La detección de anomalías inteligente es un área prometedora para descubrir anomalías, ya que el procesamiento manual por humanos generalmente es laborioso y consume mucho tiempo. Un enfoque efectivo para abordar esto es básicamente construir un sistema clasificador que pueda reflejar la condición de la infraestructura cuando tiende a comportarse de manera anormal, y por lo tanto se puede tomar la acción apropiada de inmediato. Para lograr el objetivo mencionado anteriormente, propusimos construir un OCSVM de una clase en cascada de dos etapas para sistemas de monitoreo del nivel del agua. En la primera etapa del modelo en cascada, nuestro OCSVM aprende directamente de una sola observación a la vez, 1-g para detectar anomalías puntuales. Mientras que en la segunda etapa, OCSVM aprende de los vectores de características construidos basados en los datos históricos para descubrir cualquier anomalía colectiva donde el patrón del -gramo no se ajustó al patrón normal esperado. El resultado experimental mostró que nuestro propuesto OCSVM de dos etapas es capaz de detectar anomalías y anomalías colectivas de manera efectiva. El rendimiento de nuestro modelo ha alcanzado un resultado notable de alrededor del 99% en términos de puntuación F1. También comparamos el rendimiento de nuestro algoritmo OCSVM con otros algoritmos.