CN112988853A - 一种基于地统计和优化算法的雨量站网布设方法 - Google Patents

一种基于地统计和优化算法的雨量站网布设方法 Download PDF

Info

Publication number
CN112988853A
CN112988853A CN202110548904.8A CN202110548904A CN112988853A CN 112988853 A CN112988853 A CN 112988853A CN 202110548904 A CN202110548904 A CN 202110548904A CN 112988853 A CN112988853 A CN 112988853A
Authority
CN
China
Prior art keywords
preset
calculation module
rainfall
less
influence
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
CN202110548904.8A
Other languages
English (en)
Other versions
CN112988853B (zh
Inventor
王妍
邹晓涛
张新
雷健
刘建国
杨朴
沈玉亭
王雪岚
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.)
Beijing Smart Water Development Research Institute
Original Assignee
BEIJING WATER CONSERVANCY AUTOMATION INST
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 BEIJING WATER CONSERVANCY AUTOMATION INST filed Critical BEIJING WATER CONSERVANCY AUTOMATION INST
Priority to CN202110548904.8A priority Critical patent/CN112988853B/zh
Publication of CN112988853A publication Critical patent/CN112988853A/zh
Application granted granted Critical
Publication of CN112988853B publication Critical patent/CN112988853B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Fuzzy Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Remote Sensing (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Sewage (AREA)

Abstract

本发明涉及一种基于地统计和优化算法的雨量站网布设方法，涉及雨量站网优化技术领域，包括，步骤S101，采集近五年目标区域已有雨量站网的实时监测数据；步骤S102，采集目标区域的遥感日降雨产品；步骤S103，进行Cokriging插值计算，生成目标区域的降雨空间分布特性；步骤S104，根据目标区域的气候带、地形、土地利用和水文特征构建影响降雨的指标体系；步骤S105，对影响降雨的各个因素进行探测，计算出单因子的贡献力和多因子的交互作用力；步骤S106，对目标区域进行分区，形成多个子区；步骤S107，生成各子区的候选站点位置；步骤S108，计算单个候选站点的信息熵；步骤S109，构建目标区域的雨量站网分布示意图。本发明有效提高了雨量站网布设的可靠性。

Description

一种基于地统计和优化算法的雨量站网布设方法
技术领域
本发明涉及雨量站网优化技术领域，尤其涉及一种基于地统计和优化算法的雨量站网布设方法。
背景技术
研究雨量站网在区域分布上的科学性、合理性及其最优化是水文测验工作首先要解决的问题。密度适中、布局合理的雨量站网，既要保证其观测值在所在区域的任何地点都具有足够的内插精度，同时又要避免因站网过密所造成的不必要的浪费。
自20世纪50-60年代,国家进行了大规模流域治理工程,陆续配置了相应的水文配套设施。建设之初,各地根据“以最稀容许站网来发挥最大效率”的原则,相继在各地规划和布置了各类水文站网。80年代以来，我国常用的雨量站网规划方法为流域水文模型法，而流域水文模型所追求的恰恰是考虑下垫面的空间变异性和水文信息的空间差异性的物理模型。随着对地观测技术的发展，大面积、高精度遥感影像数据、数字高程模型获取变得愈加简单，地理信息软件的发展对大数据量模拟运算提供了平台。
现有的雨量站网布设方法存在的问题是：①早期利用水文模型布置雨量站网，主要输入变量是下垫面和水文等信息，这些信息在一定程度上取决于专家的主观经验，致使布局的合理性和可靠性存在一定争议；②利用新技术，如结合遥感数据的雨量站网布设方法，容易受到遥感数据精度和质量的影响，并且雨天的遥感数据总体质量存在一定的误差；还有一些方法纯粹依赖大量数据成果，其代表性和时效性都存在不足之处。
发明内容
为此，本发明提供一种基于地统计和优化算法的雨量站网布设方法，用以克服现有技术中无法通过准确的参数计算确定站点位置导致的雨量站网布设可靠性低的问题。
为实现上述目的，本发明提供一种基于地统计和优化算法的雨量站网布设方法，包括：
步骤S101，采集模块采集预设时间内目标区域已有雨量站网的实时监测数据；
步骤S102，所述采集模块选取目标区域内空间分辨率最小的遥感日降雨产品作为雨量站网布设使用产品；
步骤S103，计算模块根据所述采集模块采集的日降雨数据和选取的遥感日降雨产品，进行Cokriging插值计算，并生成目标区域的降雨空间分布特性；
步骤S104，所述计算模块根据目标区域的气候带、地形、土地利用和水文特征构建影响降雨的指标体系；
步骤S105，所述计算模块基于GeoDetector的空间分层方法，对影响降雨的各个因素进行探测；
步骤S106，所述计算模块选中对降雨的解释力最大的因子或因子集作为分区依据，对目标区域进行分区，形成多个子区；
步骤S107，所述计算模块设定目标区域的降雨量估计值，并设定降雨量估计值的目标偏差，同时，使用模拟退火算法生成各子区的候选站点位置；
步骤S108，所述计算模块分别计算每个候选站点的信息熵；
步骤S109，输出模块根据预设信息熵取值范围选取满足条件的候选站点，并以此构建目标区域的雨量站网分布示意图；
在所述步骤S107中，当所述计算模块设定目标区域的降雨量估计值时，所述计算模块根据所述目标区域的平均日降雨量B选取对应的降雨量估计值，所述计算模块根据子区内各地点的日均温度差异将各所述子区划分出若干个预备站点，并分别将各所述预备站点的气候影响参数、地形影响参数、土地利用影响参数和水文特征影响参数带入降雨估计函数中，并根据函数计算值选取候选站点；
在进行降雨估计函数计算时，所述计算模块通过将预备站点的日均空气湿度E与各预设空气湿度进行比对选取对应的气候影响参数，当气候影响参数选取完成后，所述计算模块通过将预备站点的海拔高度F与各预设海拔高度进行比对选取对应的地形影响参数，当地形影响参数选取完成后，所述计算模块通过将预备站点的土地利用率G与各预设土地利用率进行比对选取对应的土地利用影响参数，当土地利用影响参数选取完成后，所述计算模块通过将预备站点的河流水位高度H与各预设河流水位高度进行比对选取对应的水文特征影响参数，当各所述影响参数均选取完成后，所述计算模块通过将预备站点的日均温度T与各预设日均温度进行比对选取对应的调节系数对选取的各所述影响参数进行调节。
进一步地，所述计算模块在设定所述目标区域的降雨量估计值时，所述计算模块将所述采集模块采集到的所述目标区域的平均日降雨量B与各预设日降雨量进行比对，并根据比对结果选取对应的降雨量估计值；
当B＜B1时，所述计算模块将A1作为降雨量估计值；
当B1≤B＜B2时，所述计算模块将A2作为降雨量估计值；
当B2≤B＜B3时，所述计算模块将A3作为降雨量估计值；
其中，B1为第一预设日降雨量，B2为第二预设日降雨量，B3为第三预设日降雨量，B1＜B2＜B3；A1为第一预设降雨量估计值，A2为第二预设降雨量估计值，A3为第三预设降雨量估计值，A1＜A2＜A3。
进一步地，所述计算模块中还设置有目标偏差m,设定m为常数，0＜m＜1，所述计算模块根据子区内各地点的日均温度差异将各子区划分出若干个预备站点，并分别将各所述预备站点带入降雨估计函数中，并计算出因变量Y的值，当Y∈Ai±m时，所述计算模块将该预备站点作为候选站点，其中Ai为选取的第i预设降雨量估计值，设定i=1,2,3；
所述计算模块中设置有降雨估计函数，如下式所示，
Y=（a×0.3+b×0.2+c×0.1+d×0.4）×B
式中，Y为因变量，a、b、c、d为自变量，B为所述目标区域的平均日降雨量，其中，a为气候影响参数,0＜a＜1，b为地形影响参数，0＜b＜1，c为土地利用影响参数，0＜c＜1，d为水文特征影响参数，0＜d＜1。
进一步地，当所述计算模块选取预备站点的气候影响参数时，所述计算模块将预备站点的日均空气湿度E与各预设空气湿度进行比对，并根据比对结果选取对应的气候影响参数；
当E＜E1时，所述计算模块将a1作为气候影响参数；
当E1≤E＜E2时，所述计算模块将a2作为气候影响参数；
当E2≤E＜E3时，所述计算模块将a3作为气候影响参数；
其中，E1为第一预设日均空气湿度，E2为第二预设日均空气湿度，E3为第三预设日均空气湿度，E1＜E2＜E3；a1为第一预设气候影响参数，a2为第二预设气候影响参数，a3为第三预设气候影响参数，a1＜a2＜a3。
进一步地，当气候影响参数选取完成后，所述计算模块在对选取的第i预设气候影响参数ai进行调节时，设定i=1,2,3，所述计算模块将预备站点的日均温度T与各预设日均温度进行比对，并根据比对结果选取对应的气候影响参数调节系数对ai进行调节；
当所述计算模块选取第j预设气候影响参数调节系数rj对ai进行调节时，设定j=1,2,3，调节后的气候影响参数为ai’，设定ai’=ai×rj；
当T＜T1时，所述计算模块选取r1对ai进行调节；
当T1≤T＜T2时，所述计算模块选取r2对ai进行调节；
当T2≤T＜T3时，所述计算模块选取r3对ai进行调节；
其中，T1为第一预设日均温度，T2为第二预设日均温度，T3为第三预设日均温度，T1＜T2＜T3；r1为第一预设气候影响参数调节系数，r2为第二预设气候影响参数调节系数，r3为第三预设气候影响参数调节系数，1＜r1＜r2＜r3＜2。
进一步地，当所述计算模块选取预备站点的地形影响参数时，所述计算模块将预备站点的海拔高度F与各预设海拔高度进行比对，并根据比对结果选取对应的地形影响参数；
当F＜F1时，所述计算模块将b1作为地形影响参数；
当F1≤F＜F2时，所述计算模块将b2作为地形影响参数；
当F2≤F＜F3时，所述计算模块将b3作为地形影响参数；
其中，F1为第一预设海拔高度，F2为第二预设海拔高度，F3为第三预设海拔高度，F1＜F2＜F3；b1为第一预设地形影响参数，b2为第二预设地形影响参数，b3为第三预设地形影响参数，b1＜b2＜b3。
进一步地，当地形影响参数选取完成后，所述计算模块在对选取的第i预设地形影响参数bi进行调节时，设定i=1,2,3，所述计算模块将预备站点的日均温度T与各预设日均温度进行比对，并根据比对结果选取对应的地形影响参数调节系数对bi进行调节；
当所述计算模块选取第j预设地形影响参数调节系数pj对bi进行调节时，设定j=1,2,3，调节后的地形影响参数为bi’，设定bi’=bi×pj；
当T＜T1时，所述计算模块选取p1对bi进行调节；
当T1≤T＜T2时，所述计算模块选取p2对bi进行调节；
当T2≤T＜T3时，所述计算模块选取p3对bi进行调节；
其中，p1为第一预设地形影响参数调节系数，p2为第二预设地形影响参数调节系数，p3为第三预设地形影响参数调节系数，1＜p1＜p2＜p3＜2。
进一步地，当所述计算模块选取预备站点的土地利用影响参数时，所述计算模块将预备站点的土地利用率G与各预设土地利用率进行比对，并根据比对结果选取对应的土地利用影响参数；
当G＜G1时，所述计算模块将c1作为土地利用影响参数；
当G1≤G＜G2时，所述计算模块将c2作为土地利用影响参数；
当G2≤G＜G3时，所述计算模块将c3作为土地利用影响参数；
其中，G1为第一预设土地利用率，G2为第二预设土地利用率，G3为第三预设土地利用率，G1＜G2＜G3；c1为第一预设土地利用影响参数，c2为第二预设土地利用影响参数，c3为第三预设土地利用影响参数，c1＜c2＜c3。
进一步地，当土地利用影响参数选取完成后，所述计算模块在对选取的第i预设土地利用影响参数ci进行调节时，设定i=1,2,3，所述计算模块将预备站点的日均温度T与各预设日均温度进行比对，并根据比对结果选取对应的土地利用影响参数调节系数对ci进行调节；
当所述计算模块选取第j预设土地利用影响参数调节系数qj对ci进行调节时，设定j=1,2,3，调节后的土地利用影响参数为ci’，设定ci’=ci×qj；
当T＜T1时，所述计算模块选取q1对ci进行调节；
当T1≤T＜T2时，所述计算模块选取q2对ci进行调节；
当T2≤T＜T3时，所述计算模块选取q3对ci进行调节；
其中，q1为第一预设土地利用影响参数调节系数，q2为第二预设土地利用影响参数调节系数，q3为第三预设土地利用影响参数调节系数，1＜q1＜q2＜q3＜2。
进一步地，当所述计算模块选取预备站点的水文特征影响参数时，所述计算模块将预备站点的河流水位高度H与各预设河流水位高度进行比对，并根据比对结果选取对应的水文特征影响参数；
当H＜H1时，所述计算模块将d1作为水文特征影响参数；
当H1≤H＜H2时，所述计算模块将d2作为水文特征影响参数；
当H2≤H＜H3时，所述计算模块将d3作为水文特征影响参数；
其中，H1为第一预设河流水位高度，H2为第二预设河流水位高度，H3为第三预设河流水位高度，H1＜H2＜H3；d1为第一预设水文特征影响参数，d2为第二预设水文特征影响参数，d3为第三预设水文特征影响参数，d1＜d2＜d3；
当水文特征影响参数选取完成后，所述计算模块在对选取的第i预设水文特征影响参数di进行调节时，设定i=1,2,3，所述计算模块将预备站点的日均温度T与各预设日均温度进行比对，并根据比对结果选取对应的水文特征影响参数调节系数对di进行调节；
当所述计算模块选取第j预设水文特征影响参数调节系数sj对di进行调节时，设定j=1,2,3，调节后的水文特征影响参数为di’，设定di’=di×sj；
当T＜T1时，所述计算模块选取s1对di进行调节；
当T1≤T＜T2时，所述计算模块选取s2对di进行调节；
当T2≤T＜T3时，所述计算模块选取s3对di进行调节；
其中，s1为第一预设水文特征影响参数调节系数，s2为第二预设水文特征影响参数调节系数，s3为第三预设水文特征影响参数调节系数，1＜s1＜s2＜s3＜2。
与现有技术相比，本发明的有益效果在于，本发明所述方法通过提取已有雨量站网的日降雨数据和选取空间分辨率最小的遥感日降雨产品进行Cokriging插值计算获取目标区域的降雨空间分布特性，Cokriging插值计算为最佳估值方法，有效保证了计算数据的准确度，所述计算模块根据气候带、地形、土地利用和水文特征对降雨估计的影响，设定了降雨估计函数，并通过计算函数值确定候选站点位置，有效保证了候选站点的准确度，所述计算模块计算各候选站点的信息熵，所述输出模块根据各候选站点的信息熵构建雨量站网分布图，通过信息熵的比对有效保证了构建雨量站网分布图的准确度，从而提高了雨量站网布设的可靠性；同时，在计算函数值时，通过对各所述预备站点的气候影响参数、地形影响参数、土地利用影响参数和水文特征影响参数进行选取和调节，进一步保证了候选站点的准确度，进一步提高了雨量站网布设的可靠性。
尤其，所述计算模块通过将所述采集模块采集到的所述目标区域的平均日降雨量B与各预设日降雨量进行比对选取对应的降雨量估计值，有效保证了降雨量估计值的准确度，进一步保证了候选站点的准确度，进一步提高了雨量站网布设的可靠性。
尤其，所述计算模块通过将预备站点的日均空气湿度E与各预设空气湿度进行比对选取对应的气候影响参数，再根据预备站点的日均温度T对选取的气候影响参数进行调节，有效保证了气候影响参数的准确度，从而保证了函数计算值Y的准确度，进一步保证了候选站点的准确度，进一步提高了雨量站网布设的可靠性。
尤其，所述计算模块通过将预备站点的海拔高度F与各预设海拔高度进行比对选取对应的地形影响参数，再根据预备站点的日均温度T对选取的地形影响参数进行调节，有效保证了地形影响参数的准确度，从而保证了函数计算值Y的准确度，进一步保证了候选站点的准确度，进一步提高了雨量站网布设的可靠性。
尤其，所述计算模块通过将预备站点的土地利用率G与各预设土地利用率进行比对选取对应的土地利用影响参数，再根据预备站点的日均温度T对选取的土地利用影响参数进行调节，有效保证了土地利用影响参数的准确度，从而保证了函数计算值Y的准确度，进一步保证了候选站点的准确度，进一步提高了雨量站网布设的可靠性。
尤其，所述计算模块通过将预备站点的河流水位高度H与各预设河流水位高度进行比对选取对应的水文特征影响参数，再根据预备站点的日均温度T对选取的水文特征影响参数进行调节，有效保证了水文特征影响参数的准确度，从而保证了函数计算值Y的准确度，进一步保证了候选站点的准确度，进一步提高了雨量站网布设的可靠性。
附图说明
图1为本实施例基于地统计和优化算法的雨量站网布设方法的流程示意图；
图2为本实施例基于地统计和优化算法的雨量站网布设系统的框架示意图。
具体实施方式
为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图2所示，其为本实施例基于地统计和优化算法的雨量站网布设系统，包括：
采集模块，用以采集近五年目标区域已有雨量站网的实时监测数据和目标区域的遥感日降雨产品；
计算模块，用以根据采集模块采集到的数据进行参数计算，并确定候选站点位置；
输出模块，用以构建目标区域的雨量站网分布示意图。
请参阅图1所示，其为本实施例所述基于地统计和优化算法的雨量站网布设方法，包括：
步骤S101，采集模块采集近五年目标区域已有雨量站网的实时监测数据，提取已有雨量站网的日降雨数据，并剔除目标区域均无降雨量的数据；
步骤S102，所述采集模块采集目标区域的遥感日降雨产品，并选取空间分辨率最小的遥感日降雨产品作为雨量站网布设使用产品，同时，对选取的遥感日降雨产品在时间维度上与实测数据进行匹配；
步骤S103，计算模块根据所述采集模块提取的已有雨量站网的日降雨数据和选取的遥感日降雨产品，进行Cokriging插值计算，生成目标区域的降雨空间分布特性；
所述Cokriging插值计算是一种插值算法，名为“联合Kriging”，以不同的统计机构，利用样本数较为充足的辅助随机变数来推估取样点较少的空间分布情况，同一空间位置样点的多个属性之间的某个属性的空间分布与其他属性密切相关，且某些属性不易获得，而另一些属性则易于获取，如果两种属性空间相关，则选用该方法，把区域化变量的最佳估值方法从单一属性发展到两个以上的协同区域化属性；
步骤S104，所述计算模块根据目标区域的气候带、地形、土地利用和水文特征构建影响降雨的指标体系；
步骤S105，所述计算模块基于GeoDetector的空间分层方法，对影响降雨的各个因素进行探测，计算出单因子的贡献力和多因子的交互作用力；
地理探测器GeoDetector是探测地理事件影响因子的统计学方法，能有效的识别多因子与地理现象的作用关系，由因子探测、风险探测、生态探测和交互探测4个部分组成，其中因子探测可用于测定因子Ｘ对变量Ｙ的影响力，交互作用探测可用于识别不同因子交互作用下对变量Ｙ的解释程度，风险区探测可用于判断不同区域间是否具有显著性差异，生态探测可用于比较两因子对变量Ｙ影响力的差异性；
步骤S106，所述计算模块选中对降雨的解释力最大的因子或因子集作为分区依据，对目标区域进行分区，形成多个子区；
步骤S107，所述计算模块设定目标区域的降雨量估计值，并设定降雨量估计值的目标偏差，即将方差控制在一定限定范围内，同时所述计算模块使用模拟退火算法生成各子区的候选站点位置；
所述模拟退火算法是从某一较高初温出发，伴随温度参数的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性地跳出并最终趋于全局最优；模拟退火算法是一种通用的优化算法，理论上算法具有概率的全局优化性能；
步骤S108，所述计算模块将目标函数定义为单个站点的无偏最优估计，并根据近五年遥感影像资料计算单个候选站点的信息熵；
所述无偏最优估计即是真实监测值与估计值差距最小；
步骤S109，输出模块根据设定的信息熵值范围区间，选取满足条件的候选站点，并根据满足条件的候选站点构建目标区域的雨量站网分布示意图。
具体而言，本实施例通过结合卫星遥感降水产品和地面监测数据，利用GeoDetector对各因子贡献力的定量进行分区，再采用模拟退火算法和信息熵搜索最佳采样点分布，充分考虑先验知识及降雨的空间相关性及异质性，解决了以往方法中单纯依赖降雨的物理机理，或者完全从数据角度出发，致使所选站网的代表性不足，使得其无法更好地获取目标区域的降雨特征的问题，同时该方法计算步骤简单、普适性强、人为因素少；且本实施例通过GeoDetector模型确定站网分层的依据，其输入的因子是已经确定的，避免无关因子亦或贡献力小的因子输入；本实施例鉴于降雨的卫星产品空间分辨率不足的前提，将现有的地面监测数据参与协同计算，以提升区域降雨空间分布的精确度。
具体而言，所述计算模块在设定所述目标区域的降雨量估计值时，所述计算模块将所述采集模块采集到的所述目标区域的平均日降雨量B与各预设日降雨量进行比对，并根据比对结果选取对应的降雨量估计值；
当B＜B1时，所述计算模块将A1作为降雨量估计值；
当B1≤B＜B2时，所述计算模块将A2作为降雨量估计值；
当B2≤B＜B3时，所述计算模块将A3作为降雨量估计值；
其中，B1为第一预设日降雨量，B2为第二预设日降雨量，B3为第三预设日降雨量，B1＜B2＜B3；A1为第一预设降雨量估计值，A2为第二预设降雨量估计值，A3为第三预设降雨量估计值，A1＜A2＜A3。
具体而言，本实施例所述计算模块通过将所述采集模块采集到的所述目标区域的平均日降雨量B与各预设日降雨量进行比对选取对应的降雨量估计值，有效保证了降雨量估计值的准确度，进一步保证了候选站点的准确度，进一步提高了雨量站网布设的可靠性。
具体而言，所述计算模块中设置有降雨估计函数，如下式所示，
Y=（a×0.3+b×0.2+c×0.1+d×0.4）×B
式中，Y为因变量，a、b、c、d为自变量，B为所述目标区域的平均日降雨量，其中，a为气候影响参数,0＜a＜1，b为地形影响参数，0＜b＜1，c为土地利用影响参数，0＜c＜1，d为水文特征影响参数，0＜d＜1。
具体而言，所述计算模块中还设置有目标偏差m,设定m为常数，0＜m＜1，所述计算模块根据子区内各地点的日均温度差异将各子区划分出若干个预备站点，并分别将各所述预备站点带入所述降雨估计函数中，并计算出因变量Y的值，因变量Y表示降雨量估计的计算值，当Y∈Ai±m时，所述计算模块将该预备站点作为候选站点，其中Ai为选取的第i预设降雨量估计值，设定i=1,2,3。
具体而言，当所述计算模块选取预备站点的气候影响参数时，所述计算模块将预备站点的日均空气湿度E与各预设空气湿度进行比对，并根据比对结果选取对应的气候影响参数；
当E＜E1时，所述计算模块将a1作为气候影响参数；
当E1≤E＜E2时，所述计算模块将a2作为气候影响参数；
当E2≤E＜E3时，所述计算模块将a3作为气候影响参数；
其中，E1为第一预设日均空气湿度，E2为第二预设日均空气湿度，E3为第三预设日均空气湿度，E1＜E2＜E3；a1为第一预设气候影响参数，a2为第二预设气候影响参数，a3为第三预设气候影响参数，a1＜a2＜a3。
具体而言，当气候影响参数选取完成后，所述计算模块在对选取的第i预设气候影响参数ai进行调节时，设定i=1,2,3，所述计算模块将预备站点的日均温度T与各预设日均温度进行比对，并根据比对结果选取对应的气候影响参数调节系数对ai进行调节；
当所述计算模块选取第j预设气候影响参数调节系数rj对ai进行调节时，设定j=1,2,3，调节后的气候影响参数为ai’，设定ai’=ai×rj；
当T＜T1时，所述计算模块选取r1对ai进行调节；
当T1≤T＜T2时，所述计算模块选取r2对ai进行调节；
当T2≤T＜T3时，所述计算模块选取r3对ai进行调节；
其中，T1为第一预设日均温度，T2为第二预设日均温度，T3为第三预设日均温度，T1＜T2＜T3；r1为第一预设气候影响参数调节系数，r2为第二预设气候影响参数调节系数，r3为第三预设气候影响参数调节系数，1＜r1＜r2＜r3＜2。
具体而言，当所述计算模块选取预备站点的地形影响参数时，所述计算模块将预备站点的海拔高度F与各预设海拔高度进行比对，并根据比对结果选取对应的地形影响参数；
当F＜F1时，所述计算模块将b1作为地形影响参数；
当F1≤F＜F2时，所述计算模块将b2作为地形影响参数；
当F2≤F＜F3时，所述计算模块将b3作为地形影响参数；
其中，F1为第一预设海拔高度，F2为第二预设海拔高度，F3为第三预设海拔高度，F1＜F2＜F3；b1为第一预设地形影响参数，b2为第二预设地形影响参数，b3为第三预设地形影响参数，b1＜b2＜b3。
具体而言，当地形影响参数选取完成后，所述计算模块在对选取的第i预设地形影响参数bi进行调节时，设定i=1,2,3，所述计算模块将预备站点的日均温度T与各预设日均温度进行比对，并根据比对结果选取对应的地形影响参数调节系数对bi进行调节；
当所述计算模块选取第j预设地形影响参数调节系数pj对bi进行调节时，设定j=1,2,3，调节后的地形影响参数为bi’，设定bi’=bi×pj；
当T＜T1时，所述计算模块选取p1对bi进行调节；
当T1≤T＜T2时，所述计算模块选取p2对bi进行调节；
当T2≤T＜T3时，所述计算模块选取p3对bi进行调节；
其中，p1为第一预设地形影响参数调节系数，p2为第二预设地形影响参数调节系数，p3为第三预设地形影响参数调节系数，1＜p1＜p2＜p3＜2。
具体而言，本实施例所述计算模块通过将预备站点的海拔高度F与各预设海拔高度进行比对选取对应的地形影响参数，再根据预备站点的日均温度T对选取的地形影响参数进行调节，有效保证了地形影响参数的准确度，从而保证了函数计算值Y的准确度，进一步保证了候选站点的准确度，进一步提高了雨量站网布设的可靠性。
具体而言，当所述计算模块选取预备站点的土地利用影响参数时，所述计算模块将预备站点的土地利用率G与各预设土地利用率进行比对，并根据比对结果选取对应的土地利用影响参数；
当G＜G1时，所述计算模块将c1作为土地利用影响参数；
当G1≤G＜G2时，所述计算模块将c2作为土地利用影响参数；
当G2≤G＜G3时，所述计算模块将c3作为土地利用影响参数；
其中，G1为第一预设土地利用率，G2为第二预设土地利用率，G3为第三预设土地利用率，G1＜G2＜G3；c1为第一预设土地利用影响参数，c2为第二预设土地利用影响参数，c3为第三预设土地利用影响参数，c1＜c2＜c3。
具体而言，当土地利用影响参数选取完成后，所述计算模块在对选取的第i预设土地利用影响参数ci进行调节时，设定i=1,2,3，所述计算模块将预备站点的日均温度T与各预设日均温度进行比对，并根据比对结果选取对应的土地利用影响参数调节系数对ci进行调节；
当所述计算模块选取第j预设土地利用影响参数调节系数qj对ci进行调节时，设定j=1,2,3，调节后的土地利用影响参数为ci’，设定ci’=ci×qj；
当T＜T1时，所述计算模块选取q1对ci进行调节；
当T1≤T＜T2时，所述计算模块选取q2对ci进行调节；
当T2≤T＜T3时，所述计算模块选取q3对ci进行调节；
其中，q1为第一预设土地利用影响参数调节系数，q2为第二预设土地利用影响参数调节系数，q3为第三预设土地利用影响参数调节系数，1＜q1＜q2＜q3＜2。
具体而言，当所述计算模块选取预备站点的水文特征影响参数时，所述计算模块将预备站点的河流水位高度H与各预设河流水位高度进行比对，并根据比对结果选取对应的水文特征影响参数；
当H＜H1时，所述计算模块将d1作为水文特征影响参数；
当H1≤H＜H2时，所述计算模块将d2作为水文特征影响参数；
当H2≤H＜H3时，所述计算模块将d3作为水文特征影响参数；
其中，H1为第一预设河流水位高度，H2为第二预设河流水位高度，H3为第三预设河流水位高度，H1＜H2＜H3；d1为第一预设水文特征影响参数，d2为第二预设水文特征影响参数，d3为第三预设水文特征影响参数，d1＜d2＜d3。
具体而言，当水文特征影响参数选取完成后，所述计算模块在对选取的第i预设水文特征影响参数di进行调节时，设定i=1,2,3，所述计算模块将预备站点的日均温度T与各预设日均温度进行比对，并根据比对结果选取对应的水文特征影响参数调节系数对di进行调节；
当所述计算模块选取第j预设水文特征影响参数调节系数sj对di进行调节时，设定j=1,2,3，调节后的水文特征影响参数为di’，设定di’=di×sj；
当T＜T1时，所述计算模块选取s1对di进行调节；
当T1≤T＜T2时，所述计算模块选取s2对di进行调节；
当T2≤T＜T3时，所述计算模块选取s3对di进行调节；
其中，s1为第一预设水文特征影响参数调节系数，s2为第二预设水文特征影响参数调节系数，s3为第三预设水文特征影响参数调节系数，1＜s1＜s2＜s3＜2。
具体而言，本实施例所述计算模块通过将预备站点的河流水位高度H与各预设河流水位高度进行比对选取对应的水文特征影响参数，再根据预备站点的日均温度T对选取的水文特征影响参数进行调节，有效保证了水文特征影响参数的准确度，从而保证了函数计算值Y的准确度，进一步保证了候选站点的准确度，进一步提高了雨量站网布设的可靠性。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种基于地统计和优化算法的雨量站网布设方法，其特征在于，包括：
步骤S101，采集模块采集预设时间内目标区域已有雨量站网的实时监测数据；
步骤S102，所述采集模块选取目标区域内空间分辨率最小的遥感日降雨产品作为雨量站网布设使用产品；
步骤S103，计算模块根据所述采集模块采集的日降雨数据和选取的遥感日降雨产品，进行Cokriging插值计算，并生成目标区域的降雨空间分布特性；
步骤S104，所述计算模块根据目标区域的气候带、地形、土地利用和水文特征构建影响降雨的指标体系；
步骤S105，所述计算模块基于GeoDetector的空间分层方法，对影响降雨的各个因素进行探测；
步骤S106，所述计算模块选中对降雨的解释力最大的因子或因子集作为分区依据，对目标区域进行分区，形成多个子区；
步骤S107，所述计算模块设定目标区域的降雨量估计值，并设定降雨量估计值的目标偏差，同时，使用模拟退火算法生成各子区的候选站点位置；
步骤S108，所述计算模块分别计算每个候选站点的信息熵；
步骤S109，输出模块根据预设信息熵取值范围选取满足条件的候选站点，并以此构建目标区域的雨量站网分布示意图；
在所述步骤S107中，当所述计算模块设定目标区域的降雨量估计值时，所述计算模块根据所述目标区域的平均日降雨量B选取对应的降雨量估计值，所述计算模块根据子区内各地点的日均温度差异将各所述子区划分出若干个预备站点，并分别将各所述预备站点的气候影响参数、地形影响参数、土地利用影响参数和水文特征影响参数带入降雨估计函数中，并根据函数计算值选取候选站点；
在进行降雨估计函数计算时，所述计算模块通过将预备站点的日均空气湿度E与各预设空气湿度进行比对选取对应的气候影响参数，当气候影响参数选取完成后，所述计算模块通过将预备站点的海拔高度F与各预设海拔高度进行比对选取对应的地形影响参数，当地形影响参数选取完成后，所述计算模块通过将预备站点的土地利用率G与各预设土地利用率进行比对选取对应的土地利用影响参数，当土地利用影响参数选取完成后，所述计算模块通过将预备站点的河流水位高度H与各预设河流水位高度进行比对选取对应的水文特征影响参数，当各所述影响参数均选取完成后，所述计算模块通过将预备站点的日均温度T与各预设日均温度进行比对选取对应的调节系数对选取的各所述影响参数进行调节。
2.根据权利要求1所述的基于地统计和优化算法的雨量站网布设方法，其特征在于，所述计算模块在设定所述目标区域的降雨量估计值时，所述计算模块将所述采集模块采集到的所述目标区域的平均日降雨量B与各预设日降雨量进行比对，并根据比对结果选取对应的降雨量估计值；
当B＜B1时，所述计算模块将A1作为降雨量估计值；
当B1≤B＜B2时，所述计算模块将A2作为降雨量估计值；
当B2≤B＜B3时，所述计算模块将A3作为降雨量估计值；
其中，B1为第一预设日降雨量，B2为第二预设日降雨量，B3为第三预设日降雨量，B1＜B2＜B3；A1为第一预设降雨量估计值，A2为第二预设降雨量估计值，A3为第三预设降雨量估计值，A1＜A2＜A3。
3.根据权利要求2所述的基于地统计和优化算法的雨量站网布设方法，其特征在于，所述计算模块中还设置有目标偏差m,设定m为常数，0＜m＜1，所述计算模块根据子区内各地点的日均温度差异将各子区划分出若干个预备站点，并分别将各所述预备站点带入降雨估计函数中，并计算出因变量Y的值，当Y∈Ai±m时，所述计算模块将该预备站点作为候选站点，其中Ai为选取的第i预设降雨量估计值，设定i=1,2,3；
所述计算模块中设置有降雨估计函数，如下式所示，
Y=（a×0.3+b×0.2+c×0.1+d×0.4）×B
式中，Y为因变量，a、b、c、d为自变量，B为所述目标区域的平均日降雨量，其中，a为气候影响参数,0＜a＜1，b为地形影响参数，0＜b＜1，c为土地利用影响参数，0＜c＜1，d为水文特征影响参数，0＜d＜1。
4.根据权利要求2所述的基于地统计和优化算法的雨量站网布设方法，其特征在于，当所述计算模块选取预备站点的气候影响参数时，所述计算模块将预备站点的日均空气湿度E与各预设空气湿度进行比对，并根据比对结果选取对应的气候影响参数；
当E＜E1时，所述计算模块将a1作为气候影响参数；
当E1≤E＜E2时，所述计算模块将a2作为气候影响参数；
当E2≤E＜E3时，所述计算模块将a3作为气候影响参数；
其中，E1为第一预设日均空气湿度，E2为第二预设日均空气湿度，E3为第三预设日均空气湿度，E1＜E2＜E3；a1为第一预设气候影响参数，a2为第二预设气候影响参数，a3为第三预设气候影响参数，a1＜a2＜a3。
5.根据权利要求4所述的基于地统计和优化算法的雨量站网布设方法，其特征在于，当气候影响参数选取完成后，所述计算模块在对选取的第i预设气候影响参数ai进行调节时，设定i=1,2,3，所述计算模块将预备站点的日均温度T与各预设日均温度进行比对，并根据比对结果选取对应的气候影响参数调节系数对ai进行调节；
当所述计算模块选取第j预设气候影响参数调节系数rj对ai进行调节时，设定j=1,2,3，调节后的气候影响参数为ai’，设定ai’=ai×rj；
当T＜T1时，所述计算模块选取r1对ai进行调节；
当T1≤T＜T2时，所述计算模块选取r2对ai进行调节；
当T2≤T＜T3时，所述计算模块选取r3对ai进行调节；
其中，T1为第一预设日均温度，T2为第二预设日均温度，T3为第三预设日均温度，T1＜T2＜T3；r1为第一预设气候影响参数调节系数，r2为第二预设气候影响参数调节系数，r3为第三预设气候影响参数调节系数，1＜r1＜r2＜r3＜2。
6.根据权利要求5所述的基于地统计和优化算法的雨量站网布设方法，其特征在于，当所述计算模块选取预备站点的地形影响参数时，所述计算模块将预备站点的海拔高度F与各预设海拔高度进行比对，并根据比对结果选取对应的地形影响参数；
当F＜F1时，所述计算模块将b1作为地形影响参数；
当F1≤F＜F2时，所述计算模块将b2作为地形影响参数；
当F2≤F＜F3时，所述计算模块将b3作为地形影响参数；
其中，F1为第一预设海拔高度，F2为第二预设海拔高度，F3为第三预设海拔高度，F1＜F2＜F3；b1为第一预设地形影响参数，b2为第二预设地形影响参数，b3为第三预设地形影响参数，b1＜b2＜b3。
7.根据权利要求6所述的基于地统计和优化算法的雨量站网布设方法，其特征在于，当地形影响参数选取完成后，所述计算模块在对选取的第i预设地形影响参数bi进行调节时，设定i=1,2,3，所述计算模块将预备站点的日均温度T与各预设日均温度进行比对，并根据比对结果选取对应的地形影响参数调节系数对bi进行调节；
当所述计算模块选取第j预设地形影响参数调节系数pj对bi进行调节时，设定j=1,2,3，调节后的地形影响参数为bi’，设定bi’=bi×pj；
当T＜T1时，所述计算模块选取p1对bi进行调节；
当T1≤T＜T2时，所述计算模块选取p2对bi进行调节；
当T2≤T＜T3时，所述计算模块选取p3对bi进行调节；
其中，p1为第一预设地形影响参数调节系数，p2为第二预设地形影响参数调节系数，p3为第三预设地形影响参数调节系数，1＜p1＜p2＜p3＜2。
8.根据权利要求7所述的基于地统计和优化算法的雨量站网布设方法，其特征在于，当所述计算模块选取预备站点的土地利用影响参数时，所述计算模块将预备站点的土地利用率G与各预设土地利用率进行比对，并根据比对结果选取对应的土地利用影响参数；
当G＜G1时，所述计算模块将c1作为土地利用影响参数；
当G1≤G＜G2时，所述计算模块将c2作为土地利用影响参数；
当G2≤G＜G3时，所述计算模块将c3作为土地利用影响参数；
其中，G1为第一预设土地利用率，G2为第二预设土地利用率，G3为第三预设土地利用率，G1＜G2＜G3；c1为第一预设土地利用影响参数，c2为第二预设土地利用影响参数，c3为第三预设土地利用影响参数，c1＜c2＜c3。
9.根据权利要求8所述的基于地统计和优化算法的雨量站网布设方法，其特征在于，当土地利用影响参数选取完成后，所述计算模块在对选取的第i预设土地利用影响参数ci进行调节时，设定i=1,2,3，所述计算模块将预备站点的日均温度T与各预设日均温度进行比对，并根据比对结果选取对应的土地利用影响参数调节系数对ci进行调节；
当所述计算模块选取第j预设土地利用影响参数调节系数qj对ci进行调节时，设定j=1,2,3，调节后的土地利用影响参数为ci’，设定ci’=ci×qj；
当T＜T1时，所述计算模块选取q1对ci进行调节；
当T1≤T＜T2时，所述计算模块选取q2对ci进行调节；
当T2≤T＜T3时，所述计算模块选取q3对ci进行调节；
其中，q1为第一预设土地利用影响参数调节系数，q2为第二预设土地利用影响参数调节系数，q3为第三预设土地利用影响参数调节系数，1＜q1＜q2＜q3＜2。
10.根据权利要求9所述的基于地统计和优化算法的雨量站网布设方法，其特征在于，当所述计算模块选取预备站点的水文特征影响参数时，所述计算模块将预备站点的河流水位高度H与各预设河流水位高度进行比对，并根据比对结果选取对应的水文特征影响参数；
当H＜H1时，所述计算模块将d1作为水文特征影响参数；
当H1≤H＜H2时，所述计算模块将d2作为水文特征影响参数；
当H2≤H＜H3时，所述计算模块将d3作为水文特征影响参数；
其中，H1为第一预设河流水位高度，H2为第二预设河流水位高度，H3为第三预设河流水位高度，H1＜H2＜H3；d1为第一预设水文特征影响参数，d2为第二预设水文特征影响参数，d3为第三预设水文特征影响参数，d1＜d2＜d3；
当水文特征影响参数选取完成后，所述计算模块在对选取的第i预设水文特征影响参数di进行调节时，设定i=1,2,3，所述计算模块将预备站点的日均温度T与各预设日均温度进行比对，并根据比对结果选取对应的水文特征影响参数调节系数对di进行调节；
当所述计算模块选取第j预设水文特征影响参数调节系数sj对di进行调节时，设定j=1,2,3，调节后的水文特征影响参数为di’，设定di’=di×sj；
当T＜T1时，所述计算模块选取s1对di进行调节；
当T1≤T＜T2时，所述计算模块选取s2对di进行调节；
当T2≤T＜T3时，所述计算模块选取s3对di进行调节；
其中，s1为第一预设水文特征影响参数调节系数，s2为第二预设水文特征影响参数调节系数，s3为第三预设水文特征影响参数调节系数，1＜s1＜s2＜s3＜2。
CN202110548904.8A 2021-05-20 2021-05-20 一种基于地统计和优化算法的雨量站网布设方法 Active CN112988853B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110548904.8A CN112988853B (zh) 2021-05-20 2021-05-20 一种基于地统计和优化算法的雨量站网布设方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110548904.8A CN112988853B (zh) 2021-05-20 2021-05-20 一种基于地统计和优化算法的雨量站网布设方法

Publications (2)

Publication Number Publication Date
CN112988853A true CN112988853A (zh) 2021-06-18
CN112988853B CN112988853B (zh) 2021-09-10

Family

ID=76337723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110548904.8A Active CN112988853B (zh) 2021-05-20 2021-05-20 一种基于地统计和优化算法的雨量站网布设方法

Country Status (1)

Country Link
CN (1) CN112988853B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009186251A (ja) * 2008-02-05 2009-08-20 Fujitsu Ltd 雨量値補間、累計雨量積算方法
WO2012036368A1 (ko) * 2010-09-13 2012-03-22 대한민국(기상청장) 강우 및 수위 실시간 모니터링 시스템 및 이를 이용한 모니터링 방법
CN105068153A (zh) * 2015-06-19 2015-11-18 中国气象科学研究院 一种区域自动雨量站小时降水数据质量控制系统及方法
CN105512750A (zh) * 2015-11-27 2016-04-20 清华大学 基于卫星降雨数据的雨量站网布设方法及装置
CN106651052A (zh) * 2016-12-30 2017-05-10 中国地质大学（武汉） 一种地面雨量站优化布局的方法及装置
CN107315722A (zh) * 2017-07-03 2017-11-03 南京大学 基于克里金和信息熵理论相结合的水文站网优化模型
CN107703564A (zh) * 2017-10-13 2018-02-16 中国科学院深圳先进技术研究院 一种降雨预测方法、系统及电子设备
CN110222911A (zh) * 2019-06-20 2019-09-10 中国水利水电科学研究院 一种卫星遥感与地面数据协同的雨量站网优化布局方法
CN110597873A (zh) * 2019-08-23 2019-12-20 北京师范大学 降水数据估计方法、装置、设备及存储介质
CN112347652A (zh) * 2020-11-10 2021-02-09 艾莫瑞信息技术咨询(厦门)有限公司 基于水文气象地区线性矩频率分析的暴雨高风险区划方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009186251A (ja) * 2008-02-05 2009-08-20 Fujitsu Ltd 雨量値補間、累計雨量積算方法
WO2012036368A1 (ko) * 2010-09-13 2012-03-22 대한민국(기상청장) 강우 및 수위 실시간 모니터링 시스템 및 이를 이용한 모니터링 방법
CN105068153A (zh) * 2015-06-19 2015-11-18 中国气象科学研究院 一种区域自动雨量站小时降水数据质量控制系统及方法
CN105512750A (zh) * 2015-11-27 2016-04-20 清华大学 基于卫星降雨数据的雨量站网布设方法及装置
CN106651052A (zh) * 2016-12-30 2017-05-10 中国地质大学（武汉） 一种地面雨量站优化布局的方法及装置
CN107315722A (zh) * 2017-07-03 2017-11-03 南京大学 基于克里金和信息熵理论相结合的水文站网优化模型
CN107703564A (zh) * 2017-10-13 2018-02-16 中国科学院深圳先进技术研究院 一种降雨预测方法、系统及电子设备
CN110222911A (zh) * 2019-06-20 2019-09-10 中国水利水电科学研究院 一种卫星遥感与地面数据协同的雨量站网优化布局方法
CN110597873A (zh) * 2019-08-23 2019-12-20 北京师范大学 降水数据估计方法、装置、设备及存储介质
CN112347652A (zh) * 2020-11-10 2021-02-09 艾莫瑞信息技术咨询(厦门)有限公司 基于水文气象地区线性矩频率分析的暴雨高风险区划方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHANGFENG JING: "research on accuracy assessment of urban rainfall spatial interpolation from gauges data", 《IEEE XPLORE》 *
刘秀林: "基于信息熵的雨量站网优化研究", 《水文》 *
曹引: "高山流域降水无线传感器网络节点布局优化方法", 《系统工程理论与实践》 *

Also Published As

Publication number Publication date
CN112988853B (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN110222911B (zh) 一种卫星遥感与地面数据协同的雨量站网优化布局方法
CN112800634B (zh) 耦合干湿状态辨识与多源信息融合的降水估计方法及系统
CN106251625A (zh) 大数据环境下立体城市交通路网全局状态预测方法
CN102903014A (zh) 江湖交汇水系水环境质量监测站点的优化布置方法
CN114970377B (zh) 基于新安江与深度学习耦合模型的场次洪水预报方法和系统
CN110543971B (zh) 一种卫星降雨与实测降雨误差分区融合校正的方法
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
CN111598724B (zh) 一种中小水库入库流量日前预测的分时段集成方法
CN105467100B (zh) 基于遥感与gis的县域土壤侵蚀时空动态监测方法
CN115689051A (zh) 一种基于GA算法耦合Morris和GLUE的SWMM模型参数自动率定方法
CN114897423B (zh) 基于作物水分指示线的农田灌溉概率指数计算方法
CN107831516A (zh) 融合gnss和地面监测网获取大坝实时高精度位移的方法
CN112988853B (zh) 一种基于地统计和优化算法的雨量站网布设方法
CN117150600B (zh) 一种用于城市防内涝的屋顶蓄排水控制方法
Farzana et al. Application of swat model for assessing water availability in Surma River basin
CN116992676A (zh) 一种多源卫星降水观测辅助的地面雨量站网优化设计方法
CN113435630B (zh) 一种产流模式自适应的流域水文预报方法及系统
CN115468543A (zh) 一种基于参数自动寻优的基流分割方法
CN112818923A (zh) 一种城市群居住空间建成时间识别方法
CN115545344B (zh) 山洪小流域雨量站网布局优化方法
CN117436710B (zh) 一种基于作物模型的干旱评估方法
CN114048910B (zh) 一种基于大数据的社区公共绿地组群布局优化方法
Li et al. Regionalization of coaxial correlation diagrams for the semi-humid and semi-arid catchments in Northern China
CN116595692B (zh) 一种适用于城市水文模型的城市管网汇流概化方法
CN117538957A (zh) 一种流域雨量站网的评估方法及系统

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
CP01 Change in the name or title of a patent holder

Address after: 100036 Beijing city Haidian District Cuiwei Road No. 3

Patentee after: Beijing Smart Water Development Research Institute

Address before: 100036 Beijing city Haidian District Cuiwei Road No. 3

Patentee before: Beijing Water Conservancy Automation Inst.

CP01 Change in the name or title of a patent holder