CN110298480B - 一种山洪灾害临界雨量指标计算方法及系统 - Google Patents
一种山洪灾害临界雨量指标计算方法及系统 Download PDFInfo
- Publication number
- CN110298480B CN110298480B CN201910418141.8A CN201910418141A CN110298480B CN 110298480 B CN110298480 B CN 110298480B CN 201910418141 A CN201910418141 A CN 201910418141A CN 110298480 B CN110298480 B CN 110298480B
- Authority
- CN
- China
- Prior art keywords
- rainfall
- characteristic time
- early
- mountain torrent
- time period
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000005284 excitation Effects 0.000 claims abstract description 57
- 230000002265 prevention Effects 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000000638 stimulation Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 17
- 239000004575 stone Substances 0.000 description 8
- 239000006185 dispersion Substances 0.000 description 7
- 230000001960 triggered effect Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 241000218631 Coniferophyta Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008020 evaporation Effects 0.000 description 3
- 238000001704 evaporation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 241000218691 Cupressaceae Species 0.000 description 2
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 2
- 241000018646 Pinus brutia Species 0.000 description 2
- 235000011613 Pinus brutia Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种山洪灾害临界雨量指标计算方法及系统，确定山洪灾害的特征时段；滑动统计每个特征时段的激发雨量；计算每个特征时段的激发雨量对应的前期影响雨量；基于发生以及未发生山洪灾害的每个特征时段的激发雨量和激发雨量对应的前期影响雨量，构建山洪灾害各特征时段激发雨量与前期有效降雨状态空间；基于Fisher算法和状态空间，建立山洪灾害各个特征时段激发雨量与前期影响雨量临界关系模型，获得分类线性判别方程，根据分类线性判别方程计算每个特征时段的临界雨量值；将待识别防灾对象的每个特征时段的激发雨量和每个特征时段激发雨量对应的前期影响雨量，输入到临界关系模型中，输出报警或不报警结果。
Description
技术领域
本发明涉及山洪灾害研究技术领域，特别是涉及一种山洪灾害临界雨量指标计算方法及系统。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
在实现本发明的过程中，发明人发现现有技术中存在以下技术问题：
计算临界雨量的方法一般分为两类，一类是基于数据驱动的方法，即根据大量历史数据的统计归纳法，计算发生山洪灾害时的前期累积降雨量，如统计归纳法、空间插值法和比拟法；另一类则是基于水文水力学方法，通过成灾流量或成灾水位，采用反推法得到临界雨量。但大都是基于设计理念，存在公式经验化、雨型及参数概化等问题，临界雨量计算精度难以保证。
很多学者基于数据驱动方法在计算临界雨量方面取得一系列成就。谢平、陈广才等根据对山洪灾害场次的调查,分析得到山洪灾害发生的频率，计算临界雨量值,利用反距离加权距离法进行临界雨量空间插值,从而得出各小流域的临界雨量值。江锦红等提出统计场次降雨，将不同暴雨临界点连接成的曲线即为暴雨临界曲线，把该曲线作为山洪灾害预警标准，有效的判别研究区域是否引发山洪灾害；陈桂亚、袁亚鸣等采用水文部门现有雨量站网的雨量资料,并利用气象站网雨量资料作为补充,提出了临界雨量的分析计算方法：单站临界雨量及区域临界雨量计算方法、灾害与降雨同频率法、内插法和比拟法、灾害实例调查法确定研究区域的山洪临界雨量。李琰利用模式识别相关理论和动态临界雨量法相关理论，利用Widrow-Hoff算法建立了动态临界雨量判别函数，计算临界雨量。
发明内容
为了解决现有技术的不足，本发明提供了山洪灾害临界雨量指标计算方法、系统；提高了小流域临界雨量预警指标的精度。
第一方面，本发明提供了山洪灾害临界雨量指标计算方法；
山洪灾害临界雨量指标计算方法，包括：
确定山洪灾害的特征时段；滑动统计每个特征时段的激发雨量；计算每个特征时段的激发雨量对应的前期影响雨量；
基于发生以及未发生山洪灾害的每个特征时段的激发雨量和激发雨量对应的前期影响雨量，构建山洪灾害各特征时段激发雨量与前期有效降雨状态空间；
基于Fisher算法和山洪灾害各特征时段激发雨量与前期有效降雨状态空间，建立山洪灾害各个特征时段激发雨量与前期影响雨量临界关系模型，获得分类线性判别方程，根据分类线性判别方程计算每个特征时段的临界雨量值；
将待识别防灾对象的每个特征时段的激发雨量和每个特征时段激发雨量对应的前期影响雨量，输入到山洪灾害各个特征时段激发雨量与前期影响雨量临界关系模型中，输出报警或不报警结果。
第二方面，本发明还提供了山洪灾害临界雨量指标计算系统；
山洪灾害临界雨量指标计算系统，包括：
山洪灾害的特征时段确定模块；
每个特征时段的激发雨量滑动统计模块；
每个特征时段的激发雨量对应的前期影响雨量计算模块；
状态空间构建模块，其被配置为基于发生以及未发生山洪灾害的每个特征时段的激发雨量和激发雨量对应的前期影响雨量，构建山洪灾害各特征时段激发雨量与前期有效降雨状态空间；
临界关系模型构建模块，其被配置为基于Fisher算法和山洪灾害各特征时段激发雨量与前期有效降雨状态空间，建立山洪灾害各个特征时段激发雨量与前期影响雨量临界关系模型，获得分类线性判别方程，根据分类线性判别方程计算每个特征时段的临界雨量值；
输出模块，其被配置为将待识别防灾对象的每个特征时段的激发雨量和每个特征时段激发雨量对应的前期影响雨量，输入到山洪灾害各个特征时段激发雨量与前期影响雨量临界关系模型中，输出报警或不报警结果。
第三方面，本发明还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。
第四方面，本发明还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。
与现有技术相比，本发明的有益效果是：
(1)本发明基于Fisher算法计算小流域防灾对象临界雨量预警指标的方法及系统，根据防灾对象的流域特征确定特征时段，基于长系列年山洪灾情记录及降雨数据，滑动统计不同特征时段的激发雨量，计算其对应的前期影响雨量，并构建山洪灾害各特征时段与前期影响雨量状态空间；建立基于Fisher算法的不同特征时段激发雨量～前期影响雨量临界关系模型，识别山洪灾害发生不同特征时段激发雨量与前期影响雨量之间的关系，并计算临界雨量预警指标。
(2)该方法计算的临界雨量准确率在80％以上，可为山洪灾害预警指标的应用提供参考依据。
(3)该方法后期应用时输入实时天气预报降雨数据，延长山洪灾害预警预见期，为山洪灾害预警指标的应用提供参考依据。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为第一个实施例的方法流程图；
图2为第一个实施例的滑动搜索特征时段降雨量图；
图3为第一个实施例的洪峰雨峰关系图；
图4(a)为第一个实施例的Fisher线性判别原理示意图，投影到x1轴或 x2轴，无法区分类别；
图4(b)为第一个实施例的Fisher线性判别原理示意图，绕原点转动找到一个方向投影可以区分类型；
图5为临界雨量指标的滑动预警应用图；
图6为石场村雨量站图；
图7为松柏村雨量站图；
图8为石场村山洪灾害1.5h激发雨量～前期影响雨量图；
图9为松柏村山洪灾害1.5h激发雨量～前期影响雨量图；
图10为石场村山洪灾害3h激发雨量～前期影响雨量图；
图11为松柏村山洪灾害3h激发雨量～前期影响雨量图；
图12为石场村山洪灾害24h激发雨量～前期影响雨量图；
图13为松柏村山洪灾害24h激发雨量～前期影响雨量图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
目前模式识别方法在自动化、医学等方面应用较多，水利方面应用较少。本发明基于Fisher算法的山洪灾害临界雨量指标的方法计算小流域防灾对象的临界雨量预警指标。根据防灾对象的流域特征确定特征时段，基于长系列年山洪灾情记录及降雨数据，滑动统计不同特征时段的激发雨量，计算其对应的前期影响雨量，并构建山洪灾害各特征时段与前期影响雨量状态空间；建立基于 Fisher算法的不同特征时段激发雨量～前期影响雨量临界关系模型，识别山洪灾害发生不同特征时段激发雨量与前期影响雨量之间的关系，并计算临界雨量预警指标。
针对山丘区河道沿岸某防灾对象，山洪灾害发生与其上游流域特征时段降雨量和前期影响雨量密切相关，且存在一系列特征时段降雨量及前期影响雨量组合，当达到或超过该组合区间时，触发山洪灾害爆发的条件。
综合临界雨量指标是由防灾对象上游流域特征时段降雨量及特征时段起始时刻的前期影响雨量两个变量共同组成。
其中，特征时段降雨是激发因素，又称为激发雨量，其包含两个要素，山洪灾害特征时段和特征时段降雨量。山洪灾害特征时段反映了防灾对象上游流域产汇流特征，代表了山洪灾害的可预见期，不同防灾对象的特征时段不同；特征时段起始时刻有效降雨反映了流域下垫面调蓄能力特征，可用土壤含水量或前期影响雨量定量计算。因此，综合临界雨量指标可表示为两种模式：山洪灾害特征时段降雨量+土壤含水量；山洪灾害特征时段降雨量+前期影响雨量两种形式。可根据资料搜集程度和方法熟悉程度进行选择。
因此，可得出山洪灾害发生的判定方程：
山洪灾害是否发生F＝(PCP，PPE)二临界雨量指标基本计算方法
其中PCP---------山洪灾害特征时段雨量，PPE-------前期影响雨量
实施例一，本实施例提供了山洪灾害临界雨量指标计算方法；
如图1所示，山洪灾害临界雨量指标计算方法，包括：
确定山洪灾害的特征时段；滑动统计每个特征时段的激发雨量；计算每个特征时段的激发雨量对应的前期影响雨量；
基于发生以及未发生山洪灾害的每个特征时段的激发雨量和激发雨量对应的前期影响雨量，构建山洪灾害各特征时段激发雨量与前期有效降雨状态空间；
基于Fisher算法和山洪灾害各特征时段激发雨量与前期有效降雨状态空间，建立山洪灾害各个特征时段激发雨量与前期影响雨量临界关系模型，获得分类线性判别方程，根据分类线性判别方程计算每个特征时段的临界雨量值；
将待识别防灾对象的每个特征时段的激发雨量和每个特征时段激发雨量对应的前期影响雨量，输入到山洪灾害各个特征时段激发雨量与前期影响雨量临界关系模型中，输出报警或不报警结果。
作为一个或多个实施例，所述确定山洪灾害特征时段，具体步骤包括：
计算最长汇流时间和最短汇流时间，从最长汇流时间和最短汇流时间之间的时间范围内选择若干个时段作为特征时段。
作为一个或多个实施例，所述确定山洪灾害特征时段，具体步骤还包括：
根据洪峰出现时刻和降雨峰值出现时刻的计算时间差值，选取最大时间差和最小时间差，从最大时间差和最小时间差之间的时间范围内选取若干个时间段作为特征时段。
应理解的，本发明计算山洪灾害特征时段采用了两种方法，一种是根据推理公式计算的汇流时间确定。采用推理公式计算汇流时间，选取最长汇流时间和最短汇流时间作为两个特征时段，同时根据经验及流域特征从最长汇流时间和最短汇流时间之间的时间范围内选择若干个时段作为特征时段；
推理公式见式(1-1)、(1-2)；最长汇流时间τmax、最短汇流时间τmin见式 (1-3)、(1-4)。汇流时间选用推理公式法计算：
式中Qm表示洪峰流量，单位：m3/s；h在全面汇流时表示相应于τ时段的最大净雨，在部分汇流时表示单一洪峰的净雨，单位：mm，通过降雨量和前期影响雨量的和，查降雨-径流相关图中的相关线得到；F表示流域面积，单位： km2；τ表示流域汇流历时，单位：h；m表示汇流参数；L表示沿主河从出口断面至分水岭的最长距离，单位：km；J表示沿流程L的平均比降，单位：以小数计；m为汇流参数，在无资料条件下与θ取值有关，θ＝L/J1/3；
应理解的，另一种是基于小流域场次降雨洪水实测资料，根据洪峰出现时刻和降雨峰值出现时刻的计算时间差值。采用降雨峰值出现时间与洪峰出现时间的时间差，选取最大时间差MAX和最小时间差min，并根据经验及流域特征从最大时间差和最小时间差之间的时间范围内选取若干个时间段作为特征时段，见式(1-5)。
τ＝tf-tr (1-5)
式中tf—洪峰出现时刻；tr—雨峰出现的时间，如图3所示，洪峰雨峰关系图；根据以上两种方法综合确定特征时段。
作为一个或多个实施例，所述滑动统计每个特征时段的激发雨量，是根据特征时段设定滑动窗口的长度，利用滑动窗口在历史降雨量时间轴上，滑动搜索获取特征时段所对应的激发雨量。如图2所示。
作为一个或多个实施例，所述计算每个特征时段的激发雨量对应的前期影响雨量，是根据特征时段设定滑动窗口的长度，利用滑动窗口根据各特征时段的激发雨量计算得到。
前期影响雨量计算公式为：
Pa,t+1＝K(Pa,t+Pt) (1-6)
式中，Pa,t—第t时段前期影响雨量，mm；Pa,t+1—第t+1时段前n期影响雨量，mm；Pt—第t时段激发雨量，mm；K—土壤含水量的时段消退系数或折减系数。
当计算出的Pa,t值大于流域最大蓄水容量WM时，取WM作为该时段的Pa,t值。
应理解的，流域最大蓄水量WM和消退系数K计算方法如下：
1)流域最大蓄水量WM
选取久旱无雨后一次降雨量较大且全流域产流的雨洪资料，计算流域平均雨量P及产流量R。
WM＝P-R-E (1-7)
式中，E为雨期蒸发量。
2)消退系数K
消退系数K按下式计算：
式中，EM为流域日蒸发能力。
无实测洪水和蒸发资料情况下，流域最大蓄水量WM和消退系数K可取经验值。
作为一个或多个实施例，所述构建山洪灾害各特征时段激发雨量与前期影响雨量状态空间的具体步骤包括：
以特征时段激发雨量为x坐标，特征时段激发雨量对应的前期影响雨量为y 坐标，建立山洪灾害各特征时段激发雨量与前期影响雨量状态空间，将场次降雨特征时段激发雨量及激发雨量对应的前期影响雨量数据点进行标绘，同时根据历史山洪灾害记录标记每个数据点是否发生山洪灾害；
将发生山洪灾害的各个特征时段激发雨量作为横坐标，将发生山洪灾害的各个特征时段激发雨量对应的前期影响雨量作为纵坐标，得到发生山洪灾害的各个特征时段对应的负样本数据点；
将未发生山洪灾害的各个特征时段激发降雨量作为横坐标，将未发生山洪灾害的各个特征时段激发雨量对应的前期影响雨量作为纵坐标，得到未发生山洪灾害的各个特征时段对应的正样本数据点。
作为一个或多个实施例，基于Fisher算法和山洪灾害各特征时段激发雨量与前期有效降雨状态空间，建立山洪灾害各个特征时段激发雨量与前期影响雨量临界关系模型，获得分类线性判别方程，根据分类线性判别方程计算每个特征时段的临界雨量值，具体步骤包括：
在山洪灾害各特征时段与前期影响雨量状态空间中，将发生山洪灾害的历史数据点和未发生山洪灾害的历史数据点，作为训练数据，对Fisher分类器进行训练，得到训练好的Fisher分类器；
训练好的Fisher分类器即山洪灾害各个特征时段历史降雨量与历史前期影响雨量临界关系模型；
基于Fisher分类器获得分类线性判别方程，并根据分类线性判别方程计算得到每个特征时段的临界雨量值。
基于山洪灾害各特征时段与前期影响雨量状态空间，把发生山洪灾害的数据点和未发生山洪灾害的数据点分成两个子集W1和W2，将两个子集投影到一条直线上，该直线满足两类样本内部尽可能密集，即总类内离散度尽可能小和两类样本尽可能离得远，即样本类间离散度尽可能大。确定投影向量W*和阈值 y0，即确定Fisher分类器：线性判别方程g(X)＝WTX+y0。原理图见图4(a)和图 4(b)。其中X＝(x1,x2,......xd)T，W＝(w1,w2......wd)T，投影向量W*的确定：
计算两类样本均值向量mi，其中Ni是wi类的样品个数：
计算样本类内离散度矩阵Si：
总类内离散度矩阵Sw：
Sw＝S1+S2 (1-11)
计算样本类间离散度矩阵Sb：
Sb＝(m1-m2)(m1-m2)T (1-12)
Fisher准则函数：
使得JF(W)取得最大值的W*：
将样品进行投影：
y＝(W*)TX (1-15)
计算在投影空间上的分割阈值y0的确定：
在一维Y空间，两类样品均值
作为一个或多个实施例，将待识别防灾对象的每个特征时段的激发雨量和每个特征时段激发雨量对应的前期影响雨量，输入到山洪灾害各个特征时段激发雨量与前期影响雨量临界关系模型中，输出报警或不报警结果的具体步骤包括：
根据实时降雨资料或预报降雨资料，对每个特征时段的雨量进行滑动预警；即根据实时降雨的时间推进，同时滑动统计所有特征时段内的降雨量，并计算前期影响雨量，将待识别防灾对象的每个特征时段的激发雨量和每个特征时段激发雨量对应的前期影响雨量，输入到Fisher分类器中，并与线性判别方程进行比较；若某特征时段的同一前期影响雨量的情况下，激发雨量大于等于分类阈值，则发出报警，如果小于分类阈值，则不发出报警。
在训练好的Fisher分类器的山洪灾害各特征时段激发雨量与前期影响雨量临界关系模型中输入任意未知类别x，如果y＝WT*x>y0，则发生山洪灾害，模型预警；否则不发生山洪灾害。如图5所示。
实例分析:
根据石场村、松柏村流域特征确定特征时段；搜集石场村、松柏村两个防灾对象代表雨量站1951-2010年降雨数据，计算其不同特征时段的前期影响雨量并构建山洪灾害各特征时段与前期有效降雨状态空间；建立基于Fisher算法的不同特征时段激发雨量～前期影响雨量临界关系模型，识别山洪灾害发生不同特征时段激发雨量与前期影响雨量之间的关系，并计算石场、松柏两个防灾对象的不同特征时段的临界雨量指标。特征时段雨量～前期影响雨量临界关系见图6、图7、图8、图9、图10、图11、图12和图13，临界雨量预警指标见表1。
表1防灾对象预警指标表
在识别山洪灾害特征时段雨量～前期影响雨量临界关系线时，由于常规年数据离散度较大，出现的极值数据较多，在计算两类数据的均值与离散度时存在较大误差，为使识别的关系线更加精确，本发明在Fisher算法识别关系线时去掉了部分极端降雨数据点。
由图8～图13可知，石场村1.5h激发雨量～前期影响雨量图中有896个数据，误判了5个点，3h激发雨量～前期影响雨量图中有1053个数据，误判了7 个点，24h激发雨量～前期影响雨量图中有893个数据，误判了15个点，松柏村1.5h激发雨量～前期影响雨量图中有707个数据，误判了4个点，3h激发雨量～前期影响雨量图中有768个数据，误判了5个点，24h激发雨量～前期影响雨量图中有676个数据，误判了20个点。
本发明的有益效果：
(1)预警指标作为山洪灾害分析评价的关键计算成果，小流域山洪灾害预警更是防御山洪的关键环节和技术难点，而利用雨量预警指标进行山洪灾害预警是国内外应用最为广泛的预警方法。
本发明基于Fisher算法计算小流域防灾对象临界雨量预警指标的方法及系统，根据防灾对象的流域特征确定特征时段，基于长系列年山洪灾情记录及降雨数据，滑动统计不同特征时段的激发雨量，计算其对应的前期影响雨量，并构建山洪灾害各特征时段与前期影响雨量状态空间；建立基于Fisher算法的不同特征时段激发雨量～前期影响雨量临界关系模型，识别山洪灾害发生不同特征时段激发雨量与前期影响雨量之间的关系，并计算临界雨量预警指标。
(2)该方法计算的临界雨量准确率在80％以上，可为山洪灾害预警指标的应用提供参考依据。
(3)该方法后期应用时输入实时天气预报降雨数据，延长山洪灾害预警预见期，为山洪灾害预警指标的应用提供参考依据。
实施例二，本实施例提供了山洪灾害临界雨量指标计算系统；
山洪灾害临界雨量指标计算系统，包括：
山洪灾害的特征时段确定模块；
每个特征时段的激发雨量滑动统计模块；
每个特征时段的激发雨量对应的前期影响雨量计算模块；
状态空间构建模块，其被配置为基于发生以及未发生山洪灾害的每个特征时段的激发雨量和激发雨量对应的前期影响雨量，构建山洪灾害各特征时段激发雨量与前期有效降雨状态空间；
临界关系模型构建模块，其被配置为基于Fisher算法和山洪灾害各特征时段激发雨量与前期有效降雨状态空间，建立山洪灾害各个特征时段激发雨量与前期影响雨量临界关系模型，获得分类线性判别方程，根据分类线性判别方程计算每个特征时段的临界雨量值；
输出模块，其被配置为将待识别防灾对象的每个特征时段的激发雨量和每个特征时段激发雨量对应的前期影响雨量，输入到山洪灾害各个特征时段激发雨量与前期影响雨量临界关系模型中，输出报警或不报警结果。
实施例三，本实施例还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成方法中的各个操作，为了简洁，在此不再赘述。
所述电子设备可以是移动终端以及非移动终端，非移动终端包括台式计算机，移动终端包括智能手机(Smart Phone，如Android手机、IOS手机等)、智能眼镜、智能手表、智能手环、平板电脑、笔记本电脑、个人数字助理等可以进行无线通信的移动互联网设备。
应理解，在本发明中，该处理器可以是中央处理单元CPU，该处理器还算可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外一点，所显示或讨论的相互之间的耦合或者直接耦合或者通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等) 执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U 盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM， Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (8)
1.山洪灾害临界雨量指标计算方法，其特征是，包括：
确定山洪灾害的特征时段；滑动统计每个特征时段的激发雨量；计算每个特征时段的激发雨量对应的前期影响雨量；
基于发生以及未发生山洪灾害的每个特征时段的激发雨量和激发雨量对应的前期影响雨量，构建山洪灾害各特征时段激发雨量与前期有效降雨状态空间；
所述构建山洪灾害各特征时段激发雨量与前期影响雨量状态空间的具体步骤包括：
以特征时段激发雨量为x坐标，特征时段激发雨量对应的前期影响雨量为y坐标，建立山洪灾害各特征时段激发雨量与前期影响雨量状态空间，将场次降雨特征时段激发雨量及激发雨量对应的前期影响雨量数据点进行标绘，同时根据历史山洪灾害记录标记每个数据点是否发生山洪灾害；
将发生山洪灾害的各个特征时段激发雨量作为横坐标，将发生山洪灾害的各个特征时段激发雨量对应的前期影响雨量作为纵坐标，得到发生山洪灾害的各个特征时段对应的负样本数据点；
将未发生山洪灾害的各个特征时段激发降雨量作为横坐标，将未发生山洪灾害的各个特征时段激发雨量对应的前期影响雨量作为纵坐标，得到未发生山洪灾害的各个特征时段对应的正样本数据点；
基于Fisher算法和山洪灾害各特征时段激发雨量与前期有效降雨状态空间，建立山洪灾害各个特征时段激发雨量与前期影响雨量临界关系模型，获得分类线性判别方程，根据分类线性判别方程计算每个特征时段的临界雨量值；
基于Fisher算法和山洪灾害各特征时段激发雨量与前期有效降雨状态空间，建立山洪灾害各个特征时段激发雨量与前期影响雨量临界关系模型，获得分类线性判别方程，根据分类线性判别方程计算每个特征时段的临界雨量值，具体步骤包括：
在山洪灾害各特征时段与前期影响雨量状态空间中，将发生山洪灾害的历史数据点和未发生山洪灾害的历史数据点，作为训练数据，对Fisher分类器进行训练，得到训练好的Fisher分类器；
训练好的Fisher分类器即山洪灾害各个特征时段历史降雨量与历史前期影响雨量临界关系模型；
基于Fisher分类器获得分类线性判别方程，并根据分类线性判别方程计算得到每个特征时段的临界雨量值；
将待识别防灾对象的每个特征时段的激发雨量和每个特征时段激发雨量对应的前期影响雨量，输入到山洪灾害各个特征时段激发雨量与前期影响雨量临界关系模型中，输出报警或不报警结果。
2.如权利要求1所述的方法，其特征是，所述确定山洪灾害特征时段，具体步骤包括：
计算最长汇流时间和最短汇流时间，从最长汇流时间和最短汇流时间之间的时间范围内选择若干个时段作为特征时段；或者，
根据洪峰出现时刻和降雨峰值出现时刻的计算时间差值，选取最大时间差和最小时间差，从最大时间差和最小时间差之间的时间范围内选取若干个时间段作为特征时段。
3.如权利要求1所述的方法，其特征是，所述滑动统计每个特征时段的激发雨量，是根据特征时段设定滑动窗口的长度，利用滑动窗口在历史降雨量时间轴上，滑动搜索获取特征时段所对应的激发雨量。
4.如权利要求1所述的方法，其特征是，所述计算每个特征时段的激发雨量对应的前期影响雨量，是根据特征时段设定滑动窗口的长度，利用滑动窗口根据各特征时段的激发雨量计算得到。
5.如权利要求1所述的方法，其特征是，将待识别防灾对象的每个特征时段的激发雨量和每个特征时段激发雨量对应的前期影响雨量，输入到山洪灾害各个特征时段激发雨量与前期影响雨量临界关系模型中，输出报警或不报警结果的具体步骤包括：
根据实时降雨资料或预报降雨资料，对每个特征时段的雨量进行滑动预警；即根据实时降雨的时间推进，同时滑动统计所有特征时段内的降雨量，并计算前期影响雨量，将待识别防灾对象的每个特征时段的激发雨量和每个特征时段激发雨量对应的前期影响雨量，输入到Fisher分类器中，并与线性判别方程进行比较；若某特征时段的同一前期影响雨量的情况下，激发雨量大于等于分类阈值，则发出报警，如果小于分类阈值，则不发出报警。
6.山洪灾害临界雨量指标计算系统，其特征是，包括：
山洪灾害的特征时段确定模块；
每个特征时段的激发雨量滑动统计模块；
每个特征时段的激发雨量对应的前期影响雨量计算模块；
状态空间构建模块，其被配置为基于发生以及未发生山洪灾害的每个特征时段的激发雨量和激发雨量对应的前期影响雨量，构建山洪灾害各特征时段激发雨量与前期有效降雨状态空间；
所述构建山洪灾害各特征时段激发雨量与前期影响雨量状态空间的具体步骤包括：
以特征时段激发雨量为x坐标，特征时段激发雨量对应的前期影响雨量为y坐标，建立山洪灾害各特征时段激发雨量与前期影响雨量状态空间，将场次降雨特征时段激发雨量及激发雨量对应的前期影响雨量数据点进行标绘，同时根据历史山洪灾害记录标记每个数据点是否发生山洪灾害；
将发生山洪灾害的各个特征时段激发雨量作为横坐标，将发生山洪灾害的各个特征时段激发雨量对应的前期影响雨量作为纵坐标，得到发生山洪灾害的各个特征时段对应的负样本数据点；
将未发生山洪灾害的各个特征时段激发降雨量作为横坐标，将未发生山洪灾害的各个特征时段激发雨量对应的前期影响雨量作为纵坐标，得到未发生山洪灾害的各个特征时段对应的正样本数据点；
临界关系模型构建模块，其被配置为基于Fisher算法和山洪灾害各特征时段激发雨量与前期有效降雨状态空间，建立山洪灾害各个特征时段激发雨量与前期影响雨量临界关系模型，获得分类线性判别方程，根据分类线性判别方程计算每个特征时段的临界雨量值；
基于Fisher算法和山洪灾害各特征时段激发雨量与前期有效降雨状态空间，建立山洪灾害各个特征时段激发雨量与前期影响雨量临界关系模型，获得分类线性判别方程，根据分类线性判别方程计算每个特征时段的临界雨量值，具体步骤包括：
在山洪灾害各特征时段与前期影响雨量状态空间中，将发生山洪灾害的历史数据点和未发生山洪灾害的历史数据点，作为训练数据，对Fisher分类器进行训练，得到训练好的Fisher分类器；
训练好的Fisher分类器即山洪灾害各个特征时段历史降雨量与历史前期影响雨量临界关系模型；
基于Fisher分类器获得分类线性判别方程，并根据分类线性判别方程计算得到每个特征时段的临界雨量值；
输出模块，其被配置为将待识别防灾对象的每个特征时段的激发雨量和每个特征时段激发雨量对应的前期影响雨量，输入到山洪灾害各个特征时段激发雨量与前期影响雨量临界关系模型中，输出报警或不报警结果。
7.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-5任一项方法所述的步骤。
8.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-5任一项方法所述的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910418141.8A CN110298480B (zh) | 2019-05-20 | 2019-05-20 | 一种山洪灾害临界雨量指标计算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910418141.8A CN110298480B (zh) | 2019-05-20 | 2019-05-20 | 一种山洪灾害临界雨量指标计算方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110298480A CN110298480A (zh) | 2019-10-01 |
| CN110298480B true CN110298480B (zh) | 2021-10-26 |
Family
ID=68026936
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910418141.8A Active CN110298480B (zh) | 2019-05-20 | 2019-05-20 | 一种山洪灾害临界雨量指标计算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110298480B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144637A (zh) * | 2019-12-24 | 2020-05-12 | 贵州电网有限责任公司 | 基于机器学习的区域电网地质灾害预报模型构建方法 |
| CN112651172B (zh) * | 2020-12-17 | 2024-02-09 | 杭州鲁尔物联科技有限公司 | 一种降雨峰值类型划分方法、装置、设备和存储介质 |
| CN113034853B (zh) * | 2021-03-02 | 2023-10-17 | 成都正和德能风险管理咨询有限公司 | 一种洪水预报预警分析方法及系统 |
| CN113837667A (zh) * | 2021-11-24 | 2021-12-24 | 中国科学院地理科学与资源研究所 | 一种基于位置大数据的城市抗灾韧性阈值检测方法及系统 |
| CN114596689B (zh) * | 2022-01-12 | 2023-02-24 | 成都理工大学 | 一种浅层滑坡型沟谷泥石流预警方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106504158A (zh) * | 2016-09-19 | 2017-03-15 | 济南大学 | 一种山丘区沿河村落山洪灾害成灾水位及危险区划分方法 |
| CN106940840A (zh) * | 2017-03-14 | 2017-07-11 | 东南大学 | 一种城市内涝灾害风险评估方法 |
| CN108304967A (zh) * | 2018-01-18 | 2018-07-20 | 长江水利委员会水文局 | 降雨-流量-水位耦合插值求解山洪灾害临界雨量的方法 |
| CN108647805A (zh) * | 2018-04-03 | 2018-10-12 | 郑州大学 | 一种山洪灾害临界雨量综合检验方法 |
| CN109118721A (zh) * | 2018-10-31 | 2019-01-01 | 河海大学 | 基于临界雨量推求复合预警指标的方法、装置及预警方法 |
| CN109242336A (zh) * | 2018-09-28 | 2019-01-18 | 郑州大学 | 多情景模式下山洪灾害临界雨量预警方法 |
-
2019
- 2019-05-20 CN CN201910418141.8A patent/CN110298480B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106504158A (zh) * | 2016-09-19 | 2017-03-15 | 济南大学 | 一种山丘区沿河村落山洪灾害成灾水位及危险区划分方法 |
| CN106940840A (zh) * | 2017-03-14 | 2017-07-11 | 东南大学 | 一种城市内涝灾害风险评估方法 |
| CN108304967A (zh) * | 2018-01-18 | 2018-07-20 | 长江水利委员会水文局 | 降雨-流量-水位耦合插值求解山洪灾害临界雨量的方法 |
| CN108647805A (zh) * | 2018-04-03 | 2018-10-12 | 郑州大学 | 一种山洪灾害临界雨量综合检验方法 |
| CN109242336A (zh) * | 2018-09-28 | 2019-01-18 | 郑州大学 | 多情景模式下山洪灾害临界雨量预警方法 |
| CN109118721A (zh) * | 2018-10-31 | 2019-01-01 | 河海大学 | 基于临界雨量推求复合预警指标的方法、装置及预警方法 |
Non-Patent Citations (2)
| Title |
|---|
| 不同面积小流域山洪泥石流预报模型研;张洪江 等;《灾害学》;20110130;第26卷(第1期);第65-69页 * |
| 基于半分布式水文模型的小流域山洪临界雨量指标计算;孙静 等;《水文》;20200831;第40卷(第4期);第1-6页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110298480A (zh) | 2019-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298480B (zh) | 一种山洪灾害临界雨量指标计算方法及系统 | |
| CN110008301B (zh) | 基于机器学习的区域性地质灾害易发性预测方法及装置 | |
| US10962682B2 (en) | System and method for forecasting floods | |
| Seo et al. | A statistical post-processor for accounting of hydrologic uncertainty in short-range ensemble streamflow prediction | |
| CN114022052B (zh) | 水质异常监测方法、装置、存储介质及计算机设备 | |
| He et al. | Modeling and predicting rainfall time series using seasonal-trend decomposition and machine learning | |
| Sartini et al. | Comparing different extreme wave analysis models for wave climate assessment along the Italian coast | |
| US20150310275A1 (en) | Method and device for calculating number and moving direction of pedestrians | |
| CN108710989A (zh) | 一种基于联合分布函数的综合干旱指数 | |
| CN110646867A (zh) | 一种城市排水监测预警方法和系统 | |
| CN104573859A (zh) | 一种基于Wifi定位和云数据处理技术的人流量预测方法 | |
| CN117113236B (zh) | 一种智慧城市监控系统及数据处理方法 | |
| Aznarte | Probabilistic forecasting for extreme NO2 pollution episodes | |
| KR102247188B1 (ko) | 상황인식 및 퍼지이론 기반의 해수욕장 위험도 평가 시스템 및 방법과, 이를 위한 컴퓨터 프로그램 | |
| CN112434260A (zh) | 一种公路的交通状态检测方法、装置、存储介质及终端 | |
| CN115014299B (zh) | 基于物联网和大数据的洪峰预警方法 | |
| CN109344993B (zh) | 一种基于条件概率分布的河道洪峰水位预报方法 | |
| CN113538857B (zh) | 一种滑坡地质灾害预警方法、装置、终端及存储介质 | |
| CN116990847B (zh) | 基于边缘计算的北斗gnss接收机解算方法和系统 | |
| CN116703004B (zh) | 一种基于预训练模型的水系流域智慧巡护方法和装置 | |
| Shen et al. | Real-time road traffic fusion and prediction with GPS and fixed-sensor data | |
| CN109299521A (zh) | 径流总量控制率的确定方法及装置 | |
| CN116740586A (zh) | 冰雹识别方法、装置、电子设备及计算机可读存储介质 | |
| CN116645013A (zh) | 一种城市生态韧性评估预警方法、装置及相关设备 | |
| Nayak et al. | Evaluation of the capability of the Lombard test in detecting abrupt changes in variance |
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 |