CN115080556B - 一种降雨监测异常数据检测及插补方法 - Google Patents

一种降雨监测异常数据检测及插补方法 Download PDF

Info

Publication number
CN115080556B
CN115080556B CN202211000512.9A CN202211000512A CN115080556B CN 115080556 B CN115080556 B CN 115080556B CN 202211000512 A CN202211000512 A CN 202211000512A CN 115080556 B CN115080556 B CN 115080556B
Authority
CN
China
Prior art keywords
rainfall
station
data
stations
site
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
CN202211000512.9A
Other languages
English (en)
Other versions
CN115080556A (zh
Inventor
刘业森
刘媛媛
陈�胜
李敏
臧文斌
刘舒
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.)
China Institute of Water Resources and Hydropower Research
Original Assignee
China Institute of Water Resources and Hydropower Research
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 China Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN202211000512.9A priority Critical patent/CN115080556B/zh
Publication of CN115080556A publication Critical patent/CN115080556A/zh
Application granted granted Critical
Publication of CN115080556B publication Critical patent/CN115080556B/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
    • G06F16/21—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
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Environmental Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Atmospheric Sciences (AREA)
  • Algebra (AREA)
  • Hydrology & Water Resources (AREA)
  • Software Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供一种降雨监测异常数据检测及插补方法，包括获取多年雨量站点监测数据，还包括以下步骤：绘制所有雨量站的泰森多边形；筛选数据不完整的站点；将雨量监测数据划分为多个降水场次；逐场次计算每个站点逐5min降雨过程与相邻站点逐5min降雨过程均值的皮尔逊相关系数r；采用反距离权重法对数据不完整站点和数据异常站点按照逐时段进行插补。本发明提出的一种降雨监测异常数据检测及插补方法，从多年监测数据中筛选出可用站点，并检测出这些可用站点中存在的异常数据，然后进行插补。

Description

一种降雨监测异常数据检测及插补方法
技术领域
本发明涉及降水监测的技术领域，特别是一种降雨监测异常数据检测及插补方法。
背景技术
受全球气候变化和人类活动等影响，极端降雨灾害频发，极易引发山洪、内涝、地质等直接灾害和链生灾害。灾害防治相关部门为提高降雨数据监测的针对性和及时性，在气象等权威部门共享数据的基础上，补充建设了大量的雨量站，如国土、水利、水文、城建等业务部门都各自规划建设了相当数量的雨量站。大部分雨量站在数据分辨率和精度方面较为可靠，但由于受设备质量、安装位置、周边环境等常规因素以及雷电、设备断电、通信中断等突发因素影响，产生了大量的异常数据，如某段时间数据中断、不合理的雨量极值、相邻站点数据不匹配等。气象、水文等专业监测部门都会对数据进行自动和人工校验，以保证数据准确，但一方面，并不是所有部门都经过此环节，另一方面，即使经过检验，也还存在如某场降雨中部分站点数据中断、时段雨量偏大等问题。
申请号为CN108920429A的发明专利申请公开了一种水位动态监测的异常数据分析方法，首先记录某水体某段长期时间内，以较短时间间隔记录水压数据，再换算成相对水深数据；先从中剔除明显异常数据，再计算相邻两个时刻的相对水深数据的增量形成增量序列，利用随机统计模型(如正态分布曲线)估计特定置信水平下增量序列中增量的置信区间，然后筛选出超出置信区间的异常增量，最后结合这些异常增量所处时刻的降雨、水温情况，分析判断这些异常增量是否可以被接受，从而完成异常数据的分析识别。该方法的缺点一是没有考虑站点监测数据与相邻站点监测数据的关系，二是只考虑相邻两个时刻的数据变化，没有利用多个时刻的变化关系。
发明内容
为了解决上述的技术问题，本发明提出的一种降雨监测异常数据检测及插补方法，从多年监测数据中筛选出可用站点，并检测出这些可用站点中存在的异常数据，然后进行插补。
本发明的目的是提供一种降雨监测异常数据检测及插补方法，包括获取多年雨量站点监测数据，还包括以下步骤：
步骤1：绘制所有雨量站的泰森多边形；
步骤2：筛选数据不完整的站点；
步骤3：将雨量监测数据划分为多个降水场次；
步骤4：逐场次计算每个站点逐5min降雨过程与相邻站点逐5min降雨过程均值的皮尔逊相关系数r；
步骤5：采用反距离权重法对数据不完整站点和数据异常站点按照逐时段进行插补。
优选的是，所述步骤1包括借助所述泰森多边形，确定每个雨量站的相邻站点。
在上述任一方案中优选的是，所述步骤2包括统计所有雨量站逐年总雨量，如果某个雨量站的年总雨量与相邻站点年总雨量的平均值的比值小于K 1或大于K 2，则认为该站点数据不完整,其中，K 1和K 2为常数。
在上述任一方案中优选的是，采用反距离权重法计算雨量站s的相邻站点在y年总 雨量的平均值
Figure DEST_PATH_IMAGE001
，公式为
Figure 176253DEST_PATH_IMAGE002
其中，P i,y 表示相邻的雨量站i在y年的总雨量，d s,i 表示雨量站s和雨量站i的距离，n为雨量站s的相邻雨量站的个数。
在上述任一方案中优选的是，所述降水场次的划分方法为当有站点降雨量超过初始降水阈值时，则认为降雨开始，如果后面连续4小时所有站点均未降雨，则认为降雨结束，从降雨开始到降雨结束算作一个完整的降雨场次。
在上述任一方案中优选的是，所述步骤4包括当某站某场次的相关系数r小于0.4时,则认为该站点在此场次中为数据异常站点，场次j中雨量站i的相关系数r i,j 的计算公式为
Figure DEST_PATH_IMAGE003
其中，m表示j场次的时段数，P i,t 表示雨量站i在t时段的雨量，
Figure 355561DEST_PATH_IMAGE004
表示j场次中站 点i的时段雨量的均值，A i,t 表示雨量站i的相邻站点在t时段的降雨量算数平均值，
Figure DEST_PATH_IMAGE005
表 示j场次中所有A i,t 的平均值，k表示j场次中的第k个时段。
在上述任一方案中优选的是，按照反距离权重法计算雨量站i的相邻站点在t时段的降雨量算数平均值A i,t ，计算公式为
Figure 817636DEST_PATH_IMAGE006
其中，P s,t 表示相邻的站点s在t时刻的雨量值。
在上述任一方案中优选的是，i站点在t时段的雨量值插值方法为
Figure DEST_PATH_IMAGE007
其中，表示待插值的站点i在t时刻的雨量值。
在上述任一方案中优选的是，所述步骤5包括逐个异常站点逐时刻计算完成后，即完成数据插补。
本发明提出了一种降雨监测异常数据检测及插补方法，创新性的以场次为单元，考虑异常站点与相邻站点的时序相关性，进行数据插补。插补得到的降雨分布数据与原始数据相比，更加平滑，符合实际降雨规律。
附图说明
图1为按照本发明的降雨监测异常数据检测及插补方法的一优选实施例的流程图。
图2为按照本发明的降雨监测异常数据检测及插补方法的另一优选实施例的流程图。
图3为按照本发明的降雨监测异常数据检测及插补方法的一优选实施例的雨量站s和相邻站示意图。
图4为按照本发明的降雨监测异常数据检测及插补方法的一优选实施例的插补前降雨分布情况示意图。
图5为按照本发明的降雨监测异常数据检测及插补方法的一优选实施例的插补后降雨分布情况示意图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
实施例一
如图1所示，一种降雨监测异常数据检测及插补方法，执行步骤100，获取多年雨量站点监测数据。
执行步骤110，绘制所有雨量站的泰森多边形，借助所述泰森多边形，确定每个雨量站的相邻站点。
执行步骤120，筛选数据不完整的站点，统计所有雨量站逐年总雨量，如果某个雨 量站的年总雨量与相邻站点年总雨量的平均值的比值小于K 1(在本实施例中，K 1=0.5)或大 于K 2 (在本实施例中，K 2=1.5)，则认为该站点数据不完整。采用反距离权重法计算雨量站s 的相邻站点在y年总雨量的平均值
Figure 867631DEST_PATH_IMAGE001
，公式为
Figure 920907DEST_PATH_IMAGE008
其中，P i,y 表示相邻的雨量站i在y年的总雨量，d s,i 表示雨量站s和雨量站i的距离，n为雨量站s的相邻雨量站的个数
执行步骤130，将雨量监测数据划分为多个降水场次。降水场次的划分方法为当有站点降雨量超过初始降水阈值时，则认为降雨开始，如果后面连续4小时所有站点均未降雨，则认为降雨结束，从降雨开始到降雨结束算作一个完整的降雨场次。
执行步骤140，逐场次计算每个站点逐5min降雨过程与相邻站点逐5min降雨过程均值的皮尔逊相关系数r。当某站某场次的相关系数r小于0.4时,则认为该站点在此场次中为数据异常站点，场次j中雨量站i的相关系数r i,j 的计算公式为
Figure 853091DEST_PATH_IMAGE003
其中，m表示j场次的时段数，P i,t 表示雨量站i在t时段的雨量，
Figure DEST_PATH_IMAGE009
表示j场次中站 点i的时段雨量的均值，A i,t 表示雨量站i的相邻站点在t时段的降雨量算数平均值，
Figure 118856DEST_PATH_IMAGE010
表 示j场次中所有A i,t 的平均值，k表示j场次中的第k个时段。
按照反距离权重法计算雨量站i的相邻站点在t时段的降雨量算数平均值A i,t ，计算公式为
Figure 85675DEST_PATH_IMAGE006
其中，P s,t 表示相邻的站点s在t时刻的雨量值
执行步骤150，采用反距离权重法对数据不完整站点和数据异常站点按照逐时段进行插补。
i站点在t时段的雨量值插值方法为
Figure 326163DEST_PATH_IMAGE007
其中，
Figure DEST_PATH_IMAGE011
表示待插值的站点i在t时刻的雨量值。
实施例二
本发明提出了一种降雨监测异常数据自动监测及插补方法，主要实现从多年监测数据中筛选出可用站点，并检测出这些可用站点中存在的异常数据，然后进行插补。逐个异常站点逐时刻计算完成后，即完成数据插补。
主要创新点包括：（1）计算某站某年的总降雨量与周边相邻几个站点的年总雨量的平均值的比值，如果小于0.5或大于1.5，则提出该扎站点；（2）以场次为单元，利用每个站降雨国车过与周边站平均降雨过程的相关系数，筛选出数据异常站点；（3）按反距离权重法，利用相邻站点逐时段的降雨数据插补得到数据异常站点逐时段的降雨数据。
主要步骤如图2所示，包括：
（1） 如图3所示，绘制所有雨量站的泰森多边形，借助泰森多边形，确定每个雨量站的相邻站点；
（2）筛选数据不完整的站点：统计所有雨量站逐年总雨量，如果某个雨量站的年总雨量与相邻站点年总雨量的平均值的比值小于0.5或大于1.5，则认为该站点数据不完整。雨量站s的相邻站点某年总雨量的平均值采用反距离权重法计算：
Figure 198173DEST_PATH_IMAGE012
(1)
式中，
Figure DEST_PATH_IMAGE013
表示雨量站s的相邻站点在y年的总雨量平均值，
Figure 18362DEST_PATH_IMAGE014
表示相邻的雨量站i 在y年的总雨量，
Figure 823375DEST_PATH_IMAGE015
表示雨量站s和雨量站i的距离，n为雨量站s的相邻雨量站的个数。
（3）将雨量监测数据划分为场次。当有站点降雨量超过0.5mm时，则认为降雨开始，如果后面连续4小时所有站点均未降雨，则认为降雨结束，从降雨开始到降雨结束算作一个完整的降雨场次。
（4）逐场次计算每个站点逐5min降雨过程与相邻站点逐5min降雨过程均值的皮尔逊相关系数r。如果某站某场次的相关系数r小于0.4,则认为该站点在此场次中为数据异常站点。场次j中雨量站i的相关系数计算见下式：
Figure 234765DEST_PATH_IMAGE016
(2)
式中，
Figure 141541DEST_PATH_IMAGE017
表示j场次雨量站i的相关系数，m表示j场次的时段数，
Figure DEST_PATH_IMAGE018
表示雨量站i在t时段的雨量，
Figure 686792DEST_PATH_IMAGE019
表示j场次中站点i的时段雨量的均值，
Figure 362624DEST_PATH_IMAGE020
表示雨量站i的相邻站点在t时 段的降雨量算数平均值，
Figure DEST_PATH_IMAGE021
表示j场次中所有的平均值。
其中，
Figure 663024DEST_PATH_IMAGE020
按照反距离权重法计算。计算方法为：
Figure 791517DEST_PATH_IMAGE022
(3)
式中，
Figure 733934DEST_PATH_IMAGE020
表示雨量站i的相邻站点在t时段的降雨量算数平均值，P s,t 表示相邻的 站点s在t时刻的雨量值，
Figure 264273DEST_PATH_IMAGE015
表示雨量站s和雨量站i的距离，n为相邻站点的个数。
（5）对数据不完整站点和数据异常站点，采用反距离权重法，按照逐时段进行插补。i站点在t时段的雨量值插值方法见下式：
Figure DEST_PATH_IMAGE023
(4)
式中，
Figure 220728DEST_PATH_IMAGE018
表示待插值的站点i在t时刻的雨量值（5min降雨量），
Figure 351363DEST_PATH_IMAGE024
表示相邻的站点s在t时刻的雨量值，
Figure 582625DEST_PATH_IMAGE015
表示雨量站s和雨量站i的距离，n为相邻站点的个数。
逐个异常站点逐时刻计算完成后，即完成数据插补。
如图4所示的是插补前降雨分布情况示意图，图中显示圆圈中间的站点明显为异常站点。
如图5所示的是插补后降雨分布情况示意图，图中显示插补后圆圈中间的点和周边站点无明显差别。
为了更好地理解本发明，以上结合本发明的具体实施例做了详细描述，但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改，均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims (4)

1.一种降雨监测异常数据检测及插补方法，包括获取多年雨量站点监测数据，还包括以下步骤：
步骤1：绘制所有雨量站的泰森多边形；
步骤2：筛选数据不完整的站点；统计所有雨量站逐年总雨量，如果某个雨量站的年总雨量与相邻站点年总雨量的平均值的比值小于K 1或大于K 2，则认为该站点数据不完整,其中，K 1和K 2为常数；
采用反距离权重法计算雨量站s的相邻站点在y年总雨量的平均值
Figure DEST_PATH_IMAGE002
，公式为
Figure DEST_PATH_IMAGE004
其中，P i,y 表示相邻的雨量站i在y年的总雨量，d s,i 表示雨量站s和雨量站i的距离，n为雨量站s的相邻雨量站的个数；
步骤3：将雨量监测数据划分为多个降水场次；
步骤4：逐场次计算每个站点逐5min降雨过程与相邻站点逐5min降雨过程均值的皮尔逊相关系数r；当某站某场次的相关系数r小于0.4时,则认为该站点在此场次中为数据异常站点，场次j中雨量站i的相关系数r i,j 的计算公式为
Figure DEST_PATH_IMAGE006
其中，m表示j场次的时段数，P i,t 表示雨量站i在t时段的雨量，
Figure DEST_PATH_IMAGE008
表示j场次中站点i的时段雨量的均值，A i,t 表示雨量站i的相邻站点在t时段的降雨量算数平均值，
Figure DEST_PATH_IMAGE010
表示j场次中所有A i,t 的平均值，k表示j场次中的第k个时段；
按照反距离权重法计算雨量站i的相邻站点在t时段的降雨量算数平均值A i,t ，计算公式为
Figure DEST_PATH_IMAGE012
其中，P s,t 表示相邻的站点s在t时刻的雨量值；
i站点在t时段的雨量值插值方法为
Figure DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE016
表示待插值的站点i在t时刻的雨量值；
步骤5：采用反距离权重法对数据不完整站点和数据异常站点按照逐时段进行插补。
2.如权利要求1所述的降雨监测异常数据检测及插补方法，其特征在于，所述步骤1包括借助所述泰森多边形，确定每个雨量站的相邻站点。
3.如权利要求2所述的降雨监测异常数据检测及插补方法，其特征在于，所述降水场次的划分方法为当有站点降雨量超过初始降水阈值时，则认为降雨开始，如果后面连续4小时所有站点均未降雨，则认为降雨结束，从降雨开始到降雨结束算作一个完整的降雨场次。
4.如权利要求3所述的降雨监测异常数据检测及插补方法，其特征在于，所述步骤5包括逐个异常站点逐时刻计算完成后，即完成数据插补。
CN202211000512.9A 2022-08-19 2022-08-19 一种降雨监测异常数据检测及插补方法 Active CN115080556B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211000512.9A CN115080556B (zh) 2022-08-19 2022-08-19 一种降雨监测异常数据检测及插补方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211000512.9A CN115080556B (zh) 2022-08-19 2022-08-19 一种降雨监测异常数据检测及插补方法

Publications (2)

Publication Number Publication Date
CN115080556A CN115080556A (zh) 2022-09-20
CN115080556B true CN115080556B (zh) 2022-11-22

Family

ID=83245444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211000512.9A Active CN115080556B (zh) 2022-08-19 2022-08-19 一种降雨监测异常数据检测及插补方法

Country Status (1)

Country Link
CN (1) CN115080556B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115980890B (zh) * 2023-03-17 2023-06-20 湖北省地质环境总站 一种基于时空要素的雨量站异常数据检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014006119A (ja) * 2012-06-22 2014-01-16 Toshiba Corp 降雨量算定装置、降雨量算定方法、およびプログラム
CN109840260A (zh) * 2019-02-02 2019-06-04 中国水利水电科学研究院 一种基于动态插补的大规模实时降雨自动观测站分级数据处理方法
CN110929956A (zh) * 2019-12-06 2020-03-27 中国水利水电科学研究院 一种基于机器学习的洪水预报方案实时优选方法
CN111582755A (zh) * 2020-05-20 2020-08-25 中国水利水电科学研究院 一种基于多维度集合信息山洪灾害综合风险动态评估方法
CN113779505A (zh) * 2021-09-09 2021-12-10 华能西藏雅鲁藏布江水电开发投资有限公司 一种复杂地形区域的降水数据空间插值方法及计算机存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014006119A (ja) * 2012-06-22 2014-01-16 Toshiba Corp 降雨量算定装置、降雨量算定方法、およびプログラム
CN109840260A (zh) * 2019-02-02 2019-06-04 中国水利水电科学研究院 一种基于动态插补的大规模实时降雨自动观测站分级数据处理方法
CN110929956A (zh) * 2019-12-06 2020-03-27 中国水利水电科学研究院 一种基于机器学习的洪水预报方案实时优选方法
CN111582755A (zh) * 2020-05-20 2020-08-25 中国水利水电科学研究院 一种基于多维度集合信息山洪灾害综合风险动态评估方法
CN113779505A (zh) * 2021-09-09 2021-12-10 华能西藏雅鲁藏布江水电开发投资有限公司 一种复杂地形区域的降水数据空间插值方法及计算机存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
降雨时空不确定性对城市河道洪水的影响;刘业森 等;《南水北调与水利科技》;20220430;第20卷(第2期);第317-324页 *

Also Published As

Publication number Publication date
CN115080556A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
Diodato Estimating RUSLE’s rainfall factor in the part of Italy with a Mediterranean rainfall regime
Zhang et al. SPI-based drought simulation and prediction using ARMA-GARCH model
Ekström et al. Robustness of hydroclimate metrics for climate change impact research
Felder et al. From global circulation to local flood loss: Coupling models across the scales
Paprotny et al. Pan-European hydrodynamic models and their ability to identify compound floods
Wetterhall et al. Using ensemble climate projections to assess probabilistic hydrological change in the Nordic region
Brown et al. Verification of temperature, precipitation, and streamflow forecasts from the NOAA/NWS Hydrologic Ensemble Forecast Service (HEFS): 1. Experimental design and forcing verification
Chen et al. Estimating instantaneous peak flow from mean daily flow
CN115080556B (zh) 一种降雨监测异常数据检测及插补方法
Queen et al. Ubiquitous increases in flood magnitude in the Columbia River basin under climate change
Dumitrescu et al. Spatio-temporal interpolation of sub-daily (6 h) precipitation over Romania for the period 1975-2010.
Groten et al. Monitoring the length of the growing season with NOAA
Yoon et al. Urban stream overflow probability in a changing climate: Case study of the Seoul Uicheon Basin, Korea
Green et al. Runoff storage potential of drained upland depressions on the Des Moines Lobe of Iowa
CN116756481B (zh) 基于时变增益模型和Copula的流域未来水文干旱概率分析方法
Cheng et al. Geostatistical interpolation of space–time rainfall on Tamshui River basin, Taiwan
CN115619045B (zh) 一种河口潮差预报方法和系统
KR101843008B1 (ko) 기후변화 시나리오를 활용한 홍수방재시설 투자결정 방법 및 시스템
CN113269376B (zh) 一种河流洪峰流量范围计算方法
Croley et al. Near real-time forecasting of large lake supplies
Flavell Design flood estimation in Western Australia
Massonnet et al. Assessment of summer 2018-2019 sea-ice forecasts for the Southern Ocean
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
Javadinejad Vulnerability of water resources to climate change and human impact: scenario analysis of the Zayandeh Rud river basin in Iran
Tuppad et al. NEXRAD Stage III precipitation local bias adjustment for streamflow prediction

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