CN114444334B - 一种径流水位拟合方法、装置、计算机设备及存储介质 - Google Patents

一种径流水位拟合方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN114444334B
CN114444334B CN202210361345.4A CN202210361345A CN114444334B CN 114444334 B CN114444334 B CN 114444334B CN 202210361345 A CN202210361345 A CN 202210361345A CN 114444334 B CN114444334 B CN 114444334B
Authority
CN
China
Prior art keywords
water level
sequence
time point
variation time
earliest
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
CN202210361345.4A
Other languages
English (en)
Other versions
CN114444334A (zh
Inventor
许斌
张晓琦
陈述
许颖
杨涵
景唤
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.)
Changjiang River Scientific Research Institute Changjiang Water Resources Commission
Original Assignee
Changjiang River Scientific Research Institute Changjiang Water Resources Commission
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 Changjiang River Scientific Research Institute Changjiang Water Resources Commission filed Critical Changjiang River Scientific Research Institute Changjiang Water Resources Commission
Priority to CN202210361345.4A priority Critical patent/CN114444334B/zh
Publication of CN114444334A publication Critical patent/CN114444334A/zh
Application granted granted Critical
Publication of CN114444334B publication Critical patent/CN114444334B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种径流水位拟合方法、装置、计算机设备及存储介质，其中，方法包括：获取变化环境下的水文序列，并获取水文序列中的实测水位序列和各实测因子序列中存在变异的各变异时间点和最早变异时间点，利用最早变异时间点之前对应的实测水位序列和对应的各实测因子序列构建水位拟合模型，利用水位拟合模型、最早变异时间点之后的各影响因子对应的各随机序列以及最早变异时间点之后的径流水位的实测水位序列来确定最早变异时间点之后径流水位的随机性成分序列和确定性成分序列，根据随机性成分序列和确定性成分序列确定径流水位的拟合水位序列，本申请实施例可提高非一致性水位序列的拟合准确度。

Description

一种径流水位拟合方法、装置、计算机设备及存储介质
技术领域
本申请涉及数据处理领域，具体涉及一种径流水位拟合方法、装置、计算机设备及存储介质。
背景技术
变化环境下（包括气候变化和人类活动）水文响应是流域水文水资源变化规律研究的热点问题，环境变化导致流域内地表径流水位变化较大，从而导致旱涝灾害的发生规律存在相应的变化，也可能进一步对水质造成影响。探索变化环境对流域径流水位的影响，对维护河流生命健康，保障水资源可持续利用发展具有重要意义。
径流水位的研究大多集中在径流水位预测上，对于径流水位预测，从模拟的方法可以分为基于统计的模型和物理成因的模型。基于统计的模型从径流水位的数据本身进行模拟，例如对径流水位进行分析，并不考虑径流水位影响因素的变化，基于物理成因的模型，从径流的形成机制进行模拟，但模型的构建过程较为复杂，调整关键参数的蝴蝶效应明显，且预测的精度一般不高。因此，目前的基于统计和基于物理成因的模型存在较多缺点，即使将其应用到径流水位的拟合时也会存在很多缺点。
发明内容
本申请实施例提供一种径流水位拟合方法、装置、计算机设备及存储介质，可实现非一致性水位序列的拟合，并提高非一致性水位序列的拟合准确性。
本申请实施例提供了一种径流水位拟合方法，包括：
获取变化环境下的水文序列，所述水文序列包括径流水位随时间变化的实测水位序列，和所述径流水位的各影响因子随时间变化的各实测因子序列，以及获取所述实测水位序列和各所述实测因子序列中存在变异的各变异时间点和最早变异时间点；
利用所述最早变异时间点之前对应的实测水位序列和所述最早变异时间点之前对应的各所述实测因子序列构建水位拟合模型；
根据所述水位拟合模型、所述最早变异时间点之后的各影响因子对应的各随机序列以及所述最早变异时间点之后的所述径流水位的实测水位序列来确定所述最早变异时间点之后所述径流水位的随机性成分序列和确定性成分序列；
根据所述随机性成分序列和所述确定性成分序列确定所述最早变异时间点之后所述径流水位的拟合水位序列。
本申请实施例还提供了一种径流水位拟合装置，包括：
获取模块，用于获取变化环境下的水文序列，所述水文序列包括径流水位随时间变化的实测水位序列，和所述径流水位的各影响因子随时间变化的各实测因子序列，以及获取所述实测水位序列和各所述实测因子序列中存在变异的各变异时间点和最早变异时间点；
构建模块，用于利用所述最早变异时间点之前对应的实测水位序列和所述最早变异时间点之前对应的各所述实测因子序列构建水位拟合模型；
拟合模块，用于根据所述水位拟合模型、所述最早变异时间点之后的各影响因子对应的各随机序列以及所述最早变异时间点之后的所述径流水位的实测水位序列来确定所述最早变异时间点之后所述径流水位的随机性成分序列和确定性成分序列；并根据所述随机性成分序列和所述确定性成分序列确定所述最早变异时间点之后所述径流水位的拟合水位序列。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现上述任一种径流水位拟合方法。
本申请实施例获取变化环境下的水文序列，该水文序列包括径流水位的实测水位序列和影响径流水位的各影响因子随时间变化的各实测因子序列，并获取实测水位序列和各实测因子序列中存在变异的各变异时间点和最早变异时间点，其中，存在变异意味着径流水位的实测水位序列和各实测因子序列是非一致性的，即本申请是针对非一致性的水文序列的处理；然后利用最早变异时间点之前对应的实测水位序列和最早变异时间点之前对应的各实测因子序列构建水位拟合模型，如此，构建的水位拟合模型不仅考虑了随时间变化的实测水位序列，同时还考虑了实测水位序列的各影响因子对应的实测因子序列，即水位拟合模型融合了基于统计的模型和基于物理成因的模型；水位拟合模型构建之后，利用水位拟合模型、最早变异时间点之后的各影响因子对应的各随机序列以及最早变异时间点之后的径流水位的实测水位序列来确定最早变异时间点之后径流水位的随机性成分序列和确定性成分序列，使得确定的最早变异时间点之后的径流水位的随机性成序列和确定性成分序列更加准确；最后根据随机性成分序列和确定性成分序列确定最早变异时间点之后径流水位的拟合水位序列，提高了非一致性水位序列的拟合准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的径流水位拟合方法的流程示意图。
图2是本申请实施例提供的实测水位和拟合水位的对比效果图。
图3是本申请实施例提供的径流水位拟合方法的另一流程示意图。
图4是本申请实施例提供的径流水位拟合装置的示意性框图。
图5是本申请实施例提供的径流水位拟合装置的另一示意性框图。
图6是本申请实施例提供的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供一种径流水位拟合方法、装置、计算机设备和存储介质。本申请实施例提供的任一种径流水位拟合方法，可以应用于计算机设备中。该计算机设备包括终端或者服务器等设备。该终端可以为智能手机、平板电脑、笔记本电脑、触控屏幕、游戏机、个人计算机（PC，Personal Computer）、个人数字助理（Personal Digital Assistant，PDA）等设备。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云存储等基础云计算服务的云服务器。
目前对于径流水位预测，从模拟的方法可以分为基于统计的模型和物理成因的模型，例如，基于统计的模型包括基于小波分析、奇异谱分析、支持向量机等方法，其优点在于所需数据较少，但物理形成过程不清楚。基于物理成因的模型，从径流的形成机制进行模拟，可以根据采用的模型不同分为不同的类别，例如基于SWAT模型、新安江模型等，其优点在于水位的物理形成过程比较清楚，但模型构建过程极为复杂，调整关键参数的蝴蝶效应明显，且预测的精度不高。此外，基于统计的模型和物理成因的模型，在利用径流水文序列构建模型的过程中，直接认为所有的径流水文序列都满足一致性的要求，对径流水文序列的非一致性考虑不足。基于上述问题，本申请基于此提出了一种径流水位拟合方法。
图1是本申请实施例提供的径流水位拟合方法的流程示意图。该径流水位拟合方法应用于计算机设备中，该径流水位拟合方法包括以下步骤。
101，获取变化环境下的水文序列，该水文序列包括径流水位随时间变化的实测水位序列，和径流水位的各影响因子随时间变化的各实测因子序列，以及获取实测水位序列和各实测因子序列中存在变异的各变异时间点和最早变异时间点。
其中，水文序列是一定时期内气候条件、自然地理条件以及人类活动等综合作用的产物，通过水文序列可反映这些因素对其影响的程度或引起发生变化的原因。本申请实施例中将水文序列分为两部分：确定性成分和随机性成分。
确定性成分具有一定的物理概念，包括周期、趋势和跳跃成分；随机成分由不规则的振荡和随机因素造成，不能严格地从物理上阐明，只能用随机序列理论来研究。一般来说，水文序列的随机性成分主要受气候、地质等因素的影响，其变化规律需要一个漫长的地质年代才能改变，因此水文序列中随机性成分的统计规律是相对一致的；而水文序列的确定性成分主要受人类活动的影响，但并不排除气候因素（如气候转型期）和下垫面自然因素（如火山爆发、地震等）的影响，其变化规律可以在较短的工程年代里发生缓慢的渐变或剧烈的突变，因此水文序列中确定性成分的变化规律往往是非一致的。
如果水文序列与周期、趋势和跳跃成分无关，则它是平稳的时间序列，表明整个水文序列具有相同的物理成因，其统计规律满足一致性的独立同分布要求，例如分布形式（如P-Ⅲ型）和分布参数（如均值、变差系数和偏态系数等）在整个时间尺度内均保持不变，这种情况下水文序列只在均值上下随机波动或变化，而无统计规律的差异；否则，水文序列就是非平稳的，表明影响水文序列的物理成因发生了变化，其统计规律是非一致的，即分布形式或分布参数在整个时间尺度内有显著的差异。基于上述分析，本书给出水文变异的统计学定义：如果水文序列的分布形式或（和）分布参数在整个时间尺度内发生了显著变化，则称水文序列发生了变异。发生变异的水文序列一定是非一致性的水文序列，其含有随机性成分和确定性成分。
水文序列具体包括径流水位随时间变化的实测水位序列，和径流水位的各影响因子随时间变化的各实测因子序列。其中，径流是指降雨及冰雪融水或者在浇地或在地理环境等情况中在重力作用下沿地表或地下流动而形成的水流，包括通江湖泊等。由于通江湖泊等中有对应的数据支撑，本申请主要是针对通江湖泊等的水位进行拟合，但本申请中的方案并不限定于通江湖泊等。其中，随时间变化的“时间”可以包括不同时间尺度，例如，年尺度、月尺度、天尺度等。实测水位序列和对应各实测因子序列的时间尺度相同，例如都是年尺度。
对于某个径流，实际测量得到的随时间变化的水位序列称为实测水位序列，影响该径流水位的因子称为影响因子，实际测量得到的各影响因子随时间变化的序列称为对应的实测因子序列。例如，对于鄱阳湖，影响其水位的影响因子包括湖口流量、湖区降水、湖区蒸发、五河入流、九江流量等等。其中，鄱阳湖随时间变化的水位对应一个实测水位序列，其包括多个实测水位，随时间变化的湖口流量、湖区降水、湖区蒸发、五河入流、九江流量等影响因子都分别对应一个实测因子序列，即一个影响因子对应一个实测因子序列，一个实测因子序列中包括多个实测因子值。
本申请实施例中可预先确定水文序列是否发生变异，并预先确定对应的实测水位序列和各实测因子序列中存在变异的变异时间点，如此，在获取对应的实测水位序列和各实测因子序列时，直接获取实测水位序列和各实测因子序列中存在变异的变异时间点。
在一实施例中，还可以在获取变化环境下的水文序列之后，对水文序列中的实测水位序列和各影响因子对应的实测因子序列进行变异识别，当实测水位序列或实测因子序列中存在变异时，确定实测水位序列或者实测因子序列出现变异的各变异时间点，并确定各变异时间点中的最早变异时间点。
其中，只要实测水位序列或实测因子序列中有一个存在变异，则认为存在变异，存在变异的实测水位序列或实测因子序列一定是非一致性的水文序列。例如，对于鄱阳湖1月份的水文序列，其中，1月份的鄱阳湖的水位（也可称为湖口水位）在1988年发生了变异，如跳跃变异，变异时间点为1988年，水位的影响因子流域降水、流域蒸发、九江流量分别在1988年、1972年、1994年发生了变异，对应的各变异时间点分别为1988年、1972年、1994年，其他的影响因子流域入流、湖口流量等没有发生变异。各变异时间点中的最早变异时间点为1972年。
需要注意的是，获取最早变异时间点的理由是，鄱阳湖的水位是根据各影响因子综合影响得到的，当某一个影响因子出现变异时，其必然也会影响到水位的变异，这种变异反映到水位上可能需要一定的时间，此时水位数据可能并没有检测到变异，同时确保最早变异时间点之前的水文序列一定没有出现任何变异，是一致性的水文序列。
102，利用最早变异时间点之前对应的实测水位序列和最早变异时间点之前对应的各实测因子序列构建水位拟合模型。
由于最早变异时间点之前对应的水文序列没有出现任何变异，说明其对应的统计规律是一致的，没有突变的确定性成分，因此最早变异时间点之前对应的水文序列满足一致性，可以看作是均未出现变异的随机性成分序列。利用最早变异时间点之前对应的实测水位序列和最早变异时间点之前对应的各实测因子序列构建水位拟合模型。构建的水位拟合模型用于对出现变异的水文序列，即非一致性的水文序列进行水位的预测，使得预测得到的水位序列满足要求。
对于满足一致性要求的实测水位（输出因子y，因变量）与各实测因子（输入因子xi，自变量），建立线性相关关系，该线性相关关系可如公式（1）所示：
Figure DEST_PATH_IMAGE001
（1）
式中y output 为输出因子，xi为输入因子，n为模型输入的因子个数，
Figure DEST_PATH_IMAGE002
为未知 的模型参数。通过求解公式（1），可得到水位拟合模型的模型参数。
例如，以鄱阳湖2月份的水位（因变量Ysw）与湖口流量（Xhk）、湖区降水（Xjs）、湖区蒸发（Xzf）、五河入流（Xrl）、九江流量（Xjj）5个影响因子（自变量）为例，其中，2月份湖区降水、湖区蒸发、五河入流、湖口流量序列没有发生变异，湖口水位、九江流量分别在1988年、1989年发生了变异如跳跃变异，变异时间点分别为1988年、1989年，最早变异时间点为1988年。以最早变异时间点1988年为界，通过1988年之前的实测水位序列、各影响因子对应的各实测因子序列构建2月份鄱阳湖的水位与5个影响因素之间的水位拟合模型。得到的水位拟合模型如公式（2）所示。
YSW=4.22+5.88×10-4Xhk+4.61×10-4Xjj-2.84×10-3Xjs-1.57×10-2Xzf-2.32×10- 4Xrl （2）
得到的模型参数的参数大小能够反映输入因子与输出因子的相关程度，在公式（2）中，鄱阳湖2月份的水文序列中，对水位影响最大的影响因子为湖口流量（Xhk），其次为九江流量（Xjj），后面依次是湖区降水（Xjs）、湖区蒸发（Xzf）、五河入流（Xrl）等。
水位拟合模型从统计模型的角度考虑了随时间变化的实测水位，又从物理成因模型的角度考虑了实测水位的各影响因子对应的各实测因子，融合了基于统计的模型和基于物理成因的模型，既能反应统计尺度上各影响因子对实测水位的影响，又能反应一定的物理成因；且水位拟合模型通过线性相关方程描述多个自变量与因变量的相互关系，构建过程简单，线性相关方程中各输入因子的模型参数具有一定的物理意义，模型参数的参数大小能够反映输入因子与输出因子的相关程度，也即水位拟合模型的参数大小能够反应影响水位变化的各因素贡献率的大小，从一定程度上可以描述引起径流水位变化的主要原因。需要提醒的是，目前基于统计的模型和基于物理成因的模型要确定引起径流水位变化的主要原因，还需要另外单独进行分析处理才可得到。
在一实施例中，在得到水位拟合模型之后，进一步对水位拟合模型进行准确性和合理性验证。具体地，可利用误差评定对水位拟合模型的相关关系进行评价，评价时可利用公式（3）来计算相对误差。
E=（Q i -Q c ）/Q i （3）
其中，E为相对误差，Qi为随机性成分原始值（模型输入值，即实测水位），Qc为随机性成分拟合值（模型所得到的拟合水位的值，即利用水位拟合模型得到的径流水位在最早变异时间点之前的随机性成分序列）。以相对误差[-5%,5%]作为水位拟合模型的评判标准，超出此范围的拟合水位，认为水位拟合模型预测不合格，并最终以合格率来衡量水位拟合模型的预测精度/拟合精度。鉴于相对误差控制范围较小，因此，认为相对误差合格率在预设拟合精度如80%以上时，水位拟合模型的模拟效果较好，可以用来预测/拟合输出因子。
以鄱阳湖2月份的拟合水位（预测水位）为例，表1列出了鄱阳湖2月份的实测水位和拟合水位的对比结果。
表1 鄱阳湖2月份的实测水位和拟合水位的对比结果
Figure DEST_PATH_IMAGE003
从表1中可以看出，利用水位拟合模型构建的鄱阳湖的水位与其影响因子之间的水位拟合模型，在允许误差[-5%,5%]的范围内，合格率为100%，能够满足预测准确度的要求。
103，根据水位拟合模型、最早变异时间点之后的各影响因子对应的各随机序列以及最早变异时间点之后的径流水位的实测水位序列来确定最早变异时间点之后径流水位的随机性成分序列和确定性成分序列。
由于水位拟合模型是基于一致性的水文序列进行处理而得到的模型，因此，利用水位拟合模型来确定最早变异时间点之后的径流水位的随机性成分序列和确定性成分序列，使得所确定的最早变异时间点之后的径流水位的随机性成序列和确定性成分序列更加准确。
其中，上述步骤103，包括：根据水位拟合模型和最早变异时间点之后的各影响因子对应的随机序列确定最早变异时间点之后径流水位的随机性成分序列；根据最早变异时间点之后径流水位的实测水位序列和随机性成分序列确定最早变异时间点之后径流水位的确定性成分序列。
先确定最早变异时间点之后的各影响因子对应的随机序列。具体地，确定最早变异时间点之后的各影响因子对应的随机序列的步骤，包括：将影响因子在对应变异时间点及其之前的实测因子序列作为影响因子在变异时间点及其之前的第一随机序列；确定影响因子在变异时间点之后的确定性序列；根据影响因子在变异时间点的实测因子序列和确定性序列来确定影响因子在变异时间点之后的第二随机序列；将第一随机序列和第二随机序列的合集作为影响因子对应的随机序列，并从随机序列中获取最早变异时间点之后的随机序列。
其中，影响径流水位的各影响因子之间是相互独立的，且可以单独进行分析。对于各影响因子中未出现变异时间点的影响因子，其对应的实测因子序列认为是满足一致性的，对应的实测因子序列即为该影响因子的随机序列（认为其不存在确定性序列或者确定性序列为零）。而对于各影响因子中出现变异时间点的影响因子，其在变异时间点及其之前的实测因子序列认为是对应的随机序列，称为第一随机序列，在变异时间点之后，则将变异时间点之后的实测因子序列与确定性序列的差值序列，作为变异时间点之后的随机序列，称为第二随机序列。
其中，当影响影子序列存在变异时间点时，确定对应的影响因子在变异时间点后的确定性序列可根据变异时间点所对应的变异类型来确定。不同变异类型对应的确定性序列的确定方式不同，包括线性的、非线性的等各种确定方式。
其中，跳跃变异占所有变异的比例大约为80%。当变异类型为跳跃变异时，可计算该影响因子在变异时间点及其之前的实测因子序列的均值作为第一均值，例如，某影响因子的变异时间点为1922年，则将1922年及其之前的实测因子序列的均值作为第一均值，再计算变异时间点之后的实测因子序列的均值作为第二均值，如将1922年之后的实测因子序列的均值作为第二均值，将第一均值和第二均值的差值作为确定性数据，将变异时间点之后的所有时间点的确定性数据作为变异时间点之后的确定性序列。该种计算确定性序列的方式只是一种例举，还可以采用任意一种合适的方式来确定。当变异类型为趋势变异时，可采用线性或者非线性的方式来确定对应的确定性序列。
确定了影响因子在变异时间点之后的确定性序列之后，将影响因子在变异时间点之后的实测因子序列与确定性序列的差值序列作为该影响因子在变异时间点之后的第二随机序列。将第一随机序列和第二随机序列的合集作为影响因子对应的随机序列，并从该影响因子的随机序列中获取最早变异时间点之后的随机序列。
得到最早变异时间点之后的各影响因子对应的随机序列之后，将各影响因子对应的随机序列带入至水位拟合模型中，得到最早变异时间点之后径流水位的随机性成分序列。由于水位拟合模型是基于最早变异时间点之前的满足一致性的水文序列得到的模型，因此，利用水位拟合模型和最早变异时间点之后的各影响因子对应的随机序列确定的径流水位的随机性成分序列也是满足一致性的，提高了径流水位随机性成分序列的准确性。
本申请中，水文序列包括随机性成分序列和确定性成分序列，当利用水位拟合模型得到最早变异时间点之后径流水位的随机性成分序列之后，再利用最早变异时间点之后的实测水位序列减去随机性成分序列即可得到最早变异时间点之后的径流水位的确定性成分序列。
或者在一实施例中，还可以通过如下步骤确定最早变异时间点之后的径流水位的确定性成分序列：确定最早变异时间点之后径流水位的实测水位序列和随机性成分序列的差值序列；计算差值序列中的各差值的平均值，根据平均值确定最早变异时间点之后径流水位的确定性成分序列。例如，将1992年的实测水位与1992年的随机性成分相减得到一差值，1993年的实测水位与1992年的随机性成分相减得到另一差值，......，如此，得到差值序列，并计算差值序列中的各差值的平均值，将该平均值作为最早变异时间点之后径流水位每年的确定性成分。每年的确定性成分所构成的序列即为确定性成分序列。
由于所确定的随机性成分序列的准确度较高，因此，根据随机性成分序列确定的确定性成分序列的准确度也较高。
以鄱阳湖2月份的水位为例进行说明。鄱阳湖2月份的水位在1988年之前的实测水位序列认为是满足一致性要求的随机性成分序列，也可称为随机序列。利用1988年之后的各影响因子的随机序列，根据上述公式（2），计算水位在1988年之后的随机性成分序列。如此，鄱阳湖2月份水位的随机性成分序列由1988年及其之前的随机性成分序列和1988年之后计算的随机性成分序列构成，鄱阳湖2月份水位的确定性成分为1988年之后的实测水位序列与1988年之后计算得到的随机性成分序列的差值序列的均值。具体可参见表2。
表2 鄱阳湖2月份水位的确定性成分的计算结果表
Figure DEST_PATH_IMAGE004
如此，得到径流水位的随机性成分序列和确定性成分序列。
104，根据随机性成分序列和确定性成分序列确定最早变异时间点之后径流水位的拟合水位序列。
根据上文中描述，以及非一致性水文序列的分解合成原理可知，在最早变异时间点tmin及其之前的拟合水位序列Xt为随机性成分序列YS，而在最早变异时间点tmin之后的拟合水位序列Xt是随机性成分序列YS与确定性成分序列YD相加之后所得到的序列。具体如公式（4）所示。
Figure DEST_PATH_IMAGE005
（4）
其中，在最早变异时间点及其之前的拟合水位序列Xt可通过将各影响因子的实测因子序列代入至水位拟合模型中得到其对应的随机性成分序列YS。而最早变异时间点之后的径流水位的拟合水位序列是随机性成分序列YS与确定性成分序列YD相加之后的序列。如表3所示，为鄱阳湖2月份的实测水位和拟合水位的对比结果。
表3 鄱阳湖2月份的实测水位和拟合水位的对比结果
Figure DEST_PATH_IMAGE006
Figure DEST_PATH_IMAGE007
在计算的德奥径流水位的拟合水位序列和实测水位序列之后，根据径流水位的拟合水位序列和对应的实测水位序列确定相对误差，根据相对误差来确定水位拟合的拟合精度。以上述公式（3）所示的相对误差为评判标准，在最早变异时间点之后，Qi为实测水位的值，Qc为随机性成分序列YS与确定性成分序列YD相加之后的拟合水位的值。
根据表3的数据，可得到鄱阳湖2月份的水位拟合效果表，如表4所示。以相对误差为评判标准，本申请实施例中的径流水位拟合方法在误差±5%范围内的预测合格率（拟合精度）为83.33%，±10%范围内的预测合格率为98.15%，在±15范围内的预测合格率为100%，拟合效果较好。
表4 鄱阳湖2月份的水位拟合效果表
Figure DEST_PATH_IMAGE008
图2为本申请实施例提供的鄱阳湖2月份的实测水位（实测湖口水位）和拟合水位（拟合湖口水位）的对比结果图。从图2中也可看出，拟合水位和实测水位相差不大，拟合效果较好。
上述实施例中针对非一致性的水文序列进行处理，提高了非一致性水位序列的拟合准确度。
图3是本申请实施例提供的径流水位拟合方法的另一流程示意图，该方法应用于计算机设备中，该径流水位拟合方法的可以包括如下步骤。
201，获取变化环境下的水文序列，该水文序列包括径流水位随时间变化的实测水位序列，和径流水位的各影响因子随时间变化的各实测因子序列。
202，对随时间变化的实测水位序列和各实测因子序列分别进行变异识别。
在一情况中，变异识别可分为三个初步识别、详细识别和综合识别三个部分，可以对跳跃变异和趋势变异两种水文变异进行识别。例如，可采用Hurst系数法等对鄱阳湖流域内的逐月、汛期、非汛期和年尺度的水位、降水、蒸发等资料序列进行初步识别，判断其是否存在变异，如果不存在，说明其仍然满足一致性要求；若存在变异，再利用多种跳跃检测方法和多种趋势检测方法对资料序列进行详细识别，然后根据不同方法的效率系数，对每种识别方法进行加权，分别对趋势变异和跳跃变异的识别结论进行综合，最后输出变异类型（跳跃变异、趋势变异）和变异程度（如无变异、弱变异、强变异等）的识别结果。
上述变异识别仅仅是举例说明，并不构成对变异识别方法的限定。此外，本申请实施例中对水文序列进行变异识别，考虑了水文序列中的不一致性情况的存在，是对不一致性水文序列进行进一步处理的前提。
当实测水位序列或实测因子序列中存在变异时，执行步骤203至步骤207；当实测水位序列和各实测因子序列中均不存在变异时，执行步骤208至步骤209。
203，当实测水位序列或实测因子序列中存在变异时，确定实测水位序列或者实测因子序列出现变异的各变异时间点，并确定各变异时间点中的最早变异时间点。
204，利用最早变异时间点之前对应的实测水位序列和最早变异时间点之前对应的各实测因子序列构建水位拟合模型。
205，根据水位拟合模型和最早变异时间点之后的各影响因子对应的随机序列确定最早变异时间点之后径流水位的随机性成分序列。
206，根据最早变异时间点之后径流水位的实测水位序列和随机性成分序列确定最早变异时间点之后径流水位的确定性成分序列。
207，根据随机性成分序列和确定性成分序列确定最早变异时间点之后径流水位的拟合水位序列。
208，当实测水位序列和各实测因子序列中均不存在变异时，利用实测水位序列和各实测因子序列构建水位拟合模型。
当实测水位序列和各实测因子序列中均不存在变异时，则认为实测水位序列和各实测因子序列为满足一致性的序列，直接利用实测水位序列和各实测因子序列构建水位拟合模型。水位拟合模型的构建请参看上文中所述。
209，当获取到目标时间点对应的各影响因子对应的各目标因子值时，根据水位拟合模型对各目标因子值进行处理，以得到目标时间点所对应的拟合水位。
当得到水位拟合模型后，当获取到目标时间点对应的各影响因子对应的各目标因子值时，将各目标因子值代入至水位拟合模型中，以得到目标时间点所对应的拟合水位的值。
根据上述实施例所描述的方法，本实施例将从径流水位拟合装置的角度进一步进行描述，该径流水位拟合装置具体可以作为独立的实体来实现，也可以集成在计算机设备中来实现。
如图4所示，该径流水位拟合装置300可以包括区块数据获取模块301、构建模块302以及拟合模块303。
获取模块301，用于获取变化环境下的水文序列，所述水文序列包括径流水位随时间变化的实测水位序列，和所述径流水位的各影响因子随时间变化的各实测因子序列，以及获取所述实测水位序列和各所述实测因子序列中存在变异的各变异时间点和最早变异时间点；
构建模块302，用于利用所述最早变异时间点之前对应的实测水位序列和所述最早变异时间点之前对应的各所述实测因子序列构建水位拟合模型；
拟合模块303，用于根据所述水位拟合模型、所述最早变异时间点之后的各影响因子对应的各随机序列以及所述最早变异时间点之后的所述径流水位的实测水位序列来确定所述最早变异时间点之后所述径流水位的随机性成分序列和确定性成分序列；并根据所述随机性成分序列和所述确定性成分序列确定所述最早变异时间点之后所述径流水位的拟合水位序列。
其中，拟合模块303进一步包括第一成分确定单元、第二成分确定单元和合并单元。其中，第一成分确定单元，用于根据所述水位拟合模型和所述最早变异时间点之后的各影响因子对应的随机序列确定所述最早时间点之后所述径流水位的随机性成分序列；第二成分确定单元，用于根据所述最早变异时间点之后所述径流水位的实测水位序列和所述随机性成分序列确定所述最早变异时间点之后所述径流水位的确定性成分序列；合并单元，用于根据所述随机性成分序列和所述确定性成分序列确定所述最早变异时间点之后所述径流水位的拟合水位序列。
在一实施例中，第一成分确定单元，在确定所述最早变异时间点之后的各影响因子对应的随机序列时，具体执行：将所述影响因子在所述变异时间点及其之前的实测因子序列作为所述影响因子在所述变异时间点及其之前的第一随机序列；确定所述影响因子在所述变异时间点之后的确定性序列；根据所述影响因子在所述变异时间点之后的实测因子序列和所述确定性序列来确定所述影响因子在所述变异时间点之后的第二随机序列；将所述第一随机序列和所述第二随机序列的合集作为所述影响因子对应的随机序列，并从所述随机序列中获取所述最早变异时间点之后的随机序列。
在一实施例中，第二成分确定单元，具体用于确定所述最早变异时间点之后所述径流水位的实测水位序列和所述随机性成分序列的差值序列；计算所述差值序列中的各差值的平均值，根据所述平均值确定所述最早变异时间点之后所述径流水位的确定性成分序列。
在一实施例中，构建模块302，还用于当所述实测水位序列和各所述实测因子序列中均不存在变异时，根据所述实测水位序列和各所述实测因子序列构建水位拟合模型。对应的，拟合模块303，还用于当获取到目标时间点对应的各影响因子对应的各目标因子值时，根据所述水位拟合模型对各目标因子值进行处理，以得到目标时间点所对应的拟合水位。
在一实施例中，如图5所示，径流水位拟合装置300还包括识别模块304、时间点确定模块305。其中，识别模块304，用于对随时间变化的所述实测水位序列和各所述实测因子序列分别进行变异识别。时间点确定模块305还用于当所述实测水位序列或所述实测因子序列中存在变异时，确定所述实测水位序列或者所述实测因子序列出现变异的各变异时间点，并确定所述各变异时间点中的最早变异时间点。
在一实施例中，如图5所示，径流水位拟合装置还包括拟合精度确定模块306。拟合精度确定模块306，用于根据所述径流水位的拟合水位序列和对应的所述径流水位的实测水位序列确定相对误差；根据所述相对误差确定水位拟合的拟合精度。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现。以上装置和各单元的具体实现过程，以及所达到的有益效果，可以参考前述应用于区块链的节点中的方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
本申请实施例还提供一种计算机设备，如图6所示，其示出了本申请实施例所涉及的计算机设备的结构示意图，具体来讲：
该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、射频（Radio Frequency，RF）电路403、电源404、输入单元405、以及显示单元406等部件。本领域技术人员可以理解，图中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
RF电路403可用于收发信息过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器401处理；另外，将涉及上行的数据发送给基站。通常，RF电路403包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块（SIM）卡、收发信机、耦合器、低噪声放大器（LNA，Low Noise Amplifier）、双工器等。此外，RF电路403还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统（GSM，Global System of Mobilecommunication）、通用分组无线服务（GPRS，General Packet Radio Service）、码分多址（CDMA，Code Division Multiple Access）、宽带码分多址（WCDMA，Wideband CodeDivision Multiple Access）、长期演进（LTE，Long Term Evolution）、电子邮件、短消息服务（SMS，Short Messaging Service）等。
计算机设备还包括给各个部件供电的电源404（比如电池），优选的，电源404可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源404还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元405，该输入单元405可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，在一个具体的实施例中，输入单元405可包括触敏表面以及其他输入设备。触敏表面，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作），并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器401，并能接收处理器401发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面，输入单元405还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。
该计算机设备还可包括显示单元406，该显示单元406可用于显示由用户输入的信息或提供给用户的信息以及计算机设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元406可包括显示面板，可选的，可以采用液晶显示器（LCD，Liquid Crystal Display）、有机发光二极管（OLED，Organic Light-Emitting Diode）等形式来配置显示面板。进一步的，触敏表面可覆盖显示面板，当触敏表面检测到在其上或附近的触摸操作后，传送给处理器401以确定触摸事件的类型，随后处理器401根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图中，触敏表面与显示面板是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面与显示面板集成而实现输入和输出功能。
尽管未示出，计算机设备还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，计算机设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
获取变化环境下的水文序列，所述水文序列包括径流水位随时间变化的实测水位序列，和所述径流水位的各影响因子随时间变化的各实测因子序列，以及获取所述实测水位序列和各所述实测因子序列中存在变异的各变异时间点和最早变异时间点；利用所述最早变异时间点之前对应的实测水位序列和所述最早变异时间点之前对应的各所述实测因子序列构建水位拟合模型；根据所述水位拟合模型、所述最早变异时间点之后的各影响因子对应的各随机序列以及所述最早变异时间点之后的所述径流水位的实测水位序列来确定所述最早变异时间点之后所述径流水位的随机性成分序列和确定性成分序列；根据所述随机性成分序列和所述确定性成分序列确定所述最早变异时间点之后所述径流水位的拟合水位序列。
该计算机设备可以实现本申请实施例所提供的应用于计算机设备中的径流水位拟合方法任一实施例中的步骤，因此，可以实现本申请实施例所提供的应用于计算机设备中的任一径流水位拟合方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的应用于计算机设备端的径流水位拟合方法中任一实施例的步骤。
其中，该存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取记忆体（RAM，Random Access Memory）、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一径流水位拟合方法实施例中的步骤，因此，可以实现本发明实施例所提供的任一径流水位拟合方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种径流水位拟合方法、装置、计算机设备以及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种径流水位拟合方法，其特征在于，包括：
获取变化环境下的水文序列，所述水文序列包括径流水位随时间变化的实测水位序列，和所述径流水位的各影响因子随时间变化的各实测因子序列，以及获取所述实测水位序列和各所述实测因子序列中存在变异的各变异时间点和最早变异时间点；
利用所述最早变异时间点之前对应的实测水位序列和所述最早变异时间点之前对应的各所述实测因子序列构建水位拟合模型；
根据所述水位拟合模型、所述最早变异时间点之后的各影响因子对应的各随机序列以及所述最早变异时间点之后的所述径流水位的实测水位序列来确定所述最早变异时间点之后所述径流水位的随机性成分序列和确定性成分序列；
根据所述随机性成分序列和所述确定性成分序列确定所述最早变异时间点之后所述径流水位的拟合水位序列。
2.根据权利要求1所述的径流水位拟合方法，其特征在于，所述根据所述水位拟合模型、所述最早变异时间点之后的各影响因子对应的各随机序列以及所述最早变异时间点之后的所述径流水位的实测水位序列来确定所述最早变异时间点之后所述径流水位的随机性成分序列和确定性成分序列的步骤，包括：
根据所述水位拟合模型和所述最早变异时间点之后的各影响因子对应的随机序列确定所述最早变异时间点之后所述径流水位的随机性成分序列；
根据所述最早变异时间点之后所述径流水位的实测水位序列和所述随机性成分序列确定所述最早变异时间点之后所述径流水位的确定性成分序列。
3.根据权利要求1所述的径流水位拟合方法，其特征在于，所述最早变异时间点之后的各影响因子对应的随机序列通过以下方式来确定：
将所述影响因子在所述变异时间点及其之前的实测因子序列作为所述影响因子在所述变异时间点及其之前的第一随机序列；
确定所述影响因子在所述变异时间点之后的确定性序列；
根据所述影响因子在所述变异时间点之后的实测因子序列和所述确定性序列来确定所述影响因子在所述变异时间点之后的第二随机序列；
将所述第一随机序列和所述第二随机序列的合集作为所述影响因子对应的随机序列，并从所述随机序列中获取所述最早变异时间点之后的随机序列。
4.根据权利要求2所述的径流水位拟合方法，其特征在于，所述根据所述最早变异时间点之后所述径流水位的实测水位序列和所述随机性成分序列确定所述最早变异时间点之后所述径流水位的确定性成分序列的步骤，还包括：
确定所述最早变异时间点之后所述径流水位的实测水位序列和所述随机性成分序列的差值序列；
计算所述差值序列中的各差值的平均值，根据所述平均值确定所述最早变异时间点之后所述径流水位的确定性成分序列。
5.根据权利要求1所述的径流水位拟合方法，其特征在于，所述获取所述实测水位序列和各所述实测因子序列中存在变异的各变异时间点和最早变异时间点的步骤，包括：
对随时间变化的所述实测水位序列和各所述实测因子序列分别进行变异识别；
当所述实测水位序列或所述实测因子序列中存在变异时，确定所述实测水位序列或者所述实测因子序列出现变异的各变异时间点，并确定所述各变异时间点中的最早变异时间点。
6.根据权利要求5所述的径流水位拟合方法，其特征在于，还包括：
当所述实测水位序列和各所述实测因子序列中均不存在变异时，根据所述实测水位序列和各所述实测因子序列构建水位拟合模型；
当获取到目标时间点对应的各影响因子对应的各目标因子值时，根据所述水位拟合模型对各目标因子值进行处理，以得到目标时间点所对应的拟合水位。
7.根据权利要求1所述的径流水位拟合方法，其特征在于，在确定所述最早变异时间点之后所述径流水位的拟合水位序列的步骤之后，还包括：
根据所述径流水位的拟合水位序列和对应的所述径流水位的实测水位序列确定相对误差；
根据所述相对误差确定水位拟合的拟合精度。
8.一种径流水位拟合装置，其特征在于，包括：
获取模块，用于获取变化环境下的水文序列，所述水文序列包括径流水位随时间变化的实测水位序列，和所述径流水位的各影响因子随时间变化的各实测因子序列，以及获取所述实测水位序列和各所述实测因子序列中存在变异的各变异时间点和最早变异时间点；
构建模块，用于利用所述最早变异时间点之前对应的实测水位序列和所述最早变异时间点之前对应的各所述实测因子序列构建水位拟合模型；
拟合模块，用于根据所述水位拟合模型、所述最早变异时间点之后的各影响因子对应的各随机序列以及所述最早变异时间点之后的所述径流水位的实测水位序列来确定所述最早变异时间点之后所述径流水位的随机性成分序列和确定性成分序列；并根据所述随机性成分序列和所述确定性成分序列确定所述最早变异时间点之后所述径流水位的拟合水位序列。
9.一种计算机设备，其特征在于，包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行权利要求1至7任一项所述的径流水位拟合方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行如权利要求1至7任一项所述的径流水位拟合方法中的步骤。
CN202210361345.4A 2022-04-07 2022-04-07 一种径流水位拟合方法、装置、计算机设备及存储介质 Active CN114444334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210361345.4A CN114444334B (zh) 2022-04-07 2022-04-07 一种径流水位拟合方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210361345.4A CN114444334B (zh) 2022-04-07 2022-04-07 一种径流水位拟合方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN114444334A CN114444334A (zh) 2022-05-06
CN114444334B true CN114444334B (zh) 2022-06-14

Family

ID=81359266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210361345.4A Active CN114444334B (zh) 2022-04-07 2022-04-07 一种径流水位拟合方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN114444334B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111651427A (zh) * 2020-05-06 2020-09-11 长江水利委员会长江科学院 一种基于gamlss模型的非一致性水文频率计算方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3844633A4 (en) * 2018-08-31 2022-05-18 The Climate Corporation UNDERFIELD MOISTURE MODEL IMPROVEMENT USING OVERLAND RIVER MODELING WITH SHALLOW WATER CALCULATIONS
CN109489637B (zh) * 2018-11-08 2019-10-18 清华大学 水量变化监测方法、装置、计算机设备和存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111651427A (zh) * 2020-05-06 2020-09-11 长江水利委员会长江科学院 一种基于gamlss模型的非一致性水文频率计算方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
Evolution characteristics research on summerautumn consistent drought of Poyang Lake based on the copula in the changing environment;Xu Bin;《IOP Conference Series: Earth and Environmental Science》;20201231;全文 *
基于小波变换集成模型预测径流水位的研究;丁红等;《武汉理工大学学报》;20121230(第12期);全文 *
年径流变异序列水文频率分析计算;孙贵山;《广东水利水电》;20110228(第02期);全文 *
水文变异对水库汛期分期及汛限水位确定的影响;莫崇勋等;《水利水电技术》;20180220(第02期);全文 *
水文变异条件下基于 Copula 函数的非一致性干旱频率分析方法———以鄱阳湖为例;许斌等;《长江科学院院报》;20211231;第38卷(第12期);全文 *
石羊河下游民勤县地下水水位时间序列模拟;马岚等;《灌溉排水学报》;20080815(第04期);全文 *
近几十年来珠江三角洲1月和7月水位变异分析;时翠等;《热带地理》;20120515(第03期);全文 *
非一致性最低通航水位设计的保证率频率法;王路等;《水力发电学报》;20201231(第01期);全文 *

Also Published As

Publication number Publication date
CN114444334A (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
CN102498706A (zh) 移动设备电池管理
KR20150138370A (ko) 확률 분포에 기초하여 강수를 현재 예보하는 방법 및 시스템
CN102693229B (zh) 软件分析方法、推荐方法、分析装置及推荐装置
US20060116921A1 (en) Methods and systems for profile-based forecasting with dynamic profile selection
CN107305611A (zh) 恶意账号对应的模型建立方法和装置、恶意账号识别的方法和装置
CN109726885A (zh) 用电量异常评估方法、装置、设备和计算机存储介质
CN104090240A (zh) 一种更新电池剩余使用时间的方法、装置和移动终端
Nie et al. Simulation and uncertainty analysis for groundwater levels using radial basis function neural network and support vector machine models
CN114781766B (zh) 水文站点的水文信息预测方法、装置、设备及存储介质
CN110084711A (zh) 位置追踪方法及设备
CN117520907A (zh) 一种异常数据的检测方法、装置以及存储介质
WO2019085754A1 (zh) 应用清理方法、装置、存储介质及电子设备
Huang et al. Estimating distances via connectivity in wireless sensor networks
CN107832848A (zh) 应用管理方法、装置、存储介质及电子设备
CN114444334B (zh) 一种径流水位拟合方法、装置、计算机设备及存储介质
CN114444333B (zh) 生态水位分析方法、装置、电子设备及存储介质
CN116756522B (zh) 概率预报方法、装置、存储介质及电子设备
Haque et al. A hybrid approach to enhance the lifespan of WSNs in nuclear power plant monitoring system
CN111314177B (zh) 一种基于无线信号的作息时段识别方法以及相关装置
CN117332898A (zh) 基于机器学习的新能源小时间尺度功率时序滚动预测方法
CN105162643A (zh) 流量预估的方法、装置及计算设备
CN110505635B (zh) 一种终端渗透率预测方法及装置
CN116992162A (zh) 一种对象的推荐方法、装置以及存储介质
CN114881398A (zh) 低碳规划平台的实现方法及相关产品
US6993442B2 (en) Adaptive data collection

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