CN113780657B - 洪水事件识别方法、装置、计算机设备和存储介质 - Google Patents

洪水事件识别方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113780657B
CN113780657B CN202111063322.7A CN202111063322A CN113780657B CN 113780657 B CN113780657 B CN 113780657B CN 202111063322 A CN202111063322 A CN 202111063322A CN 113780657 B CN113780657 B CN 113780657B
Authority
CN
China
Prior art keywords
daily
rainfall
event
flood
flood event
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
CN202111063322.7A
Other languages
English (en)
Other versions
CN113780657A (zh
Inventor
卢韦伟
刘志武
杨大文
唐莉华
杨恒
王浩
常新雨
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.)
Tsinghua University
China Three Gorges Corp
Original Assignee
Tsinghua University
China Three Gorges Corp
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 Tsinghua University, China Three Gorges Corp filed Critical Tsinghua University
Priority to CN202111063322.7A priority Critical patent/CN113780657B/zh
Publication of CN113780657A publication Critical patent/CN113780657A/zh
Application granted granted Critical
Publication of CN113780657B publication Critical patent/CN113780657B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Remote Sensing (AREA)
  • Alarm Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种洪水事件识别方法、装置、计算机设备和存储介质。所述方法包括：获取目标流域对应的出口流量时间序列、日面雨量时间序列和日均气温的时间序列；根据所述日面雨量时间序列和所述日均气温的时间序列、以及预设的径流划分规则，确定各径流类型对应的主导时间段；所述径流类型至少包括：基流，融雪径流，融冰径流；基于所述日面雨量时间序列分析所述目标流域对应的降雨事件信息，并基于所述出口流量时间序列分析洪水事件信息；根据所述目标流域对应的所述降雨事件信息、所述洪水事件信息、以及所述各类型的径流的主导时间段，确定各洪水事件对应的成因识别结果。本方法准确性高，应用范围广，丰富了目前寒区洪水模拟及预报的研究内容。

Description

洪水事件识别方法、装置、计算机设备和存储介质
技术领域
本申请涉及水利工程技术领域，特别是涉及一种洪水事件识别方法、装置、计算机设备和存储介质。
背景技术
随着极端天气事件的频发，我国长江流域、黄河流域等大型流域和中小河流暴雨事件呈增加的趋势，往往形成严重的洪涝灾害，对我国经济财产和生命安全造成严重威胁。因此，在我国大江大河及其主要支流，众多大型水利工程已建设完工，形成规模庞大、结构复杂的流域水库群，构建流域防洪体系。而水利工程的建成与安全运行严重依赖于准确的流域水文预报信息。为了获得准确的流域水文预报信息来准确预报流域洪水，现有水文预报系统平台关键共性技术之一为水文模型参数率定。而水文模型参数率定过程非常依赖于对洪水事件的准确判断。综上所述，洪水事件识别研究是我国防洪预报领域的关键核心问题之一。
目前，洪水事件识别采用降雨-径流事件识别方法。这种方法的特点是通过将以往工程应用中人工划分洪水事件的过程客观化。该方法一般首先对降雨事件自动划分，然后对洪水事件自动划分，最后进行降雨事件与洪水事件匹配关联，形成降雨-洪水事件集合。
然而，上述洪水事件识别方法仅考虑了降雨对洪水的影响，因素单一，准确性差，也无法用于积雪冰川覆盖地区的洪水事件，应用范围有限。
发明内容
基于此，有必要针对上述技术问题，提供一种准确性高，应用范围广的洪水事件识别方法、装置、计算机设备和存储介质。
一种洪水事件识别方法，所述方法包括：
获取目标流域对应的出口流量时间序列、日面雨量时间序列和日均气温的时间序列；
根据所述日面雨量时间序列和所述日均气温的时间序列、以及预设的径流划分规则，确定各径流类型对应的主导时间段；所述径流类型至少包括：基流，融雪径流，融冰径流；
基于所述日面雨量时间序列分析所述目标流域对应的降雨事件信息，并基于所述出口流量时间序列分析洪水事件信息；
根据所述目标流域对应的所述降雨事件信息、所述洪水事件信息、以及所述各类型的径流的主导时间段，确定各洪水事件对应的成因识别结果。
在其中一个实施例中，所述根据所述日面雨量时间序列和所述日均气温的时间序列、以及预设的径流划分规则，确定各径流类型对应的主导时间段，包括：
根据所述日面雨量时间序列和所述日均气温的时间序列，确定所述目标流域对应的累计逐日降雪曲线；
根据所述日均气温的时间序列，确定所述目标流域对应的逐日积温曲线；
基于所述累计逐日降雪曲线和所述逐日积温曲线，确定各径流类型对应的主导时间段。
在其中一个实施例中，所述基于所述累计逐日降雪曲线和所述逐日积温曲线，确定各径流类型对应的主导时间段，包括：
在所述逐日积温曲线中，确定最低温度点和最高温度点，将所述最低温度点之前、以及所述最高温度点之后的时间段，作为所述基流对应的主导时间段；
在所述累计逐日降雪曲线中，确定所述累计逐日降雪曲线出现预设时长的平台期的点，将所述最低温度点与所述累计逐日降雪曲线出现预设时长的平台期的点之间的时间段，作为所述融雪径流对应的主导时间段；
将所述累计逐日降雪曲线出现预设时长的平台期的点与最高温度点之间的时间段，作为所述融冰径流对应的主导时间段。
在其中一个实施例中，所述根据所述目标流域对应的所述降雨事件信息、所述洪水事件信息、以及所述各类型的径流的主导时间段，确定各洪水事件对应的成因识别结果，包括：
根据所述目标流域对应的所述降雨事件信息和所述洪水事件信息，将降雨事件与洪水事件进行时间匹配，确定匹配成功的所述洪水事件为降雨-洪水事件；
在所述融雪径流的主导时间段内，若所述洪水事件未匹配到对应的降雨事件，则确定所述洪水事件为融雪-洪水事件；
在所述融冰径流的主导时间段内，若所述洪水事件未匹配到对应的降雨事件，则确定所述洪水事件为融冰-洪水事件；
将所述降雨-洪水事件与所述融雪-洪水事件、所述融冰-洪水事件构成全部洪水事件集合，所述全部洪水事件集合用于表示各洪水事件对应的成因识别结果。
在其中一个实施例中，所述根据所述目标流域对应的所述降雨事件信息和所述洪水事件信息，将降雨事件与洪水事件进行时间匹配，确定匹配成功的所述洪水事件为降雨-洪水事件，包括：
确定洪水事件的开始时间向前的窗口为La和所述洪水事件的开始时间至所述洪水事件最后一个峰值的窗口为Lb，得到匹配窗口为Ln＝La+Lb；
若降雨事件持续的时间段与所述匹配窗口持续的时间段存在重叠部分，则确定所述降雨事件与所述洪水事件匹配成功，得到所述洪水事件为降雨-洪水事件。
在其中一个实施例中，所述获取目标流域对应的出口流量时间序列、日面雨量时间序列和日均气温的时间序列，包括：
获取所述目标流域对应的出口水文站点的日径流数据，得到所述目标流域对应的出口流量时间序列；
获取所述目标流域对应的网格日降雨数据，计算所述目标流域对应的流域面日平均雨量，得到所述目标流域对应的日面雨量时间序列；
获取所述目标流域对应的各个气象站点的日平均气温数据，计算所述目标流域对应的日均气温，得到所述目标流域对应的日均气温的时间序列。
在其中一个实施例中，所述计算所述目标流域对应的日均气温，包括：
采用泰森多边形法计算所述目标流域对应的日均气温。
一种洪水事件识别装置，所述装置包括：
获取模块，用于获取目标流域对应的出口流量时间序列、日面雨量时间序列和日均气温的时间序列；
第一确定模块，用于根据所述日面雨量时间序列和所述日均气温的时间序列、以及预设的径流划分规则，确定各径流类型对应的主导时间段；所述径流类型至少包括：基流，融雪径流，融冰径流；
分析模块，用于基于所述日面雨量时间序列分析所述目标流域对应的降雨事件信息，并基于所述出口流量时间序列分析洪水事件信息；
第二确定模块，用于根据所述目标流域对应的所述降雨事件信息、所述洪水事件信息、以及所述各类型的径流的主导时间段，确定各洪水事件对应的成因识别结果。
在其中一个实施例中，所述第一确定模块，具体用于：
根据所述日面雨量时间序列和所述日均气温的时间序列，确定所述目标流域对应的累计逐日降雪曲线；
根据所述日均气温的时间序列，确定所述目标流域对应的逐日积温曲线；
基于所述累计逐日降雪曲线和所述逐日积温曲线，确定各径流类型对应的主导时间段。
在其中一个实施例中，所述第一确定模块，具体用于：
在所述逐日积温曲线中，确定最低温度点和最高温度点，将所述最低温度点之前、以及所述最高温度点之后的时间段，作为所述基流对应的主导时间段；
在所述累计逐日降雪曲线中，确定所述累计逐日降雪曲线出现预设时长的平台期的点，将所述最低温度点与所述累计逐日降雪曲线出现预设时长的平台期的点之间的时间段，作为所述融雪径流对应的主导时间段；
将所述累计逐日降雪曲线出现预设时长的平台期的点与最高温度点之间的时间段，作为所述融冰径流对应的主导时间段。
在其中一个实施例中，所述第二确定模块，具体用于：
根据所述目标流域对应的所述降雨事件信息和所述洪水事件信息，将降雨事件与洪水事件进行时间匹配，确定匹配成功的所述洪水事件为降雨-洪水事件；
在所述融雪径流的主导时间段内，若所述洪水事件未匹配到对应的降雨事件，则确定所述洪水事件为融雪-洪水事件；
在所述融冰径流的主导时间段内，若所述洪水事件未匹配到对应的降雨事件，则确定所述洪水事件为融冰-洪水事件；
将所述降雨-洪水事件与所述融雪-洪水事件、所述融冰-洪水事件构成全部洪水事件集合，所述全部洪水事件集合用于表示各洪水事件对应的成因识别结果。
在其中一个实施例中，所述第二确定模块，具体用于：
确定洪水事件的开始时间向前的窗口为La和所述洪水事件的开始时间至所述洪水事件最后一个峰值的窗口为Lb，得到匹配窗口为Ln＝La+Lb；
若降雨事件持续的时间段与所述匹配窗口持续的时间段存在重叠部分，则确定所述降雨事件与所述洪水事件匹配成功，得到所述洪水事件为降雨-洪水事件。
在其中一个实施例中，所述获取模块，具体用于：
获取所述目标流域对应的出口水文站点的日径流数据，得到所述目标流域对应的出口流量时间序列；
获取所述目标流域对应的网格日降雨数据，计算所述目标流域对应的流域面日平均雨量，得到所述目标流域对应的日面雨量时间序列；
获取所述目标流域对应的各个气象站点的日平均气温数据，计算所述目标流域对应的日均气温，得到所述目标流域对应的日均气温的时间序列。
在其中一个实施例中，其特征在于，所述获取模块，具体用于：
采用泰森多边形法计算所述目标流域对应的日均气温。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的步骤。
上述洪水事件识别方法、装置、计算机设备和存储介质，区别于以往的方法，该方法获取目标流域对应的出口流量时间序列、日面雨量时间序列和日均气温的时间序列；根据日面雨量时间序列和日均气温的时间序列、以及预设的径流划分规则，确定各径流类型对应的主导时间段；径流类型至少包括：基流，融雪径流，融冰径流；基于日面雨量时间序列分析目标流域对应的降雨事件信息，并基于出口流量时间序列分析洪水事件信息；根据目标流域对应的降雨事件信息、洪水事件信息、以及各类型的径流的主导时间段，确定各洪水事件对应的成因识别结果。因此，本申请提出的洪水事件识别方法不仅考虑了降雨对洪水的影响，也考虑了融雪径流和融冰径流对洪水的影响，因素丰富，准确性高；该方法能够用于积雪冰川覆盖地区的洪水事件，扩展了洪水事件识别的应用范围，丰富了目前寒区洪水模拟及预报的研究内容。
附图说明
图1为一个实施例中洪水事件识别方法的流程示意图；
图2为一个实施例中确定各径流类型对应的主导时间段步骤的流程示意图；
图3为一个实施例中计算累计逐日降雪曲线示意图；
图4为一个实施例中确定各径流类型对应的主导时间段步骤的流程示意图；
图5为一个实施例中确定2010年的直门达水文站的各径流类型对应的主导时间段示意图；
图6为一个实施例中确定洪水事件对应的成因识别结果步骤的流程示意图；
图7为一个实施例中确定匹配成功的洪水事件为降雨-洪水事件步骤的流程示意图；
图8为一个实施例中确定匹配成功的洪水事件为降雨-洪水事件示意图；
图9为一个实施例中获取目标流域对应的出口流量时间序列、日面雨量时间序列和日均气温的时间序列步骤的流程示意图；
图10为一个实施例中采用泰森多边形法计算目标流域对应的日均气温示意图；
图11为一个具体示例中1980-2015年的直门达水文站以上的观测径流的各径流类型对应的主导时间段示意图；
图12为一个具体示例中2010年直门达水文站流域的降雨事件信息示意图；
图13为一个具体示例中2010年直门达水文站流域的洪水事件信息示意图；
图14为一个具体示例中2010年直门达水文站流域的某一场降雨-洪水事件匹配示意图；
图15为一个实施例中洪水事件识别装置的结构框图；
图16为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种洪水事件识别方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中，该方法包括以下步骤：
步骤101，获取目标流域对应的出口流量时间序列、日面雨量时间序列和日均气温的时间序列。
在本申请实施例中，目标流域指的是位于各种地区的流域，其中，各种地区包括寒区。在我国西北地区和高寒山区，广泛分布着积雪、冰川，属于寒区。该地区流域的径流形成过程除了受降水影响，还受到积雪、冰川覆盖的影响。尽管降雨仍是该地区河道径流的主要来源，但积雪、冰川融化对河道径流同样有着显著的贡献。
终端获取目标流域对应的日径流数据，按照时间顺序，将目标流域对应的日径流数据排序，得到目标流域对应的出口流量时间序列。出口流量时间序列包含出口流量与其对应的时间。出口流量时间序列可以表示为{Q1,Q2,Q3,……,Qm}，其中，Q是出口流量，m为时间。例如，Qi为第i天的出口流量。
终端根据目标流域对应的网格日降雨数据，得到目标流域对应的日面雨量时间序列。日面雨量时间序列包含日面雨量与其对应的时间。日面雨量时间序列可以表示为{P1,P2,P3,……,Pt}，其中，P是日面雨量，t为时间。例如，Pi为第i天的面雨量。
终端根据目标流域对应的各个气象站点的日平均气温数据，得到目标流域对应的日均气温的时间序列。日均气温的时间序列包括日均气温与其对应的时间。日均气温的时间序列可以表示为{T1,T2,T3,……Tj}，其中，T是日均气温，j为时间。例如，Ti为第i天的平均气温。
步骤102，根据日面雨量时间序列和日均气温的时间序列、以及预设的径流划分规则，确定各径流类型对应的主导时间段。
其中，径流类型至少包括：基流，融雪径流，融冰径流。
在本申请实施例中，预设的径流划分规则可以为水文分区曲线方法。利用温度和降水的数据将水文过程线解析为相应的若干段，称为水文分区曲线(HydrographPartitioning Curves，HPC)。在一个示例中，基于HPC方法的水文过程线解析研究在面积在1000Km2以内的冰川积雪覆盖的小流域和雅鲁藏布江流域一样的面积较大的高原冰川积雪覆盖流域均被证实有较好的效果。
步骤103，基于日面雨量时间序列分析目标流域对应的降雨事件信息，并基于出口流量时间序列分析洪水事件信息。
其中，降雨事件信息包括各独立的降雨事件的降雨序列，洪水事件信息包括各独立的洪水事件的洪水序列。
在本申请实施例中，终端基于日面雨量时间序列，进行连续降雨场次的划分，得到n个场次降雨序列，得到n个独立的降雨事件，得到目标流域对应的降雨事件信息。
例如，终端中可以预先设定时间阈值ΔT，终端在获取到日面雨量时间序列后，将该日面雨量时间序列中相邻两次降水的时间间隔与时间阈值ΔT进行比较，如果相邻两次降水的时间间隔大于时间阈值ΔT，则认为相邻两次降水为两个场次降雨；如果相邻两次降水的时间间隔小于时间阈值ΔT，则将相邻两次降水确定为一个场次降雨。
终端对出口流量时间序列进行基流分割，得到快速径流时间序列。终端再对得到的快速径流时间序列进行平滑处理，得到平滑快速径流时间序列。然后，终端查找平滑快速径流时间序列的极大值和极小值，并将极大值和极小值构成转折点序列。终端将转折点序列内满足第一预设条件的极小值作为各快速径流事件的开始时间，将转折点序列内满足第二预设条件的极小值作为各快速径流事件的结束时间，得到独立的快速径流事件。最后，终端对各快速径流事件进行筛选，将通过筛选的快速径流事件作为洪水事件，这些洪水事件可构成洪水事件序列，得到洪水事件信息。得到洪水事件信息的具体步骤如下：
步骤1031，终端使用数字滤波法对出口流量时间序列进行基流分割，从而将出口流量时间序列中的基流和快速径流进行区分，得到基流时间序列，如式(1)所示：
式中，bt为时刻t过滤后的基流量，Qt为时刻t的原始径流，β为滤波系数。
终端获得基流时间序列后，通过式(2)得到快速径流时间序列，
qt＝Qt-bt (2)
式中，qt为快速径流。步骤1032，终端对快速径流进行平滑处理，消除快速径流的噪声项和异常点，得到平滑快速径流时间序列，如式(3)所示：
步骤1033，终端计算平滑快速径流时间序列的一阶差分值，根据计算得到的一阶差分序列的正负变换识别平滑快速径流时间序列中的转折点，并判断该转折点为极大值或极小值。终端可以计算平滑快速径流时间序列的平均流量，然后计算该序列平均流量与预设数值的比值，将该比值作为第一阈值Thmin。其中，预设数值可以由技术人员预先设定，比如预设数值可以为10。针对平滑快速径流时间序列的首尾值，若首尾值为极大值，则将其去掉；若首尾值小于序列均值除以阈值Thmin，则设定其为极小值。然后，终端将平滑快速径流时间序列的极大值和极小值构成转折点序列。
步骤1034，终端可以设定第二阈值ReTh，选定平滑快速径流时间序列的第一个极小值作为起始点，将起始点对应的时间，作为快速径流的开始时间。然后，终端向后搜索转折点序列内满足式(4)要求的下一个极小值点qi作为结束点，将结束点对应的时间，作为快速径流的结束时间。基于上述过程，终端可以得到独立的快速径流事件，
式中，i＝1,2,3,……,n为过程线上局部极小值的个数，Ti和qi分别是第i个局部极小值的时刻和流量，j是初始值为1的整数，Ts是径流开始时间，Te是径流结束时间。
步骤1035，终端通过预设的筛选条件对快速径流事件进行筛选，将满足筛选条件的快速径流事件作为洪水事件。
其中，基于条件一的筛选过程为：对于一次独立的快速径流事件，终端计算快速径流事件的峰值与它的起始点的第一差值，同时计算快速径流事件的峰值与它的结束点的第二差值。终端中可以预先设置有第三阈值Thpeak，终端可以比较第一差值与第三阈值Thpeak，同时比较第二差值与第三阈值Thpeak。若第一差值或第二差值小于阈值Thpeak，则确定本次快速径流过程不是洪水事件。
基于条件二的筛选过程为：对于一次独立的洪水事件，终端根据各快速径流事件的开始时间和结束时间，计算各快速径流事件的持续时间。终端可以设定第四阈值ThΔT，比较各快速径流事件的持续时间与第四阈值ThΔT，若持续时间小于第四阈值ThΔT，则确定本次快速径流过程不是洪水事件。
上述条件一的筛选过程和条件二的筛选过程不区分先后顺序。
终端将满足筛选条件的快速径流事件作为洪水事件，获取各独立的洪水事件的洪水序列，得到洪水事件信息。
步骤104，根据目标流域对应的降雨事件信息、洪水事件信息、以及各类型的径流的主导时间段，确定各洪水事件对应的成因识别结果。
在本申请实施例中，各洪水事件对应的成因识别结果由全部洪水事件集合表示。终端根据目标流域对应的降雨事件信息、洪水事件信息、以及各类型的径流的主导时间段，得到全部洪水事件集合，确定各洪水事件对应的成因识别结果。
上述洪水事件识别方法中，先根据获取到的目标流域对应的日面雨量时间序列和日均气温的时间序列，以及预设的径流划分规则，确定了各径流类型对应的主导时间段，其中，径流类型至少包括：基流，融雪径流，融冰径流；最后根据目标流域对应的降雨事件信息、洪水事件信息、以及各类型的径流的主导时间段，得到各洪水事件对应的成因识别结果。上述洪水事件识别方法不仅考虑了降雨对洪水的影响，也考虑了融雪径流和融冰径流对洪水的影响，因素丰富，准确性高。而且，该方法能够用于积雪冰川覆盖地区，扩展了洪水事件识别的应用范围，丰富了目前寒区洪水模拟及预报的研究内容。
在一个实施例中，如图2所示，确定各径流类型对应的主导时间段的具体过程包括以下步骤：
步骤201，根据日面雨量时间序列和日均气温的时间序列，确定目标流域对应的累计逐日降雪曲线。
在本申请实施例中，终端中可以定义平均温度低于0℃时的降水为降雪。终端根据日面雨量时间序列和日均气温的时间序列，确定同时出现温度小于0℃和降水大于0mm/day的日面雨量，将同时出现温度小于0℃和降水大于0mm/day的日面雨量进行逐日叠加，计算得到目标流域的累计逐日降雪曲线。例如，计算流域内一个自然年的累计逐日降雪曲线操作示意图如图3所示，其中，Ti，i＝1,2,3,……,12为第i个月逐日叠加的同时出现温度小于0℃和降水大于0mm/day的日面雨量。
步骤202，根据日均气温的时间序列，确定目标流域对应的逐日积温曲线。
在本申请实施例中，终端根据目标流域的日均气温的时间序列，将目标流域的日均气温进行逐日叠加，计算得到目标流域对应的逐日积温曲线。
步骤203，基于累计逐日降雪曲线和逐日积温曲线，确定各径流类型对应的主导时间段。
在本申请实施例中，终端基于逐日积温曲线，查找逐日积温曲线的最低点和最高点。终端基于累计逐日降雪曲线，查找累计逐日降雪曲线的平台期。终端根据逐日积温曲线的最低点和最高点、以及累计逐日降雪曲线的平台期，确定各径流类型对应的主导时间段。
上述洪水事件识别方法中，根据获取的目标流域的日面雨量时间序列和日均气温的时间序列、日均气温的时间序列，确定目标流域对应的累计逐日降雪曲线和逐日积温曲线，再基于累计逐日降雪曲线和逐日积温曲线，可以确定各径流类型对应的主导时间段，为上述洪水事件识别方法考虑降雨和融雪径流、融冰径流对洪水的影响提供了方案，使得上述洪水事件识别方法因素丰富，准确性高。而且，该方法能够用于积雪冰川覆盖地区，扩展了洪水事件识别的应用范围，丰富了目前寒区洪水模拟及预报的研究内容。
在一个实施例中，如图4所示，基于累计逐日降雪曲线和逐日积温曲线，确定各径流类型对应的主导时间段的具体过程包括以下步骤：
步骤401，在逐日积温曲线中，确定最低温度点和最高温度点，将最低温度点之前、以及最高温度点之后的时间段，作为基流对应的主导时间段。
在本申请实施例中，终端可以基于水文分区曲线方法，将逐日积温曲线中的最低温度点之前、以及最高温度点之后的时间段，确定为基流主导时间段。
步骤402，在累计逐日降雪曲线中，确定累计逐日降雪曲线出现预设时长的平台期的点，将最低温度点与累计逐日降雪曲线出现预设时长的平台期的点之间的时间段，作为融雪径流对应的主导时间段。
在本申请实施例中，终端可以基于水文分区曲线方法，将逐日积温曲线中最低温度点与累计逐日降雪曲线出现预设时长的平台期的点之间的时间段，确定为融雪径流主导时间段。例如，预设时长可以为28天。
步骤403，将累计逐日降雪曲线出现预设时长的平台期的点与最高温度点之间的时间段，作为融冰径流对应的主导时间段。
在本申请实施例中，终端可以基于水文分区曲线方法，将累计逐日降雪曲线出现预设时长的平台期的点与逐日积温曲线中最高温度点与之间的时间段，确定为融冰径流主导时间段。例如，融冰径流主导时间段可以为累计逐日降雪曲线出现28天的平台期的点与逐日积温曲线中最高温度点与之间的时间段。
本申请提供了一种基于累计逐日降雪曲线和逐日积温曲线，确定各径流类型对应的主导时间段步骤的具体示例，如图5所示，(a)是2010年的直门达水文站的累计逐日降雪曲线，(b)是2010年的直门达水文站的积温曲线，(c)是2010年的直门达水文站径流过程线。基于水文分区曲线方法，终端将逐日积温曲线中的最低温度点P1之前、以及最高温度点P2之后的时间段，确定为基流主导时间段。终端将逐日积温曲线中最低温度点P1与累计逐日降雪曲线出现预设时长Pt的平台期的点P3之间的时间段，确定为融雪径流主导时间段。其中，预设时长Pt为28天。终端将累计逐日降雪曲线出现28天的平台期的点P3与逐日积温曲线中最高温度点P2与之间的时间段，确定为融冰径流主导时间段。终端将2010年的直门达水文站的径流解析为三个阶段，基流主导的径流过程主要集中在冬季和早春季节，融雪径流主导的径流过程主要集中在晚春和初夏阶段，融冰径流主导的径流过程主要集中在夏季和初秋阶段。
上述洪水事件识别方法中，终端通过查找逐日积温曲线中的最低温度点和最高温度点、累计逐日降雪曲线出现预设时长的平台期的点，并根据这些点得到各径流类型对应的主导时间段，为上述洪水事件识别方法考虑降雨和融雪径流、融冰径流对洪水的影响提供了方案，使得上述洪水事件识别方法因素丰富，准确性高。而且，该方法能够用于积雪冰川覆盖地区，扩展了洪水事件识别的应用范围，丰富了目前寒区洪水模拟及预报的研究内容。
在一个实施例中，如图6所示，确定各洪水事件对应的成因识别结果的具体过程包括以下步骤：
步骤601，根据目标流域对应的降雨事件信息和洪水事件信息，将降雨事件与洪水事件进行时间匹配，确定匹配成功的洪水事件为降雨-洪水事件。
在本申请实施例中，终端可以根据目标流域对应的降雨事件信息，确定各独立的降雨事件持续的时间段。终端可以根据目标流域对应的洪水事件信息，确定各独立的洪水事件的流量曲线。终端根据各独立的降雨事件持续的时间段和各独立的洪水事件的流量曲线，将降雨事件与洪水事件进行时间匹配，匹配成功的洪水事件为降雨-洪水事件。
步骤602，在融雪径流的主导时间段内，若洪水事件未匹配到对应的降雨事件，则确定洪水事件为融雪-洪水事件。
在本申请实施例中，在融雪径流的主导时间段内，终端查找未匹配到对应的降雨事件的独立的洪水事件，确定该洪水事件为融雪-洪水事件。
步骤603，在融冰径流的主导时间段内，若洪水事件未匹配到对应的降雨事件，则确定洪水事件为融冰-洪水事件。
在本申请实施例中，在融冰径流的主导时间段内，终端查找未匹配到对应的降雨事件的独立的洪水事件，确定该洪水事件为融冰-洪水事件。
步骤604，将降雨-洪水事件与融雪-洪水事件、融冰-洪水事件构成全部洪水事件集合，全部洪水事件集合用于表示各洪水事件对应的成因识别结果。
其中，各洪水事件对应的成因识别结果由全部洪水事件集合表示，全部洪水事件集合包括降雨-洪水事件和融雪-洪水事件、融冰-洪水事件。
上述洪水事件识别方法中，终端根据目标流域对应的降雨事件信息和洪水事件信息，将降雨事件与洪水事件进行时间匹配，确定匹配成功的洪水事件为降雨-洪水事件；在融雪径流的主导时间段内，若洪水事件未匹配到对应的降雨事件，则确定洪水事件为融雪-洪水事件；在融冰径流的主导时间段内，若洪水事件未匹配到对应的降雨事件，则确定洪水事件为融冰-洪水事件；将降雨-洪水事件与融雪-洪水事件、融冰-洪水事件构成全部洪水事件集合，全部洪水事件集合用于表示各洪水事件对应的成因识别结果。上述洪水事件识别方法不仅考虑了降雨对洪水的影响，也考虑了融雪径流和融冰径流对洪水的影响，因素丰富，准确性高。而且，该方法能够用于积雪冰川覆盖地区，扩展了洪水事件识别的应用范围，丰富了目前寒区洪水模拟及预报的研究内容。
在一个实施例中，如图7所示，确定匹配成功的洪水事件为降雨-洪水事件的具体过程包括以下步骤：
步骤701，确定洪水事件的开始时间向前的窗口为La和洪水事件的开始时间至洪水事件最后一个峰值的窗口为Lb，得到匹配窗口为Ln＝La+Lb。
在本申请实施例中，终端根据目标流域对应的洪水事件信息，确定各独立的洪水事件的流量曲线。终端根据各独立的洪水事件的流量曲线，查找各独立的洪水事件的开始时间和最后一个峰值的时间。终端确定洪水事件的开始时间向前的窗口为La，将洪水事件的开始时间至洪水事件最后一个峰值之间的窗口确定为Lb。终端将La和Lb相加，得到匹配窗口Ln。
步骤702，若降雨事件持续的时间段与匹配窗口持续的时间段存在重叠部分，则确定降雨事件与洪水事件匹配成功，得到洪水事件为降雨-洪水事件。
在本申请实施例中，终端根据目标流域对应的降雨事件信息，得到各独立的降雨事件持续的时间段，判断降雨事件持续的时间段与匹配窗口持续的时间段是否存在重叠部分，若存在重叠部分，则认为降雨事件与洪水事件为关联事件，确定降雨事件与洪水事件匹配成功，得到该洪水事件为降雨-洪水事件，如图8所示。
上述洪水事件识别方法中，终端确定洪水事件的开始时间向前的窗口为La和洪水事件的开始时间至洪水事件最后一个峰值的窗口为Lb，得到匹配窗口为Ln＝La+Lb，比较降雨事件持续的时间段与匹配窗口持续的时间段是否存在重叠部分，确定降雨事件与洪水事件是否匹配成功，匹配成功的洪水事件为降雨-洪水事件，确定降雨-洪水事件的准确性高。
在一个实施例中，如图9所示，获取目标流域对应的出口流量时间序列、日面雨量时间序列和日均气温的时间序列的具体过程包括以下步骤：
步骤901，获取目标流域对应的出口水文站点的日径流数据，得到目标流域对应的出口流量时间序列。
在本申请实施例中，终端获取目标流域对应的出口水文站点的日径流数据，按照时间顺序，将目标流域对应的日径流数据构成排序，得到目标流域对应的出口流量时间序列。
步骤902，获取目标流域对应的网格日降雨数据，计算目标流域对应的流域面平均雨量，得到目标流域对应的日面雨量时间序列。
在本申请实施例中，终端可以获取目标流域对应的网格日降雨数据，根据目标流域内各雨量站的权重和日降雨数据，计算目标流域对应的流域面平均雨量，得到目标流域对应的日面雨量时间序列。
步骤903，获取目标流域对应的各个气象站点的日平均气温数据，计算目标流域对应的日均气温，得到目标流域对应的日均气温的时间序列。
在本申请实施例中，终端可以根据目标流域内各气象站的权重和日平均气温数据，计算目标流域的日均气温。
上述洪水事件识别方法中，终端获取目标流域对应的出口水文站点的日径流数据，得到目标流域对应的出口流量时间序列；获取目标流域对应的网格日降雨数据，计算目标流域对应的流域面平均雨量，得到目标流域对应的日面雨量时间序列；获取目标流域对应的各个气象站点的日平均气温数据，计算目标流域对应的日均气温，得到目标流域对应的日均气温的时间序列。上述洪水事件识别方法不仅考虑了降雨对洪水的影响，也考虑了融雪径流和融冰径流对洪水的影响，因素丰富，准确性高。而且，该方法能够用于积雪冰川覆盖地区，扩展了洪水事件识别的应用范围，丰富了目前寒区洪水模拟及预报的研究内容。
在一个实施例中，计算目标流域对应的日均气温的具体过程包括以下步骤：采用泰森多边形法计算目标流域对应的日均气温。
在本申请实施例中，终端将目标流域划分成泰森多边形，每一个气象站点对应一个多边形，如图10所示。针对每个气象站点，计算该气象站点对应的多边形面积占流域总面积的百分比，将该百分比作为该气象站点的权重。终端根据目标流域内各气象站的权重和日均气温进行加权计算，得到目标流域的日均气温。例如，设气象站Ri对应的日均气温时间序列为{Ti1,Ti2,Ti3,……Tij}，对应的多边形面积为AREAi，流域总面积为AREA，则流域日均气温时间序列{T1,T2,T3,……Tj}的计算方法如式(5)：
式中，m为目标流域内气象站点个数，j为时间。
上述洪水事件识别方法中，终端采用泰森多边形法计算目标流域对应的日均气温，计算目标流域对应的日均气温的准确性高。
本申请提供了一种洪水事件识别方法的具体示例。
终端收集了长江源的网格日降雨数据、流域内的各个气象站点的日平均气温数据和水文站点的日径流数据。其中，网格日降雨数据为基于站点数据生成的全国0.25°网格降水产品，数据时长为1980-2015年，时间分辨率为天。
基于HPC方法，终端确定1980-2015年的直门达水文站的以上的观测径流的各径流类型对应的主导时间段，具体解析结果如图11所示。图11也给出了1980-2015年的流域平均降水，如图11的次坐标轴所示，可以看出，基流主导的时段主要集中在各年份的退水阶段，该阶段流域降水量相对较小；融雪径流主导的时段温度有所回升，而降水并没有明显的增加，此阶段径流以积雪融化为主，融冰径流主要集中在降水比较丰富且温度较高的雨热同期的夏季，其峰值也可以和降水的峰值较好的对应上。
终端预先设定时间阈值ΔT为1天，基于1980-2015年流域的日面雨量时间序列，进行连续降雨场次的划分，确定1558个场次降雨序列，即1558个独立的降雨事件，得到目标流域对应的降雨事件信息。图12为2010年该流域的降雨事件信息，2010年有39个独立的降雨事件。
为保证一个独立洪水事件具有峰值，终端预先设置第三阈值Thpeak为0.3，第二阈值ReTh为快速径流事件的洪峰值*0.1，第四阈值ThΔT为4天，基于出口流量时间序列分析洪水事件信息，得到1980-2015年总共发生了232个独立的洪水事件。图13为2010年该流域的洪水事件信息，2010年有3个独立的洪水事件。
终端根据目标流域对应的降雨事件信息、洪水事件信息、以及各类型的径流的主导时间段，确定各洪水事件对应的成因识别结果：在全部232个独立的洪水事件中，有199个洪水-降雨事件，有10个融雪-洪水事件，有8个融冰-洪水事件。图14为2010年某一场降雨-洪水事件的匹配图。
应该理解的是，虽然图1-9中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-9中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图15所示，提供了一种洪水事件识别装置，包括：获取模块1510、第一确定模块1520、分析模块1530和第二确定模块1540，其中：
获取模块151510，用于获取目标流域对应的出口流量时间序列、日面雨量时间序列和日均气温的时间序列；
第一确定模块1520，用于根据所述日面雨量时间序列和所述日均气温的时间序列、以及预设的径流划分规则，确定各径流类型对应的主导时间段；所述径流类型至少包括：基流，融雪径流，融冰径流；
分析模块1530，用于基于所述日面雨量时间序列分析所述目标流域对应的降雨事件信息，并基于所述出口流量时间序列分析洪水事件信息；
第二确定模块1540，用于根据所述目标流域对应的所述降雨事件信息、所述洪水事件信息、以及所述各类型的径流的主导时间段，确定各洪水事件对应的成因识别结果。
可选的，所述第一确定模块1520，具体用于：
根据所述日面雨量时间序列和所述日均气温的时间序列，确定所述目标流域对应的累计逐日降雪曲线；
根据所述日均气温的时间序列，确定所述目标流域对应的逐日积温曲线；
基于所述累计逐日降雪曲线和所述逐日积温曲线，确定各径流类型对应的主导时间段。
可选的，所述第一确定模块1520，具体用于：
在所述逐日积温曲线中，确定最低温度点和最高温度点，将所述最低温度点之前、以及所述最高温度点之后的时间段，作为所述基流对应的主导时间段；
在所述累计逐日降雪曲线中，确定所述累计逐日降雪曲线出现预设时长的平台期的点，将所述最低温度点与所述累计逐日降雪曲线出现预设时长的平台期的点之间的时间段，作为所述融雪径流对应的主导时间段；
将所述累计逐日降雪曲线出现预设时长的平台期的点与最高温度点之间的时间段，作为所述融冰径流对应的主导时间段。
可选的，所述第二确定模块1540，具体用于：
根据所述目标流域对应的所述降雨事件信息和所述洪水事件信息，将降雨事件与洪水事件进行时间匹配，确定匹配成功的所述洪水事件为降雨-洪水事件；
在所述融雪径流的主导时间段内，若所述洪水事件未匹配到对应的降雨事件，则确定所述洪水事件为融雪-洪水事件；
在所述融冰径流的主导时间段内，若所述洪水事件未匹配到对应的降雨事件，则确定所述洪水事件为融冰-洪水事件；
将所述降雨-洪水事件与所述融雪-洪水事件、所述融冰-洪水事件构成全部洪水事件集合，所述全部洪水事件集合用于表示各洪水事件对应的成因识别结果。
可选的，所述第二确定模块1540，具体用于：
确定洪水事件的开始时间向前的窗口为La和所述洪水事件的开始时间至所述洪水事件最后一个峰值的窗口为Lb，得到匹配窗口为Ln＝La+Lb；
若降雨事件持续的时间段与所述匹配窗口持续的时间段存在重叠部分，则确定所述降雨事件与所述洪水事件匹配成功，得到所述洪水事件为降雨-洪水事件。
可选的，所述获取模块1510，具体用于：
获取所述目标流域对应的出口水文站点的日径流数据，得到所述目标流域对应的出口流量时间序列；
获取所述目标流域对应的网格日降雨数据，计算所述目标流域对应的流域面日平均雨量，得到所述目标流域对应的日面雨量时间序列；
获取所述目标流域对应的各个气象站点的日平均气温数据，计算所述目标流域对应的日均气温，得到所述目标流域对应的日均气温的时间序列。
可选的，所述获取模块1510，具体用于：
采用泰森多边形法计算所述目标流域对应的日均气温。
关于洪水事件识别装置的具体限定可以参见上文中对于洪水事件识别方法的限定，在此不再赘述。上述洪水事件识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图16所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种洪水事件识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图16中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述洪水事件识别方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种洪水事件识别方法，其特征在于，所述方法包括：
获取目标流域对应的出口流量时间序列、日面雨量时间序列和日均气温的时间序列；
根据所述日面雨量时间序列和所述日均气温的时间序列、以及预设的径流划分规则，确定各径流类型对应的主导时间段；所述径流类型至少包括：基流，融雪径流，融冰径流；
基于所述日面雨量时间序列分析所述目标流域对应的降雨事件信息，并基于所述出口流量时间序列分析洪水事件信息；
根据所述目标流域对应的所述降雨事件信息和所述洪水事件信息，将降雨事件与洪水事件进行时间匹配，确定匹配成功的所述洪水事件为降雨-洪水事件；
在所述融雪径流的主导时间段内，若所述洪水事件未匹配到对应的降雨事件，则确定所述洪水事件为融雪-洪水事件；
在所述融冰径流的主导时间段内，若所述洪水事件未匹配到对应的降雨事件，则确定所述洪水事件为融冰-洪水事件；
将所述降雨-洪水事件与所述融雪-洪水事件、所述融冰-洪水事件构成全部洪水事件集合，所述全部洪水事件集合用于表示各洪水事件对应的成因识别结果；
其中，所述根据所述目标流域对应的所述降雨事件信息和所述洪水事件信息，将降雨事件与洪水事件进行时间匹配，确定匹配成功的所述洪水事件为降雨-洪水事件包括：确定洪水事件的开始时间向前的窗口为和所述洪水事件的开始时间至所述洪水事件最后一个峰值的窗口为/>，得到匹配窗口为/>；若降雨事件持续的时间段与所述匹配窗口持续的时间段存在重叠部分，则确定所述降雨事件与所述洪水事件匹配成功，得到所述洪水事件为降雨-洪水事件。
2.根据权利要求1所述的方法，其特征在于，所述根据所述日面雨量时间序列和所述日均气温的时间序列、以及预设的径流划分规则，确定各径流类型对应的主导时间段，包括：
根据所述日面雨量时间序列和所述日均气温的时间序列，确定所述目标流域对应的累计逐日降雪曲线；
根据所述日均气温的时间序列，确定所述目标流域对应的逐日积温曲线；
基于所述累计逐日降雪曲线和所述逐日积温曲线，确定各径流类型对应的主导时间段。
3.根据权利要求2所述的方法，其特征在于，所述基于所述累计逐日降雪曲线和所述逐日积温曲线，确定各径流类型对应的主导时间段，包括：
在所述逐日积温曲线中，确定最低温度点和最高温度点，将所述最低温度点之前、以及所述最高温度点之后的时间段，作为所述基流对应的主导时间段；
在所述累计逐日降雪曲线中，确定所述累计逐日降雪曲线出现预设时长的平台期的点，将所述最低温度点与所述累计逐日降雪曲线出现预设时长的平台期的点之间的时间段，作为所述融雪径流对应的主导时间段；
将所述累计逐日降雪曲线出现预设时长的平台期的点与最高温度点之间的时间段，作为所述融冰径流对应的主导时间段。
4.根据权利要求1所述的方法，其特征在于，所述获取目标流域对应的出口流量时间序列、日面雨量时间序列和日均气温的时间序列，包括：
获取所述目标流域对应的出口水文站点的日径流数据，得到所述目标流域对应的出口流量时间序列；
获取所述目标流域对应的网格日降雨数据，计算所述目标流域对应的流域面日平均雨量，得到所述目标流域对应的日面雨量时间序列；
获取所述目标流域对应的各个气象站点的日平均气温数据，计算所述目标流域对应的日均气温，得到所述目标流域对应的日均气温的时间序列。
5.根据权利要求4所述的方法，其特征在于，所述计算所述目标流域对应的日均气温，包括：
采用泰森多边形法计算所述目标流域对应的日均气温。
6.一种洪水事件识别装置，其特征在于，所述装置包括：
获取模块，用于获取目标流域对应的出口流量时间序列、日面雨量时间序列和日均气温的时间序列；
第一确定模块，用于根据所述日面雨量时间序列和所述日均气温的时间序列、以及预设的径流划分规则，确定各径流类型对应的主导时间段；所述径流类型至少包括：基流，融雪径流，融冰径流；
分析模块，用于基于所述日面雨量时间序列分析所述目标流域对应的降雨事件信息，并基于所述出口流量时间序列分析洪水事件信息；
第二确定模块，用于根据所述目标流域对应的所述降雨事件信息和所述洪水事件信息，将降雨事件与洪水事件进行时间匹配，确定匹配成功的所述洪水事件为降雨-洪水事件；在所述融雪径流的主导时间段内，若所述洪水事件未匹配到对应的降雨事件，则确定所述洪水事件为融雪-洪水事件；在所述融冰径流的主导时间段内，若所述洪水事件未匹配到对应的降雨事件，则确定所述洪水事件为融冰-洪水事件；将所述降雨-洪水事件与所述融雪-洪水事件、所述融冰-洪水事件构成全部洪水事件集合，所述全部洪水事件集合用于表示各洪水事件对应的成因识别结果；
其中，所述第二确定模块，具体用于：确定洪水事件的开始时间向前的窗口为和所述洪水事件的开始时间至所述洪水事件最后一个峰值的窗口为/>，得到匹配窗口为/>；若降雨事件持续的时间段与所述匹配窗口持续的时间段存在重叠部分，则确定所述降雨事件与所述洪水事件匹配成功，得到所述洪水事件为降雨-洪水事件。
7.根据权利要求6所述的装置，其特征在于，所述第一确定模块，具体用于：
根据所述日面雨量时间序列和所述日均气温的时间序列，确定所述目标流域对应的累计逐日降雪曲线；
根据所述日均气温的时间序列，确定所述目标流域对应的逐日积温曲线；
基于所述累计逐日降雪曲线和所述逐日积温曲线，确定各径流类型对应的主导时间段。
8.根据权利要求7所述的装置，其特征在于，所述第一确定模块，具体用于：
在所述逐日积温曲线中，确定最低温度点和最高温度点，将所述最低温度点之前、以及所述最高温度点之后的时间段，作为所述基流对应的主导时间段；
在所述累计逐日降雪曲线中，确定所述累计逐日降雪曲线出现预设时长的平台期的点，将所述最低温度点与所述累计逐日降雪曲线出现预设时长的平台期的点之间的时间段，作为所述融雪径流对应的主导时间段；
将所述累计逐日降雪曲线出现预设时长的平台期的点与最高温度点之间的时间段，作为所述融冰径流对应的主导时间段。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202111063322.7A 2021-09-10 2021-09-10 洪水事件识别方法、装置、计算机设备和存储介质 Active CN113780657B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111063322.7A CN113780657B (zh) 2021-09-10 2021-09-10 洪水事件识别方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111063322.7A CN113780657B (zh) 2021-09-10 2021-09-10 洪水事件识别方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN113780657A CN113780657A (zh) 2021-12-10
CN113780657B true CN113780657B (zh) 2023-09-26

Family

ID=78842605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111063322.7A Active CN113780657B (zh) 2021-09-10 2021-09-10 洪水事件识别方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113780657B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580171B (zh) * 2022-03-03 2022-09-30 中国科学院地理科学与资源研究所 一种流域洪水类型辨识及其影响因子解析的方法
CN115203639B (zh) * 2022-06-21 2023-03-10 中国长江三峡集团有限公司 一种基于矩阵运算的不规则网格面雨量计算方法及系统
CN114996259B (zh) * 2022-08-02 2022-10-21 中国长江三峡集团有限公司 径流异常突变数据的处理方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027763A (zh) * 2019-12-06 2020-04-17 中国水利水电科学研究院 一种基于机器学习的流域洪水响应相似性分析方法
KR20210085592A (ko) * 2019-12-31 2021-07-08 인하대학교 산학협력단 연속호우사상 기반의 거대홍수 및 댐붕괴 해석 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027763A (zh) * 2019-12-06 2020-04-17 中国水利水电科学研究院 一种基于机器学习的流域洪水响应相似性分析方法
KR20210085592A (ko) * 2019-12-31 2021-07-08 인하대학교 산학협력단 연속호우사상 기반의 거대홍수 및 댐붕괴 해석 시스템

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Early warning system for Disaster management in rural area;Z.N. Khalil Wafi et al.;《 IEEE Xplore》;全文 *
基于遥感的径流丰枯与高山区积雪关系分析――以天山玛纳斯河流域为例;刘艳;张璞;;水土保持研究(第03期);全文 *
昆仑山提孜那甫河流域雨雪分离的温度条件分析;段永超;孟凡浩;刘铁;罗敏;张军峰;包安明;;地球信息科学学报(第12期);全文 *
玛纳斯河流域融雪径流与积雪-气象因子分析;刘艳;李杨;张璞;;水土保持研究(第02期);全文 *

Also Published As

Publication number Publication date
CN113780657A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN113780657B (zh) 洪水事件识别方法、装置、计算机设备和存储介质
CN112785053B (zh) 一种预报城市流域洪涝的方法及系统
Moreira et al. SPI-based drought category prediction using loglinear models
CN110047291A (zh) 一种考虑扩散过程的短时交通流预测方法
Cui et al. Algorithm for identifying wind power ramp events via novel improved dynamic swinging door
CN116362419B (zh) 一种城市防洪预警系统及方法
CN112508237B (zh) 基于数据分析的雨型区域划分方法和实时雨型预测方法
JP7366304B1 (ja) 期間内の降雨流出回数の適応分割方法
Hasan et al. Hydrological drought across Peninsular Malaysia: implication of drought index
CN118259377B (zh) 一种暴雨雨型识别方法、装置、电子设备及存储介质
Evin et al. Extreme avalanche cycles: Return levels and probability distributions depending on snow and meteorological conditions
Dkengne et al. A limiting distribution for maxima of discrete stationary triangular arrays with an application to risk due to avalanches
CN103093619A (zh) 基于智能交通系统的交通评价方法及装置
CN109671248A (zh) 基于防灾对象的山洪灾害预警方法
KR20150045770A (ko) 도시 호우 위험기준의 산정방법
Wu et al. Impact of the false intensification and recovery on the hydrological drought internal propagation
Blanchet et al. A Bayesian framework for the multiscale assessment of storm severity and related uncertainties
Majidpour et al. Incomplete data in smart grid: Treatment of missing values in electric vehicle charging data
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
CN113506000B (zh) 一种计算城市汇水区域暴雨溢流风险的方法
Fior et al. Estimating the incidence of adverse weather effects on road traffic safety using time series embeddings
Liu et al. Fitting generalized Pareto distribution based on the expected order statistics and its application for ice accretion hazard mapping
CN114580703A (zh) 基于用地遥感识别时空变化解析的水量预测方法及装置
CN110208876B (zh) 副热带急流和极锋急流径向位置协同变化的表征方法
CN113589404A (zh) 一种场次暴雨径流量预测方法

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