CN111539587B - 一种水文预报方法 - Google Patents
一种水文预报方法 Download PDFInfo
- Publication number
- CN111539587B CN111539587B CN202010536127.0A CN202010536127A CN111539587B CN 111539587 B CN111539587 B CN 111539587B CN 202010536127 A CN202010536127 A CN 202010536127A CN 111539587 B CN111539587 B CN 111539587B
- Authority
- CN
- China
- Prior art keywords
- rainfall
- hours
- data set
- sample data
- precipitation
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 51
- 230000001502 supplementing effect Effects 0.000 claims abstract description 4
- 238000001556 precipitation Methods 0.000 claims description 39
- 238000010835 comparative analysis Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
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"
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种水文预报方法，包括以下步骤：采集一水系流域对应的雨量站一定时间段内的雨量样本数据集；对雨量样本数据集进行分析，并补充完善其中的缺失项；对雨量样本数据集进行特征选择，选择12小时内每隔4小时所累积的雨量和作为新的数据项；对经过步骤S3的特征选择后的雨量样本数据集进一步的与实际环境进行对比分析；对经过步骤S4对比分析后的雨量样本数据集进行向前搜索的迭代选择，从而得到4小时、8小时及12小时之后的雨量；工作人员基于步骤S5来获取4小时、8小时及12小时之后的水位值。本发明具有以下优点和效果：优化了水文预测结果，让水文的准确性和时效性更加可观。
Description
技术领域
本发明涉及水文学领域，特别涉及一种水文预报方法。
背景技术
水文预报通过对未来水文情势(如洪峰流量)做出科学预测，特别是对灾害性水文现象做出准确预报，从而实现防洪减灾以及水资源的合理开发利用。提高水文预报的精度是水文预报工作的重要内容，对防洪减灾、保护人民生命财产安全、充分发挥水利工程效益改善生态环境等起着至关重要的作用。
现有技术中的水文预报不够准确及时，经常需要依赖水文管理员的分析和处理的经验，容易造成误差逐级向下增大，从而引起较大的偏差，难以达到准确、快捷高效的预警效果。
发明内容
本发明的目的是提供一种水文预报方法，以解决背景技术中所提到的问题。
本发明的上述技术目的是通过以下技术方案得以实现的：一种水文预报方法，包括以下步骤：
步骤S1、采集一水系流域对应的雨量站一定时间段内的雨量样本数据集，该雨量样本数据集包括有整点水位信息和每隔1小时所累积的雨量和；
步骤S2、对雨量样本数据集进行分析，并补充完善其中的缺失项；
步骤S3、对雨量样本数据集进行特征选择，为了避免降雨量存在累积汇流的问题，选择12小时内每隔4小时所累积的雨量和作为新的数据项，分别记作RF_BF_4h、RF_BF_8H及RF_BF_12H；
步骤S4、对经过步骤S3的特征选择后的雨量样本数据集进一步的与实际环境进行对比分析；
步骤S5、对经过步骤S4对比分析后的雨量样本数据集进行向前搜索的迭代选择，从而得到4小时、8小时及12小时之后的雨量，分别记作RF_AF_4h、RF_AF_8H及RF_AF_12H；
步骤S6、工作人员基于步骤S5所得到的RF_AF_4h、RF_AF_8H及RF_AF_12H的值，来获取4小时、8小时及12小时之后的水位值。
进一步设置是所述的步骤S4具体包括以下步骤：
步骤S41、降水年份变化；采集该水系流域内20年内的年均雨量数据及各年份内的汛期雨量，并通过比较得出不同年份的降水规律；
步骤S42、降水季节变化；依据国际通用的季节划分标准，采集该水系流域内各季节的雨量，并通过比较得出各季节的降水规律；
步骤S43、降水空间变化；采集该水系流域内不同海拔高度的雨量站的雨量，并通过比较得出不同海拔高度的降水规律。
进一步设置是所述的步骤S41还包括有基于年均雨量来划分成丰水年、平水年及枯水年。
进一步设置是所述的步骤S5包括有：
步骤S51、提取经过步骤S4对比分析后的雨量样本数据集；
步骤S52、采用输入评估方法对雨量样本数据集中各特征项进行重要性的排序；
步骤S53、将步骤S52中得到的排序结果中的前p项特征项分别用于预测目标变量；
步骤S54、构建多输入单输出模型，将初始特征子集S与当前选中且排序最靠前的特征项作为输入量构建预测目标变量模型，若性能提升，则继续依次将剩下特征项逐一加入至初始特征子集S，直至前p项特征项循环完毕。
进一步设置是所述的步骤S2中具体包括：从历年该水系流域中找到最近似的历史雨量数据，并建立横坐标来对应雨量数据中所缺失的特征的变量X、纵坐标对应所缺失的特征的值Y，然后进行相关性排序，取相关性最大的值Y来进行填充。
本发明具有以下有益效果：
1、降时空分布的复杂性，导致不同时段，不同降水情况产、汇流和侵蚀产沙具有很大的变异性。因此，需要对降水的时空异质性进行分析对比，从而增强水文预测的严谨性和准确性。
2、本发明通过预测之后4小时、8小时及12小时的水量，并基于选择最优特征子集以提高预测准确度，从而达到准确预测的目的，同时保证高效快捷的预测效率。
3、本发明基于迭代选择的方法，来进一步探索了优化了水文预测结果，让水文的准确性和时效性更加可观。
附图说明
图1为实施例的流程示意图；
图2为实施例中水系流域1981-2016年降水统计特征值分析结果示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
参考附图1和附图2，一种水文预报方法，包括以下步骤：
步骤S1、采集一水系流域对应的雨量站一定时间段内的雨量样本数据集，该雨量样本数据集包括有整点水位信息和每隔1小时所累积的雨量和；应选择多个不同的雨量站进行采集。
步骤S2、对雨量样本数据集进行分析，并补充完善其中的缺失项；
步骤S3、对雨量样本数据集进行特征选择，为了避免降雨量存在累积汇流的问题，选择12小时内每隔4小时所累积的雨量和作为新的数据项，分别记作RF_BF_4h、RF_BF_8H及RF_BF_12H；
步骤S4、对经过步骤S3的特征选择后的雨量样本数据集进一步的与实际环境进行对比分析；
步骤S5、对经过步骤S4对比分析后的雨量样本数据集进行向前搜索的迭代选择，从而得到4小时、8小时及12小时之后的雨量，分别记作RF_AF_4h、RF_AF_8H及RF_AF_12H；
步骤S6、工作人员基于步骤S5所得到的RF_AF_4h、RF_AF_8H及RF_AF_12H的值，来获取4小时、8小时及12小时之后的水位值。
其中，步骤S2中具体包括：从历年该水系流域中找到最近似的历史雨量数据，并建立横坐标来对应雨量数据中所缺失的特征的变量X、纵坐标对应所缺失的特征的值Y，然后进行相关性排序，取相关性最大的值Y来进行填充。在实际应用中，雨量作为特征的变量X，特征的值Y为根据每日降水的趋势，选择出相邻内日期内相似的雨量值，相关性即根据最相似的雨量变化趋势，选择出其中一日期的雨量值进行填充。
其中，步骤S4具体包括以下步骤：
步骤S41、降水年份变化；采集该水系流域内20年内的年均雨量数据及各年份内的汛期雨量，并通过比较得出不同年份的降水规律。
步骤S42、降水季节变化；依据国际通用的季节划分标准，采集该水系流域内各季节的雨量，并通过比较得出各季节的降水规律。
具体如附图2所示，根据该水系流域1981-2016年降水统计特征值分析结果，该水系流域多年平均降水量为535.8mm，其中，汛期(6-9月)降水量为363.3mm，占总降水量的67.8％。从各年代多年降水量平均值来看，80年代年均降水量为541.2mm，90年代降水量明显有所减少，而进入21世纪以来降水量有所增加，特别是2010年以后，年均降水量达到了563.9mm，汛期降水量与全年降水量的变化趋势基本一致。另外，从多年平均降水量变差系数来看，整个期间Cv值较小，说明降水量年际变化不大。
依据国际通用的季节划分标准，将12月至翌年2月划分为冬季，3-5月为春季，6-8月为夏季，9-11月为秋季。该水系流域夏季降水量最多，秋季、春季、冬季降水量依次减小。其中，夏季降水量占年降水量的51.8％，而冬季降水量仅占到年降水量的3.2％。
步骤S43、降水空间变化；采集该水系流域内不同海拔高度的雨量站的雨量，并通过比较得出不同海拔高度的降水规律。
在本实施例中，该水系流域多年平均年降水量总体分布呈现与海拔高度变化趋势基本一致的特性，即在该水系流域之内，海拔越高，降水量一般越大。
更具体的是，步骤S41还包括有基于年均雨量来划分成丰水年、平水年及枯水年。根据附图2，在本实施例中，该流域出现枯水年、平水年和丰水年的次数分别为3年、28年和5年，其中枯水年分别是1986年、1995年和1997年，而丰水年出现的年份分别是1983年、1988年、1990年、2003年和2013年，总体上来看，降水的丰枯情况变化不大，没有出现连枯或者连丰的情况。
4.根据权利要求1所述的一种水文预报方法，其特征在于，所述的步骤S5包括有：
步骤S51、提取经过步骤S4对比分析后的雨量样本数据集；
步骤S52、采用输入评估方法对雨量样本数据集中各特征项进行重要性的排序。其中评估方法为基于树模型的方法，该评估方法作为现有技术，通过评估即可实现对各特征项的重要性排序。
步骤S53、将步骤S52中得到的排序结果中的前p项特征项分别用于预测目标变量；
步骤S54、构建多输入单输出模型，将初始特征子集S与当前选中且排序最靠前的特征项作为输入量构建预测目标变量模型，若性能提升，则继续依次将剩下特征项逐一加入至初始特征子集S，直至前p项特征项循环完毕。
具体的，特征项用进行表示，将初始特征子集S与当前选中且排序最靠前的特征项/>作为输入量构建预测目标变量模型，若性能提升，则继续依次将剩下特征项/>逐一加入至初始特征子集S，直至前p项特征项循环完毕，这样即可实现前向搜索的方式迭代选择。从而准确有效的预测出4小时、8小时及12小时后的雨量。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (3)
1.一种水文预报方法，其特征在于，包括以下步骤：
步骤S1、采集一水系流域对应的雨量站一定时间段内的雨量样本数据集，该雨量样本数据集包括有整点水位信息和每隔1小时所累积的雨量和；
步骤S2、对雨量样本数据集进行分析，并补充完善其中的缺失项；
步骤S3、对雨量样本数据集进行特征选择，为了避免降雨量存在累积汇流的问题，选择12小时内每隔4小时所累积的雨量和作为新的数据项，分别记作RF_BF_4h、RF_BF_8H及RF_BF_12H；
步骤S4、对经过步骤S3的特征选择后的雨量样本数据集进一步的与实际环境进行对比分析；
步骤S5、对经过步骤S4对比分析后的雨量样本数据集进行向前搜索的迭代选择，从而得到4小时、8小时及12小时之后的雨量，分别记作RF_AF_4h、RF_AF_8H及RF_AF_12H；
步骤S6、工作人员基于步骤S5所得到的RF_AF_4h、RF_AF_8H及RF_AF_12H的值，来获取4小时、8小时及12小时之后的水位值；
所述的步骤S2中具体包括：从历年该水系流域中找到最近似的历史雨量数据，并建立横坐标来对应雨量数据中所缺失的特征的变量X、纵坐标对应所缺失的特征的值Y，然后进行相关性排序，取相关性最大的值Y来进行填充；
所述的步骤S4具体包括以下步骤：
步骤S41、降水年份变化；采集该水系流域内20年内的年均雨量数据及各年份内的汛期雨量，并通过比较得出不同年份的降水规律；
步骤S42、降水季节变化；依据国际通用的季节划分标准，采集该水系流域内各季节的雨量，并通过比较得出各季节的降水规律；
步骤S43、降水空间变化；采集该水系流域内不同海拔高度的雨量站的雨量，并通过比较得出不同海拔高度的降水规律。
2.根据权利要求1所述的一种水文预报方法，其特征在于：所述的步骤S41还包括有基于年均雨量来划分成丰水年、平水年及枯水年。
3.根据权利要求1所述的一种水文预报方法，其特征在于，所述的步骤S5包括有：
步骤S51、提取经过步骤S4对比分析后的雨量样本数据集；
步骤S52、采用输入评估方法对雨量样本数据集中各特征项进行重要性的排序；
步骤S53、将步骤S52中得到的排序结果中的前p项特征项分别用于预测目标变量；
步骤S54、构建多输入单输出模型，将初始特征子集S与当前选中且排序最靠前的特征项作为输入量构建预测目标变量模型，若性能提升，则继续依次将剩下特征项逐一加入至初始特征子集S，直至前p项特征项循环完毕。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2020101503959 | 2020-03-06 | ||
| CN202010150395 | 2020-03-06 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111539587A CN111539587A (zh) | 2020-08-14 |
| CN111539587B true CN111539587B (zh) | 2023-11-24 |
Family
ID=71970003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010536127.0A Active CN111539587B (zh) | 2020-03-06 | 2020-06-12 | 一种水文预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539587B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090116285A (ko) * | 2008-05-07 | 2009-11-11 | 재단법인서울대학교산학협력재단 | 다기준 의사결정기법을 이용한 대안평가지수 산정방법 |
| CN106203496A (zh) * | 2016-07-01 | 2016-12-07 | 河海大学 | 基于机器学习的水文曲线提取方法 |
| CN107992447A (zh) * | 2017-12-13 | 2018-05-04 | 电子科技大学 | 一种应用于河流水位预测数据的特征选择分解方法 |
| CN108830423A (zh) * | 2018-06-21 | 2018-11-16 | 中国水利水电科学研究院 | 一种基于预报域的年径流预测方法 |
| CN109284286A (zh) * | 2018-09-12 | 2019-01-29 | 贵州省赤水市气象局 | 一种从原始数据集中提取有效特征的方法 |
| CN109711636A (zh) * | 2019-01-09 | 2019-05-03 | 南京工业大学 | 一种基于混沌萤火虫与梯度提升树模型的河流水位预测方法 |
| CN110363349A (zh) * | 2019-07-15 | 2019-10-22 | 河海大学 | 一种基于ascs的lstm神经网络水文预测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170131435A1 (en) * | 2015-11-05 | 2017-05-11 | Heriot-Watt University | Localized weather prediction |
-
2020
- 2020-06-12 CN CN202010536127.0A patent/CN111539587B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090116285A (ko) * | 2008-05-07 | 2009-11-11 | 재단법인서울대학교산학협력재단 | 다기준 의사결정기법을 이용한 대안평가지수 산정방법 |
| CN106203496A (zh) * | 2016-07-01 | 2016-12-07 | 河海大学 | 基于机器学习的水文曲线提取方法 |
| CN107992447A (zh) * | 2017-12-13 | 2018-05-04 | 电子科技大学 | 一种应用于河流水位预测数据的特征选择分解方法 |
| CN108830423A (zh) * | 2018-06-21 | 2018-11-16 | 中国水利水电科学研究院 | 一种基于预报域的年径流预测方法 |
| CN109284286A (zh) * | 2018-09-12 | 2019-01-29 | 贵州省赤水市气象局 | 一种从原始数据集中提取有效特征的方法 |
| CN109711636A (zh) * | 2019-01-09 | 2019-05-03 | 南京工业大学 | 一种基于混沌萤火虫与梯度提升树模型的河流水位预测方法 |
| CN110363349A (zh) * | 2019-07-15 | 2019-10-22 | 河海大学 | 一种基于ascs的lstm神经网络水文预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111539587A (zh) | 2020-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110929956B (zh) | 一种基于机器学习的洪水预报方案实时优选方法 | |
| CN104715292A (zh) | 基于最小二乘支持向量机模型的城市短期用水量预测方法 | |
| CN106650767A (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
| CN110852526B (zh) | 一种基于雨洪过程相似性判别的实时洪水预报方法 | |
| CN113159451B (zh) | 一种基于事件知识图谱构建的流域旱涝事件长期预测方法 | |
| CN104050514A (zh) | 一种基于再分析数据的海浪有效波高的长期趋势预测方法 | |
| CN110598352B (zh) | 一种流域来水的预报方法 | |
| CN109815611B (zh) | 一种基于数字流域的流域边界生成方法 | |
| CN104090974A (zh) | 展延水库后续来水的动态数据挖掘方法及系统 | |
| CN112394424A (zh) | 一种区域极端降水事件的监测方法 | |
| CN107609707A (zh) | 一种洪水预报、防灾决策方法及系统 | |
| CN110135652B (zh) | 一种长期汛期径流预测方法 | |
| CN116842435A (zh) | 基于swap的场次干旱三维度量及时空演变可视化方法 | |
| CN111680851A (zh) | 基于k线图的企业用电趋势评估方法 | |
| CN111539587B (zh) | 一种水文预报方法 | |
| Wang et al. | Increasing probability of concurrent drought between the water intake and receiving regions of the Hanjiang to Weihe River Water Diversion Project, China | |
| CN105373847B (zh) | 基于cfs预报的水电站水库预泄决策方法 | |
| CN109063896B (zh) | 一种东北地区融雪径流开始日期的识别方法 | |
| CN117031584A (zh) | 一种霜冻预测预报方法及系统 | |
| CN106407735A (zh) | 天气交通可视化方法及装置 | |
| CN116434479A (zh) | 一种区域性洪涝灾害等级预测预警方法及系统 | |
| CN113506000B (zh) | 一种计算城市汇水区域暴雨溢流风险的方法 | |
| CN107563637A (zh) | 一种水电站发电调度近边界运行全景模糊风险分析方法 | |
| CN114037248A (zh) | 一种基于生态赤字指标的河流生态风险评估方法 | |
| CN112883577A (zh) | 一种海上风电场出力典型场景生成方法及存储介质 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230802 Address after: Room 6168, 6th Floor, Block B, Building 1, Guanggu Science and Technology Port, No. 18 Huashiyuan North Road, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430073 Applicant after: Wuhan Jishan Information Technology Co.,Ltd. Address before: 257000 intersection of Liaohe Road and Huizhou Road, Dongying District, Dongying City, Shandong Province Applicant before: Li Jie Applicant before: Liu Dehu |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |