CN108009596A - 确定降雨特征的方法和装置 - Google Patents

Abstract

本发明公开了一种确定降雨特征的方法和装置，属于水文技术领域。方法包括：获取待研究城区的多个雨量站中每个雨量站的降雨量雨型特征矩阵以及该多个雨量站的时间特征矩阵，根据该多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定该每个样本雨量站的样本降雨类型；并根据该每个样本雨量站的样本降雨类型，对该每个雨量站的降雨量雨型特征矩阵进行模糊识别，得出该每个雨量站所属的降雨类型；根据该多个雨量站的时间特征矩阵，通过第二预设聚类算法，统计该多个雨量站在聚类后的最大降雨量出现的相对时间；根据该多个雨量站在聚类后的最大降雨量出现的相对时间和该多个雨量站所属的降雨类型，确定该待研究城区的降雨类型。

Description

确定降雨特征的方法和装置

技术领域

本发明涉及水文领域，特别涉及一种确定降雨特征的方法和装置。

背景技术

近几年，由极端暴雨引起的城区大规模内涝灾害逐渐增多，内涝灾害给城区人民带来的财产损失也越来越大。因此，对城区降雨的降雨特征进行分析研究，从而在暴雨到来之前，做好应对措施，以减少暴雨引起的内涝灾害带来的损失，成为本领域技术人员较为关注的问题之一。

相关技术中，本领域技术人员通常从事先在城区建立一个雨量站，并采集该雨量站在多场降雨中的降雨量，并统计该雨量站在一定时间内的降雨频率，根据该降雨量，通过暴雨强度公式，确定该雨量站的降雨类型，用该雨量站的降雨类型和降雨频率描述该城区的降雨特征。

相关技术中，在实现本发明的过程中，发明人发现相关技术中至少存在以下问题：

上述过程实际上是由一个雨量站来预估该城区整体的降雨特征。然而，实际降雨过程中，该雨量站所在的区域与城区的其他区域的降雨特征可能各有差别，也即是，该城区的实际降雨过程与上述方法确定的降雨特征并不相符，从而导致上述降雨特征研究方法的准确性较差。

发明内容

本发明提供了一种确定降雨特征的方法和装置，可以解决现有技术中准确性较差的问题。技术方案如下：

第一方面，提供一种确定降雨特征的方法，所述方法包括：

获取待研究城区的多个雨量站中每个雨量站的降雨量雨型特征矩阵，所述降雨量雨型特征矩阵由每个雨量站在多个预设降雨时段的雨型指标组成；

获取所述多个雨量站的时间特征矩阵，所述时间特征矩阵由降雨量最大的预设降雨时段中最大降雨量出现的相对时间组成，所述出现的相对时间为每个雨量站的最大降雨量的出现时间与所有雨量站中最大降雨量最早出现的时间之差；

根据所述多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定所述每个样本雨量站的样本降雨类型；

根据所述每个样本雨量站的样本降雨类型，对所述每个雨量站的降雨量雨型特征矩阵进行模糊识别，得出所述每个雨量站所属的降雨类型；

根据所述多个雨量站的时间特征矩阵，通过第二预设聚类算法，统计所述多个雨量站在聚类后的最大降雨量出现的相对时间；

根据所述多个雨量站在聚类后的最大降雨量出现的相对时间和所述多个雨量站所属的降雨类型，确定所述待研究城区的降雨类型。

在一种可能的设计中，所述根据所述多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定所述每个样本雨量站的样本降雨类型，包括：

根据所述多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定多个样本雨量站的降雨量雨型特征聚类中心；

根据所述多个样本雨量站的降雨量雨型特征聚类中心，将所述多个样本雨量站按照降雨量雨型特征聚类中心进行分类，取每种类目中的多个样本雨量站在该类目的降雨量雨型特征聚类中心下的包络，根据取包络后的多类样本雨量站降雨量雨型特征聚类中心，确定所述每个样本雨量站的样本降雨类型。

在一种可能的设计中，所述根据所述每个样本雨量站的样本降雨类型，对所述每个雨量站的降雨量雨型特征矩阵进行模糊识别，得出所述每个雨量站所属的降雨类型，包括：

根据所述每种样本降雨类型对应的样本降雨量雨型特征矩阵，和所述每个雨量站的降雨量雨型特征矩阵，通过以下公式一，确定所述每个雨量站的降雨量雨型特征矩阵与多个样本降雨量雨型特征矩阵之间的相似度：

其中，k为多个样本降雨类型中第k类样本降雨类型，σ_k为雨量站对应的降雨类型与第k类样本降雨类型之间的相似度，m为预设降雨时段的数量，i为m个预设降雨时段中的第i个降雨时段，s_ki为第k个基准站点降雨类型在第i个预设降雨时段中的雨型指标，x_ji为多个雨量站中第j个雨量站在第i个预设降雨时段中的雨型指标；

对于所述每个雨量站，将与雨量站的降雨量雨型特征矩阵的相似度最大的样本降雨量雨型特征矩阵对应的样本降雨类型确定为所述雨量站的降雨类型。

在一种可能的设计中，所述根据所述多个雨量站在聚类后的最大降雨量出现的相对时间和所述多个雨量站所属的降雨类型，确定所述待研究城区的降雨类型，包括：

根据所述多个雨量站在聚类后的最大降雨量出现的相对时间，统计所述待研究城区中多个雨量站的最大降雨过程的时间分布特征和区域分布特征；

基于预设降雨类型的时间分布特征和区域分布特征，根据所述多个雨量站的最大降雨过程的时间分布特征和区域分布特征，以及所述多个雨量站所属的降雨类型，确定所述待研究城区的降雨类型，所述预设降雨类型包括集中型降雨、分散型降雨和/或城区集中型降雨。

在一种可能的设计中，所述获取待研究城区的多个雨量站中每个雨量站的降雨量雨型特征矩阵，包括：

采集待研究城区的多个雨量站在每个预设降雨时段的降雨量，所述多个预设降雨时段为对降雨总时段进行划分得到的；

对于每个雨量站，根据每个预设降雨时段的降雨量和所述降雨总时段的降雨量，通过以下公式二，确定所述每个雨量站在所述每个预设降雨时段的雨型指标：

其中，i＝1,2,3……m，i为m个预设降雨时段中的第i个降雨时段，R_i为第i个预设降雨时段的降雨量，R_z为降雨总时段的降雨量，x_i为雨量站在第i个预设降雨时段的雨型指标；

对于所述每个雨量站，将雨量站在所述每个预设降雨时段的雨型指标组成所述雨量站的降雨量雨型特征矩阵。

第二方面，提供一种确定降雨特征的装置，其特征在于，所述装置包括：

获取模块，用于获取待研究城区的多个雨量站中每个雨量站的降雨量雨型特征矩阵，所述降雨量雨型特征矩阵由每个雨量站在多个预设降雨时段的雨型指标组成；

所述获取模块，还用于获取所述多个雨量站的时间特征矩阵，所述时间特征矩阵由降雨量最大的预设降雨时段中最大降雨量出现的相对时间组成，所述出现的相对时间为每个雨量站的最大降雨量的出现时间与所有雨量站中最大降雨量最早出现的时间之差；

确定模块，用于根据所述多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定所述每个样本雨量站的样本降雨类型；

识别模块，用于根据所述每个样本雨量站的样本降雨类型，对所述每个雨量站的降雨量雨型特征矩阵进行模糊识别，得出所述每个雨量站所属的降雨类型；

统计模块，用于根据所述多个雨量站的时间特征矩阵，通过第二预设聚类算法，统计所述多个雨量站在聚类后的最大降雨量出现的相对时间；

所述确定模块，还用于根据所述多个雨量站在聚类后的最大降雨量出现的相对时间和所述多个雨量站所属的降雨类型，确定所述待研究城区的降雨类型。

在一种可能的设计中，所述确定模块，还用于根据所述多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定多个样本雨量站的降雨量雨型特征聚类中心；根据所述多个样本雨量站的降雨量雨型特征聚类中心，将所述多个样本雨量站按照降雨量雨型特征聚类中心进行分类，取每种类目中的多个样本雨量站在该类目的降雨量雨型特征聚类中心下的包络，根据取包络后的多类样本雨量站降雨量雨型特征聚类中心，确定所述每个样本雨量站的样本降雨类型。

在一种可能的设计中，所述识别模块，包括：

第一确定单元，用于根据所述每种样本降雨类型对应的样本降雨量雨型特征矩阵，和所述每个雨量站的降雨量雨型特征矩阵，通过以下公式一，确定所述每个雨量站的降雨量雨型特征矩阵与多个样本降雨量雨型特征矩阵之间的相似度：

其中，k为多个样本降雨类型中第k类样本降雨类型，σ_k为雨量站对应的降雨类型与第k类样本降雨类型之间的相似度，m为预设降雨时段的数量，i为m个预设降雨时段中的第i个降雨时段，s_ki为第k个基准站点降雨类型在第i个预设降雨时段中的雨型指标，x_ji为多个雨量站中第j个雨量站在第i个预设降雨时段中的雨型指标；

第二确定单元，用于对于所述每个雨量站，将与雨量站的降雨量雨型特征矩阵的相似度最大的样本降雨量雨型特征矩阵对应的样本降雨类型确定为所述雨量站的降雨类型。

在一种可能的设计中，所述确定模块，还用于根据所述多个雨量站在聚类后的最大降雨量出现的相对时间，统计所述待研究城区中多个雨量站的最大降雨过程的时间分布特征和区域分布特征；

基于预设降雨类型的时间分布特征和区域分布特征，根据所述多个雨量站的最大降雨过程的时间分布特征和区域分布特征，以及所述多个雨量站所属的降雨类型，确定所述待研究城区的降雨类型，所述预设降雨类型包括集中型降雨、分散型降雨和/或城区集中型降雨。

在一种可能的设计中，所述获取模块，包括：

采集单元，用于采集待研究城区的多个雨量站在每个预设降雨时段的降雨量，所述多个预设降雨时段为对降雨总时段进行划分得到的；

第三确定单元，用于对于每个雨量站，根据每个预设降雨时段的降雨量和所述降雨总时段的降雨量，通过以下公式二，确定所述每个雨量站在所述每个预设降雨时段的雨型指标：

其中，i＝1,2,3……m，i为m个预设降雨时段中的第i个降雨时段，R_i为第i个预设降雨时段的降雨量，R_z为降雨总时段的降雨量，x_i为雨量站在第i个预设降雨时段的雨型指标；

组成单元，用于对于所述每个雨量站，将雨量站在所述每个预设降雨时段的雨型指标组成所述雨量站的降雨量雨型特征矩阵。

本发明实施例中，终端获取待研究城区的多个雨量站中每个雨量站的降雨量雨型特征矩阵以及该多个雨量站的时间特征矩阵，根据该多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定该每个样本雨量站的样本降雨类型；并根据该每个样本雨量站的样本降雨类型，对该每个雨量站的降雨量雨型特征矩阵进行模糊识别，得出该每个雨量站所属的降雨类型；根据该多个雨量站的时间特征矩阵，通过第二预设聚类算法，统计该多个雨量站在聚类后的最大降雨量出现的相对时间；根据该多个雨量站在聚类后的最大降雨量出现的相对时间和该多个雨量站所属的降雨类型，确定该待研究城区的降雨类型。由于终端可以基于多个雨量站的降雨量雨型特征矩阵，确定每个雨量站所属的降雨类型，从而从空间上描述了待研究城区的降雨特征，并且，基于雨量站的最大降雨量出现的相对时间和该多个雨量站所属的降雨类型，确定待研究城区的降雨类型，从而从时间和空间上描述了待研究城区的降雨特征，进一步的提高了确定待研究城区的降雨特征的准确性。

并且，与传统的降雨特征的研究方法相比，本发明实施例可以通过雨量站的降雨量雨型特征矩阵以及时间特征矩阵，从时间和空间上来描述场次降雨的降雨量和暴雨中心的移动情况，从而利用数学矩阵，定量的刻画了降雨的时空分布特征，后续基于定量的描述场次降雨的数学矩阵，研究降雨的特征，从而提高了研究降雨特征的准确性和全面性。

附图说明

图1是本发明实施例提供的一种确定降雨特征的方法流程图；

图2是本发明实施例提供的一种确定降雨特征的方法流程图；

图3是本发明实施例提供的一种确定降雨特征的装置框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

图1是本发明实施例提供的一种确定降雨特征的方法，该方法的执行主体可以为终端、处理器或者具备数据处理功能的任一处理模块等，本发明实施例仅以终端为例进行说明，如图1所示，该方法包括：

步骤101：获取待研究城区的多个雨量站中每个雨量站的降雨量雨型特征矩阵，该降雨量雨型特征矩阵由每个雨量站在多个预设降雨时段的雨型指标组成；

步骤102：获取该多个雨量站的时间特征矩阵，该时间特征矩阵由降雨量最大的预设降雨时段中最大降雨量出现的相对时间组成，该出现的相对时间为每个雨量站的最大降雨量的出现时间与所有雨量站中最大降雨量最早出现的时间之差；

步骤103：根据该多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定该每个样本雨量站的样本降雨类型；

步骤104：根据该每个样本雨量站的样本降雨类型，对该每个雨量站的降雨量雨型特征矩阵进行模糊识别，得出该每个雨量站所属的降雨类型；

步骤105：根据该多个雨量站的时间特征矩阵，通过第二预设聚类算法，统计该多个雨量站在聚类后的最大降雨量出现的相对时间；

步骤106：根据该多个雨量站在聚类后的最大降雨量出现的相对时间和该多个雨量站所属的降雨类型，确定该待研究城区的降雨类型。

在一种可能的设计中，该根据该多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定该每个样本雨量站的样本降雨类型，包括：

根据该多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定多个样本雨量站的降雨量雨型特征聚类中心；

根据该多个样本雨量站的降雨量雨型特征聚类中心，将该多个样本雨量站按照降雨量雨型特征聚类中心进行分类，取每种类目中的多个样本雨量站在该类目的降雨量雨型特征聚类中心下的包络，根据取包络后的多类样本雨量站降雨量雨型特征聚类中心，确定该每个样本雨量站的样本降雨类型。

在一种可能的设计中，该根据该每个样本雨量站的样本降雨类型，对该每个雨量站的降雨量雨型特征矩阵进行模糊识别，得出该每个雨量站所属的降雨类型，包括：

根据该每种样本降雨类型对应的样本降雨量雨型特征矩阵，和该每个雨量站的降雨量雨型特征矩阵，通过以下公式一，确定该每个雨量站的降雨量雨型特征矩阵与多个样本降雨量雨型特征矩阵之间的相似度：

其中，k为多个样本降雨类型中第k类样本降雨类型，σ_k为雨量站对应的降雨类型与第k类样本降雨类型之间的相似度，m为预设降雨时段的数量，i为m个预设降雨时段中的第i个降雨时段，s_ki为第k个基准站点降雨类型在第i个预设降雨时段中的雨型指标，x_ji为多个雨量站中第j个雨量站在第i个预设降雨时段中的雨型指标；

对于该每个雨量站，将与雨量站的降雨量雨型特征矩阵的相似度最大的样本降雨量雨型特征矩阵对应的样本降雨类型确定为该雨量站的降雨类型。

在一种可能的设计中，该根据该多个雨量站在聚类后的最大降雨量出现的相对时间和该多个雨量站所属的降雨类型，确定该待研究城区的降雨类型，包括：

根据该多个雨量站在聚类后的最大降雨量出现的相对时间，统计该待研究城区中多个雨量站的最大降雨过程的时间分布特征和区域分布特征；

基于预设降雨类型的时间分布特征和区域分布特征，根据该多个雨量站的最大降雨过程的时间分布特征和区域分布特征，以及该多个雨量站所属的降雨类型，确定该待研究城区的降雨类型，该预设降雨类型包括集中型降雨、分散型降雨和/或城区集中型降雨。

在一种可能的设计中，该获取待研究城区的多个雨量站中每个雨量站的降雨量雨型特征矩阵，包括：

采集待研究城区的多个雨量站在每个预设降雨时段的降雨量，该多个预设降雨时段为对降雨总时段进行划分得到的；

对于每个雨量站，根据每个预设降雨时段的降雨量和该降雨总时段的降雨量，通过以下公式二，确定该每个雨量站在该每个预设降雨时段的雨型指标：

其中，i＝1,2,3……m，i为m个预设降雨时段中的第i个降雨时段，R_i为第i个预设降雨时段的降雨量，R_z为降雨总时段的降雨量，x_i为雨量站在第i个预设降雨时段的雨型指标；

对于该每个雨量站，将雨量站在该每个预设降雨时段的雨型指标组成该雨量站的降雨量雨型特征矩阵。

本发明实施例中，终端获取待研究城区的多个雨量站中每个雨量站的降雨量雨型特征矩阵以及该多个雨量站的时间特征矩阵，根据该多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定该每个样本雨量站的样本降雨类型；并根据该每个样本雨量站的样本降雨类型，对该每个雨量站的降雨量雨型特征矩阵进行模糊识别，得出该每个雨量站所属的降雨类型；根据该多个雨量站的时间特征矩阵，通过第二预设聚类算法，统计该多个雨量站在聚类后的最大降雨量出现的相对时间；根据该多个雨量站在聚类后的最大降雨量出现的相对时间和该多个雨量站所属的降雨类型，确定该待研究城区的降雨类型。由于终端可以基于多个雨量站的降雨量雨型特征矩阵，确定每个雨量站所属的降雨类型，从而从空间上描述了待研究城区的降雨特征，并且，基于雨量站的最大降雨量出现的相对时间和该多个雨量站所属的降雨类型，确定待研究城区的降雨类型，从而从时间和空间上描述了待研究城区的降雨特征，进一步的提高了确定待研究城区的降雨特征的准确性。

并且，与传统的降雨特征的研究方法相比，本发明实施例可以通过雨量站的降雨量雨型特征矩阵以及时间特征矩阵，从时间和空间上来描述场次降雨的降雨量和暴雨中心的移动情况，从而利用数学矩阵，定量的刻画了降雨的时空分布特征，后续基于定量的描述场次降雨的数学矩阵，研究降雨的特征，从而提高了研究降雨特征的准确性和全面性。

图2是本发明实施例提供的一种确定降雨特征的方法，该方法的执行主体可以为终端、处理器或者具备数据处理功能的任一处理模块等，本发明实施例仅以终端为例进行说明，如图2所示，该方法包括：

步骤201：终端获取待研究城区的多个雨量站中每个雨量站的降雨量雨型特征矩阵，该降雨量雨型特征矩阵由每个雨量站在多个预设降雨时段的雨型指标组成。

本发明实施例中，工作人员可以事先在待研究城区中分散建立多个雨量站，将该雨量站作为记录降水量的仪器，以方便终端通过每个雨量站，采集每次降雨过程的降雨量。

其中，终端可以将每场降雨的总时段划分为多个预设降雨时段，基于每个预设降雨时段获取雨量站采集的雨型指标。具体的，本步骤可以通过以下步骤2011-2013实现。

步骤2011：终端采集待研究城区的多个雨量站在每个预设降雨时段的降雨量，该多个预设降雨时段为对降雨总时段进行划分得到的。

本发明实施例中，终端可以将每场次降雨的开始时间后的第一预设时长内的时段作为该场次降雨的总时段，并以第二预设时长为一个划分单位，每隔第二预设时长进行一次划分，将该场次降雨的总时段划分为多个预设降雨时段。对于每个雨量站，终端采集该雨量站在每个预设降雨时段的降雨量。

其中，终端可以实时从雨量站中获取降雨量，也可以一次性获取每场次降雨的降雨量，则终端采集该雨量站在每个预设降雨时段的降雨量的步骤可以为：终端从该场次降雨的开始时间开始，每隔第二预设时长从该雨量站中获取一次当前采集的降雨量，从而获知该场次降雨在多个特预设降雨时段的降雨量。或者，终端还可以事先控制该雨量站每隔第二预设时长采集该场次降雨在一个预设降雨时段中的降雨量，在该场次降雨的总时段之后，从该雨量站中获取该场次降雨在该多个预设时段的降雨量。

其中，该第一预设时长、第二预设时长可以根据用户需要设置并更改，本发明实施例对此不作具体限定。例如，该第一预设时长可以为24小时，该第二预设时长可以为3小时，终端可以获取该场次降雨在24小时历时3小时间隔的降雨量，若该场次降雨的开始时间为15:10，则该多个预设降雨时段分别可以为15:10～18:10、18:10～21:10、……、次日12:10～15:10。

步骤2012：终端对于每个雨量站，根据每个预设降雨时段的降雨量和该降雨总时段的降雨量，通过以下公式二，确定该每个雨量站在该每个预设降雨时段的雨型指标：

其中，i＝1,2,3……m，i为m个预设降雨时段中的第i个降雨时段，R_i为第i个预设降雨时段的降雨量，R_z为降雨总时段的降雨量，x_i为雨量站在第i个预设降雨时段的雨型指标。

本发明实施例中，终端采集该场次降雨在总时段的总降雨量时，通过上述公式二，确定每个预设降雨时段的降雨量在总降雨量中所占比例，将该所占比例确定为该预设降雨时段的雨型指标，从而可以清晰的得出每个预设降雨时段在总时段中的降雨量分布情况。

其中，该预设降雨时段的总数目m在数值上等于该第一预设时长与该第二预设时长之商。例如，该第一预设时长为24小时，该第二预设时长为3小时，则该预设降雨时段的总数目m可以为8。

步骤2013：对于每个雨量站，终端将该雨量站在每个预设降雨时段的雨型指标组成该雨量站的降雨量雨型特征矩阵。

对于每个雨量站，终端将该雨量站在该总时段中的每个预设降雨时段的雨型指标组成该雨量站的降雨量雨型特征矩阵如下：

X_j＝[x_j1 x_j2 ...... x_jm]

其中，该X_j为多个雨量站中第j个雨量站的降雨量雨型特征矩阵，该x_j1为该第j个雨量站在第一个预设降雨时段的雨型指标，同理，该x_jm为该第j个雨量站在第m个预设降雨时段的雨型指标。对于多场次降雨中的每一场次的降雨，终端可用X_j来标识雨量站在该场次降雨过程中的降雨量雨型特征矩阵。

需要说明的是，本发明实施例中，仅用雨型指标来表示预设降雨时段的降雨量与总降雨量的比例的多少，当然，该预设降雨时段的降雨量的多少还可以直接用预设降雨时段的降雨量或者预设降雨时段的降雨量与总降雨量之间的差值来表示，本发明实施例对预设降雨时段的降雨量的多少的表示方式不做具体限定。

步骤202：终端获取该多个雨量站的时间特征矩阵，该时间特征矩阵由降雨量最大的预设降雨时段中最大降雨量出现的相对时间组成，该出现的相对时间为每个雨量站最大降雨量的出现时间与所有雨量站站最大降雨量出现的最早时间之差。

本发明实施例中，终端还可以将降雨量最大的预设降雨时段中，降雨量出现时间作为向量，建立每个雨量站的时间特征矩阵。其中，对于每场次的降雨，终端获取该场次降雨总时段的降雨量后，基于每个预设降雨时段的降雨量，确定该多个预设降雨时段中降雨量最大的预设降雨时段；对于该降雨量最大的预设降雨时段，终端进一步的获取该时段中多个子时段的降雨量，基于该多个子时段的降雨量，确定该降雨量最大的预设降雨时段中，最大降雨量出现的相对时间，将每场次降雨中多个雨量站的最大降雨量出现的相对时间组成该多个雨量站的时间特征矩阵。

其中，终端基于该多个子时段的降雨量，确定该降雨量最大的预设降雨时段中，最大降雨量出现的相对时间的步骤可以为：对于每一个雨量站，终端获取该雨量站在降雨量最大的预设降雨时段中每个子时段的降雨量，根据该每个子时段的降雨量和该预设降雨时段的降雨量，确定该每个子时段在该每个预设降雨时段的雨型指标，根据该每个子时段的雨型指标，确定降雨量达到最大时，将该降雨量达到最大时的子时段对应的时间确定为该最大降雨量的出现时间，将该最大降雨量的出现时间与所有雨量站中最大降雨量最早出现的时间之差，确定为最大降雨量出现的相对时间，从而得到每个雨量站的最大降雨量出现的相对时间。

进一步的，终端将该多个雨量站在多场降雨过程中的最大降雨量出现的相对时间组成该多个雨量站的时间特征矩阵如下：

其中，k为多个雨量站的总数量，n为多场降雨的总场次，则t₁₁为k个雨量站中第一个雨量站在第一场降雨过程中最大降雨量出现的相对时间；同理，t_kn为k个雨量站中第k个雨量站在第n场降雨过程中最大降雨量出现的相对时间。通过该时间特征矩阵可描述场次降雨的暴雨中心在时空上的移动规律。例如，以该时间特征矩阵的第一行为例，该t₁₁、t₂₁、……t_k1分别为k个雨量站在第一场降雨时最大降雨量出现的相对时间，反应了该第一场降雨的暴雨中心在该待研究城区的多个区域的移动情况分布情况。

其中，该第三预设时长可以根据用户需要设置并更改，本发明实施例对此不做具体限定。例如，该第三预设时长可以为5分钟，若该第二预设时长为3小时，则终端可获取3小时内历时5分钟间隔的降雨量，就该降雨量确定每个子时段的雨型指标。

需要说明的是，与传统的降雨特征的研究方法相比，本发明实施例可以通过雨量站的降雨量雨型特征矩阵以及时间特征矩阵，从时间和空间上来描述场次降雨的降雨量和暴雨中心的移动情况，从而利用数学矩阵，定量的刻画了降雨的时空分布特征，后续基于定量的描述场次降雨的数学矩阵，研究降雨的特征，从而提高了研究降雨特征的准确性和全面性。

步骤203：终端根据该多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定该每个样本雨量站的样本降雨类型。

本步骤中，终端可以事先选取待研究城区的多个样本雨量站，对该多个样本雨量站的样本降雨量雨型特征矩阵进行聚类处理，从而得出待研究城区所包括的样本降雨类型。具体的，本步骤可以通过以下步骤2031-2032实现。

步骤2031：终端根据该多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定多个样本雨量站的降雨量雨型特征聚类中心。

本步骤中，终端可以通过第一预设聚类算法，从该多个样本雨量站的样本降雨量雨型特征矩阵中选取若干样本雨量站的预设降雨时段的雨型指标作为初始聚类中心，并基于预设准则函数，对该多个样本雨量站的样本降雨量雨型特征矩阵进行聚类处理，确定出使得该预设准则函数的值最小的聚类中心，从而得到每个样本雨量站的降雨量雨型特征聚类中心。

其中，该第一预设聚类算法以及该预设准则函数可以根据用户需要设置并更改，本发明实施例对此不做具体限定。例如，该第一预设聚类算法可以为K-M(Means，平均)均值算法算法，该预设准则函数可以为误差平方和函数。

步骤2032：终端根据该多个样本雨量站的降雨量雨型特征聚类中心，将该多个样本雨量站按照降雨量雨型特征聚类中心进行分类，取每种类目中的多个样本雨量站在该类目的降雨量雨型特征聚类中心下的包络，根据取包络后的多类样本雨量站的降雨量雨型特征聚类中心，确定该每个样本雨量站的样本降雨类型。

本步骤中，终端可以根据该多个降雨量雨型特征聚类中心的雨型指标，将该多个样本雨量站的降雨划分为多种类别，例如，根据该多个降雨量雨型特征聚类中心的雨型指标，将该多个样本雨量站的划分为场次降雨中仅包括前单峰的样本雨量站、场次降雨中包括双峰的雨量站等。

终端可以预先根据多个样本场次降雨在每个预设降雨时段的降雨量雨型特征聚类中心的雨型指标，分析该样本场次降雨的样本降雨类型，并关联存储样本场次降雨的降雨量雨型特征聚类中心和该样本场次降雨的样本降雨类型；从而本步骤中，对于每个取包络后的多类样本雨量站，终端根据该样本雨量站的降雨量雨型特征聚类中心，从降雨量雨型特征聚类中心和样本降雨类型的对应关系中，确定该样本雨量站的样本降雨类型。从而终端得到多个样本雨量站的所包括的多种样本降雨类型的样本降雨量雨型特征矩阵如下：

S_p＝(s_p1,s_p2,......,s_pm)

其中，p为该待研究城区所包括的多种样本降雨类型中的第p种样本降雨类型，s_pm为第p种样本降雨类型中第m个预设降雨时段的雨型指标。

步骤204：终端根据该每个样本雨量站的样本降雨类型，对该每个雨量站的降雨量雨型特征矩阵进行模糊识别，得出该每个雨量站所属的降雨类型。

本发明实施例中，终端通过上述步骤确定待研究城区所包括的样本降雨类型后，对于实际降雨过程中的每个雨量站，终端可以基于雨量站的降雨量雨型特征矩阵和样本降雨量雨型特征矩阵之间的相似度，模糊识别该雨量站所属的降雨类型。具体的，本步骤可以通过以下步骤2041-2042实现。

步骤2041：终端根据该每种样本降雨类型对应的样本降雨量雨型特征矩阵，和该每个雨量站的降雨量雨型特征矩阵，通过以下公式一，确定该每个雨量站的降雨量雨型特征矩阵与多个样本降雨量雨型特征矩阵之间的相似度：

其中，p为多个样本降雨类型中第p类样本降雨类型，σ_p为雨量站的降雨量雨型特征矩阵与第p类样本降雨类型的样本降雨量雨型特征矩阵之间的相似度，m为预设降雨时段的数量，i为m个预设降雨时段中的第i个降雨时段，s_pi为第p类样本降雨类型在第i个预设降雨时段中的雨型指标，x_ji为多个雨量站中第j个雨量站在第i个预设降雨时段中的雨型指标。

步骤2042：对于每个雨量站，终端将与该雨量站的降雨量雨型特征矩阵的相似度最大的样本降雨量雨型特征矩阵对应的样本降雨类型确定为该雨量站的降雨类型。

需要说明的是，实际降雨过程中，不同城区所包括的样本降雨类型可能不相同，本发明实施例仅以众多个城区中的某一城区为例，将该待研究城区的样本降雨类型可以分为单峰型雨和双峰型雨。例如，单峰型雨以前单峰型雨为例，该降雨类型中，整个降雨过程的降雨量主要集中在该降雨总时段的前段时间，降雨的后半程中降雨量逐渐变小，降雨量的最大峰值时间集中在降雨开始后的前第一和第二个预设降雨时段内。

步骤205：终端根据该每个雨量站的时间特征矩阵，通过第二预设聚类算法，统计该多个雨量站在聚类后的最大降雨量出现的相对时间。

具体的，终端根据该多个雨量站在多场次降雨过程中的最大降雨量出现的相对时间，通过第二预设聚类算法，对该该雨量站的最大降雨量出现的相对时间进行聚类，确定多个雨量站在多场降雨过程中的时间聚类中心；并基于该时间聚类中心，统计每场降雨时多个雨量站的在聚类后的最大降雨量出现的相对时间。

其中，该第二预设聚类算法也可以根据用户需要设置并更改，本发明实施例对此不做具体限定。该第二预设聚类算法与该第一预设聚类算法可以相同，也可以不相同，例如，该第二预设聚类算法可以为层次聚类算法。

步骤206：终端根据该多个雨量站在聚类后的最大降雨量出现的相对时间和该多个雨量站所属的降雨类型，确定该待研究城区的降雨类型。

本发明实施例中，终端通过该多场降雨过程中每个雨量站的最大降雨量出现的相对时间和该多个雨量站所属的降雨类型，也即是该雨量站的降雨量雨型特征矩阵，分析该待研究城区的每场降雨的降雨类型。

具体的，本步骤可以为：终端根据该多个雨量站的最大降雨量出现的相对时间，统计该待研究城区中多个雨量站的最大降雨过程的时间分布特征和区域分布特征；并基于预设降雨类型的时间分布特征和区域分布特征，根据该多个雨量站的最大降雨过程的时间分布特征和区域分布特征，以及该多个雨量站所属的降雨类型，确定该待研究城区的降雨类型，该预设降雨类型包括集中型降雨、分散型降雨和/或城区集中型降雨。

其中，终端可以预先存储多种预设降雨类型以及每种预设降雨类型的最大降雨过程的时间分布特征和区域分布特征，终端根据实际该待研究城区的每场降雨过程中该多个雨量站的最大降雨过程的时间分布特征和区域分布特征，从该预设降雨类型和最大降雨过程的时间分布特征和区域分布特征的对应关系中，确定该待研究城区的每场降雨的降雨类型。

进一步的，终端还可以统计该待研究城区在多场次降雨过程中，属于同类型的降雨的数量，通过分析该待研究城区的多场降雨的降雨类型，从而得出该待研究城区的降雨特征。

其中，该集中型降雨为，时间分布上较为集中，结合该多个雨量站的降雨类型，多个雨量站均在相近的降雨时段内达到最大降雨量，例如，该多个雨量站的降雨类型均为前单峰型雨，也即是该多个雨量站均在总时段的第一个预设降雨时段中就达到了最大降雨量。

该分散型降雨为，各区域的降雨量均较小，降雨的持续时间较长，各个雨量站的最大降雨量出现的相对时间差异较大，结合区域分布特征，该待研究城区沿某一方向逐渐开始出现最大降雨过程。例如，两个雨量站的最大降雨量出现的相对时间之差最大可以达到该次降雨总时段的一半以上；该待研究城区的最大降雨量自西向东逐渐出现最大降雨过程。

该城区集中型降雨为，降雨的持续时间较长，且暴雨中心主要在待研究城区的中心区域，并从中心区域向边缘区域扩散，降雨量介于集中型降雨和分散型降雨之间。

进一步的，终端还可以基于该各个雨量站所在区域，根据该各个雨量站的降雨量、降雨类型以及最大降雨量出现的相对时间等特征，将该待研究城区划分为多个分区，每个分区的降雨量、降雨类型以及最大降雨量出现的相对时间等特征相似。对于该待研究城区的每种类型的降雨，终端可以从每个分区包括的多个雨量站中选取预设数目个代表站，来分析该分区的的实际降雨情况，从而大大节省了研究效率。

本发明实施例中，终端获取待研究城区的多个雨量站中每个雨量站的降雨量雨型特征矩阵以及该多个雨量站的时间特征矩阵，根据该多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定该每个样本雨量站的样本降雨类型；并根据该每个样本雨量站的样本降雨类型，对该每个雨量站的降雨量雨型特征矩阵进行模糊识别，得出该每个雨量站所属的降雨类型；根据该多个雨量站的时间特征矩阵，通过第二预设聚类算法，统计该多个雨量站在聚类后的最大降雨量出现的相对时间；根据该多个雨量站在聚类后的最大降雨量出现的相对时间和该多个雨量站所属的降雨类型，确定该待研究城区的降雨类型。由于终端可以基于多个雨量站的降雨量雨型特征矩阵，确定每个雨量站所属的降雨类型，从而从空间上描述了待研究城区的降雨特征，并且，基于雨量站的最大降雨量出现的相对时间和该多个雨量站所属的降雨类型，确定待研究城区的降雨类型，从而从时间和空间上描述了待研究城区的降雨特征，进一步的提高了确定待研究城区的降雨特征的准确性。

并且，与传统的降雨特征的研究方法相比，本发明实施例可以通过雨量站的降雨量雨型特征矩阵以及时间特征矩阵，从时间和空间上来描述场次降雨的降雨量和暴雨中心的移动情况，从而利用数学矩阵，定量的刻画了降雨的时空分布特征，后续基于定量的描述场次降雨的数学矩阵，研究降雨的特征，从而提高了研究降雨特征的准确性和全面性。

图3是本发明实施例提供的一种确定降雨特征的装置框图，如图3所示，该装置括：

获取模块301，用于获取待研究城区的多个雨量站中每个雨量站的降雨量雨型特征矩阵，该降雨量雨型特征矩阵由每个雨量站在多个预设降雨时段的雨型指标组成；

该获取模块301，还用于获取该多个雨量站的时间特征矩阵，该时间特征矩阵由降雨量最大的预设降雨时段中最大降雨量出现的相对时间组成，该出现的相对时间为每个雨量站的最大降雨量的出现时间与所有雨量站中最大降雨量最早出现的时间之差；

确定模块302，用于根据该多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定该每个样本雨量站的样本降雨类型；

识别模块303，用于根据该每个样本雨量站的样本降雨类型，对该每个雨量站的降雨量雨型特征矩阵进行模糊识别，得出该每个雨量站所属的降雨类型；

统计模块304，用于根据该多个雨量站的时间特征矩阵，通过第二预设聚类算法，统计该多个雨量站在聚类后的最大降雨量出现的相对时间；

该确定模块302，还用于根据该多个雨量站在聚类后的最大降雨量出现的相对时间和该多个雨量站所属的降雨类型，确定该待研究城区的降雨类型。

在一种可能的设计中，该确定模块302，还用于根据该多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定多个样本雨量站的降雨量雨型特征聚类中心；根据该多个样本雨量站的降雨量雨型特征聚类中心，将该多个样本雨量站按照降雨量雨型特征聚类中心进行分类，取每种类目中的多个样本雨量站在该类目的降雨量雨型特征聚类中心下的包络，根据取包络后的多类样本雨量站降雨量雨型特征聚类中心，确定该每个样本雨量站的样本降雨类型。

在一种可能的设计中，该识别模块303，包括：

第一确定单元，用于根据该每种样本降雨类型对应的样本降雨量雨型特征矩阵，和该每个雨量站的降雨量雨型特征矩阵，通过以下公式一，确定该每个雨量站的降雨量雨型特征矩阵与多个样本降雨量雨型特征矩阵之间的相似度：

其中，k为多个样本降雨类型中第k类样本降雨类型，σ_k为雨量站对应的降雨类型与第k类样本降雨类型之间的相似度，m为预设降雨时段的数量，i为m个预设降雨时段中的第i个降雨时段，s_ki为第k个基准站点降雨类型在第i个预设降雨时段中的雨型指标，x_ji为多个雨量站中第j个雨量站在第i个预设降雨时段中的雨型指标；

第二确定单元，用于对于该每个雨量站，将与雨量站的降雨量雨型特征矩阵的相似度最大的样本降雨量雨型特征矩阵对应的样本降雨类型确定为该雨量站的降雨类型。

在一种可能的设计中，该确定模块302，还用于根据该多个雨量站在聚类后的最大降雨量出现的相对时间，统计该待研究城区中多个雨量站的最大降雨过程的时间分布特征和区域分布特征；

基于预设降雨类型的时间分布特征和区域分布特征，根据该多个雨量站的最大降雨过程的时间分布特征和区域分布特征，以及该多个雨量站所属的降雨类型，确定该待研究城区的降雨类型，该预设降雨类型包括集中型降雨、分散型降雨和/或城区集中型降雨。

在一种可能的设计中，该获取模块301，包括：

采集单元，用于采集待研究城区的多个雨量站在每个预设降雨时段的降雨量，该多个预设降雨时段为对降雨总时段进行划分得到的；

第三确定单元，用于对于每个雨量站，根据每个预设降雨时段的降雨量和该降雨总时段的降雨量，通过以下公式二，确定该每个雨量站在该每个预设降雨时段的雨型指标：

其中，i＝1,2,3……m，i为m个预设降雨时段中的第i个降雨时段，R_i为第i个预设降雨时段的降雨量，R_z为降雨总时段的降雨量，x_i为雨量站在第i个预设降雨时段的雨型指标；

组成单元，用于对于该每个雨量站，将雨量站在该每个预设降雨时段的雨型指标组成该雨量站的降雨量雨型特征矩阵。

本发明实施例中，终端获取待研究城区的多个雨量站中每个雨量站的降雨量雨型特征矩阵以及该多个雨量站的时间特征矩阵，根据该多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定该每个样本雨量站的样本降雨类型；并根据该每个样本雨量站的样本降雨类型，对该每个雨量站的降雨量雨型特征矩阵进行模糊识别，得出该每个雨量站所属的降雨类型；根据该多个雨量站的时间特征矩阵，通过第二预设聚类算法，统计该多个雨量站在聚类后的最大降雨量出现的相对时间；根据该多个雨量站在聚类后的最大降雨量出现的相对时间和该多个雨量站所属的降雨类型，确定该待研究城区的降雨类型。由于终端可以基于多个雨量站的降雨量雨型特征矩阵，确定每个雨量站所属的降雨类型，从而从空间上描述了待研究城区的降雨特征，并且，基于雨量站的最大降雨量出现的相对时间和该多个雨量站所属的降雨类型，确定待研究城区的降雨类型，从而从时间和空间上描述了待研究城区的降雨特征，进一步的提高了确定待研究城区的降雨特征的准确性。

并且，与传统的降雨特征的研究方法相比，本发明实施例可以通过雨量站的降雨量雨型特征矩阵以及时间特征矩阵，从时间和空间上来描述场次降雨的降雨量和暴雨中心的移动情况，从而利用数学矩阵，定量的刻画了降雨的时空分布特征，后续基于定量的描述场次降雨的数学矩阵，研究降雨的特征，从而提高了研究降雨特征的准确性和全面性。

需要说明的是：上述实施例提供的确定降雨特征的装置在确定降雨特征时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的确定降雨特征的装置与确定降雨特征的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种确定降雨特征的方法，其特征在于，所述方法包括：

获取待研究城区的多个雨量站中每个雨量站的降雨量雨型特征矩阵，所述降雨量雨型特征矩阵由每个雨量站在多个预设降雨时段的雨型指标组成；

获取所述多个雨量站的时间特征矩阵，所述时间特征矩阵由降雨量最大的预设降雨时段中最大降雨量出现的相对时间组成，所述出现的相对时间为每个雨量站的最大降雨量的出现时间与所有雨量站中最大降雨量最早出现的时间之差；

根据所述多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定所述每个样本雨量站的样本降雨类型；

根据所述每个样本雨量站的样本降雨类型，对所述每个雨量站的降雨量雨型特征矩阵进行模糊识别，得出所述每个雨量站所属的降雨类型；

根据所述多个雨量站的时间特征矩阵，通过第二预设聚类算法，统计所述多个雨量站在聚类后的最大降雨量出现的相对时间；

根据所述多个雨量站在聚类后的最大降雨量出现的相对时间和所述多个雨量站所属的降雨类型，确定所述待研究城区的降雨类型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定所述每个样本雨量站的样本降雨类型，包括：

根据所述多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定多个样本雨量站的降雨量雨型特征聚类中心；

根据所述多个样本雨量站的降雨量雨型特征聚类中心，将所述多个样本雨量站按照降雨量雨型特征聚类中心进行分类，取每种类目中的多个样本雨量站在该类目的降雨量雨型特征聚类中心下的包络，根据取包络后的多类样本雨量站降雨量雨型特征聚类中心，确定所述每个样本雨量站的样本降雨类型。

3.根据权利要求1所述的方法，其特征在于，所述根据所述每个样本雨量站的样本降雨类型，对所述每个雨量站的降雨量雨型特征矩阵进行模糊识别，得出所述每个雨量站所属的降雨类型，包括：

根据所述每种样本降雨类型对应的样本降雨量雨型特征矩阵，和所述每个雨量站的降雨量雨型特征矩阵，通过以下公式一，确定所述每个雨量站的降雨量雨型特征矩阵与多个样本降雨量雨型特征矩阵之间的相似度：

其中，k为多个样本降雨类型中第k类样本降雨类型，σ_k为雨量站对应的降雨类型与第k类样本降雨类型之间的相似度，m为预设降雨时段的数量，i为m个预设降雨时段中的第i个降雨时段，s_ki为第k个基准站点降雨类型在第i个预设降雨时段中的雨型指标，x_ji为多个雨量站中第j个雨量站在第i个预设降雨时段中的雨型指标；

对于所述每个雨量站，将与雨量站的降雨量雨型特征矩阵的相似度最大的样本降雨量雨型特征矩阵对应的样本降雨类型确定为所述雨量站的降雨类型。

4.根据权利要求1所述的方法，其特征在于，所述根据所述多个雨量站在聚类后的最大降雨量的出现的相对时间和所述多个雨量站所属的降雨类型，确定所述待研究城区的降雨类型，包括：

根据所述多个雨量站在聚类后的最大降雨量出现的相对时间，统计所述待研究城区中多个雨量站的最大降雨过程的时间分布特征和区域分布特征；

基于预设降雨类型的时间分布特征和区域分布特征，根据所述多个雨量站的最大降雨过程的时间分布特征和区域分布特征，以及所述多个雨量站所属的降雨类型，确定所述待研究城区的降雨类型，所述预设降雨类型包括集中型降雨、分散型降雨和/或城区集中型降雨。

5.根据权利要求1所述的方法，其特征在于，所述获取待研究城区的多个雨量站中每个雨量站的降雨量雨型特征矩阵，包括：

采集待研究城区的多个雨量站在每个预设降雨时段的降雨量，所述多个预设降雨时段为对降雨总时段进行划分得到的；

对于每个雨量站，根据每个预设降雨时段的降雨量和所述降雨总时段的降雨量，通过以下公式二，确定所述每个雨量站在所述每个预设降雨时段的雨型指标：

其中，i＝1,2,3……m，i为m个预设降雨时段中的第i个降雨时段，R_i为第i个预设降雨时段的降雨量，R_z为降雨总时段的降雨量，x_i为雨量站在第i个预设降雨时段的雨型指标；

对于所述每个雨量站，将雨量站在所述每个预设降雨时段的雨型指标组成所述雨量站的降雨量雨型特征矩阵。

6.一种确定降雨特征的装置，其特征在于，所述装置包括：

获取模块，用于获取待研究城区的多个雨量站中每个雨量站的降雨量雨型特征矩阵，所述降雨量雨型特征矩阵由每个雨量站在多个预设降雨时段的雨型指标组成；

所述获取模块，还用于获取所述多个雨量站的时间特征矩阵，所述时间特征矩阵由降雨量最大的预设降雨时段中最大降雨量的出现的相对时间组成，所述出现的相对时间为每个雨量站的最大降雨量的出现时间与所有雨量站中最大降雨量最早出现的时间之差；

确定模块，用于根据所述多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定所述每个样本雨量站的样本降雨类型；

识别模块，用于根据所述每个样本雨量站的样本降雨类型，对所述每个雨量站的降雨量雨型特征矩阵进行模糊识别，得出所述每个雨量站所属的降雨类型；

统计模块，用于根据所述多个雨量站的时间特征矩阵，通过第二预设聚类算法，统计所述多个雨量站在聚类后的最大降雨量出现的相对时间；

所述确定模块，还用于根据所述多个雨量站在聚类后的最大降雨量出现的相对时间和所述多个雨量站所属的降雨类型，确定所述待研究城区的降雨类型。

7.根据权利要求6所述的装置，其特征在于，

所述确定模块，还用于根据所述多个样本雨量站的样本降雨量雨型特征矩阵，通过第一预设聚类算法，确定多个样本雨量站的降雨量雨型特征聚类中心；根据所述多个样本雨量站的降雨量雨型特征聚类中心，将所述多个样本雨量站按照降雨量雨型特征聚类中心进行分类，取每种类目中的多个样本雨量站在该类目的降雨量雨型特征聚类中心下的包络，根据取包络后的多类样本雨量站降雨量雨型特征聚类中心，确定所述每个样本雨量站的样本降雨类型。

8.根据权利要求6所述的装置，其特征在于，所述识别模块，包括：

第一确定单元，用于根据所述每种样本降雨类型对应的样本降雨量雨型特征矩阵，和所述每个雨量站的降雨量雨型特征矩阵，通过以下公式一，确定所述每个雨量站的降雨量雨型特征矩阵与多个样本降雨量雨型特征矩阵之间的相似度：

其中，k为多个样本降雨类型中第k类样本降雨类型，σ_k为雨量站对应的降雨类型与第k类样本降雨类型之间的相似度，m为预设降雨时段的数量，i为m个预设降雨时段中的第i个降雨时段，s_ki为第k个基准站点降雨类型在第i个预设降雨时段中的雨型指标，x_ji为多个雨量站中第j个雨量站在第i个预设降雨时段中的雨型指标；

第二确定单元，用于对于所述每个雨量站，将与雨量站的降雨量雨型特征矩阵的相似度最大的样本降雨量雨型特征矩阵对应的样本降雨类型确定为所述雨量站的降雨类型。

9.根据权利要求6所述的装置，其特征在于，

所述确定模块，还用于根据所述多个雨量站在聚类后的最大降雨量出现的相对时间，统计所述待研究城区中多个雨量站的最大降雨过程的时间分布特征和区域分布特征；

基于预设降雨类型的时间分布特征和区域分布特征，根据所述多个雨量站的最大降雨过程的时间分布特征和区域分布特征，以及所述多个雨量站所属的降雨类型，确定所述待研究城区的降雨类型，所述预设降雨类型包括集中型降雨、分散型降雨和/或城区集中型降雨。

10.根据权利要求6所述的装置，其特征在于，所述获取模块，包括：

采集单元，用于采集待研究城区的多个雨量站在每个预设降雨时段的降雨量，所述多个预设降雨时段为对降雨总时段进行划分得到的；

第三确定单元，用于对于每个雨量站，根据每个预设降雨时段的降雨量和所述降雨总时段的降雨量，通过以下公式二，确定所述每个雨量站在所述每个预设降雨时段的雨型指标：

其中，i＝1,2,3……m，i为m个预设降雨时段中的第i个降雨时段，R_i为第i个预设降雨时段的降雨量，R_z为降雨总时段的降雨量，x_i为雨量站在第i个预设降雨时段的雨型指标；

组成单元，用于对于所述每个雨量站，将雨量站在所述每个预设降雨时段的雨型指标组成所述雨量站的降雨量雨型特征矩阵。