CN111126699B - 一种考虑降雨量等级的水文预报方法及系统 - Google Patents

一种考虑降雨量等级的水文预报方法及系统 Download PDF

Info

Publication number
CN111126699B
CN111126699B CN201911355163.0A CN201911355163A CN111126699B CN 111126699 B CN111126699 B CN 111126699B CN 201911355163 A CN201911355163 A CN 201911355163A CN 111126699 B CN111126699 B CN 111126699B
Authority
CN
China
Prior art keywords
rainfall
forecast
flow
weak
hydrological
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
Application number
CN201911355163.0A
Other languages
English (en)
Other versions
CN111126699A (zh
Inventor
周建中
王彧蓉
冯快乐
杨鑫
方威
金倩芳
查港
何中政
贾本军
武慧铃
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201911355163.0A priority Critical patent/CN111126699B/zh
Publication of CN111126699A publication Critical patent/CN111126699A/zh
Application granted granted Critical
Publication of CN111126699B publication Critical patent/CN111126699B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Sewage (AREA)

Abstract

本发明公开一种考虑降雨量等级的水文预报方法及系统，公开了考虑降雨量等级的水文不确定性处理器应用方法。包括以下步骤：(1)收集流域的水文气象资料和相关的定量降雨预报；(2)建立水文模型得到不同预见期下的预报流量；(3)采用遗传算法确定降雨量分级阈值；(4)根据上一步确定的阈值，分别计算强降雨和弱降雨下的后验概率密度函数；(5)对水文不确定性进行计算分析。本发明提出了采用遗传算法确定降雨量分级阈值的方法，利用高斯混合模型拟合实测流量和预报流量的边缘分布，分析了强降雨和弱降雨情况下水文不确定性大小，提出了一种考虑降雨量等级的水文不确定性处理器应用方法，完善了水文不确定性处理器的应用。

Description

一种考虑降雨量等级的水文预报方法及系统
技术领域
本发明涉及水文预报领域，更具体地，涉及一种考虑降雨量等级的水文预报方法及系统。
背景技术
水文预报是采用水文模型对未来的水文情势作出预测的技术，对于防洪、抗旱、流域管理、水力发电及水资源综合利用等起着重要作用。由于水文模型计算过程中存在输入数据误差、模型参数误差等不确定因素，造成其预报结果存在较大不确定性，忽略了水文预报的风险性，因此，需要对水文预报结果的不确定性进行量化评估，发展水文预报不确定性处理方法。
现有的水文不确定性处理方法主要有径流上下限区间预报、基于预报误差的概率预报和贝叶斯概率预报。径流上下限区间预报采用上下限估计方法和人工神经网络模型预测未来流量的可能取值范围；基于预报误差的概率预报采用统计学方法模拟水文预报误差的概率分布，将概率预报误差与确定性水文预报模型的输出相结合得到概率水文预报。上述两种方法简单易行，但都存在一定的缺陷。径流上下限区间预报仅能给出未来流量上下限，不能提供相应的概率值或置信度，基于预报误差的概率预报没有分析不确定性来源，而贝叶斯概率预报不仅分析了不确定性来源，还可以提供相应的概率值和置信度。
综上，水文预报不确定性来源主要有输入数据、模型参数和模型结构等。其中，降雨输入数据不确定性是最为关键的因素之一。贝叶斯概率预报能够分析多种不确定性因素，但是未充分考虑不同降雨量级情况下输入数据不确定性的差异，其结果往往不够准确。
发明内容
针对现有技术的缺陷，本发明的目的在于解决现有水文预报方法未充分考虑不同降雨量级情况下输入数据不确定性的差异，其结果往往不够准确的技术问题。
为实现上述目的，第一方面，本发明提供一种考虑降雨量等级的水文预报方法，包括以下步骤：
(1)根据流域的历史水文信息和流域的定量降雨预报信息，建立水文模型得到不同预见期下的预报流量；
(2)利用遗传算法确定强降雨和弱降雨的分级阈值；
(3)依据所述强降雨和弱降雨的分级阈值，基于所述不同预见期下的预报流量分别确定强降雨和弱降雨下的预报流量后验概率密度函数；
(4)基于强降雨和弱降雨下的预报流量后验概率密度函数进行水文预报。
在一个可选的实施例中，所述步骤(1)具体包括如下步骤：
(1.1)收集流域的历史水文信息和流域的定量降雨预报信息；
(1.2)建立水文模型得到不同预见期下的预报流量。
在一个可选的实施例中，所述步骤(2)具体包括如下步骤：
(2.1)初始化种群；
其中，初始化种群指的是初始化降雨量分级阈值；
(2.2)对初始化的降雨量分级阈值，分别用高斯混合模型拟合强降雨和弱降雨下的预报流量与实测流量的边缘流量分布；
(2.3)采用正态分位数转换将非正态的边缘流量分布转换为亚高斯模型分布，计算转换空间下似然函数的估计参数得到不同预见期不同降雨量等级下的方差；
(2.4)基于不同预见期时强降雨下的方差和弱降雨下的方差确定个体适应度；
(2.5)对步骤(2.4)确定的个体适应度进行选择、交叉和变异操作；
(2.6)若目前迭代次数达到最大迭代次数，或最优个体的适应度不再上升时，则算法终止。
在一个可选的实施例中，所述步骤(3)具体包括如下步骤：
由步骤(2)中确定的强降雨和弱降雨的分级阈值，将预报结果分为强降雨下和弱降雨下两种情况，采用高斯混合模型模型拟合实测流量和预报流量的边缘流量分布；通过正态分位数转换，将非正态的流量分布转换为亚高斯模型分布，基于一阶马尔科夫假设，得到先验分布和似然函数的估计参数，从而得到后验概率密度函数。
第二方面，本发明提供一种考虑降雨量等级的水文预报系统，包括：
流量预报单元，用于根据流域的历史水文信息和流域的定量降雨预报信息，建立水文模型得到不同预见期下的预报流量；
阈值确定单元，用于利用遗传算法确定强降雨和弱降雨的分级阈值；
概率确定单元，用于依据所述强降雨和弱降雨的分级阈值，基于所述不同预见期下的预报流量分别确定强降雨和弱降雨下的预报流量后验概率密度函数；
水文预报单元，用于基于强降雨和弱降雨下的预报流量后验概率密度函数进行水文预报。
在一个可选的实施例中，所述流量预报单元收集流域的历史水文信息和流域的定量降雨预报信息；以及建立水文模型得到不同预见期下的预报流量。
在一个可选的实施例中，所述阈值确定单元具体通过如下步骤确定所述分级阈值：
(2.1)初始化种群；
(2.2)对初始化的降雨量分级阈值，分别用高斯混合模型拟合强降雨和弱降雨下的预报流量与实测流量的边缘流量分布；
(2.3)采用正态分位数转换将非正态的边缘流量分布转换为亚高斯模型分布，计算转换空间下似然函数的估计参数得到不同预见期不同降雨量等级下的方差；
(2.4)基于不同预见期时强降雨下的方差和弱降雨下的方差确定个体适应度；
(2.5)对步骤(2.4)确定的个体适应度进行选择、交叉和变异操作；
(2.6)若目前迭代次数达到最大迭代次数，或最优个体的适应度不再上升时，则算法终止。
在一个可选的实施例中，所述概率确定单元基于阈值确定单元确定的强降雨和弱降雨的分级阈值，将预报结果分为强降雨下和弱降雨下两种情况，采用高斯混合模型模型拟合实测流量和预报流量的边缘流量分布；通过正态分位数转换，将非正态的流量分布转换为亚高斯模型分布，基于一阶马尔科夫假设，得到先验分布和似然函数的估计参数，从而得到后验概率密度函数。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明提供的一种考虑降雨量等级的水文预报方法及系统，采用遗传算法确定考虑降雨量等级的水文不确定性处理器中的降雨量分级阈值，利用高斯混合模型(GMM)拟合边缘分布，本发明提出了用遗传算法确定降雨量分级阈值的方法，考虑了强降雨和弱降雨对水文不确定性的影响，在此基础上进行水文预报，取后验概率密度函数的期望值可以得到水文预报值预报结果，其精度比不考虑降雨量等级时的精度高，也可由后验概率密度函数得到区间预报结果，为水文预报提供更多的不确定性信息。且本发明受流域下垫面因素影响较小，通用性强，易于实现，效率高。
附图说明
图1是本发明提供的考虑降雨量等级的水文不确定性确定方法的流程图；
图2是本发明提供的预见期为3天时强降雨下先验后验概率密度图；
图3是本发明提供的预见期为3天时弱降雨下先验后验概率密度图；
图4是本发明提供的考虑降雨量等级的水文预报系统架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
针对现有技术的缺陷，本发明的目的在于解决考虑降雨量等级的水文不确定性处理器的应用。
为实现上述目的，本发明提供一种考虑降雨量等级的水文不确定性处理器应用方法，包括以下步骤：
(1)收集流域的水文气象资料和相关的定量降雨预报，建立水文模型得到不同预见期下的预报流量；
具体地，水文模型可以为新安江模型或其他模型。
(2)利用遗传算法确定强降雨和弱降雨的分级阈值；
(3)依据上一步确定的阈值，采用水文不确定性处理器得到强降雨和弱降雨下的预报流量后验概率密度函数。
可选地，所述步骤(1)具体包括如下步骤：
(1.1)收集流域的水文气象资料和相关的定量降雨预报。
(1.2)建立水文模型得到不同预见期下的预报流量。
可选地，所述步骤(2)具体包括如下步骤：
(2.1)初始化种群。将初始解采用二进制编码。
(2.2)对初始化的降雨量分级阈值，分别用高斯混合模型(Gaussian mixturemodel,GMM)拟合强降雨和弱降雨下的预报流量与实测流量的边缘分布。GMM是一个具有下列形式的概率分布模型：
Figure BDA0002335711120000061
上式中，αk是一个系数，αk≥0，
Figure BDA0002335711120000062
φ(y|θk)是高斯分布,θk是高斯分布系数，θk＝(μk,σk 2)。
(2.3)采用正态分位数转换(Normal quantile transform,NQT)将非正态的流量分布转换为meta-Gaussian分布。计算转换空间下似然函数的估计参数得到不同预见期不同降雨量等级下的方差，即σ值。
(2.4)计算个体适应度。适应度函数如下所示：
f(x)＝max(σ31+σ21+σ11-σ30-σ20-σ10)
上式中，σ31、σ21、σ11分别为预见期3天、2天和1天时强降雨下的方差值，σ30、σ20、σ10分别为预见期3天、2天和1天时弱降雨下的方差值。
(2.5)进行选择、交叉和变异操作。
(2.6)若目前迭代次数达到最大迭代次数，或最优个体的适应度不再上升时，则算法终止。
可选地，所述步骤(3)中，具体包括如下步骤：
由步骤(2)中确定的降雨量分级阈值，将预报结果分为强降雨下和弱降雨下两种情况，采用GMM模型拟合实测流量和预报流量的边缘分布；通过正态分位数转换，将非正态的流量分布转换为meta-Gaussian分布，基于一阶马尔科夫假设，得到先验分布和似然函数的估计参数，从而得到后验概率密度函数。
本发明提供一种考虑降雨量等级的水文不确定性处理器应用方法，采用遗传算法确定降雨量分级阈值，得到强降雨和弱降雨下的后验概率密度函数，分析强降雨和弱降雨下的水文不确定性大小。
如图1所示，本发明提供的考虑降雨量等级的水文不确定性处理器应用方法的流程图，包括以下步骤：
(1)收集流域的水文气象资料和相关的定量降雨预报；
(2)建立水文模型，由步骤(1)中收集到的资料驱动水文模型得到不同预见期下的预报流量；
(2.1)输入降雨径流资料和蒸发资料率定水文模型相关参数。
(2.2)输入定量降雨预报资料和相关径流蒸发资料得到不同预见期下的预报流量。
(3)采用遗传算法确定降雨量分级阈值；
(3.1)初始化种群。将初始解采用二进制编码。
(3.2)对初始化的降雨量分级阈值，分别用高斯混合模型(Gaussian mixturemodel,GMM)拟合强降雨和弱降雨下的预报流量与实测流量的边缘分布。GMM是一个具有下列形式的概率分布模型：
Figure BDA0002335711120000071
上式中，αk是一个系数，αk≥0，
Figure BDA0002335711120000072
φ(y|θk)是高斯分布,θk是高斯分布系数，θk＝(μk,σk 2)。
(3.3)采用正态分位数转换(Normal quantile transform,NQT)将非正态的流量分布转换为meta-Gaussian分布。计算转换空间下似然函数的估计参数得到不同预见期不同降雨量等级下的方差，即σ值。
(3.4)计算个体适应度。适应度函数如下所示：
f(x)＝max(σ31+σ21+σ11-σ30-σ20-σ10)
上式中，σ31、σ21、σ11分别为预见期3天、2天和1天时强降雨下的方差值，σ30、σ20、σ10分别为预见期3天、2天和1天时弱降雨下的方差值。
(3.5)进行选择、交叉和变异操作。
(3.6)若目前迭代次数达到最大迭代次数，或最优个体的适应度不再上升时，则算法终止。
(4)依据上一步确定的降雨量分级阈值，将预报结果分为强降雨下和弱降雨下两种情况，采用GMM模型拟合实测流量和预报流量的边缘分布；通过正态分位数转换，将非正态的流量分布转换为meta-Gaussian分布，基于一阶马尔科夫假设，得到先验分布和似然函数的估计参数，从而得到后验概率密度函数。
实施例：以寸滩水文站为例，将收集到的水文气象资料和相关的定量降雨预报资料驱动水文模型得到预见期1天、2天和3天下的预报流量。根据遗传算法寻优得到的降雨量分级阈值，将得到的预报流量按未来一天的降雨量分为强降雨和弱降雨下的预报结果(降雨量w≥1mm时，为强降雨；降雨量0≤w≤1mm时，为弱降雨)，从而得到强降雨和弱降雨下的预报流量的后验概率密度函数。
图2和图3分别为预见期3天时，强降雨下和弱降雨下，预报流量分别为5000和16000时的先验后验概率密度图。可以看出当预报流量为5000时，后验概率密度函数更为集中，更窄，更高；当预报流量为16000时，后验概率密度函数更为分散，更宽，更矮。由此可以看出，随预报流量的增加，水文不确定性增加。图2和图3进行对比，可以看出，弱降雨情况下，后验概率密度函数更集中，可以得出弱降雨情况下水文不确定性更小，强降雨情况下水文不确定性更大，这正说明了考虑降雨量等级的必要性。
图4是本发明提供的考虑降雨量等级的水文预报系统架构图，如图4所示，包括：流量预报单元210、阈值确定单元220、概率确定单元230以及水文预报单元240。
流量预报单元210，用于根据流域的历史水文信息和流域的定量降雨预报信息，建立水文模型得到不同预见期下的预报流量；
阈值确定单元220，用于利用遗传算法确定强降雨和弱降雨的分级阈值；
概率确定单元230，用于依据所述强降雨和弱降雨的分级阈值，基于所述不同预见期下的预报流量分别确定强降雨和弱降雨下的预报流量后验概率密度函数；
水文预报单元240，用于基于强降雨和弱降雨下的预报流量后验概率密度函数进行水文预报。
在一个可选的实施例中，所述流量预报单元210收集流域的历史水文信息和流域的定量降雨预报信息；以及建立水文模型得到不同预见期下的预报流量。
在一个可选的实施例中，所述阈值确定单元220具体通过如下步骤确定所述分级阈值：
(2.1)初始化种群；
(2.2)对初始化的降雨量分级阈值，分别用高斯混合模型拟合强降雨和弱降雨下的预报流量与实测流量的边缘流量分布；
(2.3)采用正态分位数转换将非正态的边缘流量分布转换为亚高斯模型分布，计算转换空间下似然函数的估计参数得到不同预见期不同降雨量等级下的方差；
(2.4)基于不同预见期时强降雨下的方差和弱降雨下的方差确定个体适应度；
(2.5)对步骤(2.4)确定的个体适应度进行选择、交叉和变异操作；
(2.6)若目前迭代次数达到最大迭代次数，或最优个体的适应度不再上升时，则算法终止。
在一个可选的实施例中，所述概率确定单元230基于阈值确定单元确定的强降雨和弱降雨的分级阈值，将预报结果分为强降雨下和弱降雨下两种情况，采用高斯混合模型模型拟合实测流量和预报流量的边缘流量分布；通过正态分位数转换，将非正态的流量分布转换为亚高斯模型分布，基于一阶马尔科夫假设，得到先验分布和似然函数的估计参数，从而得到后验概率密度函数。
本发明涉及一种考虑降雨量等级的水文不确定性处理器的应用研究，公开了考虑降雨量等级的水文不确定性处理器应用方法。包括以下步骤：(1)收集流域的水文气象资料和相关的定量降雨预报；(2)建立新安江水文模型得到不同预见期下的预报流量；(3)采用遗传算法确定降雨量分级阈值；(4)根据上一步确定的阈值，分别计算强降雨和弱降雨下的后验概率密度函数；(5)对水文不确定性进行计算分析。本发明提出了采用遗传算法确定降雨量分级阈值的方法，利用高斯混合模型(GMM)拟合实测流量和预报流量的边缘分布，分析了强降雨和弱降雨情况下水文不确定性大小，提出了一种考虑降雨量等级的水文不确定性处理器应用方法，完善了水文不确定性处理器的应用。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种考虑降雨量等级的水文预报方法，其特征在于，包括以下步骤：
(1)根据流域的历史水文信息和流域的定量降雨预报信息，建立水文模型得到不同预见期下的预报流量；
(2)利用遗传算法确定强降雨和弱降雨的分级阈值；
所述步骤(2)具体包括如下步骤：
(2.1)初始化种群；
(2.2)对初始化的降雨量分级阈值，分别用高斯混合模型拟合强降雨和弱降雨下的预报流量与实测流量的边缘流量分布；
(2.3)采用正态分位数转换将非正态的边缘流量分布转换为亚高斯模型分布，计算转换空间下似然函数的估计参数得到不同预见期不同降雨量等级下的方差；
(2.4)基于不同预见期时强降雨下的方差和弱降雨下的方差确定个体适应度；
(2.5)对步骤(2.4)确定的个体适应度进行选择、交叉和变异操作；
(2.6)若目前迭代次数达到最大迭代次数，或最优个体的适应度不再上升时，则算法终止；
(3)依据所述强降雨和弱降雨的分级阈值，基于所述不同预见期下的预报流量分别确定强降雨和弱降雨下的预报流量后验概率密度函数；
(4)基于强降雨和弱降雨下的预报流量后验概率密度函数进行水文预报。
2.根据权利要求1所述的水文预报方法，其特征在于，所述步骤(3)具体包括如下步骤：
由步骤(2)中确定的强降雨和弱降雨的分级阈值，将预报结果分为强降雨下和弱降雨下两种情况，采用高斯混合模型拟合实测流量和预报流量的边缘流量分布；通过正态分位数转换，将非正态的流量分布转换为亚高斯模型分布，基于一阶马尔科夫假设，得到先验分布和似然函数的估计参数，从而得到后验概率密度函数。
3.一种考虑降雨量等级的水文预报系统，其特征在于，包括：
流量预报单元，用于根据流域的历史水文信息和流域的定量降雨预报信息，建立水文模型得到不同预见期下的预报流量；
阈值确定单元，用于利用遗传算法确定强降雨和弱降雨的分级阈值；
所述阈值确定单元具体通过如下步骤确定所述分级阈值：
(2.1)初始化种群；
(2.2)对初始化的降雨量分级阈值，分别用高斯混合模型拟合强降雨和弱降雨下的预报流量与实测流量的边缘流量分布；
(2.3)采用正态分位数转换将非正态的边缘流量分布转换为亚高斯模型分布，计算转换空间下似然函数的估计参数得到不同预见期不同降雨量等级下的方差；
(2.4)基于不同预见期时强降雨下的方差和弱降雨下的方差确定个体适应度；
(2.5)对步骤(2.4)确定的个体适应度进行选择、交叉和变异操作；
(2.6)若目前迭代次数达到最大迭代次数，或最优个体的适应度不再上升时，则算法终止；
概率确定单元，用于依据所述强降雨和弱降雨的分级阈值，基于所述不同预见期下的预报流量分别确定强降雨和弱降雨下的预报流量后验概率密度函数；
水文预报单元，用于基于强降雨和弱降雨下的预报流量后验概率密度函数进行水文预报。
4.根据权利要求3所述的水文预报系统，其特征在于，所述概率确定单元基于阈值确定单元确定的强降雨和弱降雨的分级阈值，将预报结果分为强降雨下和弱降雨下两种情况，采用高斯混合模型拟合实测流量和预报流量的边缘流量分布；通过正态分位数转换，将非正态的流量分布转换为亚高斯模型分布，基于一阶马尔科夫假设，得到先验分布和似然函数的估计参数，从而得到后验概率密度函数。
CN201911355163.0A 2019-12-25 2019-12-25 一种考虑降雨量等级的水文预报方法及系统 Active CN111126699B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911355163.0A CN111126699B (zh) 2019-12-25 2019-12-25 一种考虑降雨量等级的水文预报方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911355163.0A CN111126699B (zh) 2019-12-25 2019-12-25 一种考虑降雨量等级的水文预报方法及系统

Publications (2)

Publication Number Publication Date
CN111126699A CN111126699A (zh) 2020-05-08
CN111126699B true CN111126699B (zh) 2022-06-17

Family

ID=70503291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911355163.0A Active CN111126699B (zh) 2019-12-25 2019-12-25 一种考虑降雨量等级的水文预报方法及系统

Country Status (1)

Country Link
CN (1) CN111126699B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114491978B (zh) * 2022-01-04 2024-04-19 三峡大学 基于时变参数水文不确定性处理器的日模型实时预报方法
CN114611290B (zh) * 2022-03-11 2023-03-10 三峡大学 一种基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法
WO2024036516A1 (zh) * 2022-08-17 2024-02-22 中山大学 一种基于梯度参数寻优的降水正态化分析方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104298841A (zh) * 2013-07-16 2015-01-21 杭州贵仁科技有限公司 一种基于历史数据的洪水预报方法和系统
CN106845771A (zh) * 2016-12-16 2017-06-13 中国水利水电科学研究院 一种基于前期雨量优选参数的洪水预报方法
CN106991278A (zh) * 2017-03-21 2017-07-28 武汉大学 一种集合降水预报与实时洪水概率预报的耦合方法
CN108304668A (zh) * 2018-02-11 2018-07-20 河海大学 一种结合水文过程数据和历史先验数据的洪水预测方法
CN108446436A (zh) * 2018-02-08 2018-08-24 广州地理研究所 暴雨洪水非线性模型雨水损失参数的空间分布预警方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10275550B2 (en) * 2016-04-27 2019-04-30 The Climate Corporation Assimilating a soil sample into a digital nutrient model

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104298841A (zh) * 2013-07-16 2015-01-21 杭州贵仁科技有限公司 一种基于历史数据的洪水预报方法和系统
CN106845771A (zh) * 2016-12-16 2017-06-13 中国水利水电科学研究院 一种基于前期雨量优选参数的洪水预报方法
CN106991278A (zh) * 2017-03-21 2017-07-28 武汉大学 一种集合降水预报与实时洪水概率预报的耦合方法
CN108446436A (zh) * 2018-02-08 2018-08-24 广州地理研究所 暴雨洪水非线性模型雨水损失参数的空间分布预警方法
CN108304668A (zh) * 2018-02-11 2018-07-20 河海大学 一种结合水文过程数据和历史先验数据的洪水预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
北京地区水资源安全研究;孙智慧;《中国博士学位论文全文数据库 北京地区水资源安全研究》;20171130;17-21 *
基于改进杂草算法优化的神经网络模型在径流预报中的应用;顿晓晗;《水电能源科学》;20180531;第36卷(第五期);C037-6 *
贝叶斯概率水文预报系统在中长期径流预报中的应用;张铭等;《水科学进展》;20090130;第20卷(第01期);40-45 *

Also Published As

Publication number Publication date
CN111126699A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN111126699B (zh) 一种考虑降雨量等级的水文预报方法及系统
CN107423546B (zh) 基于Copula函数的多变量水文不确定性处理方法
CN105391083B (zh) 基于变分模态分解和相关向量机的风功率区间短期预测方法
Najafi et al. Statistical downscaling of precipitation using machine learning with optimal predictor selection
Lall et al. A nearest neighbor bootstrap for resampling hydrologic time series
Najafi et al. Ensemble streamflow prediction: climate signal weighting methods vs. climate forecast system reanalysis
CN109815627B (zh) 一种径流变异影响因子确定方法及系统
CN110910004A (zh) 一种多重不确定性的水库调度规则提取方法及系统
CN111898831B (zh) 一种实时洪水概率预报实用化方法
CN111695290A (zh) 一种适用于变化环境下的短期径流智能预报混合模型方法
CN108830423B (zh) 一种基于预报域的年径流预测方法
Shin et al. Meta-heuristic maximum likelihood parameter estimation of the mixture normal distribution for hydro-meteorological variables
CN109344999A (zh) 一种径流概率预报方法
CN111665575A (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
CN116595394A (zh) 风速修正模型的训练方法及风速预测方法、设备和介质
Koutroumanidis et al. Genetic modeling for the optimal forecasting of hydrologic time-series: Application in Nestos River
Arsenault et al. An efficient method to correct under-dispersion in ensemble streamflow prediction of inflow volumes for reservoir optimization
Efendi et al. Maximum-minimum temperature prediction using fuzzy random auto-regression time series model
Fan et al. Explainable machine learning model for multi-step forecasting of reservoir inflow with uncertainty quantification
Huang et al. Hybrid neural network models for hydrologic time series forecasting based on genetic algorithm
CN117408394A (zh) 电力系统的碳排放因子预测方法、装置及电子设备
Dhillon et al. Seasonal precipitation forecasting for water management in the Kosi Basin, India using large-scale climate predictors
CN116167513A (zh) 基于单变量优化dmca模型的流域洪水响应时间计算方法
Idemudia et al. Evaluating the performance of Random Forest, Decision Tree, Support Vector Regression and Gradient Boosting for streamflow prediction
Perera et al. Comparison of Multiple Linear Regression and Artificial Neural Network Models for the Prediction of Solid Waste Generation in Sri Lanka.

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