1.一种水位预警监控方法，其特征在于，包括：

当接收到水位预警监控信号时，获取接收到所述水位预警监控信号时的第一时刻点的预定水位监控地点的第一水位监控图像，并分割所述第一水位监控图像，得到第一建筑结构特征图；

定时获取所述第一时刻点之后的第二时刻点的所述预定水位监控地点的第二水位监控图像，并分割所述第二水位监控图像，得到第二建筑结构特征图；

获取所述第二建筑结构特征图中相对于所述第一建筑结构特征图的结构特征变化区域，并获取所述第一建筑结构特征图中与所述结构特征变化区域对应的结构特征初始区域；

基于所述结构特征变化区域、所述结构特征初始区域及预设标准建筑结构特征图，提取所述预定水位监控地点的多个特征变化子域序列；

基于所述结构特征变化区域的边缘轮廓向内收缩得到多个与所述边缘轮廓形状相同的内轮廓；

提取所述边缘轮廓与多个内轮廓中最外侧内轮廓之间的外侧变化子域，提取所述多个内轮廓中最内侧内轮廓围成的内侧变化子域，及提取所述多个内轮廓中相邻两个内轮廓之间的其它变化子域；

依次获取所述结构特征初始区域及所述预设标准建筑结构特征图中，与所述外侧变化子域、内侧变化子域及所述其它变化子域对应位置的初始子域及标准子域；

将每个所述外侧变化子域、内侧变化子域及所述其它变化子域与对应位置的初始子域及标准子域串联得到所述多个特征变化子域序列；

获取预定序列的特征变化子域序列样本集合，其中每个样本事先标定对应的定期预警风险值；将每个所述样本的数据分别输入机器学习模型，得到所述机器学习模型输出的定期预警风险值，当所有所述样本的数据输入机器学习模型后，得到的定期预警风险值与对所述数据样本事先标定的定期预警风险值一致，训练结束，将所述多个特征变化子域序列中预定序列的特征变化子域序列，输入预先训练好的机器学习模型，得到所述预定水位监控地点的定期预警风险值。

2.根据权利要求1所述的方法，其特征在于，所述机器学习模型的训练方法是：

如果存在有所述样本的数据输入机器学习模型后，得到的定期预警风险值与对所述样本事先标定的定期预警风险值不一致，则调整所述机器学习模型的系数，直到一致。

3.根据权利要求1所述的方法，其特征在于，在所述当接收到水位预警监控信号时，获取接收到所述水位预警监控信号时的第一时刻点的预定水位监控地点的第一水位监控图像，并分割所述第一水位监控图像，得到第一建筑结构特征图之后，所述方法还包括：根据所述第一建筑结构特征图，为所述预定水位监控地点标定水位预警类别；

根据所述水位预警类别，获取预定水位监控要素的权重，所述预定水位监控要素包括水位上升速率、人数、人的移动频率；

定期采集在所述第一时刻点之后的多个第二水位监控图像，组成第二水位监控图像序列，以基于所述第二水位监控图像序列获取所述水位上升速率、所述人数、所述人的移动频率；

基于所述水位上升速率、所述人数、所述人的移动频率及所述预定水位监控要素的权重，获取所述预定水位监控地点的定期预警风险值。

4.根据权利要求3所述的方法，其特征在于，所述根据所述第一建筑结构特征图，为所述预定水位监控地点标定水位预警类别，包括：根据所述第一建筑结构特征图，获取所述第一建筑结构特征图上所有的建筑的面积；

从预设的水位监控建筑信息表中，获取所述所有的建筑的水位上升贡献因子；

根据所述所有的建筑的所述面积及所述水位上升贡献因子，获取所述预定水位监控地点的水位上升率；

根据所述水位上升率，为所述预定水位监控地点标定水位预警类别。

5.根据权利要求3所述的方法，其特征在于，所述根据所述水位预警类别，获取预定水位监控要素的权重，所述预定水位监控要素包括水位上升速率、人数、人的移动频率，包括：根据所述水位预警类别，从预设水位预警信息表中，查找与所述水位预警类别对应的目标预警类别；

获取与所述目标预警类别关联的预定水位监控要素的权重，所述预定水位监控要素包括水位上升速率、人数、人的移动频率。

6.根据权利要求3所述的方法，其特征在于，所述基于所述水位上升速率、所述人数、所述人的移动频率及所述预定水位监控要素的权重，获取所述预定水位监控地点的定期预警风险值，包括：根据公式U＝(mX*nY)/wV，获得所述定期预警风险值，其中， U为定期预警风险值，X为水位上升速率，Y为人数，V为人的移动频率，m、n、w分别为与目标预警类别关联的预定水位监控要素的权重。

7.一种水位预警监控装置，其特征在于，包括：

第一获取模块，用于当接收到水位预警监控信号时，获取接收到所述水位预警监控信号时的第一时刻点的预定水位监控地点的第一水位监控图像，并分割所述第一水位监控图像，得到第一建筑结构特征图；

第二获取模块，用于定时获取所述第一时刻点之后的第二时刻点的所述预定水位监控地点的第二水位监控图像，并分割所述第二水位监控图像，得到第二建筑结构特征图；

第三获取模块，用于获取所述第二建筑结构特征图中相对于所述第一建筑结构特征图的结构特征变化区域，并获取所述第一建筑结构特征图中与所述结构特征变化区域对应的结构特征初始区域；

提取模块，用于基于所述结构特征变化区域、所述结构特征初始区域及预设标准建筑结构特征图，提取所述预定水位监控地点的多个特征变化子域序列；基于所述结构特征变化区域的边缘轮廓向内收缩得到多个与所述边缘轮廓形状相同的内轮廓；提取所述边缘轮廓与多个内轮廓中最外侧内轮廓之间的外侧变化子域，提取所述多个内轮廓中最内侧内轮廓围成的内侧变化子域，及提取所述多个内轮廓中相邻两个内轮廓之间的其它变化子域；

依次获取所述结构特征初始区域及所述预设标准建筑结构特征图中，与所述外侧变化子域、内侧变化子域及所述其它变化子域对应位置的初始子域及标准子域；将每个所述外侧变化子域、内侧变化子域及所述其它变化子域与对应位置的初始子域及标准子域串联得到所述多个特征变化子域序列；

预测模块，用于获取预定序列的特征变化子域序列样本集合，其中每个样本事先标定对应的定期预警风险值；将每个所述样本的数据分别输入机器学习模型，得到所述机器学习模型输出的定期预警风险值，当所有所述样本的数据输入机器学习模型后，得到的定期预警风险值与对所述数据样本事先标定的定期预警风险值一致，训练结束，将所述多个特征变化子域序列中预定序列的特征变化子域序列，输入预先训练好的机器学习模型，得到所述预定水位监控地点的定期预警风险值。

8.一种计算机可读存储介质，其上存储有水位预警监控程序，其特征在于，所述水位预警监控程序被处理器执行时实现权利要求1‑6任一项所述的方法。

9.一种电子设备，其特征在于，包括：

处理器；以及存储器，用于存储所述处理器的水位预警监控程序；其中，所述处理器配置为经由执行所述水位预警监控程序来执行权利要求1‑6任一项所述的方法。