CN114897242A - 一种自适应分割时段场次降雨径流的方法 - Google Patents

Abstract

本发明提供一种自适应分割时段场次降雨径流的方法，包括以下步骤：S1、收集已知区域的连续降雨径流数据；S2、波峰波谷自动计算和识别；S3、降雨场次自动分割，识别降雨开始和结束时间，计算场次累积降雨量；S4、降雨径流场次自动分割，根据降雨开始结束时间识别相应场次洪水开始结束时间；S5、场次洪水洪峰峰数识别，根据单场次洪水中波峰与波谷差值，鉴定洪峰数量；S6、相关系数计算，计算场次降雨径流累积降雨量与流量最大涨幅的相关系数；S7、参数寻优；S8、筛选符合要求的场次降雨径流过程。该方法能够提高分割场次降雨径流准确率，且自适应程度较高，可全部实现自动化，能快速、高效分割场次降雨径流。

Description

一种自适应分割时段场次降雨径流的方法

技术领域

本发明涉及水文预报领域领域，特别涉及一种自适应分割时段场次降雨径流的方法。

背景技术

一定程度的降雨导致河段断面流量波动，那么降雨不一定都会使流量波动；反之，河段流量波动可能是降雨导致，也可能是上游流量波动或水库开闸或其他原因形成。目前，从连续水文资料中提取场次洪水较容易，而提取完整的场次降雨径流主要为人工靠经验识别，效率较低，或者不能严格提取出场次洪水对应的场次降雨，提取的结果准确性较低。

公开号为CN109785979A的发明专利申请公开了一种场次洪水降雨径流过程界定方法，该方法只给出了洪峰流量的数学识别方法，对于洪水和降雨的起始时间、开始时间、均未给出具体的识别方法，仍需人工判定。公开号为CN112561214A的发明专利申请公开了一种自动识别场次洪水的方法及系统，该发明没有给出阐述具体寻找雨量过程的开始结束位置的方法，且没有关联雨量过程和洪水过程，已致实施案例三中划分结果第三场和第五场洪水持续时间过长。公开号为CN110929956B的发明专利申请公开了一种基于机器学习的洪水预报方案实时优选方法，该发明阐述降雨、洪水场次关联方法为：若降雨事件的质心落入与洪水事件相关的一定时间窗口中，则认为降雨事件与洪水事件为关联事件，然而若降雨事件为凹变形，其质心很难落入时间窗口中，而且该专利没有阐述时间窗口的时间长度如何设定。

场次降雨径流是研究流域产汇流的主要资料，是水文预报的基础资料，因此有必要研发一套能合理、准确提取场次降雨径流的方法，将人工经验凝练提升为科学规律，并能使用计算机语言实现自动、批量进行处理，快速、高效的进行分割场次降雨径流。

发明内容

本发明所要解决的技术问题是提供一种自适应分割时段场次降雨径流的方法，关联洪水与降雨形成一场完整的场次降雨径流，提高分割场次降雨径流准确率，且自适应程度较高，可全部实现自动化，能快速、高效分割场次降雨径流。

为解决上述技术问题，本发明所采用的技术方案是：为解决上述技术问题，本发明所采用的技术方案是：一种自适应分割时段场次降雨径流的方法，包括以下步骤：

S1、收集已知区域的连续降雨径流数据；

S2、波峰波谷自动计算和识别；

S3、降雨场次自动分割，设置雨强阈值和降雨间歇时间阈值，识别降雨开始和结束时间，计算场次累积降雨量；

S4、降雨径流场次自动分割，设置时间窗口阈值，根据降雨开始结束时间识别相应场次洪水开始结束时间；

S5、场次洪水洪峰数量识别，根据单场次洪水中波峰与波谷差值，鉴定洪峰数量；

S6、相关系数计算，计算场次降雨径流累积降雨量p_n ^sum与流量最大涨幅Q_n ^up的相关系数；

S7、参数寻优，寻优评价指标为步骤S6中累积降雨量p_n ^sum与流量最大涨幅Q_n ^up的相关系数最大，且满足随着洪峰数量增多，相关系数降低；

S8、筛选符合要求的场次降雨径流过程。

所述步骤S1包括以下步骤：

S11、收集已知区域包含需被划分且连续不间断的流量数据以及时间序列；

S12、获取S11步骤中对应集水区域的面降雨量以及时间序列，要求时间步长相同，且数据连续不间断，获取S11步骤中对应集水区域的面降雨量以及时间序列，要求时间步长相同，且数据连续不间断，所需划分数据的前后设置缓冲期。

优选的方案中，所述步骤S2包括以下步骤：

S21、锯齿特征明显的流量过程进行平滑处理，光滑的流量过程直接使用；

S22、对流量数据进行波峰波谷标记，并记录波峰流量及波峰时刻，波谷流量及波谷时刻，按照如下公式判断波峰流量及波峰时刻：

q’_t-1＜q’_t且q’_t＞q’_t+1

式中q’为平滑流量，q’_t-1,q’_t,q’_t+1为第t-1,t,t+1时刻平滑流量，t时刻即为波峰时刻，该时刻对应的原流量则为波峰流量；

按照如下公式判断波谷流量及波谷时刻：

q’_t-1＞q’_t且q’_t＜q’_t+1

t时刻即为波谷时刻，该时刻对应的原流量则为波谷流量；

S23、按时间顺序记录并编码波峰时刻及其对应的波峰流量，波谷时刻及其对应的波谷流量。

优选的方案中，所述步骤S21中，平滑处理采用Savitzky-Golay滤波器，计算公式如下：

假设滤波器平滑窗口的宽度为n＝2m+1，各个测量数据X＝(x₁,x₂,.....,x_n)采用k-1次多项式对窗口内的数据进行拟合，x_i可以用多项式进行拟合：

参数m，k的确定评价指标包括可决系数R²或Nash-Sutcliffe效率系数(NSE)，R²或NSE越大，参数越优，其中，可决系数R²计算公式如下：

Nash-Sutcliffe效率系数(NSE)计算公式如下：

式中，y_i是观测值、

是观测值的均值、

为拟合值、y_i ^pred为拟合值。

优选的方案中，所述步骤S3包括以下步骤：

S31、时段降雨数据填充处理，将无降雨时刻填充为0mm降雨量；

S32、场次降雨开始和结束时间识别：设置时段降雨阈值参数P_min和降雨最大间歇时间阈值参数T_stop，当时段降雨连续T_stop时间小于P_min值时，则鉴别为两场降雨，连续降雨小于P_min值时间不足T_stop值时鉴别为一场降雨，计算公式如下：

diff＝t_i-t_i-1

式中t为降雨大于P_min的时刻，t_i和t_i-1表示该时刻和上一个相邻时刻，当diff大于T_stop时，则t_i-1为上一场降雨的结束时刻，t_i为该场降雨的开始时刻；

S33、统计场次累积降雨量，一场次降雨开始时刻直至降雨结束时刻内的降雨求和，包含开始时刻和结束时刻降雨，计算公式如下：

P_sum＝∑p_t

式中p_t为同一场次时段降雨。

S34、记录每一场次降雨开始时间、结束时间、累积降雨量，并按时间顺序进行编码P_n，p_n ^strt、p_n ^endt、p_n ^sum分别表示为第n场次降雨及其对应的开始时间、结束时间、累积降雨量。

优选的方案中，所述步骤S4包括以下步骤：

S41、设定时间阈值参数T_pro，对于自然流域，当场次降雨开始时间之后的T_pro时间内存在流量波谷，则取最后一个流量波谷作为该场次降雨对应的洪水开始时间；对于有水利工程流域或有外在影响因素流域，若当部分场次降雨开始时间之后的T_pro时间不存在流量波谷，则取降雨开始时间之前最近的波谷时间作为洪水开始时间；

S42、设定时间阈值参数T_bre，降雨结束时间往后推T_bre时间之后的第一个流量波谷为该场次降雨对应的洪水结束时间，洪水开始时间和结束时间之间的流量过程则认为是该场次降雨对应的流量变化过程，场次降雨和其对应的场次洪水视为一场次降雨径流过程；

S43、计算一场次降雨径流过程中流量最大涨幅，即流量最大值减去洪水开始时间对应的流量值，计算公式输入：

式中

为一场次降雨径流中的最大值，

为一场次降雨径流的起始流量；

S44、记录每一场次降雨径流过程的降雨开始时间p_n ^strt、降雨结束时间p_n ^endt、累积降雨量p_n ^sum，洪水开始时间Q_i ^strt及其流量Q_i ^str、洪水结束时间Q_i ^endt及其流量Q_i ^end、该时间段内的流量最大值Q_n ^max、流量最大涨幅Q_n ^up及所有的波峰Q_{n_i} ^peak、波谷Q_{n_i} ^valley。

优选的方案中，所述步骤S5鉴定洪峰数量步骤包括：

S51、单峰洪水识别：若一场次降雨径流过程中，只有一个波峰，则鉴别为单峰洪水。

S52、双峰及以上洪水识别：若一场次降雨径流过程中，有多个波峰，设定比例阈值参数Q_diff，若有波谷与两侧相邻波峰差值分别占两侧波峰值的比例超过Q_diff时，即为多峰洪峰，否则，仍为单峰洪水，公式如下：

(Q_i-1 ^peak-Q_i ^valley)/Q_i-1 ^peak＞＝Q_diff且(Q_i+1 ^peak-Q_i ^valley)/Q_i+1 ^peak＞＝Q_diff

式中，Q_i ^valley为一场次降雨径流的波谷流量，Q_i-1 ^peak和Q_i+1 ^peak分别为两侧相邻的波峰流量，当满足上述关系时，记录为有效波谷，有效波谷个数为1时，为双峰洪水；有效波谷个数为2时，为三峰洪水；有效波谷个数为3时，为四峰洪水，以此类推。优选的方案中，所述步骤S6中计算累积降雨量与流量最大涨幅的相关系数，采用线性相关或非线性相关方法，线性相关计算公式如下：

式中，r(X,Y)为两组相同个数X,Y数据的相关系数，Var[X]为X数据的方差，Var[Y]为Y数据的方差，Cov[X,Y]为X与Y的协方差；

非线性相关方法采用Spearman秩相关，公式如下：

式中，p_s为两组相同个数X,Y数据的Spearman秩相关系数,d_i为两组数据秩次之差，即x_i,y_i按大小排序的序号之差，n为数据的个数。

优选的方案中，所述步骤S6中计算累积降雨量与流量最大涨幅的相关系数，采用线性相关或非线性相关方法，线性相关计算公式如下：

式中，r(X，Y)为两组相同个数X,Y数据的相关系数，Var[X]为X数据的方差，Var[Y]为Y数据的方差，Cov[X，Y]为X与Y的协方差；

非线性相关方法采用Spearman秩相关，公式如下：

式中，p_s为两组相同个数X,Y数据的Spearman秩相关系数,d_i为两组数据秩次之差，即x_i,y_i按大小排序的序号之差，n为数据的个数。

优选的方案中，所述步骤S7中，参数寻优方法包括网格搜索调优方法或投影寻踪寻优方法；

所述网格搜索调优方法，通过在参数数组中进行穷举搜索，对每种情况进行训练，找到最优的参数；所述投影寻踪寻优方法，通过把高维数据投影到低维子空间上，寻找出能反映原高维数据的结构或特征的投影，达到研究分析高维数据的目的，包括如下步骤：

(1)样本数据归一化：

(2)线性投影:

从不同的角度去观察数据，寻找最能挖掘数据大的最有投影方向，随机抽取若干初始投影方向a(a₁,a₂,..,a_m)，计算其投影指标的大小，确定最大指标的投影的解为其最佳投影方向：

样本i在一维空间的投影方向为(a₁,a₂,..,a_m)上的投影特征值定义为：

(3)寻找目标函数：

定义目标函数为Q(a)，类间距离为s(a)，类内密度为d(a)，

Q(a)＝s(a)d(a)

类间距离用样本序列的投影特征值方差计算：

其中i＝1，2..n；

投影特征值间的距离为r_ik＝|z_i-z_k|(i,k＝1,2,..n)，于是，

其中的f(t)为以阶跃信号：

R为估计局部三电密度的窗宽参数，按宽度内至少包括一个散点的原则，其值与样本数据结构有关：

max(r_ik)＜R＜2m

i,k＝1,2,..n

(4)优化投影方向：

将寻找最有投影方向问题转化为下列优化问题：

max Q(a)＝s(a)d(a)

(5)综合评价聚类分析：

以z_i的差异水平对样本群进行聚类分析，根据最优投影方向，便可计算反应各评价指标综合信息的投影特征值z_i的差异水平，求出最优投影系数a＝a(a₁,a₂,..a_m)。

优选的方案中，所述步骤S8中筛选符合要求的场次降雨径流过程，设置筛选指标和指标阈值，筛选指标选用累积降雨量或最大洪峰流量或洪水持续时间或流量最大涨幅。

本发明提供的本发明提供的一种自适应分割时段场次降雨径流的方法，能准确划分出场次径流过程对应的降雨，提高分割场次降雨径流准确率，且自适应程度较高，可全部实现自动化，能快速、高效分割场次降雨径流。分割结果可广泛用于水文学研究，如用于水文模型参数率定，可大大提高水文模型参数率定的效率和准确率。

附图说明

下面结合附图和实施例对本发明作进一步说明：

图1为本发明的方法流程图；

图2为实施例所选某集水区域流量过程及该流域的面降雨过程；

图3为实施例中表1中序号1和序号2的场次降雨径流过程图；

图4为实施例中表1中序号3和序号4的场次降雨径流过程图；

图5为实施例中表1中序号5和序号6的场次降雨径流过程图；

图6为实施例中表1中序号7和序号8的场次降雨径流过程图；

具体实施方式

以某集水区域为例进行说明，一种自适应分割时段场次降雨径流的方法，如图1所示，包括以下步骤：

S1、收集已知区域的连续降雨径流数据，包括以下步骤：

S11、收集已知某区域包含需被划分且连续不间断的流量数据以及时间序列，该集水区域需被划分的2016年6月2日～7月30日连续小时尺度径流数据，该集水区域内分布有较大的水库。

S12、获取S11步骤中对应集水区域的面降雨量以及时间序列，要求时间步长相同，且数据连续不间断，时间尺度为小时。

所述步骤S11和S12中，为保持划分结果的准确性，所需划分数据的前后设置缓冲期。缓冲期长度为所需划分数据前后1日，故划分降雨径流数据时间为2016年6月1日～7月31日，如图2所示。

S2、波峰波谷自动计算和识别，具体包括以下步骤：

S21、锯齿特征明显的流量过程进行平滑处理，光滑的流量过程直接使用。

在本实施例中，平滑处理采用Savitzky-Golay滤波器，该方法本质为一种基于最小二乘法的多项式平滑滤波，计算公式如下：

假设滤波器平滑窗口的宽度为n＝2m+1，各个测量数据X＝(x₁,x₂,.....,x_n)采用k-1次多项式对窗口内的数据进行拟合，x_i可以用多项式进行拟合：

参数m，k的确定评价指标包括可决系数R²或Nash-Sutcliffe效率系数(NSE)，其中，可决系数R²计算公式如下：

Nash-Sutcliffe效率系数(NSE)计算公式如下：

式中，y_i是观测值、

是观测值的均值、

为拟合值、

为拟合值；

R²或NSE值越高，表示参数m，k的值越可靠。本实施例中参数最终值为45、10，R²和NSE值分别为0.99、0.99。

S22、对流量数据进行波峰波谷标记，并记录波峰流量及波峰时刻，波谷流量及波谷时刻，按照如下公式判断波峰流量及波峰时刻：

q’_t-1＜q’_t且q’_t＞q’_t+1

式中q’为平滑流量，q’_t-1,q’_t,q’_t+1为第t-1,t,t+1时刻平滑流量，t时刻即为波峰时刻，该时刻对应的原流量则为波峰流量；

按照如下公式判断波谷流量及波谷时刻：

q’_t-1＞q’_t且q’_t＜q’_t+1

t时刻即为波谷时刻，该时刻对应的原流量则为波谷流量。

S23、按时间顺序记录并编码波峰时刻及其对应的波峰流量，波谷时刻及其对应的波谷流量。

S3、降雨场次自动分割，设置雨强阈值和降雨间歇时间阈值，识别降雨开始和结束时间，计算场次累积降雨量。步骤S3包括以下步骤：

S31、时段降雨数据填充处理，将无降雨时刻填充为0mm降雨量。

S32、场次降雨开始和结束时间识别：设置时段降雨阈值参数P_min和降雨最大间歇时间阈值参数T_stop，当时段降雨连续T_stop时间小于P_min值时，则鉴别为两场降雨，连续降雨小于P_min值时间不足T_stop值时鉴别为一场降雨，计算公式如下：

diff＝t_i-t_i-1

式中t为降雨大于P_min的时刻，t_i和t_i-1表示该时刻和上一个相邻时刻，当diff大于T_stop时，则t_i-1为上一场降雨的结束时刻，t_i为该场降雨的开始时刻。

S33、统计场次累积降雨量，一场次降雨开始时刻直至降雨结束时刻内的降雨求和，包含开始时刻和结束时刻降雨，计算公式如下：

P_sum＝∑p_t

式中p_t为同一场次时段降雨。

S34、记录每一场次降雨开始时间、结束时间、累积降雨量，并按时间顺序进行编码P_n，p_n ^strt、p_n ^endt、p_n ^sum分别表示为第n场次降雨及其对应的开始时间、结束时间、累积降雨量。

S4、降雨径流场次自动分割，设置时间窗口阈值，根据降雨开始结束时间识别相应场次洪水开始结束时间。所述步骤S4包括以下步骤：

S41、设定时间阈值参数T_pro，对于自然流域，当场次降雨开始时间之后的T_pro时间内存在流量波谷，则取最后一个流量波谷作为该场次降雨对应的洪水开始时间；对于有水利工程流域或有外在影响因素流域，若当部分场次降雨开始时间之后的T_pro时间不存在流量波谷，则取降雨开始时间之前最近的波谷时间作为洪水开始时间。

在本实施例中，有水库影响集水区域，当场次降雨开始时间之后的T_pro时间内存在流量波谷，则取最后一个流量波谷作为该场次降雨对应的洪水开始时间，若当部分场次降雨开始时间之后的T_pro时间不存在流量波谷，则取降雨开始时间之前最近的波谷时间作为洪水开始时间。

S42、设定时间阈值参数T_bre，降雨结束时间往后推T_bre时间之后的第一个流量波谷为该场次降雨对应的洪水结束时间，洪水开始时间和结束时间之间的流量过程则认为是该场次降雨对应的流量变化过程，场次降雨和其对应的场次洪水视为一场次降雨径流过程。

S43、计算一场次降雨径流过程中流量最大涨幅，即流量最大值减去洪水开始时间对应的流量值，计算公式输入：

式中

为一场次降雨径流中的最大值，

为一场次降雨径流的起始流量。

S44、记录每一场次降雨径流过程的降雨开始时间p_n ^strt、降雨结束时间p_n ^endt、累积降雨量p_n ^sum，洪水开始时间Q_i ^strt及其流量Q_i ^str、洪水结束时间Q_i ^endt及其流量Q_i ^end、该时间段内的流量最大值Q_n ^max、流量最大涨幅Q_n ^up及所有的波峰Q_{n_i} ^peak、波谷Q_{n_i} ^valley。

S5、场次洪水洪峰数量识别，根据单场次洪水中波峰与波谷差值，鉴定洪峰数量。

单峰洪水识别：若一场次降雨径流过程中，只有一个波峰，则鉴别为单峰洪水。

双峰及以上洪水识别：若一场次降雨径流过程中，有多个波峰，设定比例阈值参数Q_diff，若有波谷与两侧相邻波峰差值分别占两侧波峰值的比例超过Q_diff时，即为多峰洪峰，否则，仍为单峰洪水。公式如下：

(Q_i-1 ^peak-Q_i ^valley)/Q_i-1 ^peak＞＝Q_diff且(Q_i+1 ^peak-Q_i ^valley)/Q_i+1 ^peak＞＝Q_diff

式中，Q_i ^valley为一场次降雨径流的波谷流量，Q_i-1 ^peak和Q_i+1 ^peak分别为两侧相邻的波峰流量，当满足上述关系时，记录为有效波谷。有效波谷个数为1时，为双峰洪水；有效波谷个数为2时，为三峰洪水；有效波谷个数为3时，为四峰洪水，以此类推。

S6、相关系数计算，计算累积降雨量p_n ^sum与流量最大涨幅Q_n ^up的相关系数。

优选的方案中，所述步骤S6中计算累积降雨量与流量最大涨幅的相关系数，采用线性相关或非线性相关方法，线性相关计算公式如下：

式中，r(X,Y)为两组相同个数X,Y数据的相关系数，Var[X]为X数据的方差，Var[Y]为Y数据的方差，Cov[X,Y]为X与Y的协方差；

非线性相关方法采用Spearman秩相关，公式如下：

式中，p_s为两组相同个数X,Y数据的Spearman秩相关系数,d_i为两组数据秩次之差，即x_i,y_i按大小排序的序号之差，n为数据的个数。

S7、参数寻优，寻优指标为步骤S6中计算的累积降雨量p_n ^sum与流量最大涨幅Q_n ^up的相关系数最大，且满足随着洪峰数量增多，相关系数降低。

所述步骤S7中，参数寻优方法包括网格搜索调优方法或投影寻踪寻优方法或其他方法。

所述网格搜索调优方法，通过在参数数组中进行穷举搜索，对每种情况进行训练，找到最优的参数。

在本实施例中，选用投影寻踪寻优方法，通过把高维数据投影到低维子空间上，寻找出能反映原高维数据的结构或特征的投影，达到研究分析高维数据的目的，包括如下步骤：

(1)样本数据归一化：

(2)线性投影:

从不同的角度去观察数据，寻找最能挖掘数据大的最有投影方向，随机抽取若干初始投影方向a(a₁,a₂,..,a_m)，计算其投影指标的大小，确定最大指标的投影的解为其最佳投影方向：

样本i在一维空间的投影方向为(a₁,a₂,..,a_m)上的投影特征值定义为：

(3)寻找目标函数：

定义目标函数为Q(a)，类间距离为s(a)，类内密度为d(a)，

Q(a)＝s(a)d(a)

类间距离用样本序列的投影特征值方差计算：

其中i＝1，2..n；

投影特征值间的距离为r_ik＝|z_i-z_k|(i,k＝1,2,..n)，于是，

其中的f(t)为以阶跃信号：

R为估计局部三电密度的窗宽参数，按宽度内至少包括一个散点的原则，其值与样本数据结构有关：

max(r_ik)＜R＜2m

i,k＝1,2,..n

(4)优化投影方向：

将寻找最有投影方向问题转化为下列优化问题：

max Q(a)＝s(a)d(a)

(5)综合评价聚类分析：

以z_i的差异水平对样本群进行聚类分析，根据最优投影方向，便可计算反应各评价指标综合信息的投影特征值z_i的差异水平，求出最优投影系数a＝a(a₁,a₂,..a_m)。最终时段降雨阈值参数P_min、降雨最大间歇时间阈值参数T_stop、时间阈值参数T_pro和T_bre、比例阈值参数Q_diff确定为0.2mm，15h，14h，10h，1/3。

S8、筛选符合要求的场次降雨径流过程。设置筛选指标和指标阈值，筛选指标选用累积降雨量或最大洪峰流量或洪水持续时间或流量最大涨幅。

在本实施例中，按降雨过程大小筛选符合要求的场次事件，累积降雨量设置最小阈值为5mm，筛选结果为8场次降雨径流过程，如表1所示，筛选结果展示如图3～6所示。

表1场次降雨径流分割结果统计表

Claims (10)

1.一种自适应分割时段场次降雨径流的方法，其特征在于,包括以下步骤：

S1、收集已知区域的连续降雨径流数据；

S2、波峰波谷自动计算和识别；

S3、降雨场次自动分割，设置雨强阈值和降雨间歇时间阈值，识别降雨开始和结束时间，计算场次累积降雨量；

S4、降雨径流场次自动分割，设置时间窗口阈值，根据降雨开始结束时间识别相应场次洪水开始结束时间；

S5、场次洪水洪峰数量识别，根据单场次洪水中波峰与波谷差值，鉴定洪峰数量；

S6、相关系数计算，计算场次降雨径流累积降雨量p_n ^sum与流量最大涨幅Q_n ^up的相关系数；

S7、参数寻优，寻优评价指标为步骤S6中累积降雨量p_n ^sum与流量最大涨幅Q_n ^up的相关系数最大，且满足随着洪峰数量增多，相关系数降低；

S8、筛选符合要求的场次降雨径流过程。

2.根据权利要求1所述的一种自适应分割时段场次降雨径流的方法，其特征在于,所述步骤S1包括以下步骤：

S11、收集已知区域包含需被划分且连续不间断的流量数据以及时间序列；

S12、获取S11步骤中对应集水区域的面降雨量以及时间序列，要求时间步长相同，且数据连续不间断，所需划分数据的前后设置缓冲期。

3.根据权利要求1所述的一种自适应分割时段场次降雨径流的方法，其特征在于,所述步骤S2包括以下步骤：

S21、锯齿特征明显的流量过程进行平滑处理，光滑的流量过程直接使用；

S22、对流量数据进行波峰波谷标记，并记录波峰流量及波峰时刻，波谷流量及波谷时刻，按照如下公式判断波峰流量及波峰时刻：

q’_t-1＜q’_t且q’_t＞q’_t+1

式中q’为平滑流量，q’_t-1,q’_t,q’_t+1为第t-1,t,t+1时刻平滑流量，t时刻即为波峰时刻，该时刻对应的原流量则为波峰流量；

按照如下公式判断波谷流量及波谷时刻：

q’_t-1＞q’_t且q’_t＜q’_t+1

t时刻即为波谷时刻，该时刻对应的原流量则为波谷流量；

S23、按时间顺序记录并编码波峰时刻及其对应的波峰流量，波谷时刻及其对应的波谷流量。

4.根据权利要求3所述的一种自适应分割时段场次降雨径流的方法，其特征在于，所述步骤S21中，平滑处理采用Savitzky-Golay滤波器，计算公式如下：

假设滤波器平滑窗口的宽度为n＝2m+1，各个测量数据X＝(x₁,x₂,.....,x_n)采用k-1次多项式对窗口内的数据进行拟合，x_i可以用多项式进行拟合：

参数m，k的确定评价指标包括可决系数R²或Nash-Sutcliffe效率系数(NSE)，R²或NSE越大，参数越优，其中，可决系数R²计算公式如下：

Nash-Sutcliffe效率系数(NSE)计算公式如下：

式中，y_i是观测值、

是观测值的均值、

为拟合值、

为拟合值。

5.根据权利要求1所述的一种自适应分割时段场次降雨径流的方法，其特征在于,所述步骤S3包括以下步骤：

S31、时段降雨数据填充处理，将无降雨时刻填充为0mm降雨量；

S32、场次降雨开始和结束时间识别：设置时段降雨阈值参数P_min和降雨最大间歇时间阈值参数T_stop，当时段降雨连续T_stop时间小于P_min值时，则鉴别为两场降雨，连续降雨小于P_min值时间不足T_stop值时鉴别为一场降雨，计算公式如下：

diff＝t_i-t_i-1

式中t为降雨大于P_min的时刻，t_i和t_i-1表示该时刻和上一个相邻时刻，当diff大于T_stop时，则t_i-1为上一场降雨的结束时刻，t_i为该场降雨的开始时刻；

S33、统计场次累积降雨量，一场次降雨开始时刻直至降雨结束时刻内的降雨求和，包含开始时刻和结束时刻降雨，计算公式如下：

P_sum＝∑p_t

式中p_t为同一场次时段降雨；

S34、记录每一场次降雨开始时间、结束时间、累积降雨量，并按时间顺序进行编码P_n，p_n ^strt、p_n ^endt、p_n ^sum分别表示为第n场次降雨及其对应的开始时间、结束时间、累积降雨量。

6.根据权利要求1所述的一种自适应分割时段场次降雨径流的方法，其特征在于,所述步骤S4包括以下步骤：

S41、设定时间阈值参数T_pro，对于自然流域，当场次降雨开始时间之后的T_pro时间内存在流量波谷，则取最后一个流量波谷作为该场次降雨对应的洪水开始时间；对于有水利工程流域或有外在影响因素流域，若当部分场次降雨开始时间之后的T_pro时间不存在流量波谷，则取降雨开始时间之前最近的波谷时间作为洪水开始时间；

S42、设定时间阈值参数T_bre，降雨结束时间往后推T_bre时间之后的第一个流量波谷为该场次降雨对应的洪水结束时间，洪水开始时间和结束时间之间的流量过程则认为是该场次降雨对应的流量变化过程，场次降雨和其对应的场次洪水视为一场次降雨径流过程；

S43、计算一场次降雨径流过程中流量最大涨幅，即流量最大值减去洪水开始时间对应的流量值，计算公式输入：

式中

为一场次降雨径流中的最大值，

为一场次降雨径流的起始流量；

S44、记录每一场次降雨径流过程的降雨开始时间p_n ^strt、降雨结束时间p_n ^endt、累积降雨量p_n ^sum，洪水开始时间Q_i ^strt及其流量Q_i ^str、洪水结束时间Q_i ^endt及其流量Q_i ^end、该时间段内的流量最大值Q_n ^max、流量最大涨幅Q_n ^up及所有的波峰Q_{n_i} ^peak、波谷Q_{n_i} ^valley。

7.根据权利要求1所述的一种自适应分割时段场次降雨径流的方法，其特征在于,所述步骤S5包括以下步骤：

S51、单峰洪水识别：若一场次降雨径流过程中，只有一个波峰，则鉴别为单峰洪水；

S52、双峰及以上洪水识别：若一场次降雨径流过程中，有多个波峰，设定比例阈值参数Q_diff，若有波谷与两侧相邻波峰差值分别占两侧波峰值的比例超过Q_diff时，即为多峰洪峰，否则，仍为单峰洪水，公式如下：

(Q_i-1 ^peak-Q_i ^valley)/Q_i-1 ^peak＞＝Q_diff且(Q_i+1 ^peak-Q_i ^valley)/Q_i+1 ^peak＞＝Q_diff

式中，Q_i ^valley为一场次降雨径流的波谷流量，Q_i-1 ^peak和Q_i+1 ^peak分别为两侧相邻的波峰流量，当满足上述关系时，记录为有效波谷，有效波谷个数为1时，为双峰洪水；有效波谷个数为2时，为三峰洪水；有效波谷个数为3时，为四峰洪水，以此类推。

8.根据权利要求1所述的一种自适应分割时段场次降雨径流的方法，其特征在于,所述步骤S6中计算累积降雨量与流量最大涨幅的相关系数，采用线性相关或非线性相关方法，线性相关计算公式如下：

式中，r(X,Y)为两组相同个数X,Y数据的相关系数，Var[X]为X数据的方差，Var[Y]为Y数据的方差，Cov[X,Y]为X与Y的协方差；

非线性相关方法采用Spearman秩相关，公式如下：

式中，p_s为两组相同个数X,Y数据的Spearman秩相关系数,d_i为两组数据秩次之差，即x_i,y_i按大小排序的序号之差，n为数据的个数。

9.根据权利要求1所述的一种自适应分割时段场次降雨径流的方法，其特征在于，所述步骤S7中，参数寻优方法包括网格搜索调优方法或投影寻踪寻优方法；

所述网格搜索调优方法，通过在参数数组中进行穷举搜索，对每种情况进行训练，找到最优的参数；

所述投影寻踪寻优方法，通过把高维数据投影到低维子空间上，寻找出能反映原高维数据的结构或特征的投影，达到研究分析高维数据的目的，包括如下步骤：

(1)样本数据归一化：

(2)线性投影:

从不同的角度去观察数据，寻找最能挖掘数据大的最有投影方向，随机抽取若干初始投影方向a(a₁,a₂,..,a_m)，计算其投影指标的大小，确定最大指标的投影的解为其最佳投影方向：

样本i在一维空间的投影方向为(a₁,a₂,..,a_m)上的投影特征值定义为：

(3)寻找目标函数：

定义目标函数为Q(a)，类间距离为s(a)，类内密度为d(a)，

Q(a)＝s(a)d(a)

类间距离用样本序列的投影特征值方差计算：

其中i＝1，2..n；

投影特征值间的距离为r_ik＝|z_i-z_k|(i,k＝1,2,..n)，于是，

其中的f(t)为以阶跃信号：

R为估计局部三电密度的窗宽参数，按宽度内至少包括一个散点的原则，其值与样本数据结构有关：

max(r_ik)＜R＜2m

i,k＝1,2,..n

(4)优化投影方向：

将寻找最有投影方向问题转化为下列优化问题：

max Q(a)＝s(a)d(a)

(5)综合评价聚类分析：

以z_i的差异水平对样本群进行聚类分析，根据最优投影方向，便可计算反应各评价指标综合信息的投影特征值z_i的差异水平，求出最优投影系数a＝a(a₁,a₂,..a_m)。

10.根据权利要求1所述的一种自适应分割时段场次降雨径流的方法，其特征在于,所述步骤S8中筛选符合要求的场次降雨径流过程，设置筛选指标和指标阈值，筛选指标选用累积降雨量或最大洪峰流量或洪水持续时间或流量最大涨幅。

Images