CN110737875A - 一种中长期山洪灾害预警预判方法 - Google Patents

一种中长期山洪灾害预警预判方法 Download PDF

Info

Publication number
CN110737875A
CN110737875A CN201910905968.1A CN201910905968A CN110737875A CN 110737875 A CN110737875 A CN 110737875A CN 201910905968 A CN201910905968 A CN 201910905968A CN 110737875 A CN110737875 A CN 110737875A
Authority
CN
China
Prior art keywords
rainfall
early warning
data
medium
mountain torrent
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.)
Granted
Application number
CN201910905968.1A
Other languages
English (en)
Other versions
CN110737875B (zh
Inventor
施征
陈焕宝
胡琳琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Institute of Hydraulics and Estuary
Original Assignee
Zhejiang Institute of Hydraulics and Estuary
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Institute of Hydraulics and Estuary filed Critical Zhejiang Institute of Hydraulics and Estuary
Priority to CN201910905968.1A priority Critical patent/CN110737875B/zh
Publication of CN110737875A publication Critical patent/CN110737875A/zh
Application granted granted Critical
Publication of CN110737875B publication Critical patent/CN110737875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及一种中长期山洪灾害预警预判方法，该方法包括山洪预警指标计算、流域雨型分析、基于神经网络的中长期降雨量预测、山洪灾害预警预判等。以往山洪预警都以短历时为主，本发明考虑大尺度大气数据变化，采用神经网络的方法预报中长期降雨量，以此来预判山洪灾害发生趋势，能较大地延长预见期，为山洪灾害防治提供良好的技术支撑，同时对于基础设施的建设和宏观决策具有重大意义。

Description

一种中长期山洪灾害预警预判方法
技术领域
本发明涉及灾害预警技术领域，特别是涉及一种中长期山洪灾害预警预判方法。
背景技术
山洪是山丘区中小流域由强降雨引起的突发性暴涨洪水，具有历时短，水量集中、成灾迅速、冲刷破坏力强等特点，对国民经济和人民生命财产造成严重危害。山洪灾害是中国洪涝灾害致人死亡的主要灾种：20世纪90年代，全国每年因山洪灾害死亡1900～3700人，约占洪涝灾害死亡人数的62％～69％；2000年～2010年，山洪灾害死亡人数平均每年1079人，占洪涝灾害死亡人数的65％～92％(其中2010年为92％，死亡失踪3887人)；2011年-2015年山洪灾害年均死亡人数400人，占洪涝灾害死亡人数的60％-75％。
由于山洪发生的严重性，山洪灾害防治已成为山丘区防洪减灾工作中的重中之重，山洪灾害预警技术也成为了国内外研究的热点。但目前山洪预警技术以短历时为主，预见期较短，在汇流时间极短的小流域根本无法满足及时转移的要求，不利于灾情应对。
发明内容
鉴于现有技术的上述技术问题，本发明的目的在于提供一种中长期山洪灾害预警预判方法，引入气象数据，有效延长预见期，增加人民群众宝贵的避灾转移时间。
本发明解决其技术问题所采用的技术方案为：一种中长期山洪灾害预警预判方法，该方法包括如下步骤：
(1)资料收集与分析整理：根据小流域实际情况以及雨量、气象站站点布设状况，收集长系列雨量资料及相应时段气象资料(雨量资料、气象资料均为n年逐日资料，n≥30)。收集小流域DEM(数据高程)数据与遥感数据，计算小流域河道坡度以及植被指数；
(2)山洪灾害预警指标计算：首先确定小流域山洪防灾对象的成灾水位，然后经小流域设计暴雨及设计洪水计算，采用水位流量反推法确定临界雨量，最后在临界雨量的基础上，考虑防治对象所在河道断面形态、洪水上涨与淹没速度的因素综合确定山洪预警指标；
(3)流域雨型分析：计算流域典型降雨月份的月不均匀系数，确定中长期降雨中短历时降雨的分配比例，使预警指标与中长期预测降雨两者时段对接；
(4)基于神经网络的中长期降雨量预测：中长期降雨量预测以月为步长，采用BP神经网络模型进行未来降雨的预测和评价；
(5)中长期山洪灾害预警预判。
以下对每一个步骤做进一步分析。
1.资料收集与分析整理。根据小流域实际情况以及雨量、气象站站点布设状况，收资长系列水文资料及相应时段气象资料收集长系列雨量资料及相应时段气象资料(雨量资料、气象资料均为n年逐日资料，n≥30)。收集小流域DEM(数据高程)数据与遥感数据，通过AcrGIS和ENVI软件计算小流域河道坡度以及植被指数。
步骤(1)中，所述小流域河道坡度计算采用ArcGIS软件实现；在DEM数据的基础上，利用ArcGIS软件中Spatial Analyst方面的Slope工具，提取流域坡度；坡度S是指过地表面上任一点的切平面与水平地面的夹角，它表示了地表面在该点的倾斜度，在数值上等于该点的地表微分单元的法矢量c与z轴之间的夹角，即
Figure BDA0002213282160000021
步骤(1)中，所述植被指数计算采用ENVI软件实现，植被指数采用归一化植被指数(NDVI，Normalized Difference Vegetation Index)表示，归一化植被指数是一个普遍应用的植被指数，将多波谱数据变换成唯一的图像波段显示植被分布，它是近红外与红色波段反射率比值的一种变换形式，被定义为近红外波段与可见光红波段数值之差和这两个波段数值之和的比值，计算式如下：
Figure BDA0002213282160000022
或者
Figure BDA0002213282160000023
式中ρNIR和DNNIR就是遥感数据中波段4的数值，ρR和DNR就是遥感数据中波段3的数值；Mean(NDVI)是指小流域中单元植被指数的平均值。
2.山洪灾害预警指标计算。首先确定小流域(流域面积不超过50km2)山洪防灾对象的成灾水位，然后经过小流域设计暴雨及设计洪水计算，采用水位流量反推法确定临界雨量，最后在临界雨量的基础上，考虑防治对象所在河道断面形态，洪水上涨与淹没速度的因素综合确定山洪预警指标。步骤2中所采用的主要计算方法如下：
(1)设计暴雨计算主要采用实测资料法和查图法。实测资料法以雨量站实测资料为基础，进行面雨量统计分析、最大暴雨统计、PⅢ曲线绘制、目估适线，开展各典型频率设计暴雨计算；查图法以暴雨图集、水文手册为依据，按照小流域地理位置查图求得水文参数，从而计算设计暴雨。
(2)设计洪水计算主要包括产流计算和汇流计算两部分。产流计算主要采用蓄满产流与超渗产流。南方采用蓄满产流为主，即在包气带含水量达到田间持水量以前不产流，所有的降水都被土壤吸收；而在包气带含水量达到田间持水量后，所有的降水(减去同期的蒸散发)都产流；北方采用超渗产流为主，同期的降水量大于同期植物截留量、填洼量、雨期蒸发量及下渗量等的总和，多余出来的水量产生了地面径流。汇流计算主要降雨植被修正推理公式法，公式如下：
①.
Figure BDA0002213282160000031
②.
Figure BDA0002213282160000032
式中：Q——某时段洪峰流量(m3/s)；γ——降雨分区系数，根据实测资料或者查图，分析小流域暴雨中心位置，如位于河道上游区域，则γ＝1；位于下游区域，γ＝1.12；ht——某时段净雨量(mm)；t——汇流时间(h)；m——汇流参数；F——水库集水面积(km2)；L——干流长度(km)；J——干流坡度。
汇流参数m与流域的几何特征和植被条件有关。
当Mean(NDVI)≤0.3且θ＜90时，m＝θ0.05；当Mean(NDVI)≤0.3且θ≥90时，m＝0.207×θ0.05；
当0.3＜Mean(NDVI)≤0.55且θ＜90时，m＝0.6×θ0.1；当0.3＜Mean(NDVI)≤0.55且θ≥90时，m＝0.114×θ0.464；
当0.55＜Mean(NDVI)≤1且＜90时，m＝0.3×θ0.154；当0.55＜Mean(NDVI)≤1且θ≥90时，m＝0.043×θ0.584；
③.
Figure BDA0002213282160000033
将①、②两式联立试算得τ、Q。
(3)临界雨量计算主要采用水位流量反推法。水位流量反推法根据山洪灾害防治区小流域现有河道堤防的具体情况，选取适当数量的控制断面，分析提出各断面的临界水位Hk，通过水力计算确定控制断面在临界水位Hk下的流量Qk。采用水文计算以及迭代法求解，则必有一个日降雨Pk，经过产汇流后形成的洪水过程的洪峰等于Qk，此时Pk为临界雨量。然后在临界雨量的基础上，考虑防治对象所在河道断面形态，洪水上涨与淹没速度等因素综合确定山洪预警指标Yk。
3.流域雨型分析。雨型分析主要是计算流域典型降雨月份的月不均匀系数，确定中长期降雨中短历时降雨的分配比例，目的是为了预警指标与中长期预测降雨两者时段的对接。基于山洪灾害防治小流域的逐日降雨资料，统计计算降雨系列中历年来各月月平均降雨Pavu及月最大日降雨Pdu(u＝1,2,3…,12n；n为降雨资料年限年数)。将月平均降雨Pavu按从大到小排序形成序列Y，选取前3n个月为典型降雨月份，计算典型降雨月份3n个月的平均月降雨及平均月最大日降雨
Figure BDA0002213282160000035
计算典型降雨月份的月不均匀系数Ki＝avg(Pdi)/avg(Pavi)，i＝1,2,3,…,3n，确定典型降雨月份的月不均匀系数为各月月不均匀系数的平均值即K＝avg(Ki)。将典型降雨月份的平均月降雨avg(Pavi)放入系列Y中，重新按从大到小排序形成序列Y’，若avg(Pavi)在序列Y’排位为v，则典型月份平均月降雨avg(Pavi)的频率
Figure BDA0002213282160000041
即典型降雨月份的月不均匀系数K的发生概率为u。
4.基于神经网络的中长期降雨量预测。本次中长期降雨量预测以月为步长，采用BP神经网络模型进行未来降雨的预测和评价。其步骤包括：
(1)样本数据的标准化处理。由于有些网络存在不同的量纲的多维输入，同时也受激活函数值域的限制，网络的输出也需控制在一定范围内，为避免网络陷入局部极值，需要对输入输出样本数据做预处理，对量纲不同的训练样本进行标准化处理，得到无量纲的标准化变量。
(2)BP神经网络拓扑结构确定。BP神经网络拓扑结构的确定主要包括网络隐含层数、输入层、输出层和隐含层神经元数的确定。根据相关研究，3层网络隐含层结构的BP神经网络就可满足水文预报研究的要求。输入输出层神经元数取决于样本的输入输出数据。隐含层神经元参数w设定采用的经验公式如下：
④.
Figure BDA0002213282160000042
式中，w为隐含层神经元个数，x、y分别为输入层和输出层神经元数。
(3)BP神经网络激活函数及参数确定。BP神经网络参数包括初始权值、阈值、训练次数、学习速率、训练精度等。调用Matlab自带BP神经网络工具箱时，需要提前对这些参数进行设定，并根据训练结果不断调整参数，直至最优。
(4)模型仿真及结果分析。模型训练结束后，调用Matlab工具箱中的sim函数对BP神经网络进行仿真，调用postreg函数和mse函数计算相关系数和拟合误差，对拟合结果进行精度评价，如果拟合精度达不到预期，则调整参数，最终确定BP神经网络模型模拟合格率为z，可用于降雨预报模型。
(5)预报与检验使用训练好的BP神经网络模型进行预报，并对预报结果进行评价。
5.中长期山洪灾害预警预判。通过神经网络预测，获得小流域未来月平均降雨量Pym，通过月不均匀系数计算月最大日降雨Pyd＝Pym×K。判断Pyd与山洪预警指标Yk之间的大小，如果Pyd≥Yk，则未来一个月有可能发生山洪灾害，其可能概率B＝u×z。
本发明与背景技术相比，具有的有益效果是：根据发明所提出的一种中长期山洪灾害预警预判方法，引入大气数据并基于神经网络进行中长期降雨预测，通过流域雨型分析耦合短历时雨量预警指标，从而开展中长期山洪灾害预警预判，能有效延长预见期，为群众转移及政府救援争取宝贵时间，使得预警更及时，转移更科学，显著降低山洪灾害对人民群众的危险，达到有效地防灾减灾目的，发挥巨大的社会效益。
附图说明
图1为本发明中长期山洪灾害预警预判方法的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面结合附图进一步详细描述本发明的优选实施例：
图1给出了本发明中长期山洪灾害预警预判方法的示意图，本实施例以浙江省宁波市象山县泗洲头镇峙前溪小流域为山洪防治对象，流域内有峙前村，主流为峙前溪，布设有控制断面DM。
1.资料收集与分析整理。收集分析峙前溪小流域水系图及站点分布图，根据流域实地情况与站点分布状况，收集东溪雨量站逐日降雨资料(1977～2017年共41年)及象山气象站相对应的逐日气象资料。
表1：资料收集情况表
Figure BDA0002213282160000051
收集小流域DEM(数据高程)数据与遥感数据，采用ArcGIS软件计算河道坡度计算河道坡度为0.074，采用ENVI软件计算流域归一化植被指数为0.643。
2.山洪预警指标计算。根据本发明说明书中所述暴雨洪水计算方法，进行峙前溪小流域各典型频率设计暴雨、设计洪水计算，分析控制断面DM处河道行洪能力。
表2：峙前溪小流域设计暴雨成果
Figure BDA0002213282160000052
表3：峙前溪小流域设计洪水成果
Figure BDA0002213282160000053
按照山洪调查要求，确定控制断面DM的成灾水位Z为2.65m，通过水力学方法，获得成灾时流量为46.3m3/s。根据发明说明书中所述，确定山洪雨量预警指标为178mm。
表4：预警指标成果表
Figure BDA0002213282160000061
3.流域雨型分析。基于峙前小流域的逐日降雨资料，统计计算降雨系列中历年来各月月平均降雨Pavu及月最大日降雨Pdu(u＝1,2,3…,12n；n为降雨资料年限年数)。将月平均降雨Pavu按从大到小排序形成序列Y，选取前3n个月为典型降雨月份，计算n个月的平均月降雨
Figure BDA0002213282160000062
及平均月最大日降雨
Figure BDA0002213282160000063
计算各月月不均匀系数Ki＝avg(Pdi)/avg(Pavi)，i＝1,2,3,…,3n，确定典型降雨月份不均匀系数为各月月不均匀系数的平均值即K＝avg(Ki)。将典型降雨月份平均月降雨avg(Pavi)放入系列Y中，重新按从大到小排序形成序列Y’，若avg(Pavi)在序列Y’排位为v，则典型月份平均月降雨avg(Pavi)的频率
Figure BDA0002213282160000064
即典型降雨月份不均匀系数K的发生概率为u。根据分析方法，确定峙前小流域典型降雨月份的月不均匀系数K为12.7，发生概率为21.5％。
4.基于神经网络的中长期降雨量预测。根据发明说明书中方法，利用Matlab构建BP神经网络模型。BP神经网络模型隐含层激活函数采用双曲正切S型函数，输出层则采用线性输出函数。经过试错法和经验分析，基于相关系数变量剔除法的BP神经网络(COR-BP)模型参数如下：隐含层神经元个数取38，学习速率取0.9，动量因子取0.09。标准化处理原始输入样本，学习训练神经网络。利用训练好的神经网络进行预测，模型预测峙前小流域未来一个月月平均降雨为14.5mm，合格率为69.8％。
5.中长期山洪灾害预警预判。通过月不均匀系数计算未来月最大日降雨为184.2mm，大于山洪雨量预警指标178mm，则未来一个月峙前小流域有可能发生山洪灾害，其概率为15％，需提前做好防御工作。
需要说明的是，上述实施方式仅为本发明较佳的实施方案，不能将其理解为对本发明保护范围的限制，在未脱离本发明构思前提下，对本发明所做的任何微小变化与修饰均属于本发明的保护范围。

Claims (10)

1.一种中长期山洪灾害预警预判方法，其特征在于，该方法包括如下步骤：
(1)资料收集与分析整理：根据小流域实际情况以及雨量、气象站站点布设状况，收集长系列雨量资料及相应时段气象资料(雨量资料、气象资料均为n年逐日资料，n≥30)；收集小流域DEM(数据高程)数据与遥感数据，计算小流域河道坡度以及植被指数；
(2)山洪灾害预警指标计算：首先确定小流域山洪防灾对象的成灾水位，然后经小流域设计暴雨及设计洪水计算，采用水位流量反推法确定临界雨量，最后在临界雨量的基础上，考虑防治对象所在河道断面形态、洪水上涨与淹没速度的因素综合确定山洪预警指标；
(3)流域雨型分析：计算流域典型降雨月份的月不均匀系数，确定中长期降雨中短历时降雨的分配比例，使预警指标与中长期预测降雨两者时段对接；
(4)基于神经网络的中长期降雨量预测：中长期降雨量预测以月为步长，采用BP神经网络模型进行未来降雨的预测和评价；
(5)中长期山洪灾害预警预判。
2.根据权利要求1所述的一种中长期山洪灾害预警预判方法，其特征在于，步骤(1)中，所述小流域河道坡度计算采用ArcGIS软件实现；在DEM数据的基础上，利用ArcGIS软件中SpatialAnalyst方面的Slope工具，提取流域坡度；坡度S是指过地表面上任一点的切平面与水平地面的夹角，它表示了地表面在该点的倾斜度，在数值上等于该点的地表微分单元的法矢量c与z轴之间的夹角，即
Figure FDA0002213282150000011
步骤(1)中，所述植被指数计算采用ENVI软件实现，植被指数采用归一化植被指数(NDVI，Normalized Difference Vegetation Index)表示，归一化植被指数是一个普遍应用的植被指数，将多波谱数据变换成唯一的图像波段显示植被分布，它是近红外与红色波段反射率比值的一种变换形式，被定义为近红外波段与可见光红波段数值之差和这两个波段数值之和的比值，计算式如下：
Figure FDA0002213282150000012
或者
Figure FDA0002213282150000013
式中ρNIR和DNNIR就是遥感数据中波段4的数值，ρR和DNR就是遥感数据中波段3的数值；Mean(NDVI)是指小流域中单元植被指数的平均值。
3.根据权利要求1所述的一种中长期山洪灾害预警预判方法，其特征在于，步骤(2)中，所述暴雨计算主要采用实测资料法和查图法；步骤(2)中，所述洪水计算主要包括产流计算和汇流计算两部分。
4.根据权利要求3所述的一种中长期山洪灾害预警预判方法，其特征在于，所述汇流计算主要采用一种基于降雨分区和引入植被数据的修正推理公式法，即降雨植被修正推理公式法，公式如下：
①.
Figure FDA0002213282150000021
②.
Figure FDA0002213282150000022
式中：Q——某时段洪峰流量(m3/s)；γ——降雨分区系数；ht——某时段净雨量(mm)；t——汇流时间(h)；m——汇流参数；F——水库集水面积(km2)；L——干流长度(km)；J——干流坡度；
汇流参数m与流域的几何特征和植被条件有关；
当Mean(NDVI)≤0.3且θ＜90时，m＝θ0.05；当Mean(NDVI)≤0.3且θ≥90时，m＝0.207×θ0.05；
当0.3＜Mean(NDVI)≤0.55且θ＜90时，m＝0.6×θ0.1；当0.3＜Mean(NDVI)≤0.55且θ≥90时，m＝0.114×θ0.464；
当0.55＜Mean(NDVI)≤1且＜90时，m＝0.3×θ0.154；当0.55＜Mean(NDVI)≤1且θ≥90时，m＝0.043×θ0.584；
③.
将①、②两式联立试算得τ、Q。
5.根据权利要求1所述的一种中长期山洪灾害预警预判方法，其特征在于，步骤(2)中，所述水位流量反推法根据山洪灾害防治区小流域现有河道堤防的具体情况，选取控制断面，分析提出断面的临界水位Hk，通过水力计算确定控制断面在临界水位Hk下的流量Qk。采用水文计算以及迭代法求解，则必有一个日降雨Pk，经过产汇流后形成的洪水过程的洪峰等于Qk，此时Pk为临界雨量；然后在临界雨量的基础上，考虑防治对象所在河道断面形态，洪水上涨与淹没速度等因素综合确定山洪预警指标Yk。
6.根据权利要求1所述的一种中长期山洪灾害预警预判方法，其特征在于，步骤(3)具体为：基于山洪灾害防治小流域的逐日降雨资料，统计计算降雨系列中历年来各月月平均降雨Pavu及月最大日降雨Pdu(u＝1,2,3…,12n；n为降雨资料年限年数)；将月平均降雨Pavu按从大到小排序形成序列Y，选取前3n个月为典型降雨月份，计算3n个月的平均月降雨
Figure FDA0002213282150000023
及平均月最大日降雨
Figure FDA0002213282150000024
计算各月月不均匀系数Ki＝avg(Pdi)/avg(Pavi)，i＝1,2,3,…,3n，确定典型降雨月份不均匀系数为各月月不均匀系数的平均值即K＝avg(Ki)；将典型降雨月份平均月降雨avg(Pavi)放入系列Y中，重新按从大到小排序形成序列Y’，若avg(Pavi)在序列Y’排位为v，则典型月份平均月降雨avg(Pavi)的频率
Figure FDA0002213282150000031
即典型降雨月份不均匀系数K的发生概率为u。
7.根据权利要求1所述的一种中长期山洪灾害预警预判方法，其特征在于，步骤(4)包括：(4.1)样本数据的标准化处理；
(4.2)BP神经网络拓扑结构的确定；
(4.3)BP神经网络激活函数及参数确定；
(4.4)模型仿真及结果分析；
(4.5)预报与检验；使用训练好的BP神经网络模型进行预报，并对预报结果进行评价。
8.根据权利要求7所述的一种中长期山洪灾害预警预判方法，其特征在于，所述(4.2)BP神经网络拓扑结构的确定：
BP神经网络拓扑结构的确定主要包括网络隐含层数、输入层、输出层和隐含层神经元数的确定；3层网络隐含层结构的BP神经网络就可满足水文预报研究的要求；输入输出层神经元数取决于样本的输入输出数据；隐含层神经元参数w设定采用的经验公式如下：
④.
Figure FDA0002213282150000032
式中，w为隐含层神经元个数，x、y分别为输入层和输出层神经元数。
9.根据权利要求6所述的一种中长期山洪灾害预警预判方法，其特征在于，所述(4.4)模型仿真及结果分析：
模型训练结束后，调用Matlab工具箱中的sim函数对BP神经网络进行仿真，调用postreg函数和mse函数计算相关系数和拟合误差，对拟合结果进行精度评价，如果拟合精度达不到预期，则调整参数，最终确定BP神经网络模型模拟合格率为z，可用于降雨预报模型。
10.根据权利要求9所述的一种中长期山洪灾害预警预判方法，其特征在于，所述(5)中长期山洪灾害预警预判，具体如下：
通过神经网络预测，获得小流域未来月平均降雨量Pym；通过月不均匀系数计算月最大日降雨Pyd＝Pym×K；判断Pyd与山洪预警指标Yk之间的大小，如果Pyd≥Yk，则未来一个月有可能发生山洪灾害，其可能概率B＝u×z。
CN201910905968.1A 2019-09-24 2019-09-24 一种中长期山洪灾害预警预判方法 Active CN110737875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910905968.1A CN110737875B (zh) 2019-09-24 2019-09-24 一种中长期山洪灾害预警预判方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910905968.1A CN110737875B (zh) 2019-09-24 2019-09-24 一种中长期山洪灾害预警预判方法

Publications (2)

Publication Number Publication Date
CN110737875A true CN110737875A (zh) 2020-01-31
CN110737875B CN110737875B (zh) 2023-05-12

Family

ID=69269452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910905968.1A Active CN110737875B (zh) 2019-09-24 2019-09-24 一种中长期山洪灾害预警预判方法

Country Status (1)

Country Link
CN (1) CN110737875B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401644A (zh) * 2020-03-19 2020-07-10 南京国准数据有限责任公司 一种基于神经网络的降水降尺度空间预测方法
CN111784976A (zh) * 2020-06-30 2020-10-16 杭州鲁尔物联科技有限公司 一种山洪灾害预警方法、装置、系统及存储介质
CN112329257A (zh) * 2020-11-19 2021-02-05 四川大学 适用于山区小流域暴雨山洪洪水预报预警的水文模型分段筛选方法
CN113378396A (zh) * 2021-06-22 2021-09-10 中国科学院、水利部成都山地灾害与环境研究所 一种小流域地质灾害隐患点早期识别的方法
CN114186780A (zh) * 2021-11-04 2022-03-15 河海大学 一种基于机器学习的山洪灾害区划方法
CN114858219A (zh) * 2022-06-09 2022-08-05 西安微媒软件有限公司 一种用于大棚的农业物联网管理分析平台
CN115014299A (zh) * 2022-08-10 2022-09-06 山脉科技股份有限公司 基于物联网和大数据的洪峰预警方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101625147B1 (ko) * 2015-07-31 2016-06-07 주식회사 디케이이앤씨 재난 예측 경보 시스템 및 방법
CN106971013A (zh) * 2016-01-13 2017-07-21 辽宁省水文局 山洪灾害小流域设计暴雨洪水计算方法
CN107978138A (zh) * 2017-12-05 2018-05-01 南瑞集团有限公司 一种基于山洪动态演进仿真模型的灾害监测预警方法
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
CN109902395A (zh) * 2019-03-04 2019-06-18 四川大学 基于山区小流域降雨径流响应的实时累积雨量暴雨山洪预警方法
CN110009002A (zh) * 2019-03-13 2019-07-12 河海大学 基于多维降雨特征空间最优决策的山洪快速预警预报方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101625147B1 (ko) * 2015-07-31 2016-06-07 주식회사 디케이이앤씨 재난 예측 경보 시스템 및 방법
CN106971013A (zh) * 2016-01-13 2017-07-21 辽宁省水文局 山洪灾害小流域设计暴雨洪水计算方法
CN107978138A (zh) * 2017-12-05 2018-05-01 南瑞集团有限公司 一种基于山洪动态演进仿真模型的灾害监测预警方法
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
CN109902395A (zh) * 2019-03-04 2019-06-18 四川大学 基于山区小流域降雨径流响应的实时累积雨量暴雨山洪预警方法
CN110009002A (zh) * 2019-03-13 2019-07-12 河海大学 基于多维降雨特征空间最优决策的山洪快速预警预报方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHI ZHENG,ET AL.: "Hydrological Parameter Analysis Based on Similarity Theory and 3S Technology", IOP CONFERENCE SERIES:EARTH AND ENVIRONMENT SCIENCE *
胡琳琳等: "浙江省推理公式计算方法的改进", 浙江水利科技 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401644A (zh) * 2020-03-19 2020-07-10 南京国准数据有限责任公司 一种基于神经网络的降水降尺度空间预测方法
CN111784976A (zh) * 2020-06-30 2020-10-16 杭州鲁尔物联科技有限公司 一种山洪灾害预警方法、装置、系统及存储介质
CN112329257A (zh) * 2020-11-19 2021-02-05 四川大学 适用于山区小流域暴雨山洪洪水预报预警的水文模型分段筛选方法
CN112329257B (zh) * 2020-11-19 2023-04-18 四川大学 适用于山区小流域暴雨山洪洪水预报预警的水文模型分段筛选方法
CN113378396A (zh) * 2021-06-22 2021-09-10 中国科学院、水利部成都山地灾害与环境研究所 一种小流域地质灾害隐患点早期识别的方法
CN113378396B (zh) * 2021-06-22 2023-11-24 中国科学院、水利部成都山地灾害与环境研究所 一种小流域地质灾害隐患点早期识别的方法
CN114186780A (zh) * 2021-11-04 2022-03-15 河海大学 一种基于机器学习的山洪灾害区划方法
CN114858219A (zh) * 2022-06-09 2022-08-05 西安微媒软件有限公司 一种用于大棚的农业物联网管理分析平台
CN115014299A (zh) * 2022-08-10 2022-09-06 山脉科技股份有限公司 基于物联网和大数据的洪峰预警方法
CN115014299B (zh) * 2022-08-10 2022-11-18 山脉科技股份有限公司 基于物联网和大数据的洪峰预警方法

Also Published As

Publication number Publication date
CN110737875B (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
CN110737875A (zh) 一种中长期山洪灾害预警预判方法
CN110428586B (zh) 基于前期降雨和上下游拓扑关系的农村基层洪涝预警方法
Ji et al. Evaluation of bias correction methods for APHRODITE data to improve hydrologic simulation in a large Himalayan basin
CN110118982B (zh) 一种基于空间优化插值的卫星降水数据校正方法
CN111582755B (zh) 一种基于多维度集合信息山洪灾害综合风险动态评估方法
Ramirez et al. Artificial neural network technique for rainfall forecasting applied to the Sao Paulo region
CN107316095B (zh) 一种耦合多源数据的区域气象干旱等级预测方法
Zhou et al. Predictions and mitigation strategies of PM2. 5 concentration in the Yangtze River Delta of China based on a novel nonlinear seasonal grey model
CN110598290B (zh) 考虑气候变化的流域未来水电发电能力预测方法和系统
CN112782788B (zh) 一种区域大气水文耦合预警决策系统及方法
CN110674467A (zh) 基于swat模型的水文过程对气候变化的响应监测方法
CN110533258B (zh) 一种稻麦轮作农田涝渍预警评估方法及系统
Joshi et al. Rainfall-Runoff Simulation in Cache River Basin, Illinois, Using HEC-HMS
CN111598724B (zh) 一种中小水库入库流量日前预测的分时段集成方法
CN112686426B (zh) 一种基于水电站流域关键点的来水量预警方法及系统
CN111062128B (zh) 一种流域汇流模拟估测方法
CN111242404A (zh) 一种强降雨诱发洪灾事件的极端性评估方法及系统
CN107609707A (zh) 一种洪水预报、防灾决策方法及系统
Fraile et al. Return periods of severe hailfalls computed from hailpad data
CN115691049A (zh) 一种基于深度学习的对流初生预警方法
Yuono et al. Effect of land use changes of upstream komering sub watershed on declining water availability
CN113269376B (zh) 一种河流洪峰流量范围计算方法
CN113361114B (zh) 一种基于径流路径的多尺度面源污染物入河系数测算方法
Dayer et al. Changing furrow irrigation to increase efficiency and feasibility study of reusing surface runoff
CN112528563A (zh) 一种基于svm算法的城市内涝预警方法

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