CN114996259A - 径流异常突变数据的处理方法及装置 - Google Patents
径流异常突变数据的处理方法及装置 Download PDFInfo
- Publication number
- CN114996259A CN114996259A CN202210919272.6A CN202210919272A CN114996259A CN 114996259 A CN114996259 A CN 114996259A CN 202210919272 A CN202210919272 A CN 202210919272A CN 114996259 A CN114996259 A CN 114996259A
- Authority
- CN
- China
- Prior art keywords
- runoff
- data
- mutation
- abnormal
- observation data
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Remote Sensing (AREA)
- Fuzzy Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及一种径流异常突变数据的处理方法及装置,包括:获取目标研究区域在预设历史时间段的径流观测数据,并将所述径流观测数据按时间排序得到第一径流观测数据序列;将所述第一径流观测数据序列进行一阶差分处理,得到第一一阶差分径流观测数据序列;基于预设的径流异常突变数据筛选条件,在所述第一一阶差分径流观测数据序列中确定径流异常突变数据;对所述径流异常突变数据进行修正处理,由此,通过设定突变点窗口阈值、一阶差分序列的差异倍数阈值来识别异常突变点,并利用线性插补法进行数据修正,实现对径流序列异常突变数据的高效精准识别与修正,提高径流异常突变数据的清洗质控效率。
Description
技术领域
本发明实施例涉及水文预报领域,尤其涉及一种径流异常突变数据的处理方法及装置。
背景技术
径流是指降雨及冰雪融水在重力作用下沿地表或地下流动的水流。径流数据的准确性关乎防汛抗旱以及水文预报的准确性,对水文模型参数的率定、场次洪水的挑选影响较大。因此,径流数据的质量不容忽视。随着大量历史径流数据的积累,对异常突变数据的清洗质控是当前面临的一个难题。
目前,对径流数据资料中的异常突变数据识别依赖于人工挑选,当径流序列数据量大时效率和精准度较低。
发明内容
鉴于此,为解决上述技术问题或部分技术问题,本发明实施例提供一种径流异常突变数据的处理方法及装置。
第一方面,本发明实施例提供一种径流异常突变数据的处理方法,包括:
获取目标研究区域在预设历史时间段的径流观测数据,并将所述径流观测数据按时间排序得到第一径流观测数据序列;
将所述第一径流观测数据序列进行一阶差分处理,得到第一一阶差分径流观测数据序列;
基于预设的径流异常突变数据筛选条件,在所述第一一阶差分径流观测数据序列中确定径流异常突变数据;
对所述径流异常突变数据进行修正处理。
在一个可能的实施方式中,所述方法还包括:
预先设置差异倍数阈值以及突变窗口阈值;
基于所述差异倍数阈值以及突变窗口阈值,在所述第一一阶差分径流观测数据序列中确定尖顶型突变数据。
在一个可能的实施方式中,所述方法还包括:
基于所述差异倍数阈值以及突变窗口阈值,在所述第一一阶差分径流观测数据序列中确定满足预设条件的突变点;
确定所述突变点的突变类型,基于所述突变类型对应的算法进行计算,得到尖顶型突变数据。
在一个可能的实施方式中,所述方法还包括:
将所述尖顶型突变数据标记为第一缺失数据;
采用线性插补方法对所述第一缺失数据进行修正,得到修正后的第二径流观测数据序列。
在一个可能的实施方式中,所述方法还包括:
将所述第二径流观测数据序列进行一阶差分处理,得到第二一阶差分径流观测数据序列;
基于差异倍数阈值以及突变窗口阈值,在所述第二一阶差分径流观测数据序列中确定平顶型突变数据。
在一个可能的实施方式中,所述方法还包括:
将所述平顶型突变数据标记为第二缺失数据;
采用线性插补方法对所述第二缺失数据进行修正,得到修正后的第三径流观测数据序列。
第二方面,本发明实施例提供一种径流异常突变数据的处理装置,包括:获取模块,用于获取目标研究区域在预设历史时间段的径流观测数据,并将所述径流观测数据按时间排序得到第一径流观测数据序列;
处理模块,用于将所述第一径流观测数据序列进行一阶差分处理,得到第一一阶差分径流观测数据序列;
确定模块,用于基于预设的径流异常突变数据筛选条件,在所述第一一阶差分径流观测数据序列中确定径流异常突变数据;
修正模块,用于对所述径流异常突变数据进行修正处理。
在一个可能的实施方式中,所述确定模块,还用于预先设置差异倍数阈值以及突变窗口阈值;基于所述差异倍数阈值以及突变窗口阈值,在所述第一一阶差分径流观测数据序列中确定尖顶型突变数据。
第三方面,本发明实施例提供一种计算机设备,包括:处理器和存储器,所述处理器用于执行所述存储器中存储的径流异常突变数据的处理程序,以实现上述第一方面中所述的径流异常突变数据的处理方法。
第四方面,本发明实施例提供一种存储介质,包括:所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述第一方面中所述的径流异常突变数据的处理方法。
本发明实施例提供的径流异常突变数据的处理方案,通过获取目标研究区域在预设历史时间段的径流观测数据,并将所述径流观测数据按时间排序得到第一径流观测数据序列;将所述第一径流观测数据序列进行一阶差分处理,得到第一一阶差分径流观测数据序列;基于预设的径流异常突变数据筛选条件,在所述第一一阶差分径流观测数据序列中确定径流异常突变数据;对所述径流异常突变数据进行修正处理,相比于现有技术中对径流数据资料中的异常突变数据识别依赖于人工挑选,当径流序列数据量大时效率和精准度较低的问题,由本方案,通过设定突变点窗口阈值、一阶差分序列的差异倍数阈值来识别异常突变点,并利用线性插补法进行数据修正,实现对径流序列异常突变数据的高效精准识别与修正,提高径流异常突变数据的清洗质控效率。
附图说明
图1为本发明实施例提供的一种径流异常突变数据的处理方法的流程示意图;
图2为本发明实施例提供的另一种径流异常突变数据的处理方法的流程示意图;
图3为本发明实施例提供的一种原始径流数据示意图;
图4为本发明实施例提供的一种第一次修正后的径流数据示意图;
图5为本发明实施例提供的一种第二次修正后的径流数据示意图;
图6为本发明实施例提供的一种径流异常突变数据的处理装置的结构示意图;
图7为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为便于对本发明实施例的理解,下面将结合附图以具体实施例做进一步的解释说明,实施例并不构成对本发明实施例的限定。
图1为本发明实施例提供的一种径流异常突变数据的处理方法的流程示意图,如图1所示,该方法具体包括:
S11、获取目标研究区域在预设历史时间段的径流观测数据,并将所述径流观测数据按时间排序得到第一径流观测数据序列。
S12、将所述第一径流观测数据序列进行一阶差分处理,得到第一一阶差分径流观测数据序列。
S13、基于预设的径流异常突变数据筛选条件,在所述第一一阶差分径流观测数据序列中确定径流异常突变数据。
本发明实施例中,可以预设径流异常突变数据的筛选条件,该筛选条件可以是设定突变点窗口阈值和一阶差分序列的差异倍数阈值,根据突变点窗口阈值和一阶差分序列的差异倍数阈值在第一一阶差分径流观测数据序列中确定径流异常突变数据,具体的筛选方法在图2对应的实施例中进行详细说明,在此先不详述。
S14、对所述径流异常突变数据进行修正处理。
最后,对径流异常突变数据进行修正处理,可以是多次修正,修正次数根据实际情况确定,本发明不做具体限定,最终得到修正后的径流数据。
本发明实施例提供的径流异常突变数据的处理方法,通过获取目标研究区域在预设历史时间段的径流观测数据,并将所述径流观测数据按时间排序得到第一径流观测数据序列;将所述第一径流观测数据序列进行一阶差分处理,得到第一一阶差分径流观测数据序列;基于预设的径流异常突变数据筛选条件,在所述第一一阶差分径流观测数据序列中确定径流异常突变数据;对所述径流异常突变数据进行修正处理,相比于现有技术中对径流数据资料中的异常突变数据识别依赖于人工挑选,当径流序列数据量大时效率和精准度较低的问题,由本方法,通过设定突变点窗口阈值、一阶差分序列的差异倍数阈值来识别异常突变点,并利用线性插补法进行数据修正,实现对径流序列异常突变数据的高效精准识别与修正,提高径流异常突变数据的清洗质控效率。
图2为本发明实施例提供的另一种径流异常突变数据的处理方法的流程示意图,如图2所示,该方法具体包括:
S21、预先设置差异倍数阈值以及突变窗口阈值。
本发明实施例中,可以预设径流异常突变数据的筛选条件,该筛选条件可以是设定突变点窗口阈值和一阶差分序列的差异倍数阈值,根据突变点窗口阈值和一阶差分序列的差异倍数阈值在第一一阶差分径流观测数据序列中确定径流异常突变数据。
S22、基于所述差异倍数阈值以及突变窗口阈值,在所述第一一阶差分径流观测数据序列中确定满足预设条件的突变点。
S23、确定所述突变点的突变类型,基于所述突变类型对应的算法进行计算,得到尖顶型突变数据。
具体的,利用一阶差分序列的差异倍数阈值以及突变窗口阈值确定尖顶型突变数据。可以设置突变点窗口阈值为WinSize,一阶差分序列的差异倍数阈值为FoldNum,将所有第一一阶差分径流观测数据序列的第三四分位数(75%分位数)记为,若满足公式1:
S24、将所述尖顶型突变数据标记为第一缺失数据。
S25、采用线性插补方法对所述第一缺失数据进行修正,得到修正后的第二径流观测数据序列。
S26、将所述第二径流观测数据序列进行一阶差分处理,得到第二一阶差分径流观测数据序列。
S27、基于差异倍数阈值以及突变窗口阈值,在所述第二一阶差分径流观测数据序列中确定平顶型突变数据。
S28、将所述平顶型突变数据标记为第二缺失数据。
S29、采用线性插补方法对所述第二缺失数据进行修正,得到修正后的第三径流观测数据序列。
将修正后径流序列中的平顶型突变数据标记为第二缺失数据,进行线性插补之后获得二次修正后的第三径流观测数据序列。
下面结合图3、图4、图5以具体实施例进行说明:
本发明实施例以收集到的某水文站点的实际径流数据为例进行效果展示,具体实施步骤如下:
步骤3:利用一阶差分序列的差异倍数阈值以及突变窗口阈值寻找尖顶型突变数据。设置突变点窗口阈值为WinSize=5,一阶差分序列的差异倍数阈值为FoldNum=150,获得尖顶型突变时间点的集合TopIndex={10167,10168,10169,10170,10171,10172,10173,10174,24866,24867,24868,24869,24870,24871,24872};
步骤6:利用一次修正后数据的一阶差分序列的差异倍数阈值以及突变窗口阈值寻找平顶型突变点,获得最终的平顶型突变点时间集合FlatIndex={9574,9585,24874,24881};
步骤7:将修正后径流序列中的平顶型突变数据设置为缺失数据,进行线性插补之后获得最终二次修正后的径流序列。标记以及为缺失数据,对的缺失数据进行线性插补,获得二次修正后的径流序列,如图5所示的第二次修正后的径流数据示意图。
本发明实施例提供的径流异常突变数据的处理方法,通过获取目标研究区域在预设历史时间段的径流观测数据,并将所述径流观测数据按时间排序得到第一径流观测数据序列;将所述第一径流观测数据序列进行一阶差分处理,得到第一一阶差分径流观测数据序列;基于预设的径流异常突变数据筛选条件,在所述第一一阶差分径流观测数据序列中确定径流异常突变数据;对所述径流异常突变数据进行修正处理,由本方法,通过设定突变点窗口阈值、一阶差分序列的差异倍数阈值来识别异常突变点,并利用线性插补法进行数据修正,实现对径流序列异常突变数据的高效精准识别与修正,提高径流异常突变数据的清洗质控效率。
图6示出了本发明实施例的一种径流异常突变数据的处理装置的结构示意图,如图6所示,该装置包括:
获取模块,用于获取目标研究区域在预设历史时间段的径流观测数据,并将所述径流观测数据按时间排序得到第一径流观测数据序列。详细说明参见上述方法实施例对应的相关描述,此处不再赘述。
处理模块,用于将所述第一径流观测数据序列进行一阶差分处理,得到第一一阶差分径流观测数据序列。详细说明参见上述方法实施例对应的相关描述,此处不再赘述。
确定模块,用于基于预设的径流异常突变数据筛选条件,在所述第一一阶差分径流观测数据序列中确定径流异常突变数据。详细说明参见上述方法实施例对应的相关描述,此处不再赘述。
修正模块,用于对所述径流异常突变数据进行修正处理。详细说明参见上述方法实施例对应的相关描述,此处不再赘述。
本发明实施例提供的径流异常突变数据的处理装置,用于执行上述实施例提供的径流异常突变数据的处理方法,其实现方式与原理相同,详细内容参见上述方法实施例的相关描述,不再赘述。
图7示出了本发明实施例的一种计算机设备,如图7所示,该计算机设备可以包括处理器901和存储器902,其中处理器901和存储器902可以通过总线或者其他方式连接,图7中以通过总线连接为例。
处理器901可以为中央处理器(Central Processing Unit,CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器902作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中所提供方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器902可以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、至少一个功能所需要的应用程序;存储数据区可存储处理器901所创建的数据等。此外,存储器902可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器902可选包括相对于处理器901远程设置的存储器,这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器902中,当被处理器901执行时,执行上述方法实施例中的方法。
上述计算机设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,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,的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-StateDrive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种径流异常突变数据的处理方法,其特征在于,包括:
获取目标研究区域在预设历史时间段的径流观测数据,并将所述径流观测数据按时间排序得到第一径流观测数据序列;
将所述第一径流观测数据序列进行一阶差分处理,得到第一一阶差分径流观测数据序列;
基于预设的径流异常突变数据筛选条件,在所述第一一阶差分径流观测数据序列中确定径流异常突变数据;
对所述径流异常突变数据进行修正处理。
2.根据权利要求1所述的方法,其特征在于,所述基于预设的径流异常突变数据筛选条件,在所述第一一阶差分径流观测数据序列中确定径流异常突变数据,包括:
预先设置差异倍数阈值以及突变窗口阈值;
基于所述差异倍数阈值以及突变窗口阈值,在所述第一一阶差分径流观测数据序列中确定尖顶型突变数据。
3.根据权利要求2所述的方法,其特征在于,所述基于所述差异倍数阈值以及突变窗口阈值,在所述第一一阶差分径流观测数据序列中确定尖顶型突变数据,包括:
基于所述差异倍数阈值以及突变窗口阈值,在所述第一一阶差分径流观测数据序列中确定满足预设条件的突变点;
确定所述突变点的突变类型,基于所述突变类型对应的算法进行计算,得到尖顶型突变数据。
4.根据权利要求3所述的方法,其特征在于,所述对所述径流异常突变数据进行修正处理,包括:
将所述尖顶型突变数据标记为第一缺失数据;
采用线性插补方法对所述第一缺失数据进行修正,得到修正后的第二径流观测数据序列。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
将所述第二径流观测数据序列进行一阶差分处理,得到第二一阶差分径流观测数据序列;
基于差异倍数阈值以及突变窗口阈值,在所述第二一阶差分径流观测数据序列中确定平顶型突变数据。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
将所述平顶型突变数据标记为第二缺失数据;
采用线性插补方法对所述第二缺失数据进行修正,得到修正后的第三径流观测数据序列。
7.一种径流异常突变数据的处理装置,其特征在于,包括:
获取模块,用于获取目标研究区域在预设历史时间段的径流观测数据,并将所述径流观测数据按时间排序得到第一径流观测数据序列;
处理模块,用于将所述第一径流观测数据序列进行一阶差分处理,得到第一一阶差分径流观测数据序列;
确定模块,用于基于预设的径流异常突变数据筛选条件,在所述第一一阶差分径流观测数据序列中确定径流异常突变数据;
修正模块,用于对所述径流异常突变数据进行修正处理。
8.根据权利要求7所述的径流异常突变数据的处理装置,其特征在于,
所述确定模块,还用于预先设置差异倍数阈值以及突变窗口阈值;基于所述差异倍数阈值以及突变窗口阈值,在所述第一一阶差分径流观测数据序列中确定尖顶型突变数据。
9.一种计算机设备,其特征在于,包括:处理器和存储器,所述处理器用于执行所述存储器中存储的径流异常突变数据的处理程序,以实现权利要求1~6中任一项所述的径流异常突变数据的处理方法。
10.一种存储介质,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1~6中任一项所述的径流异常突变数据的处理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210919272.6A CN114996259B (zh) | 2022-08-02 | 2022-08-02 | 径流异常突变数据的处理方法及装置 |
EP22207243.1A EP4318278A1 (en) | 2022-08-02 | 2022-11-14 | Method and apparatus for processing runoff abnormal abrupt-change data |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210919272.6A CN114996259B (zh) | 2022-08-02 | 2022-08-02 | 径流异常突变数据的处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114996259A true CN114996259A (zh) | 2022-09-02 |
CN114996259B CN114996259B (zh) | 2022-10-21 |
Family
ID=83021533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210919272.6A Active CN114996259B (zh) | 2022-08-02 | 2022-08-02 | 径流异常突变数据的处理方法及装置 |
Country Status (2)
Country | Link |
---|---|
EP (1) | EP4318278A1 (zh) |
CN (1) | CN114996259B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117010727A (zh) * | 2023-10-07 | 2023-11-07 | 长江水利委员会水文局 | 一种基于水平年的径流序列一致性改正方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106708694A (zh) * | 2015-11-18 | 2017-05-24 | 腾讯科技(深圳)有限公司 | 一种定位毛刺异常点的方法、装置及计算设备 |
CN113780657A (zh) * | 2021-09-10 | 2021-12-10 | 中国长江三峡集团有限公司 | 洪水事件识别方法、装置、计算机设备和存储介质 |
CN113869710A (zh) * | 2021-09-26 | 2021-12-31 | 华北电力大学 | 一种基于大规模气候异常的极端降水趋势分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112286924A (zh) * | 2020-11-20 | 2021-01-29 | 中国水利水电科学研究院 | 一种数据异常动态识别与多模式自匹配的数据清洗技术 |
-
2022
- 2022-08-02 CN CN202210919272.6A patent/CN114996259B/zh active Active
- 2022-11-14 EP EP22207243.1A patent/EP4318278A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106708694A (zh) * | 2015-11-18 | 2017-05-24 | 腾讯科技(深圳)有限公司 | 一种定位毛刺异常点的方法、装置及计算设备 |
CN113780657A (zh) * | 2021-09-10 | 2021-12-10 | 中国长江三峡集团有限公司 | 洪水事件识别方法、装置、计算机设备和存储介质 |
CN113869710A (zh) * | 2021-09-26 | 2021-12-31 | 华北电力大学 | 一种基于大规模气候异常的极端降水趋势分析方法 |
Non-Patent Citations (2)
Title |
---|
WANG H J等: "Recent changes in sediment delivery by the Huanghe (Yellow River) to the sea: Causes and environmental implications in its estuary", 《JOURNAL OF HYDROLOGY》 * |
刁文博: "变化环境对无定河流域水沙的影响", 《CNKI中国知网》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117010727A (zh) * | 2023-10-07 | 2023-11-07 | 长江水利委员会水文局 | 一种基于水平年的径流序列一致性改正方法 |
CN117010727B (zh) * | 2023-10-07 | 2024-01-02 | 长江水利委员会水文局 | 一种基于水平年的径流序列一致性改正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114996259B (zh) | 2022-10-21 |
EP4318278A1 (en) | 2024-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023284887A1 (zh) | 长期降水预测模型构建方法、长期降水预测方法及装置 | |
Adamson et al. | Declining inflows and more frequent droughts in the Murray–Darling Basin: climate change, impacts and adaptation | |
CN114996259B (zh) | 径流异常突变数据的处理方法及装置 | |
Modarres et al. | Modelling heteroscedasticty of streamflow times series | |
Basharin et al. | Projected precipitation and air temperature over Europe using a performance-based selection method of CMIP5 GCMs | |
Sonali et al. | Spatio-temporal variability of temperature and potential evapotranspiration over India | |
CN111080009B (zh) | 基于时间序列的数据预测及补全方法、装置、介质和设备 | |
WO2023246502A1 (zh) | 场次洪水识别方法、装置、电子设备及可读存储介质 | |
CN113780657B (zh) | 洪水事件识别方法、装置、计算机设备和存储介质 | |
Pathan et al. | Analyzing the impact of meteorological parameters on rainfall prediction | |
Lafferty et al. | Statistically bias-corrected and downscaled climate models underestimate the adverse effects of extreme heat on US maize yields | |
Zheng et al. | Projections of water futures for Australia: An update | |
Lange et al. | Nonlinear dynamics of river runoff elucidated by horizontal visibility graphs | |
CN110110339A (zh) | 一种日前水文预报误差校正方法及系统 | |
Naveau et al. | Modeling uncertainties in lichenometry studies | |
Rezaiy et al. | Drought forecasting using W-ARIMA model with standardized precipitation index | |
Zhang et al. | A new Xin'anjiang and Sacramento combined rainfall-runoff model and its application | |
Vergni et al. | Evaluating the uncertainty and reliability of standardized indices | |
CN116011687B (zh) | 一种基于Copula函数的洪水预报方法、系统及介质 | |
CN113962495A (zh) | 一种风电场功率预测方法、装置及电子设备 | |
CN115238779B (zh) | 一种云盘的异常检测方法、装置、设备及介质 | |
CN112445835B (zh) | 一种业务数据处理方法及装置、网管服务器、存储介质 | |
Weber et al. | Invited commentary: themes and issues from the workshop Operational river flow and water supply forecasting | |
刘敏 et al. | Response of lake water level of Honghu Lake to SPEI/SPI drought indices at different time scales | |
Vishwakarma et al. | Assessment of CMIP5 and CORDEX-SA experiments in representing multiscale temperature climatology over central India |
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 |