CN112906762A - 一种水资源系统临界状态的定义及辨识方法和系统 - Google Patents
一种水资源系统临界状态的定义及辨识方法和系统 Download PDFInfo
- Publication number
- CN112906762A CN112906762A CN202110132836.7A CN202110132836A CN112906762A CN 112906762 A CN112906762 A CN 112906762A CN 202110132836 A CN202110132836 A CN 202110132836A CN 112906762 A CN112906762 A CN 112906762A
- Authority
- CN
- China
- Prior art keywords
- critical
- early warning
- water resource
- water
- sample
- 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.)
- Pending
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种水资源系统临界状态的定义及辨识方法和系统,其中方法包括:为水资源系统的临界状态设置多个预警指标,建立预警指标体系;对预警指标体系进行降维处理,将处理后的综合指标作为样本;将样本作为支持向量机的输入,进行训练,由训练结果确定水资源系统的临界面;当样本到临界面的距离在临界范围内,该样本处于临界状态,当样本到临界面的距离超过临界范围,该样本处于异常状态。本发明充分考虑了水资源系统临界状态,运用主成分分析消除指标间的相关性,采用支持向量机进行水资源系统临界面的推求,进而可以根据样本到临界面的距离实现水资源系统临界状态的辨识,且辨识结果可靠,为水资源预警提供科学依据。
Description
技术领域
本发明属于水资源预警技术领域,更具体地,涉及一种水资源系统临界状态的定义及辨识方法和系统。
背景技术
水资源安全关乎人类生存,关系到生态安全、粮食安全和能源安全,是影响经济与社会可持续发展的关键因素。目前,我国的水资源安全面临诸多潜在威胁,洪旱灾害频繁发生,水资源供需矛盾日益突出,水生态环境趋于恶化,总体形势不容乐观。从水量的角度讲,水资源安全是指水资源能够满足国民经济和社会可持续发展所需要的数量,且没有出现因水多、水少而致灾的状态。在我国现阶段水情下,加强水文水资源的监测,提高水资源安全的预警能力,尽量降低因水资源不足或过多而造成的社会经济损失,是新形势下实现水资源高效有序管理的一个有效途径。
水资源预警的方法大致可以分为两类,一类是通过构建水资源系统的指标体系,采用层次分析法、模糊评价法、主成分分析法、集对分析法和投影寻踪评价法等,对指标体系进行降维或分析权重构建综合指标对系统所处状态进行综合评价,称为指标型。另一类是运用系统动力学或人工神经网络、遗传算法等智能算法,模拟分析系统状态的演化趋势,称为模拟型。其中,指标型方法相对简单灵活、计算量较小,但存在指标体系难统一、指标间相关性难消除等问题;模拟型方法可以采用非线性方程模拟变量间复杂的相依关系,但对基础数据的数量和质量要求较高,对部分参数敏感性较强,可能会导致不合理的模拟结果。
由此可见,现有技术存在指标间相关性难消除、模拟结果不合理的技术问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种水资源系统临界状态的定义及辨识方法和系统,由此解决现有技术存在指标间相关性难消除、模拟结果不合理的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种水资源系统临界状态的定义及辨识方法,包括如下步骤:
(1)为水资源系统的临界状态设置多个预警指标,建立预警指标体系;
(2)对预警指标体系进行降维处理,将处理后的综合指标作为样本;
(3)将样本作为支持向量机的输入,进行训练,由训练结果确定水资源系统的临界面;
(4)当样本到临界面的距离在临界范围内,该样本处于临界状态,当样本到临界面的距离超过临界范围,该样本处于异常状态。
进一步地,所述步骤(2)包括:
(21)利用预警指标体系组成原始资料矩阵,对原始资料矩阵进行标准化,得到新的数据矩阵,建立新的数据矩阵的协方差矩阵;
(22)计算协方差矩阵的特征向量,利用特征向量中的各特征值计算各主成分的贡献率,当前几个主成分的累计贡献率大于85%时,将前几个主成分作为综合指标。
具体地:对于有n个样本、p个预警指标的原始资料矩阵Y(n×p)将其进行标准化得到新的数据矩阵X;
Xij=(Yij-μj)/σj
其中,i(i=1,…,n)为样本编号;j(j=1,…,p)为指标编号;μj和σj分别为第j个指标的均值和标准差。
建立新的数据矩阵X的协方差矩阵R。
计算协方差矩阵R的特征向量,并按从大到小的顺序进行排序,同时计算特征向量中各特征值λi对应的特征向量ui。xki为新的数据矩阵X中第k行第i列的元素,xkj为新的数据矩阵X中第k行第j列的元素,为新的数据矩阵X中第i列的元素平均值,为新的数据矩阵X中第j列的元素平均值。
计算贡献率em和累计贡献率Em。一般而言,前m(m≤p)个主成分的累计贡献率达到85%就能达到降维的目的。
计算主成分荷载矩阵z,则降维后的主成分
zm为主成分分析后的综合指标,将处理后的综合指标作为样本进行后续的训练。
进一步地,所述步骤(3)包括:
(31)将包含综合指标的样本作为支持向量机的输入数据,将水资源系统的历史状态作为支持向量机的输出,设置支持向量机中的核函数为线性核函数,对支持向量机进行训练和检验,得到分割超平面的各个参数;
(32)将样本对应的综合指标作为变量,利用分割超平面的各个参数建立分类平面方程,将分类平面方程作为水资源系统的临界面。
进一步地,所述水资源系统的临界面为:
其中,αi和β分别为分类平面的第i个变量参数和常数参数,m为样本对应的综合指标的总数量,zi为样本对应的第i个综合指标。
进一步地,所述临界范围为:(-1/ω,1/ω],其中,ω的计算方式为:
进一步地,所述步骤(4)包括:
进一步地,所述临界状态包括临界旱灾、临界安全和临界洪灾。
进一步地,所述临界旱灾对应的预警指标体系包括:干旱历时、降水距平百分率、径流距平百分率、最小枯水流量、蒸发量、农作物种植面积、土壤含水量、农村干旱饮水困难百分率、城市干旱指数、降水标准化指数、地表湿润指数、相对湿润指数和帕默尔干旱指数;
所述临界安全对应的预警指标体系包括:地表水、地下水、人均水资源量、水库蓄水量、供水量、农业用水量、城市用水普及率、万元GDP用水量、亩均用水量、生活用水量、漏失率、重复利用率、GDP、居民消费水平、各产业比重、达标排放率、排放量和污水处理率;
所述临界洪灾对应的预警指标体系包括:最大6h降水量、最大12h降水量、最大24h降水量、土壤饱和度、洪峰、洪量、洪水历时、峰现时间、河道水位和水库水位。
按照本发明的另一方面,提供了一种水资源系统临界状态的定义及辨识系统,包括:
预处理模块,用于为水资源系统的临界状态设置多个预警指标,建立预警指标体系;
主成分分析模块,用于对预警指标体系进行降维处理,将处理后的综合指标作为样本;
临界面推求模块,用于将样本作为支持向量机的输入,进行训练,由训练结果确定水资源系统的临界面;
辨识模块,用于当样本到临界面的距离在临界范围内,该样本处于临界状态,当样本到临界面的距离超过临界范围,该样本处于异常状态。
进一步地,所述系统还包括:
预警模块,用于在当前状态处于临界状态时,发布蓝色预警信号,启动IV级预警;在当前状态处于一般风险时,发布黄色预警信号,启动III级预警;在当前状态处于严重风险时,发布橙色预警信号,启动II级预警;在当前状态处于特别严重风险时,发布红色预警信号,启动I级预警。
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,能够取得下列有益效果:
(1)本发明充分考虑了水资源系统临界状态,运用主成分分析消除指标间的相关性,采用支持向量机进行水资源系统临界面的推求,进而可以根据样本到临界面的距离实现水资源系统临界状态的辨识,且辨识结果可靠,为水资源预警提供科学依据。
(2)本发明采用主成分分析对反映临界状态的多重指标进行降维处理,去除因指标相关性而产生的冗余信息,从而提高了临界状态的识别精度。基于支持向量机对临界状态进行精确分类,确定分类平面方程,将其作为临界面,可以更加直观的揭示水资源各状态发展过程和趋势,便于在预警中推广应用。
(3)本发明按照样本到临界面的距离,将水资源异常状态分为四种等级:I级表示特别严重、II级表示严重、III级一般严重、IV级表示临界状态,相对应的预警信号分别用红色、橙色、黄色、蓝色来表示。形成预警中相应的预警启动准则、响应级别和响应依据,由此建立了水资源预警体系,提高了水资源安全的预警能力。
(4)随着水资源量由少到多,水资源系统共经历了旱灾、临界旱灾、缺水、临界安全、供需安全、临界洪灾和洪灾7种状态,在这7种状态中,共包括了临界旱灾、临界安全和临界洪灾3种临界状态,若能准确辨识出水资源系统所处的这3种临界状态,将为水资源的安全预警提供重要依据。这3种临界状态虽是根据水资源量的多寡进行判断的,但同时还与持续时间有关,例如,旱灾是较长时间的缺水累积而形成的,时间尺度一般为旬、月或年;而洪灾则是短时间的洪水爆发引起的,时间尺度一般为小时或日;水资源短缺一般是指某一特定时段内水资源供给量不能满足需求量,时间尺度多为月、年或多年。因此,描述这3种临界状态的指标也不尽相同。
附图说明
图1是本发明实施例提供的一种水资源系统临界状态的定义及辨识方法的流程图;
图2是本发明实施例提供的具体流程图;
图3是本发明实施例提供的水资源系统临界状态辨识结果。
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。
如图1所示,一种水资源系统临界状态的定义及辨识方法,包括如下步骤:
(1)为水资源系统的临界状态设置多个预警指标,建立预警指标体系;
(2)对预警指标体系进行降维处理,将处理后的综合指标作为样本;
(3)将样本作为支持向量机的输入,进行训练,由训练结果确定水资源系统的临界面;
(4)当样本到临界面的距离在临界范围内,该样本处于临界状态,当样本到临界面的距离超过临界范围,该样本处于异常状态。
水资源系统的临界状态是指水资源系统相变时的状态,即水资源由安全发展到不安全乃至致灾时的过渡状态。单从水资源量的角度分析,随着水资源量的变化,水资源系统将经历以下几个状态:
(1)当水资源的经济社会需求和生态环境需求都能得到充分满足时,水资源系统将处于供需安全状态,是水资源管理的理想状态,在此阶段,生态环境、社会环境和经济环境三者可以协同高效发展,整个社会将以稳定的速度逐步前进。
(2)当水资源量不能同时满足经济社会和生态环境需求时,两者出现竞争性用水,势必有一方的用水得不到满足,经济社会和生态环境的协调发展遭到破坏,此时水资源系统将处于缺水状态。
(3)介于供需安全和缺水状态之间,水资源量虽能满足经济社会和生态环境的用水需求,但并不富裕,两者对水资源量的敏感程度非常高,水资源的脆弱性非常强,一旦出现动荡,水资源系统就将转化为缺水状态,此时水资源系统将处于临界安全状态。临界安全是水资源供需安全的一种极限状态,经济社会发展规模达到水资源承载力。
(4)当水资源量较少,处于缺水状态时,经济社会的发展受到限制,生态环境质量降低,但尚不致灾,随着水资源量的减少,缺水程度进一步加重,农作物减产甚或绝产,部分地区居民饮水困难,生态环境恶化,旱灾形成,水资源系统将处于灾变状态。
(5)介于旱灾和缺水状态之间,随着水资源量的减少,经济社会和生态环境缺水量逐渐增加,旱象初显,农作物和生态环境缺水将达到极限,若不采取措施,农作物和生物群落将枯死且不可逆转,若能及时采取措施,适当补水,损失将大大减少,此时,水资源系统将处于临界旱灾状态。
(6)当水资源量过多时,远远超过江河湖库的蓄滞能力,洪水泛滥,农作物被淹导致减产或绝产,甚至人员伤亡,严重破坏社会秩序和经济稳定甚或国家安全,此时水资源系统也将处于灾变状态。
(7)介于供需安全与洪灾状态之间为临界洪灾状态,此时江河湖库的蓄滞能力接近饱和,此时应及时采取措施,提高洪水防御能力或分调洪水减轻流域压力,避免对生命财产造成不可挽回的损失。
由此,随着水资源量由少到多,水资源系统共经历了旱灾、临界旱灾、缺水、临界安全、供需安全、临界洪灾和洪灾7种状态,其主要特征如表1所示。在这7种状态中,共包括了临界旱灾、临界安全和临界洪灾3种临界状态,若能准确辨识出水资源系统所处的这3种临界状态,将为水资源的安全预警提供重要依据。这3种临界状态虽是根据水资源量的多寡进行判断的,但同时还与持续时间有关,例如,旱灾是较长时间的缺水累积而形成的,时间尺度一般为旬、月或年;而洪灾则是短时间的洪水爆发引起的,时间尺度一般为小时或日;水资源短缺一般是指某一特定时段内水资源供给量不能满足需求量,时间尺度多为月、年或多年。因此,描述这3种临界状态的指标也不尽相同。一般而言,水资源系统的这7种状态是伴随着经济社会和生态环境子系统共同演化的,是一个动态变化的过程,但由于洪旱灾害持续时间相对较短,进行洪旱灾害临界状态辨识时,可以不考虑经济社会和生态环境子系统的演化过程。
表1水资源系统状态及指标体系
水资源预警的关键是水资源系统临界状态的确定,在预警指标体系的基础上,提出一种基于主成分分析和支持向量机的临界状态解析方法,运用主成分分析消除指标间的相关性,采用支持向量机进行水资源系统临界面的划分,进而可以根据临界状态的发展趋势实现水资源的预警。
首先根据预警对象,遵循科学性、全面性和实用性等原则,建立相应的指标体系,如洪水预警指标体系、干旱预警指标体系、水资源安全预警指标等。采用主成分分析方法对上述指标体系进行降维、去噪,提取包含样本数据信息的主成分,再以降维后的主成分作为相应预警系统的特征指标,进一步采用支持向量机进行是否安全或致灾的二元分类,得出相应的分割超平面的参数和预警指标组成的临界面,具体的技术路线如图2所示。
在洪水预警中,以洪峰前24h内的最大3h(或6h、24h)降雨量为致灾暴雨,以致灾暴雨前的土壤饱和度表示土壤含水量,以降雨空间异质性指数描述致灾暴雨的空间分布,预警指标为累计降雨量、降雨空间异质性指数以及对应的土壤饱和度,构建包含这3个相互独立指标的洪水预警指标,可建立预警时间尺度为3h、6h、24h的洪水预警指标体系。
在干旱预警中,选择对干旱的辨识和预警具有较大影响且可以全面描述干旱特征属性的干旱历时、降水距平百分率、日平均蒸发量、径流距平百分率、最小枯水流量等为特征指标,根据主成分分析的原理,对特征指标进行重新组合,将重构后互不相关相互独立的几个综合指标作为干旱预警指标,可建立预警时间尺度为日或者月的干旱预警指标体系。
在水资源安全预警中,选择表征水资源状况的指标如地表水资源量、地下水资源量、人均水资源量、亩均水资源量、大中型水库需水总量;表征供水设施状况的指标如年供水量、农业用水量及城市用水普及率;表征利用效率的指标如万元GDP用水量、万元工业增加值用水量、农田亩均灌溉用水量、城镇人均生活用水量、农村人均生活用水量、城区供水管网漏失率及工业用水重复利用率;表征利用能力的指标如人均GDP居民消费水平、第一产业比重和第三产业比重;表征生态环境的指标如废污水达标排放率、河流水质良好程度、废水排放量及城市污水处理率。根据主成分分析的原理,对特征指标进行重新组合,将重构后互不相关相互独立的几个综合指标作为水资源安全预警指标,可建立预警时间尺度为年的水资源安全预警指标体系。
表2预警等级划分标准
洪水预警中相应的预警启动准则、响应级别和响应依据如下:
干旱预警中相应的预警启动准则、响应级别和响应依据如下:
水资源安全预警中相应的预警启动准则、响应级别和响应依据如下:
实施例1
为了验证本发明的模拟效果,本发明实施例以十堰市水资源系统临界安全的状态辨识为例,采用上述方法进行水资源系统临界状态的辨识;具体的,根据上述选择地表水资源量、地下水资源量、万元GDP用水量等23个水资源安全评价指标,参考当地水资源安全状况的历史记录,对2002-2017年十堰市水资源安全状况做出主观的评价,或采用层次分析法等评价方法做出客观评价。
由于选取的水资源安全指标过多,不同的指标之间可能存在相关性,运用主成分分析法去除因子间冗余信息。根据选择的2002-2017年序列资料为基础数据,首先对原始数据进行标准化处理,以消除统计误差和量纲差异的影响,然后应用主成分分析法对样本进行分析计算,得前8个主成分贡献率矩阵见表3。
表3主成分贡献率和累计贡献率
主成分 | 方差贡献率/% | 累计方差贡献率/% |
1 | 44.29 | 44.29 |
2 | 20.35 | 64.63 |
3 | 12.52 | 77.15 |
4 | 7.99 | 85.15 |
5 | 5.43 | 90.58 |
6 | 3.38 | 93.96 |
7 | 1.83 | 95.79 |
8 | 1.37 | 97.16 |
由表3可以看出,前4个主成分的累积贡献率达到85%,表明这4个主成分基本上代表了原来所有影响因子85.1%的信息。一般情况下,主成分累计贡献率达到85%以上时,就可以反映相关因子的影响。因此,取前4个主成分代替原指标体系。
结合评价结果建立支持向量机二分类模型,输入为历年指标体系数据集,输出为-1或1(-1代表水资源安全,1代表水资源不安全),设置支持向量机核函数为线性核函数,设置惩罚因子c=2。考虑到资料时间序列长度问题,将16年的数据全部作为模型的训练集,用来训练模型参数,对其进行分类,分类准确率达到100%。将得到的支持向量机分类平面方程作为水资源安全预警的临界方程,其函数表达式为:
-1.3411x-0.8104y+1.1839z+0.3005w+1.2216=0
根据支持向量机分类原理,当点到超平面的距离d∈(-1/w,1/w],即d∈(-0.5,0.5]时,水资源系统处于临界安全状态,辨识结果如图3所示,处于水资源临界安全状态的有2005年、2009年及2012-2015年,结合水资源安全评价结果,这几年十堰市水资源安全状况均处于基本安全或不安全状态,故辨识结果具有可靠性。
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 (10)
1.一种水资源系统临界状态的定义及辨识方法,其特征在于,包括如下步骤:
(1)为水资源系统的临界状态设置多个预警指标,建立预警指标体系;
(2)对预警指标体系进行降维处理,将处理后的综合指标作为样本;
(3)将样本作为支持向量机的输入,进行训练,由训练结果确定水资源系统的临界面;
(4)当样本到临界面的距离在临界范围内,该样本处于临界状态,当样本到临界面的距离超过临界范围,该样本处于异常状态。
2.如权利要求1所述的一种水资源系统临界状态的定义及辨识方法,其特征在于,所述步骤(2)包括:
(21)利用预警指标体系组成原始资料矩阵,对原始资料矩阵进行标准化,得到新的数据矩阵,建立新的数据矩阵的协方差矩阵;
(22)计算协方差矩阵的特征向量,利用特征向量中的各特征值计算各主成分的贡献率,当前几个主成分的累计贡献率大于85%时,将前几个主成分作为综合指标。
3.如权利要求1或2所述的一种水资源系统临界状态的定义及辨识方法,其特征在于,所述步骤(3)包括:
(31)将包含综合指标的样本作为支持向量机的输入数据,将水资源系统的历史状态作为支持向量机的输出,设置支持向量机中的核函数为线性核函数,对支持向量机进行训练和检验,得到分割超平面的各个参数;
(32)将样本对应的综合指标作为变量,利用分割超平面的各个参数建立分类平面方程,将分类平面方程作为水资源系统的临界面。
7.如权利要求1或2所述的一种水资源系统临界状态的定义及辨识方法,其特征在于,所述临界状态包括临界旱灾、临界安全和临界洪灾。
8.如权利要求7所述的一种水资源系统临界状态的定义及辨识方法,其特征在于,所述临界旱灾对应的预警指标体系包括:干旱历时、降水距平百分率、径流距平百分率、最小枯水流量、蒸发量、农作物种植面积、土壤含水量、农村干旱饮水困难百分率、城市干旱指数、降水标准化指数、地表湿润指数、相对湿润指数和帕默尔干旱指数;
所述临界安全对应的预警指标体系包括:地表水、地下水、人均水资源量、水库蓄水量、供水量、农业用水量、城市用水普及率、万元GDP用水量、亩均用水量、生活用水量、漏失率、重复利用率、GDP、居民消费水平、各产业比重、达标排放率、排放量和污水处理率;
所述临界洪灾对应的预警指标体系包括:最大6h降水量、最大12h降水量、最大24h降水量、土壤饱和度、洪峰、洪量、洪水历时、峰现时间、河道水位和水库水位。
9.一种水资源系统临界状态的定义及辨识系统,其特征在于,包括:
预处理模块,用于为水资源系统的临界状态设置多个预警指标,建立预警指标体系;
主成分分析模块,用于对预警指标体系进行降维处理,将处理后的综合指标作为样本;
临界面推求模块,用于将样本作为支持向量机的输入,进行训练,由训练结果确定水资源系统的临界面;
辨识模块,用于当样本到临界面的距离在临界范围内,该样本处于临界状态,当样本到临界面的距离超过临界范围,该样本处于异常状态。
10.如权利要求9所述的一种水资源系统临界状态的定义及辨识系统,其特征在于,所述系统还包括:
预警模块,用于在当前状态处于临界状态时,发布蓝色预警信号,启动IV级预警;在当前状态处于一般风险时,发布黄色预警信号,启动III级预警;在当前状态处于严重风险时,发布橙色预警信号,启动II级预警;在当前状态处于特别严重风险时,发布红色预警信号,启动I级预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110132836.7A CN112906762A (zh) | 2021-01-29 | 2021-01-29 | 一种水资源系统临界状态的定义及辨识方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110132836.7A CN112906762A (zh) | 2021-01-29 | 2021-01-29 | 一种水资源系统临界状态的定义及辨识方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112906762A true CN112906762A (zh) | 2021-06-04 |
Family
ID=76122130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110132836.7A Pending CN112906762A (zh) | 2021-01-29 | 2021-01-29 | 一种水资源系统临界状态的定义及辨识方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906762A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673827A (zh) * | 2021-07-22 | 2021-11-19 | 山东大学 | 一种区域水资源脆弱性预警系统及方法 |
CN116776238A (zh) * | 2023-08-25 | 2023-09-19 | 汇杰设计集团股份有限公司 | 一种基于多源信息水旱灾害动态风险评估方法和系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180189898A1 (en) * | 2015-08-24 | 2018-07-05 | State Grid Corporation Of China | Cluster analysis based power transmission line mountain fire risky area division method |
-
2021
- 2021-01-29 CN CN202110132836.7A patent/CN112906762A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180189898A1 (en) * | 2015-08-24 | 2018-07-05 | State Grid Corporation Of China | Cluster analysis based power transmission line mountain fire risky area division method |
Non-Patent Citations (4)
Title |
---|
康琦等: "《机器学习中的不平衡分类方法》", 31 October 2017, 同济大学出版社 * |
张晓岚等: "水资源安全若干问题研究", 《中国农村水利水电》 * |
肖涵: "干旱致灾临界状态辨识及汉江上游未来气候情景下干旱预测研究", 《中国优秀硕士学位论文全文数据库基础科技辑》 * |
闫宝伟等: "考虑降雨空间异质性的动态临界雨量预警指标推求", 《水利学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673827A (zh) * | 2021-07-22 | 2021-11-19 | 山东大学 | 一种区域水资源脆弱性预警系统及方法 |
CN116776238A (zh) * | 2023-08-25 | 2023-09-19 | 汇杰设计集团股份有限公司 | 一种基于多源信息水旱灾害动态风险评估方法和系统 |
CN116776238B (zh) * | 2023-08-25 | 2023-11-03 | 汇杰设计集团股份有限公司 | 一种基于多源信息水旱灾害动态风险评估方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shouyu et al. | Variable fuzzy sets and its application in comprehensive risk evaluation for flood-control engineering system | |
Yapo et al. | Automatic calibration of conceptual rainfall-runoff models: sensitivity to calibration data | |
Hua | Residential construction demand forecasting using economic indicators: A comparative study of artificial neural networks and multiple regression | |
CN106339536B (zh) | 基于水污染指数法和云模型的水质综合评价方法 | |
CN110969346B (zh) | 基于指标筛选的流域水生态功能分区治理需求评价方法 | |
CN116070971B (zh) | 河湖水系有序流动调控方法和系统 | |
CN102521656A (zh) | 非平衡样本分类的集成迁移学习方法 | |
Sun et al. | Multistage analysis of hydrologic alterations in the Yellow River, China | |
CN112906762A (zh) | 一种水资源系统临界状态的定义及辨识方法和系统 | |
Hong et al. | Mid-and long-term runoff predictions by an improved phase-space reconstruction model | |
CN113128893A (zh) | 区域防旱减灾的评估方法和装置 | |
CN115796652A (zh) | 一种考虑多因素耦合的河流水生态系统恢复评价方法 | |
CN113705931A (zh) | 一种利用k最邻近法预测径流要素的方法 | |
Manurung et al. | Construction Portfolio Using Elton Gruber Model: COVID-19 | |
CN115239156B (zh) | 一种城镇化指标对水系结构的影响警示方法和装置 | |
CN115358587A (zh) | 区域多部门协同的基础设施规划方法及系统 | |
Qian et al. | A new nonlinear risk assessment model based on an improved projection pursuit | |
Coelho et al. | Statistical validity of water quality time series in urban watersheds | |
Ahmed et al. | Implementation of water demand forecasting model to aid sustainable water supply chain management in UAE | |
CN113807709A (zh) | 一种基于水情要素的多目标湖区水安全评价方法 | |
Davis et al. | Statistical Methods for Data Analysis | |
CN111191886A (zh) | 一种跨流域调水效率评估方法 | |
Davies et al. | The Tasmanian Conservation of Freshwater Ecosystem Values (CFEV) framework: developing a conservation and management system for rivers. | |
CELESTE et al. | Stochastic generation of inflow scenarios to be used by optimal reservoir operation models | |
Yu | Research and prediction of ecological footprint using machine learning: A case study of China |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210604 |
|
RJ01 | Rejection of invention patent application after publication |