湿度，日照)。

如图 2所示，整个水位预测过程包括前向计算和后向反馈两部分，具体算法流程包括：

图 2 基于后向反馈神经网络的水位预测原理Fig. 2 Principle of back propagation neural network-based water level prediction

图选项

(1) 构建网络结构并初始化权重及偏置向量：设置输入层、隐含层、输出层分别有n、p和q个节点，假设输入向量为X=[x1,x2, …, xn]，隐含层向量H=[h1,h2, …, hp]，输出层向量Y= [y1,y2, …, yq]，输入层与隐含层、隐含层与输出层之间的初始化权重和偏置向量分别为W1、B1和W2、B2。本文采用的激励函数如式(5)所示

(5)

(2) 由输入层向量计算隐含层向量和由隐含层向量计算输出层向量的表达式分别如式(6)和式(7)中所示

(6)

(7)

基于式(6)和式(7)开展前向计算，获得输出向量Y。

(3) 基于式(8)计算期望输出向量Y与向量YTarget之间的误差值函数

(8)

采用式(9)中所示的梯度下降法反向计算并更新从输出层到隐含层的权重，实现后向反馈

(9)

式中，E为累积误差；W 为权重矩阵；B为截距矩阵；Yi为预测水位Y的第i个分量；Yitarget为真实水位的第i个分量；η为学习速率；ΔEp(W,B)为针对第p个样本的E的偏导数。

(4) 计算全局误差，判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次数时结束算法，否则返回到步骤(3)，进入下一轮学习。

1.3 方法使用模式

如图 3所示，本文提出的PFD&S方法具备面向传感器提供者和洪涝事件订阅者两种服务模式。传感器提供者可以通过文献[28]中的方法发布传感器及其观测数据。洪涝事件订阅者可以通过提交订阅请求的方式，过滤传感器数据并获得其中感兴趣的洪涝事件通知。首先，事件订阅者可以通过选取洪涝传感器ID和设置洪涝规则参数的方式提交洪涝事件订阅请求；其次，在接收到用户订阅请求后，SOS-SES-Feeder将主动从SOS数据库中匹配传感器ID，并将对应的观测数据传递到SES中；再次，SES依据用户订阅模型进行观测数据过滤和洪涝阶段判断，并将判断得到的洪涝事件阶段信息进一步传递到处理单元；然后，处理单元进行洪涝阶段变化检测，并根据检测结果触发相应洪涝服务；最后，洪涝服务执行对应操作，并将阶段探测结果和服务通知消息返回给事件订阅者。

图 3 面向传感器提供者和事件订阅者的服务模式时序Fig. 3 Sequence diagram of service provider and event subscriber-oriented service pattern

图选项

2 洪涝过程动态探测与准实时服务原型系统2.1 原型系统设计

本文基于第1节中的PFD&S方法开发了洪涝过程动态探测与准实时服务原型系统。原型系统设计遵循OGC传感网标准，采用B/S架构，前后端分离，由数据库层、中间服务层、业务逻辑层和用户交互层4层组成。其中，数据库层由SOS数据库、SOS-SES-Feeder数据库、SES订阅管理数据库和洪涝数据库组成；中间服务层由Apache Storm、SOS、SES、SOS-SES-Feeder和WNS组成；业务逻辑层包括洪涝事件订阅编码和注册业务、OGC传感网标准解析业务、登录逻辑判断业务、洪涝阶段服务业务以及数据接入业务等，是PFD&S原型系统的核心；用户交互层包括用户注册/登录、洪涝传感器接入管理、洪涝传感器地图展示、洪涝事件订阅、洪涝事件管理以及洪涝阶段服务6大模块。

2.2 原型系统实现

洪涝过程动态探测与准实时服务PFD&S原型系统的整体架构基于52° North(52n)公司(https://52north.org/)的开源代码实现，选择52n开源代码作为基础的主要原因在于该代码持续更新，且能够支持较多种类型的操作。原型系统客户端采用React框架，使用Ant Design 2.13.11组件实现基本设计，React-Amap 1.1.3组件实现地图功能，React-Highcharts 15.0.0丰富数据展示。原型系统服务器端采用Spring MVC和Hibernate框架，并由Apache Storm 1.0.0, 52n SOS 3.5.0, 52n SES 1.2.2, 52n SOS-SES-Feeder 1.0.0和WNS 0.1.0支持系统运行。本文使用的数据库是开源且能够支持较为强大的空间操作的PostgreSQL 9.2，采用的编码语言是Java、JavaScript、CSS和Html。

3 洪涝过程动态探测与准实时服务试验3.1 试验区域与数据

汉江全长1532 km，为长江第一大支流，汉江中下流坡度减小，水流减慢，导致洪涝灾害频率发生，损失严重。因此，如图 4所示，本文以汉江中下流的黄汉流域为研究区域，以区域内2016年夏季发生的洪涝事件为例，验证该方法可行性和有效性。试验区域中共有谷城、襄阳、钟祥、天门、孝感等5个气象站点，以及黄家港、襄阳、皇庄、沙洋、潜江、仙桃、刁汊湖、汉川等8个水位站点。气象站的监测变量为降雨量、气压、气温、地表温度、风速、蒸散发、相对湿度、日照等8个气象参数，水位站的监测变量为水位。总体试验数据时间范围为2016年1月1日至12月31日，采样频率为1次/日。为了便于试验模拟，观测数据全部重采样到1次/分，即试验中第n分的数据对应实际自2016年1月1日起第n天的数据。构建水位预测神经网络中使用的试验数据时间范围比总体试验数据长，具体时间范围为2000年1月1日至2016年12月31日，采样频率同样为1次/日。

图 4 试验区域(黄汉流域)及洪涝传感器分布Fig. 4 Experimental area (Huanghan basin) and the floodsensor distribution

图选项

3.2 洪涝事件订阅

洪涝过程探测规则和水位预测模型的参数输入及模型构建均在洪涝事件订阅模块进行，前者以汉川站水位为输入，图 5为订阅模型构建界面，用户依次输入洪涝事件诊断、准备、响应和恢复4阶段的阈值、时间窗口和出现频次等参数之后，系统将自动生成订阅模型。本次试验中采用的水位阈值W1=28、W2=29和W3=28.5，其中28 m和29 m分别为湖北省水利厅发布的汉川河道保证和警戒水位。4个阶段的时间窗口均为1 min，出现频次均为1次。

图 5 洪涝过程探测规则与准实时服务系统订阅模型参数配置界面Fig. 5 Parameter setting interface of the PFD&S prototype

图选项

图 6为水位预测模型参数配置界面，具体参数包括学习速率、最大迭代次数、最大误差，以及参与水位预测的传感器站点及观测属性等。试验中参数设置如下：初始权重为1，训练网络结构为(47，4，7，1)，学习速率为0.01，最大误差为1.0×10-6，最大迭代次数为5.0×104次。水位预测试验中采用前100日上游水位站的水位数据和全流域的气象数据来预测未来2日下游汉川水位站的水位，且所有训练数据的时间范围为2000年1月1日至2015年12月31日，测试数据的时间范围为2016年1月1日至2016年12月31日。参与水位预测的有黄家港、襄阳、皇庄、沙洋、岳口、仙桃、刁汊湖等7个水文观测站和房县、谷城、钟祥、天门、孝感等5个气象观测站。水文观测站监测水位，气象观测站监测气压、气温、地表温度、风速、降水、蒸散发、相对湿度及日照等8种因子。

图 6 水位预测模型参数配置界面Fig. 6 Parameter configuration interface of the water level prediction model

图选项

3.3 洪涝动态探测结果

本文方法和系统的探测结果如图 7所示，不同的颜色代表不同的洪涝阶段，洪涝事件每一天都有对应的洪涝阶段。试验从2018年4月12日13:28开始，对应实际时间2016年7月1日，此后1 min代表对应实际1 d。按照此时间对应法则可知，2016年7月1日至7月30日之间一共发生了两次完整的洪涝事件，第1次从7月1日持续到7月14日，其中2日进入准备阶段，6日进入响应阶段，12日进入恢复阶段。第2次从7月18日持续到7月27日，其中19日进入准备阶段，20日进入响应阶段，26日进入恢复阶段。

图 7 洪涝事件探测结果展示界面Fig. 7 Demonstration interface of PFD&S method-based detection result

图选项

3.4 用户服务展示

本文系统提供的洪涝服务以消息内容驱动，主要包括水位预测、洪涝预警及洪涝统计3种服务类型。

3.4.1 水位预测服务

水位预测服务贯穿整个洪涝事件过程，能够实现未来48 h的水位预测，为用户提供未来的水位变化趋势，方便用户及时做出决策和响应。图 8为水位预测服务记录界面，右侧结果图展示了编号为1的洪涝事件阶段变化过程中记录的水位预测结果。结果表明，2016年7月3日黄汉流域洪涝事件处于准备阶段，未来两日(7月4日和5日)的预测水位分别为28.41 m和28.42 m，水位仍然处于上升期，且此次预测的均方根误差为0.219。

图 8 洪涝预测服务记录界面Fig. 8 The record interface of the WLP service in the PFD&S prototype

图选项

3.4.2 洪涝预警服务

洪涝事件进入准备、响应或恢复阶段时会触发洪涝预警服务，以邮件形式明确告知用户洪涝事件的发生时间、当前状态、水位预测结果等内容。图 9(a)为本文系统中的预警消息管理界面，图 9(b)为图 9(a)中第3条记录所对应的洪涝预警邮件具体内容。图 9(a)和9(b)表明黄汉流域洪涝事件在2016年7月6日进入响应阶段时，系统向用户发送预警邮件，并发布未来两日(7月7日和8日)的预测水位分别为29.17 m和29.03 m。提醒用户洪涝水位处于下降过程，不久涝情将会缓解。

图 9 洪涝过程探测与准实时服务原型系统预警消息管理界面和预警邮件Fig. 9 The flood alert record interface and alert E-mail of the PFD&S prototype

图选项

3.4.3 洪涝统计记录

单次洪涝事件完全结束之后，本文系统能够根据历史消息内容，将洪涝事件以诊断、准备、响应和恢复4个阶段进行存储，并记录洪涝过程期间最高水位数据及发生时间，完成洪涝事件的信息统计与存档。图 10为本次试验中的两条完整洪涝统计记录，图片右侧展示的为编号为2的第2条洪涝统计记录的详细信息，该洪涝事件2016年7月18日处于诊断阶段，7月19日进入准备阶段，7月20日进入响应阶段且当日水位达到最大值29.66 m，7月26日进入恢复阶段，7月27日水位恢复至正常，整个洪涝事件结束。

图 10 洪涝过程探测与准实时服务系统洪涝统计服务记录界面Fig. 10 The flood statistics record interface of the PFD&S prototype

图选项

4 结果与讨论

洪涝事件的发生和发展具有过程性，与以往只将洪涝事件划分为是否发生，或发生前、发生中和发生后相比，本文的划分方法能够清晰区分日常与应急状态，并能将应急状态进一步划分为有可能发生、发生和发生后3种，细化了洪涝事件状态，有助于提高洪涝事件应对效率。与复杂的水文和水力学方法相比，基于水位阈值的洪涝过程探测规则虽不能刻画洪涝事件详细特征，但依据洪涝阶段顺序探测的方式能够快速且较为准确地探测洪涝事件，对于数据资料不充分地区的洪涝探测意义重大。本文的PFD&S方法基于OGC通用信息模型和标准服务接口构建，具备过程性、准实时性、可扩展性以及较高的探测精度。

4.1 洪涝探测的过程性

根据3.3节中提供的洪涝探测结果，本次试验中共有两次洪涝事件发生。在第1次洪涝事件中，2016年7月1日为诊断阶段，7月2日—5日为准备阶段，7月6日—11日为响应阶段，7月12日—14日为恢复阶段。在第2次洪涝事件中，2016年7月18日为诊断阶段，7月19日为准备阶段，7月20日—25日为响应阶段，7月26日—27日为恢复阶段。与现有洪涝探测方法仅能探测某一时刻洪涝事件是否发生相比，本文所提出的方法能够根据观测数据精准判定洪涝事件每天所处的阶段，准确划分洪涝的4个阶段，具备过程性特征。

4.2 洪涝过程探测结果的精度

试验探测到第1次洪涝事件7月2日进入准备阶段，7月6日进入响应阶段，第2次洪涝事件7月19日进入准备阶段，7月20日进入响应阶段。而实际记录中第1次洪涝事件从7月6日起进入响应阶段，第2次洪涝事件从7月20日起进入响应阶段。结合洪涝探测规则和水位预测模型，本文提出的方法不仅能够精准探测到洪涝进入响应阶段的时间，而且可以提前4 d或1 d探测出洪涝进入准备阶段，具备较高探测精度。

4.3 用户服务的准实时性

本文系统采用流式处理框架Storm和SOS相结合的方式实现数据实时接入，基于SES实现数据过滤、洪涝探测和服务，总体来说即时性较强，仅在数据流转换、洪涝阶段判断以及服务单元响应3方面存在一定程度延迟，且经多次测试，总延迟约在2.5 min左右。与延迟大多在几个小时甚至几天以上的现有洪涝探测系统相比，本文文方法和系统具备强准实时性特征，能够为洪涝事件的灾前准备、灾中快速响应和灾后分析决策等提供更为高效的信息支持。

4.4 方法的可扩展性

洪涝过程探测和准实时服务系统基于OGC传感网的通用信息模型和标准服务接口设计，具备较强的通用和可扩展性，且在传感器接入数目和类型、洪涝探测规则及洪涝服务类型3方面均可以扩展。符合SOS编码规范的传感器可以接入本文系统，符合SES编码模型的洪涝探测规则可以用于替换本文探测规则。此外，本文系统提供IPhaseService服务接口，用户只需实现该接口中的executeService方法，并修改系统中预留的阶段服务配置文件，即可为洪涝阶段自定义新的服务类型。

5 总结与展望

对于数据不充分地区的快速洪涝探测，基于地面数据的过滤较为可行，但该方法目前仍面临着如何实现洪涝过程探测且保证方法的通用和可扩展性问题。为了解决上述问题，本文提出洪涝过程探测规则，并将其与传感网信息模型和服务接口相结合，构建了洪涝过程探测与准实时服务PFD&S方法，开发了洪涝过程探测与准实时服务PFD&S系统，并以2016年夏季发生在黄汉流域的洪涝事件为例，验证了PFD&S方法和系统。结果表明，PFD&S方法能够精准探测洪涝阶段并提供准实时服务，且方法具备过程性、准实时性、可扩展性和较高的精度，完成了本文设计目标。但本文目前提供的洪涝服务类型有限，需要在应用中进一步扩展。

【引文格式】杜文英, 陈能成, 袁赛. 传感网支持下的洪涝事件过程监测与准实时服务方法及验证. 测绘学报，2020，49(2)：191-201. DOI: 10.11947/j.AGCS.2020.20180378

知识 | 10张图，带你了解风云卫星

论文推荐 | 王密：高分六号宽幅相机在轨几何定标及精度验证

水准仪、经纬仪、全站仪、GPS测量使用基本理论与方法

资讯 | 工程硕博培养模式将迎新变化，工程博士被特别关注

SCI论文经典词和常用句型

重温经典 | 宁津生：基于卫星加速度恢复地球重力场的去相关滤波法

权威 | 专业 | 学术 | 前沿

微信投稿邮箱 | song_qi_fan@163.com

欢迎加入《测绘学报》作者QQ群： 751717395

进群请备注：姓名+单位+稿件编号

相关问答

[最佳回答]中文:压力传感器的论文合理进行压力传感器的误差补偿是其应用的关键。压力传感器主要有偏移量误差、灵敏度误差、线性误差和滞后误差,本文将介绍...

[最佳回答]中,英己送出Atransducerisadevicethatconvertsonetypeofenergytoanother.Theconversioncanbet...

[最佳回答]近年来,物联网(InternetofThings)一词频频出现在人们的视野里,主宰世界经济与技术的科技强国、信息产业的国际巨头公司以及世界一流大学研究机构...

关于ODE压力传感器的资料比较丰富。首先,ODE压力传感器是一种基于压阻效应的压力传感器,它可以测量气体或液体的压力,并将其转化为电信号输出。其主要特点是精...

最近,我们看到了许多无需电池的可植入生物传感器,这些传感器由读取它们的手持设备激活。科学家现在已经创建了另一种类似的传感器,它比以前的传感器要小。外...

去年斯坦福大学的科学家们设计了一种可穿戴式皮肤传感器,可以通过汗液中的皮质醇水平测量压力。现在,该大学的研究人员已经宣布了一种追踪其他生命体征的类似传...

[最佳回答]温度传感器的主要参数:输出形式、测量范围、温度精度、外壳材料、测量介质、电缆线长、极限温度、防护等级、外形尺寸等。温度变送器的主要参数:温...

这件事情比较复杂戈鋆曾是苏大数院基地班2006级的本科生。本科学习期间,他曾在恽自求的指导下,主持了一项国家级创新性实验计划《传感器最佳覆盖问...

...《远程信息技术与信息学》(telematicsandinformation)是一本跨学科的期刊,出版关于数字技术的社会、经济、地理、政治和文化影响的创新理论和方法研究。...

本文设计的电子秤以单片机为主要部件,用汇编语言进行软件设计,硬件则以半桥传感器为主,测量0~500g电子秤,随时可改变上限阈值,并达到阈值报警的功能。称重...