CN108388957B - 一种基于多特征融合技术的中小河流洪水预报方法及其预报系统 - Google Patents
一种基于多特征融合技术的中小河流洪水预报方法及其预报系统 Download PDFInfo
- Publication number
- CN108388957B CN108388957B CN201810071703.1A CN201810071703A CN108388957B CN 108388957 B CN108388957 B CN 108388957B CN 201810071703 A CN201810071703 A CN 201810071703A CN 108388957 B CN108388957 B CN 108388957B
- Authority
- CN
- China
- Prior art keywords
- rainfall
- flood
- data
- feature
- voting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
本发明涉及一种基于多特征融合技术的中小河流洪水预报方法及其预报系统,属于水利信息技术处理领域,包括以下步骤:S1、获得历史洪水场次和实际洪水场次的各雨量站每小时的雨量观测数据;再对这些雨量观测数据进行相似性特征匹配,得到多个不同的匹配结果,将上述多个不同的匹配结果放入不同的集合中;S2、采取基于水利数据的主成分分析投票算法,对每个水文特征的匹配结果进行投票,找到票数最高的洪水场次,从而得到最相似的洪水过程,用于中小河流洪水预报。本发明解决了我国湿润与半干旱半湿润地区中小河流的洪水预报问题,提高了中小河流洪水预测预报精度。
Description
技术领域
本发明涉及一种基于多特征融合技术的中小河流洪水预报方法及其预报系 统,属于水利信息技术处理领域。
背景技术
信息化是当今世界经济和社会发展的大趋势,也是我国产业优化升级和实现 工业化、现代化的关键环节。水利信息化就是指充分利用现代信息技术,深入开 发和广泛利用水利信息资源,包括水利信息的采集、传输、存储、处理和服务, 全面提升水利事业活动效率和效能的全生命周期过程。中小河流洪水预报就是一 种行之有效的水利信息技术,对保障人民的生命财产安全具有重要的现实意义, 也是目前最有效可行的防灾减灾非工程措施之一。
中小河流洪水预报首要目的和任务是预警,通过观测和预报的降雨,预报超 过洪水预警阈值的发生时间、洪峰大小及出现时间,最大程度地避免人员伤亡, 减轻灾害损失。其次,是为了增加河流洪水预报的预见期和精度,为防洪调度指 挥决策提供参考依据。
现阶段中小河流洪水预报大多数采用传统经验预报方法,还不能为各级政府 和防汛部门提供及时准确的预警预报信息,难以满足中小河流防洪的需求。所以 需要一个数据驱动的中小河流洪水预报方法。
发明内容
发明目的:本发明针对水利信息系统中,对洪水数据信息的特征提取,去分 析和解决在洪水预测预报中的复杂的问题。
为了实现上述技术目的,本发明采用如下具体技术方案:
一种基于多特征融合技术的中小河流洪水预报方法,包括以下步骤:
S1、获得历史洪水场次和实际洪水场次的各雨量站每小时的雨量观测数据; 再对这些雨量观测数据进行相似性特征匹配,得到多个不同的匹配结果,将上述 多个不同的匹配结果放入不同的集合中;
S2、采取基于水利数据的主成分分析投票算法,对每个水文特征的匹配结果 进行投票,找到票数最高的洪水场次,从而得到最相似的洪水过程,用于中小河 流洪水预报,具体包括以下过程:
S2.1、将不同特征值匹配出来的洪水场次放入不同的集合中;
S2.2、对上述集合按照用户投票数进行排名,投票数最多的洪水场次,认为 是投票算法出现的最好结果;
S2.3、如果在步骤S2.2阶段出现某几场洪水场次得票数一样时,再分别考虑 洪水场次在不同特征匹配结果中出现的位置,将这些位置进行相加,位置之和比 较小的,认为是投票算法出现的最好结果;
S2.4、如果在步骤S2.3阶段出现某几场洪水场次得票数以及所述某几场洪水 场次在不同特征匹配结果中出现的位置之和都一样时,就对该流域的洪水数据进 行主成分分析,分析哪个特征值比重比较大,就取在那个特征值集合中,将排名 较靠前的洪水场次认为是投票算法出现的最好结果;
S2.5、最后输出投票结果。
所述步骤S1中所述的特征包括面雨量特征、降雨强度特征和暴雨中心特征。
面雨量特征值求解过程包括以下步骤:
步骤A1、取历史洪水场次的降雨数据,观测时间段从开始降雨到预测时间起 始点t0,计算出观测时间段内的面雨量总和S;
步骤A2、取实际洪水场次的降雨数据,观测时间段从开始降雨到预测时间起 始点t0,计算出观测时间段内的面雨量总和S’;
步骤A3、找S和S’差值最小的历史洪水场次,标记为面雨量总和特征值匹配 的最佳结果。
降雨强度特征值求解过程包括以下步骤:
步骤B1、取历史洪水场次的降雨数据,观测时间段从开始降雨到预测时间起 始点t0,计算出观测时间段内的每个时刻雨量的标准差,并将雨量标准差加入到 雨量序列Y中。
步骤B2、取实际洪水场次的降雨数据,观测时间段从开始降雨到预测时间起 始点t0,计算出观测时间段内的每个时刻雨量的标准差,并将雨量标准差加入到 雨量序列Y’中。
步骤B3、运用dtw算法求出序列Y与Y’最短距离d,找出d最小值的历史洪水 场次,标记为降雨强度特征值匹配的最佳结果。
暴雨中心特征值求解过程包括以下步骤:
步骤C1、取历史洪水场次的降雨数据,观测时间段从开始降雨到预测时间起 始点t0,计算出观测时间段内的每个时刻各个雨量站降雨量的最大值,并将最大 降雨量的位置放入暴雨中心轨迹序列C中;
步骤C2、取实测洪水场次的降雨数据,观测时间段从开始降雨到预测时间起 始点t0,计算出观测时间段内的每个时刻各个雨量站降雨量的最大值,并将最大 降雨量的位置放入暴雨中心轨迹序列C’中;
步骤C3、遍历流域雨量站距离表,找出C与C’的站点之间距离,将其放入C” 中;
步骤C4、找出C”最小值的历史洪水场次,标记为暴雨中心特征值匹配的 最佳结果。
另外,本发明还公开了一种基于多特征融合技术的中小河流洪水预报系统, 包括:原始降雨数据处理模块,多特征计算模块,投票模块,洪水预报预测输出 模块。
原始降雨数据处理模块,用于处理历史洪水场次和实际洪水场次中的各雨量 站每小时的雨量观测数据;
多特征计算模块,首先提取原始降雨数据处理模块的输出数据,再对这些雨 量观测数据,进行特征匹配,最后分别将这些匹配结果放入到不同的集合中,供 投票模块作为输入使用;
投票模块用于将多特征计算模块的输出数据进行投票,找到票数最高的洪水 场次,从而得到最相似的洪水过程;
洪水预报预测输出模块,用于将投票模块的输出数据,当成最佳结果,用于 中小河流洪水预报。
所述多特征计算模块提取的特征包括:面雨量特征,降雨强度特征和暴雨中 心特征。
所述投票模块采用基于水利数据的主成分分析投票算法,把多指标转换成为 少数几个指标,其中每个主成分可以反映原始数据的大部分信息,且所含信息不 重复;在水文信息预报中,基于水利数据的主成分分析投票算法通过分析不同流 域的流域特征,在用特征值进行匹配的时候,关注到这些特征值本身的重要性, 以及各自在结果中所占据的权重,确定各个不同流域特征值的权重。
有益效果:
本发明一种基于多特征融合技术的中小河流洪水预报方法能够有效的挖掘 洪水数据背后的信息,通过对我国湿润与半干旱半湿润地区中小河流的洪水特征 进行提取,并结合水文区域水文模型参数与地理特征关系挖掘研究,采用多特征 融合技术,为我国湿润与半干旱半湿润地区的中小河流洪水预警、预报提供新的 方法与技术,提高中小河流洪水预测预报精度,增长预见期,增加洪水防御预警 时间,降低中小河流洪涝灾害带来的损失。
附图说明
图1为本发明方法的基本框架;
图2为本发明方法中的基于水利数据的主成分分析投票算法流程图;
图3为本发明方法的流程图;
表1为本发明方法中的面雨量特征值求解过程;
表2为本发明方法中的降雨强度特征值求解过程;
表3为本发明方法中的暴雨中心特征值求解过程。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述 实施例。
首先,为便于理解本发明,作以下说明:
面雨量
面雨量是描述整个区域(流域)内单位面积上的平均降水量的物理量,能较客 观地反映整个区域的降水情况。面雨量的计算公式是流域内各雨量站雨量和各雨 量站的面积权重系数的乘积。
降雨强度
降雨强度是指单位时段内的降雨量。降雨量指的是从天空降落到地面上的雨 水,未经蒸发、渗透、流失而在平面上积聚的水层深度。测定降雨量常用的仪器 包括雨量筒和量杯。
暴雨中心轨迹
暴雨在时间和空间上的分布是不均衡的,暴雨中往往存在一个或几个降水相 对集中的地方,我们称之为暴雨中心。研究发现暴雨过程中,暴雨中心空间变化 与时间有某种关系。根据每时段的降水空间分布可以发现,每一时段内空间上均 存在降水相对比较集中的区域即暴雨中心,并且这些暴雨中心随时间变化而变化, 为了描述这种变化,我们使用暴雨中心轨迹序列来描述。
本发明一种基于多特征融合技术的中小河流洪水预报方法,包括以下步骤:
S1、获得历史洪水场次和实际洪水场次的各雨量站每小时的雨量观测数据; 再对这些雨量观测数据进行面雨量特征匹配,降雨强度特征匹配和暴雨中心特征 匹配,得到多个不同的匹配结果,将上述多个不同的匹配结果放入不同的集合中;
S2、采取基于水利数据的主成分分析投票算法,对每个水文特征的匹配结果 进行投票,找到票数最高的洪水场次,从而得到最相似的洪水过程,用于中小河 流洪水预报,具体包括以下过程:
S2.1、将不同特征值匹配出来的洪水场次放入不同的集合中;
S2.2、对上述集合按照用户投票数进行排名,投票数最多的洪水场次,认为 是投票算法出现的最好结果;
S2.3、如果在步骤S2.2阶段出现某几场洪水场次得票数一样时,再分别考虑 洪水场次在不同特征匹配结果中出现的位置,将这些位置进行相加,位置之和比 较小的,认为是投票算法出现的最好结果;
S2.4、如果在步骤S2.3阶段出现某几场洪水场次得票数以及所述某几场洪水 场次在不同特征匹配结果中出现的位置之和都一样时,就对该流域的洪水数据进 行主成分分析,分析哪个特征值比重比较大,就取在那个特征值集合中,将排名 较靠前的洪水场次认为是投票算法出现的最好结果;
S2.5、最后输出投票结果。
雨量观测数据的结果太多,如何从大量信息之中,快速有效地找出一场历史 洪水场次用于预测预报,成了一个在洪水预报中的核心问题。目前,各种各样的 投票算法,是目前过滤信息的主要手段之一。对信息进行投票,意味着将信息出 现的次数依次排列,并且及时更新。
本发明采取基于水利数据的主成分分析投票算法,主成分分析也成为主分量 分析,旨在利用降维的思想,把多指标转换成为少数几个指标,其中每个主成分 可以反映原始数据的大部分信息,且所含信息不重复。基于水利数据的主成分分 析投票算法,在水文信息预报中,通过分析不同流域的流域特征,在用特征值进 行匹配的时候,关注到这些特征值本身的重要性,以及各自在结果中所占据的权 重,科学的确定各个不同流域特征值的权重。
另外,本发明还公开了一种基于多特征融合技术的中小河流洪水预报系统, 基本框架如图1所示,包括:原始降雨数据处理模块,多特征计算模块,投票模 块,洪水预报预测输出模块。
原始降雨数据处理模块,用于处理历史洪水场次和实际洪水场次中的各雨量 站每小时的雨量观测数据;
多特征计算模块,首先提取原始降雨数据处理模块的输出数据,再对这些雨 量观测数据,进行特征匹配,最后分别将这些匹配结果放入到不同的集合中,供 投票模块作为输入使用;
投票模块用于将多特征计算模块的输出数据,进行投票,找到票数最高的洪 水场次,从而得到最相似的洪水过程;
洪水预报预测输出模块,用于将投票模块的输出数据,当成最佳结果,用于 中小河流洪水预报。
在上述模块中,其中投票模块的主要核心思想就是采用了基于水利数据的主 成分分析投票算法。主成分分析也成为主分量分析,旨在利用降维的思想,把多 指标转换成为少数几个指标,其中每个主成分可以反映原始数据的大部分信息, 且所含信息不重复。基于水利数据的主成分分析投票算法,在水文信息预报中, 通过分析不同流域的流域特征,在用特征值进行匹配的时候,关注到这些特征值 本身的重要性,以及各自在结果中所占据的权重,科学的确定各个不同流域特征 值的权重。
基于水利数据的主成分分析投票算法图,如图2所示。其中,主成分分析投 票算法包括以下步骤:
S2.1、将不同特征值匹配出来的洪水场次放入不同的集合中;
S2.2、对上述集合按照用户投票数进行排名,投票数最多的洪水场次,认为 是投票算法出现的最好结果;
S2.3、如果在步骤S2.2阶段出现某几场洪水场次得票数一样时,再分别考虑 洪水场次在不同特征匹配结果中出现的位置,将这些位置进行相加,位置之和比 较小的,认为是投票算法出现的最好结果;
S2.4、如果在步骤S2.3阶段出现某几场洪水场次得票数以及所述某几场洪水 场次在不同特征匹配结果中出现的位置之和都一样时,就对该流域的洪水数据进 行主成分分析,分析哪个特征值比重比较大,就取在那个特征值集合中,将排名 较靠前的洪水场次,认为是投票算法出现的最好结果;
S2.5、最后输出投票结果。
本发明的基本数据流图,如图3所示。首先提取历史洪水和实际洪水的原始 降雨数据,经过数据处理模块进行处理。再从数据处理模块中提取处理好的数据, 作为多特征计算的输入数据,分别对这些数据进行面雨量特征匹配,降雨强度特 征匹配,暴雨中心特征匹配,得到不同的匹配结果。最后,对这些匹配结果进行 投票排序,选出洪水过程线最相似的洪水场次,将其作为洪水预报预测结果输出。
面雨量特征值求解过程如表1所示,
表1
包括以下步骤:
步骤A1、取历史洪水场次的降雨数据,观测时间段从开始降雨到预测时间起 始点t0,计算出观测时间段内的面雨量总和S。
步骤A2、取实际洪水场次的降雨数据,观测时间段从开始降雨到预测时间起 始点t0,计算出观测时间段内的面雨量总和S’。
步骤A3、找S和S’差值最小的历史洪水场次,标记为面雨量总和特征值匹配 的最佳结果。
降雨强度特征值求解过程如表2所示,
表2
包括以下步骤:
步骤B1、取历史洪水场次的降雨数据,观测时间段从开始降雨到预测时间起 始点t0,计算出观测时间段内的每个时刻雨量的标准差,并将雨量标准差加入到 雨量序列Y中。
步骤B2、取实际洪水场次的降雨数据,观测时间段从开始降雨到预测时间起 始点t0,计算出观测时间段内的每个时刻雨量的标准差,并将雨量标准差加入到 雨量序列Y’中。
步骤B3、运用dtw算法求出序列Y与Y’最短距离d,找出d最小值的历史洪水 场次,标记为降雨强度特征值匹配的最佳结果。
DTW算法
DTW算法的主要思想是把两个时间序列进行延伸和缩短,来得到两个时间序 列距离最短也就是最相似的那一个warping,这个最短的距离也就是这两个时间 序列的最后的距离度量。在这里,我们要做的就是选择一个路径,使得最后得到 的总的距离最小。
可以将实现步骤分成以下两部分:
1)需要构造一个n*m的矩阵网格,矩阵元素(i,j)表示qi和cj两个点的 距离d(qi,cj),每一个矩阵元素(i,j)表示点qi和cj的对齐。(也就是序列Q 的每一个点和C的每一个点之间的相似度,距离越小则相似度越高。)一般采用 欧式距离,d(qi,cj)=(qi-cj)2。
2)定义一个累加距离cumulative distances。从(0,0)点开始匹配这两个 序列Q和C,每到一个点,之前所有的点计算的距离都会累加。到达终点(n,m) 后,这个累积距离就是我们上面说的最后的总的距离,也就是序列Q和C的相似 度。
r(i,j)=d(qi,cj)+min{r(i-1,j-1),r(i-1,j),r(i,j-1)}
在这里,比较重要的是路径的选择,这条路径不是随意选择的,需要满足以 下几个约束:
1)边界条件:w1=(1,1)和wK=(m,n)。因此所选的路径必定是从左下角出 发,在右上角结束。
2)连续性:如果wk-1=(a’,b’),那么对于路径的下一个点wk=(a,b)需 要满足(a-a’)<=1和(b-b’)<=1。也就是不可能跨过某个点去匹配,只能 和自己相邻的点对齐。这样可以保证Q和C中的每个坐标都在W中出现。
3)单调性:如果wk-1=(a’,b’),那么对于路径的下一个点wk=(a,b)需 要满足0<=(a-a’)和0<=(b-b’)。这限制W上面的点必须是随着时间单调进行 的。以保证虚线不会相交。
结合连续性和单调性约束,每一个格点的路径就只有三个方向了。例如如果 路径已经通过了格点(i,j),那么下一个通过的格点只可能是下列三种情况之一: (i+1,j),(i,j+1)或者(i+1,j+1)。满足上面这些约束条件的路径可以有很多 个,需要关注的是使得规整代价最小的路径。
暴雨中心特征值求解过程如表3所示,
表3
包括以下步骤:
步骤C1、取历史洪水场次的降雨数据,观测时间段从开始降雨到预测时间起 始点t0,计算出观测时间段内的每个时刻各个雨量站降雨量的最大值,并将最大 降雨量的位置放入暴雨中心轨迹序列C中。
步骤C2、取实测洪水场次的降雨数据,观测时间段从开始降雨到预测时间起 始点t0,计算出观测时间段内的每个时刻各个雨量站降雨量的最大值,并将最大 降雨量的位置放入暴雨中心轨迹序列C’中。
步骤C3、遍历流域雨量站距离表,找出C与C’的站点之间距离,将其放入C” 中。
步骤C4、找出C”最小值的历史洪水场次,标记为暴雨中心特征值匹配的 最佳结果。
以上所述仅是本发明的实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润 饰也应视为本发明的保护范围。
Claims (7)
1.一种基于多特征融合技术的中小河流洪水预报方法,其特征在于:包括以下步骤:
S1、获得历史洪水场次和实际洪水场次的各雨量站每小时的雨量观测数据;再对这些雨量观测数据进行相似性特征匹配,得到多个不同的匹配结果;
S2、采取基于水利数据的主成分分析投票算法,对每个水文特征的匹配结果进行投票,找到票数最高的洪水场次,从而得到最相似的洪水过程,用于中小河流洪水预报,具体包括以下过程:
S2.1、将不同特征值匹配出来的洪水场次放入不同的集合中;
S2.2、对上述集合按照用户投票数进行排名,投票数最多的洪水场次,认为是投票算法出现的最好结果;
S2.3、如果在步骤S2.2阶段出现某几场洪水场次得票数一样时,再分别考虑洪水场次在不同特征匹配结果中出现的位置,将这些位置进行相加,位置之和比较小的,认为是投票算法出现的最好结果;
S2.4、如果在步骤S2.3阶段出现某几场洪水场次得票数以及所述某几场洪水场次在不同特征匹配结果中出现的位置之和都一样时,就对该流域的洪水数据进行主成分分析,分析哪个特征值比重比较大,就取在那个特征值集合中,将排名较靠前的洪水场次认为是投票算法出现的最好结果;
S2.5、最后输出投票结果;
所述步骤S1中所述的特征包括面雨量特征、降雨强度特征和暴雨中心特征,面雨量是描述整个流域内单位面积上的平均降水量的物理量,面雨量的计算公式是流域内各雨量站雨量和各雨量站的面积权重系数的乘积。
2.根据权利要求1所述的基于多特征融合技术的中小河流洪水预报方法,其特征在于:步骤S1中,面雨量特征值求解过程包括以下步骤:
步骤A1、取历史洪水场次的降雨数据,观测时间段从开始降雨到预测时间起始点t0,计算出观测时间段内的面雨量总和S;
步骤A2、取实际洪水场次的降雨数据,观测时间段从开始降雨到预测时间起始点t0,计算出观测时间段内的面雨量总和S’;
步骤A3、找S和S’差值最小的历史洪水场次,标记为面雨量总和特征值匹配的最佳结果。
3.根据权利要求1所述的基于多特征融合技术的中小河流洪水预报方法,其特征在于:步骤S1中,降雨强度特征值求解过程包括以下步骤:
步骤B1、取历史洪水场次的降雨数据,观测时间段从开始降雨到预测时间起始点t0,计算出观测时间段内的每个时刻雨量的标准差,并将雨量标准差加入到雨量序列Y中;
步骤B2、取实际洪水场次的降雨数据,观测时间段从开始降雨到预测时间起始点t0,计算出观测时间段内的每个时刻雨量的标准差,并将雨量标准差加入到雨量序列Y’中;
步骤B3、运用dtw算法求出序列Y与Y’最短距离d,找出d最小值的历史洪水场次,标记为降雨强度特征值匹配的最佳结果。
4.根据权利要求1所述的基于多特征融合技术的中小河流洪水预报方法,其特征在于:步骤S1中,暴雨中心特征值求解过程包括以下步骤:
步骤C1、取历史洪水场次的降雨数据,观测时间段从开始降雨到预测时间起始点t0,计算出观测时间段内的每个时刻各个雨量站降雨量的最大值,并将最大降雨量的位置放入暴雨中心轨迹序列C中;
步骤C2、取实测洪水场次的降雨数据,观测时间段从开始降雨到预测时间起始点t0,计算出观测时间段内的每个时刻各个雨量站降雨量的最大值,并将最大降雨量的位置放入暴雨中心轨迹序列C’中;
步骤C3、遍历流域雨量站距离表,找出C与C’的站点之间距离,将其放入C’’中;
步骤C4、找出C’’最小值的历史洪水场次,标记为暴雨中心特征值匹配的最佳结果。
5.一种基于多特征融合技术的中小河流洪水预报系统,其特征在于,包括:原始降雨数据处理模块,多特征计算模块,投票模块,洪水预报预测输出模块;
原始降雨数据处理模块,用于处理历史洪水场次和实际洪水场次中的各雨量站每小时的雨量观测数据;
多特征计算模块,首先提取原始降雨数据处理模块的输出数据,再对这些雨量观测数据进行特征匹配,最后分别将这些匹配结果放入到不同的集合中,供投票模块作为输入使用;
投票模块用于将多特征计算模块的输出数据,进行投票,找到票数最高的洪水场次,从而得到最相似的洪水过程;
洪水预报预测输出模块,用于将投票模块的输出数据,当成最佳结果,用于中小河流洪水预报。
6.根据权利要求5所述的基于多特征融合技术的中小河流洪水预报系统,其特征在于,所述多特征计算模块提取的特征包括:面雨量特征,降雨强度特征和暴雨中心特征。
7.根据权利要求5所述的基于多特征融合技术的中小河流洪水预报系统,其特征在于,所述投票模块采用基于水利数据的主成分分析投票算法,把多指标转换成为少数几个指标,其中每个主成分可以反映原始数据的大部分信息,且所含信息不重复;在水文信息预报中,基于水利数据的主成分分析投票算法通过分析不同流域的流域特征,在用特征值进行匹配的时候,关注到这些特征值本身的重要性,以及各自在结果中所占据的权重,确定各个不同流域特征值的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810071703.1A CN108388957B (zh) | 2018-01-25 | 2018-01-25 | 一种基于多特征融合技术的中小河流洪水预报方法及其预报系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810071703.1A CN108388957B (zh) | 2018-01-25 | 2018-01-25 | 一种基于多特征融合技术的中小河流洪水预报方法及其预报系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108388957A CN108388957A (zh) | 2018-08-10 |
CN108388957B true CN108388957B (zh) | 2021-11-23 |
Family
ID=63077183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810071703.1A Active CN108388957B (zh) | 2018-01-25 | 2018-01-25 | 一种基于多特征融合技术的中小河流洪水预报方法及其预报系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108388957B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008362B (zh) * | 2019-11-13 | 2023-06-02 | 广东省水文局韶关水文分局 | 一种洪水预报启动及停止计算的动态降雨判别方法 |
CN111027763B (zh) * | 2019-12-06 | 2020-07-31 | 中国水利水电科学研究院 | 一种基于机器学习的流域洪水响应相似性分析方法 |
CN111814407B (zh) * | 2020-07-28 | 2023-10-13 | 安徽沃特水务科技有限公司 | 一种基于大数据和深度学习的洪水预报方法 |
CN113392489B (zh) * | 2021-06-07 | 2022-06-14 | 广州珠科院工程勘察设计有限公司 | 一种河道水系分布式水动力模型的计算方法 |
CN113987971B (zh) * | 2021-10-27 | 2023-05-05 | 北京中地华安科技股份有限公司 | 洪水危险性的预警方法、装置、电子设备和介质 |
CN115188163B (zh) * | 2022-07-08 | 2023-08-29 | 黄河勘测规划设计研究院有限公司 | 一种基于暴雨与洪水相似性的洪水预警方法及系统 |
CN115271255B (zh) * | 2022-09-19 | 2022-12-09 | 长江水利委员会水文局 | 基于知识图谱和机器学习的雨洪相似性分析方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063750A (zh) * | 2014-06-27 | 2014-09-24 | 国家电网公司 | 基于改进ahp-反熵权的电力系统受灾影响的预测方法 |
CN107491903A (zh) * | 2017-09-27 | 2017-12-19 | 河海大学 | 一种基于数据挖掘‑相似性理论的洪水预报方法 |
-
2018
- 2018-01-25 CN CN201810071703.1A patent/CN108388957B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063750A (zh) * | 2014-06-27 | 2014-09-24 | 国家电网公司 | 基于改进ahp-反熵权的电力系统受灾影响的预测方法 |
CN107491903A (zh) * | 2017-09-27 | 2017-12-19 | 河海大学 | 一种基于数据挖掘‑相似性理论的洪水预报方法 |
Non-Patent Citations (1)
Title |
---|
基于BORDA计数法的多元水文时间序列相似性分析;李士进等;《水利学报》;20090331;第40卷(第03期);第378-384页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108388957A (zh) | 2018-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388957B (zh) | 一种基于多特征融合技术的中小河流洪水预报方法及其预报系统 | |
CN108304668B (zh) | 一种结合水文过程数据和历史先验数据的洪水预测方法 | |
CN111027763B (zh) | 一种基于机器学习的流域洪水响应相似性分析方法 | |
KR102197226B1 (ko) | 다중 선형 회귀를 이용한 해수욕장 위험도 평가 시스템 및 방법과, 이를 위한 컴퓨터 프로그램 | |
KR20180116820A (ko) | 다중 가중치 산정 및 topsis를 이용한 단위유역별 수자원 취약성 평가 방법 | |
CN108416985B (zh) | 一种基于图像识别的地质灾害监测预警系统及预警方法 | |
CN110852526B (zh) | 一种基于雨洪过程相似性判别的实时洪水预报方法 | |
CN109033599B (zh) | 一种基于随机森林的土壤侵蚀影响因子重要性分析方法 | |
CN104601604B (zh) | 网络安全态势分析方法 | |
CN111080107A (zh) | 一种基于时间序列聚类的流域洪水响应相似性分析方法 | |
CN103488871A (zh) | 一种无径流资料地区的洪水预报方法 | |
CN104916124B (zh) | 基于马尔可夫模型的公共自行车系统调控方法 | |
CN109815611B (zh) | 一种基于数字流域的流域边界生成方法 | |
CN110930282B (zh) | 一种基于机器学习的局地降雨雨型分析方法 | |
CN113780657B (zh) | 洪水事件识别方法、装置、计算机设备和存储介质 | |
CN107169289A (zh) | 一种基于可拓最优组合赋权法的滑坡危险性评价方法 | |
CN108269016A (zh) | 一种基于信息扩散的小流域山洪灾害风险分析方法 | |
CN103902798B (zh) | 数据预处理方法 | |
CN109271466A (zh) | 一种基于层次聚类与k均值算法的气象数据分析方法 | |
CN108962382A (zh) | 一种基于乳腺癌临床高维数据的分层重要特征选择方法 | |
CN109285219B (zh) | 一种基于dem的网格型水文模型网格演算次序编码方法 | |
Green et al. | Runoff storage potential of drained upland depressions on the Des Moines Lobe of Iowa | |
Farias et al. | Kohonen neural networks for rainfall-runoff modeling: case study of piancó river basin | |
CN106447072A (zh) | 基于显式遗传算法和奇异谱分析的气象水文要素预报方法 | |
Byzedi et al. | Regional analysis of streamflow drought: a case study in southwestern Iran |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |