CN110728409B - 一种洪水过程类型相似性挖掘与快速预测方法 - Google Patents
一种洪水过程类型相似性挖掘与快速预测方法 Download PDFInfo
- Publication number
- CN110728409B CN110728409B CN201910981658.8A CN201910981658A CN110728409B CN 110728409 B CN110728409 B CN 110728409B CN 201910981658 A CN201910981658 A CN 201910981658A CN 110728409 B CN110728409 B CN 110728409B
- Authority
- CN
- China
- Prior art keywords
- flood
- flood process
- rainfall
- type
- process type
- 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 323
- 230000008569 process Effects 0.000 title claims abstract description 272
- 238000005065 mining Methods 0.000 title claims abstract description 15
- 238000007619 statistical method Methods 0.000 claims description 21
- 238000012797 qualification Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 238000006424 Flood reaction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010946 mechanistic model Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 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)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种洪水过程类型相似性挖掘与快速预测方法,包括以下步骤:步骤1、识别洪水过程主要类型及其洪水特征;步骤2、确定各洪水过程类型下各特征指标的范围及隶属度标准;步骤3、确定降雨决定性因子及其与洪水过程特征指标间的定量关系;步骤4、依据降雨预报信息预测未来洪水过程类型。基于同时期实测洪水过程,识别了流域洪水过程特征指标和降雨决定性因子,确定了流域洪水过程的典型类型,为洪水类型早期快速识别、洪水发展情势预估等提供技术支撑。
Description
技术领域
本发明涉及洪水预报技术领域,具体为一种洪水过程类型相似性挖掘与快速预测方法,主要用于洪水类型早期快速识别、洪水发展情势预估等工作。
背景技术
受东亚季风气候和复杂下垫面的影响,我国水资源时空分布极不均匀,洪水和干旱灾害并存且繁发。特别是洪水灾害已成为我国各类自然灾害发生频率之首,直接经济损失巨大。在全球变化与社会经济快速发展的背景下,我国未来径流情势更加复杂,导致水旱灾害和水资源供需矛盾等问题愈加突出,加强洪水灾害预警预报仍是我国水利科技发展亟待解决的重大科学问题。
洪水预报大多以流域水文系统为研究对象,根据降雨、蒸发和径流等水文过程在自然界的运动规律建立降雨-径流关系,即流域水文模型来对洪水进行预报。水文模型通常被分为三大类:机理性(或物理性)模型、概念模型和经验(黑箱)模型。机理性模型采用能量守恒和水量平衡等物理学原理准确刻画流域下垫面条件非均匀性及对应的各水文过程机理等,这类模型结构复杂,每个过程均有明确的物理定义,物理机制强;但需要大量精细的下垫面信息、水文气象输入等,且运算速度较慢等。概念性模型是在一定程度上考虑径流形成过程的物理过程,常用一些物理和经验参数来概括径流形成的物理现象;这类模型操作简单,输入资料相对较少,但模型参数确定仍是一大难点问题,要求使用者对水文过程概化和模型结构均有深刻的认识。经验模型是通过对翔实的历史资料挖掘总结出来的降雨-径流关系方程,该方法简单实用,可对洪水进行准确预报;常用的方法有最小二乘法、卡尔曼滤波、回归分析、模糊数学和神经网络等统计分析手段。随着近年来观测手段的多元化、大数据分析和数据深度挖掘能力的提高等,采用经验模型对洪水进行预报势必得到进一步的发展和完善。
此外,目前洪水预报大多关注洪峰流量和峰现时间两大洪水特征指标,但忽视了洪水过程的其他特征指标,如洪水事件发生频率、历时、洪水形态、峰涨峰落速率以及洪峰个数等。这些指标也将为认识洪水形态特征演变、水利工程防洪调控和提高雨洪资源利用效率等提供重要的决策依据。
发明内容
本发明的目的在于提供一种洪水过程相似性判别与预测方法,该方法结合水文统计技术、数据挖掘等方法,结合长序列洪水、降水等观测资料,可快速、有效地确定流域典型站点的洪水过程类型,以及降水因子和洪水过程特征指标的相关关系,为流域洪水预报和发展态势、雨洪资源利用等提供了技术支撑。本发明的目的是通过以下技术方案实现的。
一种洪水过程类型相似性挖掘与快速预测方法,包括以下步骤:
步骤1)识别洪水过程主要类型及其洪水特征:1-1.筛选洪水过程特征指标用于刻画流域洪水过程,所述洪水特征指标包括洪水量级、历时、形态、出现时间和变率;1-2.收集流域多站点长序列同时期的实测降雨和洪水资料,根据实测洪水资料,计算其洪水过程特征指标;1-3.利用多元统计分析方法确定有代表性的可解释该流域洪水过程特征指标,识别流域洪水过程的主要类型及其时空分布,所述多元统计分析方法包括降维处理和聚类方法;1-4.并通过对比各洪水过程类型的特征指标,辨识主要洪水过程类型间的差异性,确定各洪水过程类型的特征;
步骤2)确定各洪水过程类型下各特征指标的范围及隶属度标准:2-1.根据各洪水过程类型的特征,分析各特征指标在各洪水过程类型中的频率分布,确定各洪水过程类型下各特征指标的取值区间,制定各指标在不同洪水过程类型中的隶属度标准;2-2.根据实际洪水过程类型验证和进一步优化各洪水过程类型下各特征指标的隶属度标准;
步骤3)确定降雨决定性因子及其与洪水过程特征指标间的定量关系:3-1.参考洪过程水特征指标,筛选降雨特征指标用于刻画所处流域同时期的降雨过程,所述降雨特征指标包括降水峰值历时、前期降水量、降水变率、降水峰值、降水历时、降水总量;3-2.利用实测降雨资料计算各降雨特征指标;3-3.利用统计分析方法筛选对洪水特征指标敏感的降雨决定性因子,并确定各洪水过程特征指标与降雨决定性因子间的定量关系,所述统计分析方法包括回归分析、神经网络;3-4.根据实际洪水过程类型验证和进一步优化降雨决定性因子与洪水过程特征指标之间的定量关系。
步骤4)依据降雨预报信息预测未来洪水过程类型:4-1.根据流域未来多源降雨预报信息,计算步骤3)中筛选的降雨决定性因子;4-2.基于步骤3)构建的降雨决定性因子与洪水过程特征指标间的定量关系,由降雨决定因子模拟未来降雨对应场次洪水过程的特征指标;4-3.基于步骤2)确定的各洪水过程类型下各特征指标的隶属度标准,预测未来的洪水过程类型。
进一步的,步骤1)中所述降维处理采用主成分分析法,所述聚类方法采用Ward法。
进一步的,步骤2)中2-2步的具体过程为;
2-2-1、由流域实测洪水过程,按照步骤1)确定其实际洪水过程类型;
2-2-2、基于实测洪水过程的特征指标,按照2-1步确定的各洪水过程类型下各特征指标的隶属度标准,计算各特征指标属于各洪水过程类型的隶属度,分别对每场次洪水过程的所有特征指标隶属于各洪水过程类型的程度(即隶属度)求平均值,即可获得该场次洪水属于各洪水过程类型的隶属度,计算式为式(1),隶属度最大的洪水过程类型即为该场次洪水的模拟洪水过程类型,计算式为式(2);
R=max(r1,…,rM) (2)
式中:ρ为场次洪水某一特征指标属于某一类洪水过程类型的隶属度;r为场次洪水属于某一洪水过程类型的隶属度,R为场次洪水最终的隶属度;N和M分别为洪水过程特征指标总数和洪水过程类型总数;
2-2-3、比较流域各场次洪水的模拟洪水过程类型与实际洪水过程类型,计算模拟洪水过程类型的合格率,如式(3)所示;若合格率小于60%,则优化调整各洪水过程类型下各特征指标的隶属度标准,直至模拟洪水过程类型的合格率达到60%以上,
式中:ST为模拟洪水过程类型的合格率;K为流域洪水场次总数;Cs和Co分别为模拟和实际洪水过程类型。
进一步的,步骤3)3-3步中定量关系如式(4)所示:
FRi=f(p1,p2,…,pt) (4)
式中:FRi为第i个洪水过程特征指标;p为降雨决定性因子,共t个。
进一步的,步骤3)3-4步中,先采用相对误差、相关性系数、确定系数指标评估洪水过程特征指标与降雨决定性因子间定量关系的优劣,若评估指标不达标,则重新选择统计分析方法构建上述定量关系;再根据各场次洪水的降雨决定性因子,由3-3步确定的降雨决定性因子与洪水过程特征指标间的定量关系,模拟各场次洪水过程的特征指标,通过步骤2)中确定的隶属度标准判断各场次洪水所属的洪水过程类型,并与实际的洪水过程类型比较,进一步验证该定量关系的优劣,若模拟洪水过程类别的合格率小于60%,则重新选择统计分析方法构建上述定量关系。
进一步的,步骤4)中4-3步的具体过程为:基于步骤2)确定的各洪水过程类型下各特征指标的隶属度标准,计算特征指标属于各洪水过程类型的隶属度,分别对各类洪水过程的特征指标隶属于各洪水过程类型的程度(即隶属度)求平均值,即可获得本场洪水属于各洪水过程类型的隶属度,隶属度最大的洪水过程类型即为本场洪水的预报洪水过程类型。
本发明的有益效果:
(1)本发明引入统计聚类手段,快速、高效、准确地识别洪水过程主要类型,能够完整揭示流域主要的洪水过程特征及其时空分布。
(2)本发明采用频率分布与隶属度评估相结合,提出各洪水过程类别对应洪水特征指标的取值标准以及隶属度,为洪水过程类别预测提供了判定标准和评估方法,该方法简便、合理、客观。
(3)本发明提出基于多元统计分析的降雨决定性因子和洪水过程特征指标的量化方法,该方法融合多种分析方法,减少了单一方法的不确定性,提高了预测结果的可靠性,客观合理、实用性强,方便推广应用。
下面结合附图及具体实施方式对本发明作进一步详细说明。
附图说明
图1:本发明洪水过程类型相似性挖掘与快速预测方法流程图;
图2:本发明确定流域主要洪水过程类型及其隶属度标准的流程示意图;
图3:本发明确定降雨决定性因子及其与洪水过程特征指标间定量关系的流程示意图;
图4:洪水过程特征指标示意图;
图5:第一类洪水过程类型下洪水总量的频率分布。
具体实施方式
本发明提出了一种洪水过程类型相似性挖掘与快速预测方法,通过统计聚类和数据挖掘手段相结合,不仅识别了洪水过程主要类型,提出了洪水特征指标的分类标准及隶属度,而且给出了降雨因子和洪水过程特征指标的多种定量关系,为流域洪水预报和发展态势、雨洪资源利用等提供了技术支撑。
下面将结合本发明实施例图1、图2、图3,对本发明实施例中的技术方案进行完整地描述,本实施例选择我国淮河流域长台关水文站。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围:
步骤1)识别洪水过程主要类型及其洪水特征:筛选反映洪水量级、历时、形态、出现时间和变率等洪水过程的特征指标,用于刻画流域洪水过程;收集流域多站点长序列同时期的实测降雨和洪水资料,根据实测洪水资料,计算其特征指标;利用降维和聚类等多元统计分析方法识别流域洪水过程的主要类型及其时空分布;并通过对比各洪水过程类型的特征指标,确定各洪水过程类型的情势特征。具体实现如下:
1-1、筛选反映洪水量级、历时、形态、出现时间和变率等洪水过程特征指标,用于刻画流域洪水过程,本实施例根据相似性和代表性原则筛选的洪水过程特指标共9个,如表1和图4所示:
表1洪水过程特征指标
注:Qsum,Qt分别为洪水场次的总量(m3/s)和单位时间的洪水量(m3/s);Qbegin,Qend分别为洪水开始时对应的流量(m3/s)和洪水结束时对应的流量(m3/s);A和t分别为流域面积(km2)和时间步长(s);tend为洪水结束时间(小时);σ和Qav分别为洪水过程标准差(m3/s)和平均值(m3/s)。
1-2、收集淮河长台关流域长序列同时期的67场实测降雨和洪水资料,根据实测洪水资料,计算1-1步中筛选的洪水过程特征指标。
1-3、利用降维和聚类等多元统计分析方法,确定有代表性的可解释该流域洪水过程的特征指标,识别流域洪水过程的主要类型及其时空分布;具体实现如下:
本实施例中采用主成分分析法,对以上9个洪水特征指标进行降维处理。
具体算法如下:
式中,X为洪水特征指标矩阵;p是洪水特征指标的数量,本案例p=9;n是洪水场次数,本案例n=38。为了保证主成份因子的独立性,设定协方差矩阵为0,即:
其中rij是第i个指标和j指标的相关系数,即(i,j=1,2,…,p)。公式(6)中的特征值(λ1,λ2…λp)及其特征向量ai=(ai1,ai2,…aip),i=1,2…p可以通过Jacobian方法计算获得。
如果累积方差达到一定阈值,则前面m个主成份可以认为抓住所有洪水特征指标的变化。本案例将阈值设定为80%,因此9个洪水特征指标降维成4个有代表性的主成份因子,累计方差贡献率为82%,能够较好的反映被解释变量的情况。因此,洪水特征指标矩阵X可以降维为一个新的特征矩阵P,即:
进一步,采用层次聚类的手段对67场洪水过程分为几类代表性洪水。聚类方法主要采用Ward算法,而欧氏距离(ED)则用于计算各主成份之间的相似程度,具体算法如下:
式中K为聚类的数量;Nk为类别k中的特征向量数目。Goodman–Kruskal指数(GKI)(Goodman and Kruskal,1954),C指标(CI)(Hubert and Schultz,1976)和各类别中的最小洪水场次数据作为评估聚类的好坏。其中GKI越大,CI值越小,而且所有类别中的洪水场次数超过两场,则认为聚类数量是可以接受的。本案例将67场相似洪水场次聚类为四类洪水过程类型,其中GKI和CI指标分别为0.59和0.19,而且每一类型的洪水场次均不低于10场,因此每一类洪水过程类型均具有较强的代表性。
1-4、通过对比各洪水过程类型的特征指标,辨识流域主要洪水过程类型间的差异性,确定各洪水过程类型的情势特征。
步骤2)确定各洪水过程类型下各特征指标的范围及隶属度标准:根据各洪水过程类型特征,分析各特征指标在各洪水过程类型中的频率分布,确定各洪水过程类型下各特征指标的取值区间,制定各指标在不同洪水过程类型中的隶属度标准;根据实际洪水过程类型验证和进一步优化各洪水过程类型下各特征指标的隶属度标准。具体实现如下:
2-1、根据各洪水过程类型特征,分析各特征指标在各洪水过程类型中的频率分布,如图5所示,确定各洪水过程类别下各特征指标的取值区间,制定各特征指标在不同洪水过程类型中的隶属度标准。具体实现如下:
本实施例中将场次洪水属于不同洪水过程类型的隶属度分为四个等级,即1.00、0.67、0.33和0.00,隶属度越大,则越接近于该类型。如图5中1类洪水过程类型所示,R取值区间为20~30mm时,其隶属度为1.00;R取值区间为10~20mm或30~60mm时,其隶属度为0.67;R取值区间为60~90mm时,其隶属度为0.33;其余取值区间对应的隶属度为0。
2-2、根据实际洪水过程类型验证和进一步优化各洪水过程类型下各特征指标的隶属度标准;
2-2-1、由实测洪水过程,按照步骤1)确定其实际洪水过程类型;
2-2-2、基于实测洪水过程的特征指标,按照2-1步确定的各洪水过程类型下各特征指标的隶属度标准,计算各特征指标属于各洪水过程类型的隶属度,分别对每场次洪水过程的所有特征指标隶属于各洪水过程类型的程度(即隶属度)求平均值,即可获得该场洪水属于各洪水过程类型的隶属度,计算式为式(1),隶属度最大的洪水过程类型即为该场次洪水的模拟洪水过程类型,计算式为式(2);
R=max(r1,…,rM) (2)
式中:ρ为场次洪水某一特征指标属于某一类洪水过程类型的隶属度;r为场次洪水属于某一洪水过程类型的隶属度,R为场次洪水最终的隶属度;N和M分别为特征指标总数和洪水过程类型总数。
2-2-3、比较流域各场次洪水的模拟洪水过程类型与实际洪水过程类型,计算模拟洪水过程类型的合格率,若合格率小于60%,则优化调整各洪水过程类型下各特征指标的隶属度标准,直至模拟洪水过程类型的合格率达到60%以上。本实施例中模拟洪水过程类型的合格率达到92%,说明制定的各洪水过程类型下各特征指标的隶属度标准可以很好地反映洪水过程类型情况。
式中:ST为模拟洪水过程类型的合格率;K为流域洪水场次总数;Cs和Co分别为模拟和实际洪水过程类型。
步骤3)确定降雨决定性因子及其与洪水过程特征指标间的定量关系:参考洪水过程特征指标,筛选反映降水量级、历时、峰值、变率等降雨特征的指标,用于刻画流域同时期的降雨过程;利用实测降雨资料计算各降雨特征指标;利用回归分析、神经网络等统计分析方法筛选对洪水过程特征指标敏感的降雨决定性因子,并确定各洪水过程特征指标与降雨决定性因子间的定量关系;根据实际洪水过程类型验证和进一步优化降雨决定性因子与洪水过程特征之间的定量关系。具体实现如下:
3-1、参考洪水过程特征指标,筛选反映降水量级、历时、峰值、变率等降雨特征的指标,用于刻画流域同时期的降雨过程。本实施例筛选的降雨特征指标共12个,如表2所示:
表2降雨特征指标
3-2、根据流域同时期的实测降雨资料,计算3-1步中筛选的各降雨特征指标;
3-3、利用回归分析、神经网络等统计分析方法筛选对洪水过程特征指标敏感的降雨决定性因子,并确定各洪水过程特征指标与降雨决定性因子间的定量关系,定量关系如式(4)所示:
FRi=f(p1,p2,…,pt) (4)
式中:FRi为第i个洪水过程特征指标;p为降雨决定性因子,共t个。
具体实现如下:
本实施例中采用神经网络-径向基函数分析了降雨决定性因子对洪水过程特征指标的影响,各指标的重要性如表2所示,重要性数值越大,相应指标对洪水过程特征指标越敏感。分别采用线性回归和神经网络两种统计方式,对降雨决定性因子和洪水过程特征指标之间的关系进行量化。构建的线性回归量化关系如式(9)所示:
FRi=a1p1+a2p2+…+atpt (9)
式中,ai为拟合的线性系数;其他参数同上。
采用神经网络构建降雨决定性因子与洪水过程特征指标间的量化关系时,相应的参数如表3所示:
表3神经网络预测洪水过程特征指标各参数
隐含网络层数 | 输入层节点数 | 最小训练速率 |
1 | 8 | 0.1 |
动态参数 | 参数SIGMOID | 允许误差 |
0.6 | 0.9 | 0.001 |
3-4、采用相对误差、相关性系数、确定系数等指标评估洪水过程特征指标与降雨决定性因子间定量关系的优劣,若评估指标不达标,则重新选择统计分析方法构建上述定量关系。具体实现如下:
本实施例采用确定系数R2评估洪水过程特征指标与降雨决定性因子间定量关系的优劣,取值范围为0~1,越接近1说明该模型拟合程度越好,若R2小于0.5,则重新选择统计分析方法构建上述定量关系。确定系数计算公式如式(10)所示:
根据各场次洪水的降雨决定性因子,由3-3步确定的降雨决定性因子与洪水过程特征指标间的定量关系,模拟各场次洪水的特征指标,通过步骤2)中确定的隶属度标准判断各场次洪水所属的洪水过程类型,并与实际的洪水过程类型比较,进一步验证该定量关系的优劣,若模拟洪水过程类别的合格率小于60%,则重新选择统计分析方法构建上述定量关系。
步骤4)依据降雨预报信息预测未来洪水过程类型:根据流域未来多源降雨预报信息,计算步骤3)中筛选的降雨决定性因子;基于步骤3)构建的降雨决定性因子与洪水过程特征指标间的定量关系,模拟未来降雨对应场次洪水过程的特征指标;基于步骤2)确定的各洪水过程类型下各特征指标的隶属度标准,预测未来的洪水过程类型。具体实现如下:
4-1、根据流域未来多源降雨预报信息,计算3-3步中筛选的对流域洪水过程特征指标敏感的降雨决定性因子;
4-2、基于3-3步中构建的降雨决定性因子与洪水过程特征指标间的定量关系,由未来降雨决定性因子模拟未来降雨对应场次洪水过程的特征指标;
4-3、基于2-1步中确定的各洪水过程类型下各特征指标的隶属度标准,计算各特征指标属于各洪水过程类型的隶属度,分别对各类洪水过程的特征指标隶属度求平均值,即可获得本次洪水属于各洪水过程类型的隶属度,隶属度最大的洪水过程类型即为本场洪水的预报洪水过程类型。
Claims (6)
1.一种洪水过程类型相似性挖掘与快速预测方法,其特征在于:包括以下步骤:
步骤1)识别洪水过程主要类型及其洪水特征:1-1.筛选洪水过程特征指标用于刻画流域洪水过程,所述洪水特征指标包括洪水量级、历时、形态、出现时间和变率;1-2.收集流域多站点长序列同时期的实测降雨和洪水资料,根据实测洪水资料,计算其洪水过程特征指标;1-3.利用多元统计分析方法确定有代表性的可解释该流域洪水过程特征指标,识别洪水过程的主要类型及其时空分布,所述多元统计分析方法包括降维处理和聚类方法;1-4.并通过对比各洪水过程类型的特征指标,辨识主要洪水过程类型间的差异性,确定各洪水过程类型的特征;
步骤2)确定各洪水过程类型下各特征指标的范围及隶属度标准:2-1.根据各洪水过程类型的特征,分析各特征指标在各洪水过程类型中的频率分布,确定各洪水过程类型下各特征指标的取值区间,制定各指标在不同洪水过程类型中的隶属度标准;2-2.根据实际洪水过程类型验证和进一步优化各洪水过程类型下各特征指标的隶属度标准;
步骤3)确定降雨决定性因子及其与洪水过程特征指标间的定量关系:3-1.参考洪水过程特征指标,筛选降雨特征指标用于刻画所处流域同时期的降雨过程,所述降雨特征指标包括降水峰值历时、前期降水量、降水变率、降水峰值、降水历时、降水总量;3-2.利用实测降雨资料计算各降雨特征指标;3-3.利用统计分析方法筛选对洪水特征指标敏感的降雨决定性因子,并确定各洪水过程特征指标与降雨决定性因子间的定量关系,所述统计分析方法包括回归分析、神经网络;3-4.根据实际洪水过程类型验证和进一步优化降雨决定性因子与洪水过程特征指标之间的定量关系;
步骤4)依据降雨预报信息预测未来洪水过程类型:4-1.根据流域未来降雨预报信息,计算步骤3)中筛选的降雨决定性因子;4-2.基于步骤3)构建的降雨决定性因子与洪水过程特征指标间的定量关系,由降雨决定因子模拟未来降雨对应场次洪水过程的特征指标;4-3.基于步骤2)确定的各洪水过程类型下各特征指标的隶属度标准,预测未来的洪水过程类型。
2.根据权利要求1所述一种洪水过程类型相似性挖掘与快速预测方法,其特征在于:步骤1)中所述降维处理采用主成分分析法,所述聚类方法采用Ward法。
3.根据权利要求1所述一种洪水过程类型相似性挖掘与快速预测方法,其特征在于:步骤2)中2-2步的具体过程为;
2-2-1、由实测洪水过程,按照步骤1)确定其实际洪水过程类型;
2-2-2、基于实测洪水过程的特征指标,按照2-1步确定的各洪水过程类型下各特征指标的隶属度标准,计算各特征指标属于各洪水过程类型的隶属度,分别对每场次洪水过程的所有特征指标隶属于各洪水过程类型的程度求平均值,即可获得该场洪水属于各洪水过程类型的隶属度,计算式为式(1),隶属度最大的洪水过程类型即为该场次洪水的模拟洪水过程类型,计算式为式(2);
R=max(r1,…,rM) (2)
式中:ρ为场次洪水某一特征指标属于某一类洪水过程类型的隶属度;r为场次洪水属于某一洪水过程类型的隶属度,R为场次洪水最终的隶属度;N和M分别为洪水过程特征指标总数和洪水过程类型总数;
2-2-3、比较流域各场次洪水的模拟洪水过程类型与实际洪水过程类型,计算模拟洪水过程类型的合格率,如式(3)所示;若合格率小于60%,则优化调整各洪水过程类型下各特征指标的隶属度标准,直至模拟洪水过程类型的合格率达到60%以上,
式中:ST为模拟洪水过程类型的合格率;K为流域洪水场次总数;Cs和Co分别为模拟和实际洪水过程类型。
4.根据权利要求1所述一种洪水过程类型相似性挖掘与快速预测方法,其特征在于:步骤3)3-3步中定量关系如式(4)所示:
FRi=f(p1,p2,…,pt) (4)
式中:FRi为第i个洪水过程特征指标;p为降雨决定性因子,共t个。
5.根据权利要求1所述一种洪水过程类型相似性挖掘与快速预测方法,其特征在于:步骤3)3-4步中,先采用相对误差、相关性系数、确定系数指标评估洪水过程特征指标与降雨决定性因子间定量关系的优劣,若评估指标不达标,则重新选择统计分析方法构建上述定量关系;再根据各场次洪水的降雨决定性因子,由3-3步确定的降雨决定性因子与洪水过程特征指标间的定量关系,模拟各场次洪水过程的特征指标,通过步骤2)中确定的隶属度标准判断各场次洪水所属的洪水过程类型,并与实际的洪水过程类型比较,进一步验证该定量关系的优劣,若模拟洪水过程类别的合格率小于60%,则重新选择统计分析方法构建上述定量关系。
6.根据权利要求1所述一种洪水过程类型相似性挖掘与快速预测方法,其特征在于:步骤4)中4-3步的具体过程为:基于步骤2)确定的各洪水过程类型下各特征指标的隶属度标准,计算特征指标属于各洪水过程类型的隶属度,分别对每场次洪水过程的所有特征指标隶属于各洪水过程类型的程度求平均值,即可获得本场洪水属于各洪水过程类型的隶属度,隶属度最大的洪水过程类型即为本场洪水的预报洪水过程类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910981658.8A CN110728409B (zh) | 2019-10-16 | 2019-10-16 | 一种洪水过程类型相似性挖掘与快速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910981658.8A CN110728409B (zh) | 2019-10-16 | 2019-10-16 | 一种洪水过程类型相似性挖掘与快速预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728409A CN110728409A (zh) | 2020-01-24 |
CN110728409B true CN110728409B (zh) | 2020-04-28 |
Family
ID=69221350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910981658.8A Active CN110728409B (zh) | 2019-10-16 | 2019-10-16 | 一种洪水过程类型相似性挖掘与快速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728409B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199456B (zh) * | 2020-09-17 | 2022-03-25 | 西南科技大学 | 一种基于供给型水文生态系统服务的流域水资源管理方法 |
CN112183607B (zh) * | 2020-09-23 | 2023-11-07 | 浙江水利水电学院 | 一种基于模糊理论的东南沿海地区洪水分类方法 |
CN113779113B (zh) * | 2021-11-12 | 2022-03-08 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于雨洪时空过程相似性挖掘的洪水动态预估方法及系统 |
CN115421217B (zh) * | 2022-07-27 | 2023-06-23 | 中国科学院地理科学与资源研究所 | 一种基于降雨预报信息的洪水过程及其类型预报方法 |
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 (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740969A (zh) * | 2016-01-21 | 2016-07-06 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于数据驱动的小流域洪水实时预报方法 |
-
2019
- 2019-10-16 CN CN201910981658.8A patent/CN110728409B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740969A (zh) * | 2016-01-21 | 2016-07-06 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于数据驱动的小流域洪水实时预报方法 |
Non-Patent Citations (2)
Title |
---|
" 海河流域下垫面要素变化及其对洪水的影响研究";魏兆珍;《中国博士学位论文全文数据库 基础科学辑》;20150215(第 02 期);第A012-8页 * |
"不同库容配置比例淤地坝的减沙效应";冉大川等;《农业工程学报》;20130630;第29卷(第12期);第154-160页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110728409A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728409B (zh) | 一种洪水过程类型相似性挖掘与快速预测方法 | |
CN111639748B (zh) | 一种基于lstm-bp时空组合模型的流域污染物通量预测方法 | |
CN113379109B (zh) | 一种基于预测模型自适应的径流预报方法 | |
CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
CN108491970B (zh) | 一种基于rbf神经网络的大气污染物浓度预测方法 | |
CN112465243B (zh) | 一种空气质量预报方法及系统 | |
CN106779223B (zh) | 一种光伏系统发电功率实时预测方法及装置 | |
CN106339536B (zh) | 基于水污染指数法和云模型的水质综合评价方法 | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
CN108830423B (zh) | 一种基于预报域的年径流预测方法 | |
CN107886160B (zh) | 一种bp神经网络区间需水预测方法 | |
CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
CN117035201B (zh) | 平原河网水工程集群多目标调度规则制定方法及系统 | |
CN113705931B (zh) | 一种利用k最邻近法预测径流要素的方法 | |
CN112232561A (zh) | 基于约束并行lstm分位数回归的电力负荷概率预测方法 | |
CN113537469A (zh) | 一种基于LSTM网络和Attention机制的城市需水预测方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN116776745A (zh) | 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统 | |
CN115545473A (zh) | 一种基于lstm的生活垃圾投放趋势智能预测方法 | |
CN110533243A (zh) | 一种基于分形理论的建筑能耗预测方法 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
CN117370813A (zh) | 一种基于k线模式匹配算法的大气污染深度学习预测方法 | |
CN116663404A (zh) | 一种耦合人工智能和贝叶斯理论的洪水预报方法及系统 | |
CN113836807B (zh) | 一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法 |
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 |