CN115688022A - 一种基于最邻近算法的流域单位线实时优选方法 - Google Patents
一种基于最邻近算法的流域单位线实时优选方法 Download PDFInfo
- Publication number
- CN115688022A CN115688022A CN202211415073.8A CN202211415073A CN115688022A CN 115688022 A CN115688022 A CN 115688022A CN 202211415073 A CN202211415073 A CN 202211415073A CN 115688022 A CN115688022 A CN 115688022A
- Authority
- CN
- China
- Prior art keywords
- flood
- rainfall
- time
- drainage basin
- rain
- 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
-
- 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
- Sewage (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于最邻近算法的流域单位线实时优选方法,包括以下步骤:1)流域水文资料收集及处理;2)洪水场次划分;3)降雨场次划分及关联;4)净雨过程推求;5)流域场次暴雨质心推求;6)构建样本集合;7)基于最邻近算法选择样本;8)基于样本率定单位线。本发明提出的方法将流域暴雨洪水数据转换为训练样本,并基于实时降雨数据通过最邻近算法对样本进行优选,进一步通过优化算法对单位线进行优化率定,实现基于实时降雨数据推荐适宜的单位线,从而有效提高流域实时洪水预报精度。
Description
技术领域
本发明属于水利工程技术领域,尤其涉及洪水预报技术领域,具体为一种基于最邻近算法的流域单位线实时优选方法。
背景技术
洪水预报作为防洪非工程措施的重要组成部分,能够有效提高流域和区域的防灾减灾能力。目前全国共有1700多个国家基本水文站实现预报工作常态化,200多个大江大河大湖控制断面和700多个中型水库实现洪水预报日常化,全国水文系统汛期每天制作、发布重要江河湖库断面洪水预报5800余站次,实现了对七大江河干支流主要控制站、防洪重点地区、重点水库和蓄滞洪区以及中小河流进行不同预见期和精度的洪水预报。
在汇流预报中,单位线法是最常用的方法之一。单位线的概念由谢尔曼于1932年提出,即在给定的流域上,单位时段内均匀分布的单位净雨量,在流域出口断面形成的地面径流过程线,由于其分析定量主要是经验性的,故又称为经验单位线。纳希在1957年提出了瞬时单位线的概念,即无穷小时段内均匀分布的单位净雨在流域出口所形成的径流过程线,并给出了基于伽马函数分布的表征方式。
传统上,对单位线的计算和使用方式是:从流域暴雨洪水资料中挑选出流域面降雨相对均匀的一场雨洪过程,采用分析法、试错法等进行计算,得到本流域的单位线用于汇流计算。这种方式基于单位线的一个基本假定,即均匀分布净雨,但实际发生的历次降雨在强度、时程分布和中心位置方面均会有所变化,相同净雨时序过程条件下所形成的洪水过程也会不同,如雨强较大时或暴雨中心偏向下游时,单位线峰值较高,反之单位线较为平缓,因而单一单位线是无法充分代表流域汇流特征的。
发明内容
本发明的目的在于,克服以上技术缺陷,提出一种基于最邻近算法的流域单位线实时优选方法,以期解决单一单位线造成的预报精度降低的问题,能够有效提高流域实时洪水预报精度。
本发明的目的是通过以下技术方案实现的:
一种基于最邻近算法的流域单位线实时优选方法,包括以下步骤:
1)流域水文资料收集及处理:获得等时段流域点雨量、面雨量时间序列及等时段流域出口流量时间序列;
2)洪水场次划分:根据等时段流域出口流量时间序列划分洪水场次;
3)降雨场次划分及关联:根据步骤2)获得的场次洪水,基于等时段流域面雨量时间序列划分降雨场次,得到各场次洪水点雨量过程和面雨量过程,将场次降雨与场次洪水进行匹配关联;
4)净雨过程推求:采用初损后损法对产流过程的水量损失进行划分,获得各场次洪水的净雨过程;
5)流域场次暴雨质心推求:基于流域内各雨量站的投影坐标和场次降雨量,计算各场次暴雨洪水流域场次暴雨质心点坐标;具体步骤如下:
5-1获取各雨量站投影坐标,设流域内共有m个雨量站,其中第i个雨量站投影坐标为(lgtdi,lttdi);
5-2基于步骤3)中得到的各场次洪水点雨量过程,计算各场次洪水中各站点的总雨量,设步骤3)中共提取了n场洪水,其中第i个雨量站第j场洪水的总雨量为Ptij,则基于下式计算第j场洪水流域场次暴雨质心坐标(lgtdj,lttdj):
6)构建样本集合:样本集合包括流域各场次净雨过程、洪水过程、流域场次暴雨质心至流域出口距离、净雨总量、归一化的净雨累积曲线;
其中:净雨过程通过步骤4)中获得;洪水过程通过步骤2)中获得;
第j场洪水流域场次暴雨质心至流域出口距离Dj的计算方式为:
其中:(lgtdout,lttdout)为流域出口的投影坐标,(lgtdj,lttdj)为第j场洪水流域场次暴雨质心坐标,由步骤5)获得;
归一化的净雨累积曲线:第j场洪水归一化净雨累积曲线的计算方式为:
各场次洪水的净雨过程、洪水过程、流域场次暴雨质心至流域出口距离、净雨总量、归一化的净雨累积曲线整合作为样本集合;
7)基于最邻近算法选择样本:在洪水实时预报阶段,获取雨量站监测的实时降雨数据,将降雨数据输入产流模型(此处产流模型根据流域气候和下垫面特征选择适宜的模型,如蓄满产流或超渗产流模型等,不做具体要求)获得净雨过程;基于点雨量过程数据,采用步骤6)中流域场次暴雨质心至流域出口距离的计算方式计算实测(目标)流域场次暴雨质心至流域出口距离D目标;基于净雨过程数据,采用步骤6)中净雨总量及归一化的净雨累积曲线的计算方式,计算实测(目标)场次洪水的净雨总量和归一化净雨累积曲线并采用最邻近算法选择样本,具体步骤为:
7-1设样本集合中共有n场洪水,由1至n进行编号;
7-2分别计算样本集合中各场次洪水的流域场次暴雨质心至流域出口距离Dj与D目标间的差值V1 j,计算方式为:
V1 j=|Dj-D目标| (12)
7-5设置参数W1、W2和W3,分别代表为流域场次暴雨质心至流域出口距离、净雨总量以及归一化的净雨累积曲线三个要素设置的权重系数,W1+W2+W3=1;由于每个流域的自然物理特性不同,因此针对三个因子设置权重系数,针对目标流域,可以根据已有的资料试算,选择最适合本流域的系数;
其中,1≤j≤n;
7-7设置参数N,N代表选择的样本个数,1≤N≤n,由总秩次序列中选出秩次最小的N个样本的净雨过程和洪水过程,作为训练样本;
8)基于样本率定单位线:基于步骤7-7中选择的N个样本,采用优化算法优化率定出单位线,作为推荐单位线使用。
对于序列和其中Lj、L目标分别代表两个序列的长度,寻找一个扭曲路径W来表示两个序列间的映射关系W={w1,w2,...,wk,...,wK},max(Lj,L目标)≤K≤Lj+L目标-1,W的第k个元素记为wk=(p,q),表示序列的第p个元素与序列的第q个元素的对应关系,点(p,q)的累积距离计算公式为:γ(p,q)=d(p,q)+min{γ(p-1,q-1),γ(p-1,q),γ(p,q-1)},给定初始条件迭代计算得到累积距离矩阵,即为二者的DTW距离
进一步的,步骤8)中所述优化算法为元启发式算法;所述元启发式算法包括SCE-UA算法和蚁狮优化算法。步骤8)中采用经验单位线优化或瞬时单位线优化。
步骤8)中若采用瞬时单位线优化,则求解变量为S曲线求解公式中的nu、n调和K线,见下式:
式中,nu为单位线时段长,n调为流域调蓄能力参数,K线为线性水库的蓄泄系数,Γ代表伽马函数;u为单位线曲线函数;
将步骤7-7所选的样本中所有场次洪水的总剩余平方和最小作为目标函数,采用瞬时单位线优化无需添加约束条件。
本发明的有益效果:
本发明通过分类算法将流域单位线与前期降雨过程相关联,实现实时预报时对流域单位线的快速优选,解决单一单位线造成的预报精度降低的问题,能够有效提高流域实时洪水预报精度。
本发明为一种基于前期降雨情况分类推荐单位线的方法,利用分类算法和优化算法实现单位线的实时优化率定和推荐,能够基于实时降雨情况选择最优单位线,从而提高洪水预报的精度。
下面结合附图及具体实施方式对本发明作进一步详细说明。
附图说明
图1为本发明方法整体流程图;
图2为流域水系及站点分布图;
图3为泰森多边形划分示意图;
图4为各场次洪水暴雨质心分布图;
图5为各场次洪水归一化的净雨累积曲线图;
图6为目标场次洪水归一化的净雨累积曲线图;
图7为推荐单位线示意图;
图8为实测洪水过程与单位线模拟洪水过程对比图。
具体实施方式
一种基于最邻近算法的流域单位线实时优选方法,其整体流程如图1所示,包括以下步骤:
1)流域水文资料收集及处理:获得等时段流域点雨量、面雨量时间序列及流域出口流量时间序列;具体步骤为:
1-1采用线性内插法进行等时段处理,获得等时段流域出口流量时间序列数据;
1-2采用根据降雨量累积曲线插值进行等时段处理,获得等时段流域点雨量时间序列数据;
1-3采用泰森多边形法进行面雨量的计算,获得等时段流域面雨量时间序列,具体的计算方法为:对流域进行泰森多边形划分,根据站点对应的多边形面积占流域总面积的百分比计算雨量站的权重;设流域内共有m个雨量站,其中第i个雨量站对应的多边形面积为AREAi,对应的等时段降雨时间序列为{Pi1,Pi2,...,Pij,...Pil},则流域等时段面雨量时间序列{P1,P2,...,Pj,...,Pl}的计算方法如下式:
式中,i为雨量站索引,j为降雨时间序列的长度索引,m为流域内雨量站点个数,l为雨量时间序列的总长度,AREA为流域总面积。
2)洪水场次划分:根据流域出口流量时间序列划分洪水场次;具体包括如下步骤:
2-1划分流量序列中的基流序列和洪水序列,采用数字滤波法得到流量过程的基流序列,如下式所示:
式中,bt为时刻t的基流,Q′t为时刻t的流量,t-1为t的上一时刻,β为滤波系数;
通过调整滤波次数和滤波系数来控制滤波效果,获得基流序列后,利用下式分离洪水序列{Q1,Q2,...,Qt}:
Qt=Q′t-bt (3)
2-2对洪水序列进行平滑处理,消除噪声项和异常点的影响,平滑公式如下式所示:
2-3识别序列中的转折点:计算洪水序列的一阶差分序列{d1,d2,...,di,...,dt},根据一阶差分序列的正负变换判断序列转折点的位置,并对极大值与极小值加以区分,对于序列首尾处,若首尾值为极大值,则将其去掉;设定阈值Thmin,若首尾值小于序列均值除以阈值Thmin,则设定其为极小值,记录转折点序列及各值对应的峰(极大值)、谷(极小值)标记;
2-4识别洪水事件的开始、结束点:设定阈值Thslp,选定第一个极小值作为开始点并向后搜索另一极小值,依据转折点数组的一阶差分序列进行判断,寻找满足下式要求的极小值点Mink作为结束点;
Mink-Min1<Thslp·max(|d1|,|d2|,...,|dk|) (5)
2-5对上一步中提取的洪水事件进行筛选与处理:设置阈值Thpeak,对于一次独立的洪水事件,若峰值与序列起始点或结束点的差值小于阈值Thpeak,则认为本次洪水过程量级不足以纳入考虑范围;设定动态坡度阈值Thdy,对于一次独立的洪水事件,动态坡度为阈值Thdy与极差的乘积,依据动态坡度删除洪水事件前部与后部的平坦部分;设定时间阈值ThΔT,对于一次独立的洪水事件,如持续时间小于阈值ThΔT,则认为本次洪水过程不足以纳入考虑范围。
3)降雨场次划分及关联:根据步骤2)获得的场次洪水,基于等时段流域面雨量时间序列划分降雨场次,得到场次点雨量过程和面雨量过程,将场次降雨与场次洪水进行匹配关联;具体步骤如下:
3-1设定阈值ThS,基于流域面积确定ThS的值,如下式所示,以T1-ThS为开始时间,以洪水结束时刻T3为结束时间,初步提取降雨序列;
式中,F为流域面积,km2;阈值ThS为以洪水开始时刻T1为起点向前考虑降雨的最大时间范围,单位为h;
3-2对降雨开始时间进行检查,去除前部的无效降雨:首先去除降雨序列前端的零值,然后计算T1时刻前无雨间隔,若无雨间隔ΔT≥6h,则只考虑无雨间隔后的降雨时段,有效降雨开始时刻记为Ts;
3-3对降雨结束时间进行检查,去除后部的无效降雨:利用洪水序列的差分序列提取最后一个洪水峰值Qlastpeak,以0.3Qlastpeak为阈值,由洪水结束时刻T3向前搜索得到有效降雨结束时刻,记为T′e,最后一个有效降雨时刻记为Te;
3-4基于步骤3-2中得到的有效降雨开始时刻Ts和步骤3-3中得到的有效降雨结束时刻Te,分别截取点雨量时间序列和面雨量时间序列,获得点雨量场次降雨过程和面雨量场次降雨过程。
4)净雨过程推求:采用初损后损法对产流过程的水量损失进行划分,获得各场次洪水的净雨过程;具体步骤如下:
4-1构建水量平衡公式:
4-2进行产流过程初损后损划分,通过公式(8)试算获得平均后损率和产流开始、结束时间:
式中,T1为洪水起涨时刻;T2为产流结束时刻;
4-3计算净雨过程,利用洪水起涨时刻T1至产流结束时刻T2之间的降雨过程,扣除平均后损率即可获得净雨过程R′={R′1,R′2,...,R′L},其中其中T1≤t≤T2,Pt为t时刻降雨量,L=T2-T1+1代表净雨过程的长度。
5)流域场次暴雨质心推求:基于流域内各雨量站的投影坐标和场次降雨量,计算各场次暴雨洪水流域场次暴雨质心点坐标;具体步骤如下:
5-1获取各雨量站投影坐标,设流域内共有m个雨量站,其中第i个雨量站投影坐标为(lgtdi,lttdi);
5-2基于步骤3)中得到的各场次洪水点雨量过程,计算各场次洪水中各站点的总雨量,设步骤3)中共提取了n场洪水,其中第i个雨量站第j场洪水的总雨量为Ptij,则基于下式计算第j场洪水流域场次暴雨质心坐标(lgtdj,lttdj):
6)构建样本集合:样本集合包括流域各场次净雨过程、洪水过程、暴雨质心至流域出口距离、净雨总量、归一化的净雨累积曲线;具体步骤为:
6-1净雨过程为步骤4)中获得的净雨过程;
6-2洪水过程为步骤2)中获得的洪水过程;
6-3暴雨质心至流域出口距离:步骤5)中已得到各场次洪水暴雨质心点投影坐标,设流域出口的投影坐标为(lgtdout,lttdout),则第j场洪水暴雨质心至流域出口距离Dj的计算方式为:
式中Dj单位为m。
6-6将步骤6-1至6-5中获取的各场次洪水的净雨过程、洪水过程、暴雨质心至流域出口距离、净雨总量、归一化的净雨累积曲线整合作为样本集合。
7)基于最邻近算法选择样本:在洪水实时预报阶段,获取雨量站监测的实时降雨数据,将降雨数据输入产流模型获得净雨过程;基于点雨量过程数据,采用步骤5)和步骤6-3的方法计算实测流域场次暴雨质心至流域出口距离D目标,基于净雨过程数据,采用步骤6-4和6-5的方法计算实测场次洪水的净雨总量和归一化净雨累积曲线并采用最邻近算法选择样本,具体步骤为:
7-1设样本集合中共有n场洪水,由1至n进行编号;
7-2分别计算样本集合中各场次洪水的暴雨质心至流域出口距离Dj与D目标间的差值V1 j,计算方式为:
V1 j=|Dj-D目标| (12)
对于序列和其中Lj、L目标分别代表两个序列的长度,寻找一个扭曲路径W来表示两个序列间的映射关系W={w1,w2,...,wk,...,wK},max(Lj,L目标)≤K≤Lj+L目标-1,W的第k个元素记为wk=(p,q),表示序列的第p个元素与序列的第q个元素的对应关系,点(p,q)的累积距离计算公式为:γ(p,q)=d(p,q)+min{γ(p-1,q-1),γ(p-1,q),γ(p,q-1)},给定初始条件迭代计算得到累积距离矩阵,即为二者的DTW距离
7-5设置参数W1、W2和W3,分别代表为暴雨质心至流域出口距离、净雨总量以及归一化的净雨累积曲线三个要素设置的权重系数,W1+W2+W3=1;由于每个流域的自然物理特性不同,因此针对三个因子设置权重系数,针对目标流域,可以根据已有的资料试算,选择最适合本流域的参数;
7-7设置参数N,N代表选择的样本个数,由总秩次序列中选出秩次最小的N个样本的净雨过程和洪水过程,作为训练样本。
8)基于样本率定单位线:基于步骤7-7中选择的N个样本,采用优化算法优化率定出单位线,作为推荐单位线使用,对于优化算法不做具体要求,推荐使用SCE-UA算法和蚁狮优化算法等元启发式算法;具体步骤为:
8-1中若采用经验单位线优化,则求解变量为拟定单位线时长的数组,设步骤7-7选择的样本中第s场净雨过程为对应洪水过程为其中ms为净雨时段数,ns为洪水时段数,则此单位线时段数为nu,s=ns-ms+1;依此计算的单位线时段数在样本中各场次洪水间存在差异,取其中位数作为流域单位线的拟定时长,即:
nu=Median(nu,1,nu,2,...,nu,s,...,nu,N) (15)
式中,nu,s为第s场洪水推求的单位线时段数,N为可利用降雨洪水场次数,即样本个数;
将步骤7-7所选的样本中所有场次洪水的总剩余平方和最小作为目标函数,如下式所示:
添加水量约束、起止点约束、单调约束和退水速率约束四个约束条件;
式中,AREA为流域面积,km2;Δt为时段长,h;
Ux=0 x=1,nu (18)
D′x>0 x>arg max(D)+(nu-arg max(D))/3 (20)
8-2若采用瞬时单位线优化,则求解变量为S曲线求解公式中的nu、n调和K线,见下式:
式中,nu为单位线时段长,n调为流域调蓄能力参数,K线为线性水库的蓄泄系数,Γ代表伽马函数;u为单位线曲线函数。
将步骤7-7所选的样本中所有场次洪水的总剩余平方和最小作为目标函数,见公式(16),采用瞬时单位线优化无需添加约束条件。
实施例1
一种基于最邻近算法的流域单位线实时优选方法,包括以下步骤:
1)流域水文资料收集与处理
收集到某流域1981年至2015年降雨和流域出口流量时间序列,流域内包含四个雨量站,流域出口位置有控制性水文站,如图2所示。
对降雨、流量时间序列进行等时段处理,并利用泰森多边形法获得面雨量过程,泰森多边形如图3所示。
2)洪水场次划分及3)降雨场次划分及关联
对洪水场次进行划分,并与降雨场次进行关联,共得到32场暴雨洪水过程,以洪峰出现日期对洪水进行编号,见表1。
表1洪水场次列表
4)净雨过程推求
采用初损后损法对产流过程的水量损失进行划分,获得各场次洪水的净雨过程。
5)流域场次暴雨质心推求:
基于场次点降雨量和流域雨量站分布计算各场次洪水的流域场次暴雨质心位置,如图4所示。
6)构建样本集合
计算各场次洪水暴雨质心位置至流域出口距离、净雨总量以及归一化的净雨累积曲线,其中暴雨质心位置至流域出口距离、净雨总量见表2,归一化的净雨累积曲线见图5。净雨过程、洪水过程、暴雨质心位置至流域出口距离、净雨总量以及归一化的净雨累积曲线,共同组成样本集合。
表2暴雨质心位置至流域出口距离、净雨总量统计表
7)基于最邻近算法选择样本
对于目标场次洪水,计算其暴雨质心距离流域出口距离为15438.1m,净雨量为17mm,归一化的净雨累积曲线如图6所示。
设置参数W1=0.3,W2=0.3,W3=0.4,分别基于暴雨质心至流域出口距离、净雨量和归一化的净雨累积曲线计算秩次序列,并计算总秩次序列,如表3所示。
表3秩次序列表
设置参数N=3,即选择最接近的三个场次,由表3可见,编号为9、31和32的场次洪水秩次最小,选择作为训练样本。
8)基于样本率定单位线
基于编号9、31和32的场次洪水的净雨过程和洪水过程,利用SCE-UA算法优化率定瞬时单位线,计算得到单位线时段长nu,流域调蓄能力参数n调,线性水库的蓄泄系数K线,单位线如图7所示,利用此单位线计算的洪水过程和真实洪水过程如图8所示,可见此单位线的选择是非常适宜的。
上述的实施例仅是本发明的部分体现,并不能涵盖本发明的全部,在上述实施例以及附图的基础上,本领域技术人员在不付出创造性劳动的前提下可获得更多的实施方式,因此这些不付出创造性劳动的前提下获得的实施方式均应包含在本发明的保护范围内。
Claims (5)
1.一种基于最邻近算法的流域单位线实时优选方法,包括以下步骤:
1)流域水文资料收集及处理:获得等时段流域点雨量、面雨量时间序列及等时段流域出口流量时间序列;
2)洪水场次划分:根据等时段流域出口流量时间序列划分洪水场次;
3)降雨场次划分及关联:根据步骤2)获得的场次洪水,基于等时段流域面雨量时间序列划分降雨场次,得到各场次洪水点雨量过程和面雨量过程,将场次降雨与场次洪水进行匹配关联;
4)净雨过程推求:采用初损后损法对产流过程的水量损失进行划分,获得各场次洪水的净雨过程;
5)流域场次暴雨质心推求:基于流域内各雨量站的投影坐标和场次降雨量,计算各场次暴雨洪水流域场次暴雨质心点坐标;具体步骤如下:
5-1获取各雨量站投影坐标,设流域内共有m个雨量站,其中第i个雨量站投影坐标为(lgtdi,lttdi0;
5-2基于步骤3)中得到的各场次洪水点雨量过程,计算各场次洪水中各站点的总雨量,设步骤3)中共提取了n场洪水,其中第i个雨量站第j场洪水的总雨量为Ptij,则基于下式计算第j场洪水流域场次暴雨质心坐标(lgtdj,lttdj0:
6)构建样本集合:样本集合包括流域各场次洪水的净雨过程、洪水过程、流域场次暴雨质心至流域出口距离、净雨总量、归一化的净雨累积曲线;其中:净雨过程通过步骤4)中获得;洪水过程通过步骤2)中获得;第j场洪水流域场次暴雨质心至流域出口距离Dj的计算方式为:
其中:(lgtdout,lttdout0为流域出口的投影坐标,(lgtdj,lttdj0由步骤5)获得;
第j场洪水归一化净雨累积曲线的计算方式为:
7)基于最邻近算法选择样本:在洪水实时预报阶段,获取雨量站监测的实时降雨数据,将降雨数据输入产流模型获得净雨过程;基于点雨量过程数据,采用步骤6)中流域场次暴雨质心至流域出口距离的计算方式计算实测流域场次暴雨质心至流域出口距离D目标;基于净雨过程数据,采用步骤6)中净雨总量及归一化的净雨累积曲线的计算方式,计算实测场次洪水的净雨总量和归一化净雨累积曲线并采用最邻近算法选择样本,具体步骤为:
7-1设样本集合中共有n场洪水,由1至n进行编号;
7-2分别计算样本集合中各场次洪水的Dj与D目标间的差值V1 j,根据步骤7-1中的编号将V1 j组成序列{V1 1,V1 2,...,V1 n},并基于V1 j由小到大的规则对n场洪水进行排序,获得秩次序列
7-4分别计算样本集合中各场次洪水的与间的DTW距离V3 j,根据步骤7-1中的编号将V3 j组成序列{V3 1,V3 2,...,V3 n},并基于V3 j由小到大的规则对n场洪水进行排序,获得秩次序列
7-5设置参数W1、W2和W3,分别代表为流域场次暴雨质心至流域出口距离、净雨总量以及归一化的净雨累积曲线三个要素设置的权重系数,W1+W2+W3=1;
其中,1≤j≤n;
7-7设置参数N,N代表选择的样本个数,1≤N≤n,由总秩次序列中选出秩次最小的N个样本的净雨过程和洪水过程,作为训练样本;
8)基于样本率定单位线:基于步骤7-7中选择的N个样本,采用优化算法优化率定出单位线,作为推荐单位线使用。
2.根据权利要求1所述的基于最邻近算法的流域单位线实时优选方法,其特征在于:步骤7)的7-4中与间的DTW距离V3 j,计算方式为:对于序列和其中Lj、L目标分别代表两个序列的长度,寻找一个扭曲路径W来表示两个序列间的映射关系W={w1,w2,...,wk,...,wK},max(Lj,L目标)≤K≤Lj+L目标-1,W的第k个元素记为wk=(p,q),表示序列的第p个元素与序列的第q个元素的对应关系,点(p,q)的累积距离计算公式为:γ(p,q)=d(p,q)+min{γ(p-1,q-1),γ(p-1,q),γ(p,q-1)},给定初始条件迭代计算得到累积距离矩阵,即为与间的DTW距离V3 j。
3.根据权利要求1所述的基于最邻近算法的流域单位线实时优选方法,其特征在于:步骤8)中所述优化算法为元启发式算法;所述元启发式算法包括SCE-UA算法和蚁狮优化算法。
4.根据权利要求1所述的基于最邻近算法的流域单位线实时优选方法,其特征在于:步骤8)中采用经验单位线优化或瞬时单位线优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211415073.8A CN115688022B (zh) | 2022-11-11 | 2022-11-11 | 一种基于最邻近算法的流域单位线实时优选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211415073.8A CN115688022B (zh) | 2022-11-11 | 2022-11-11 | 一种基于最邻近算法的流域单位线实时优选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115688022A true CN115688022A (zh) | 2023-02-03 |
CN115688022B CN115688022B (zh) | 2023-05-26 |
Family
ID=85052988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211415073.8A Active CN115688022B (zh) | 2022-11-11 | 2022-11-11 | 一种基于最邻近算法的流域单位线实时优选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115688022B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522604A (zh) * | 2023-04-07 | 2023-08-01 | 中国水利水电科学研究院 | 一种历史场次暴雨洪水灾害场景移植方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190227194A1 (en) * | 2015-12-15 | 2019-07-25 | Wuhan University | System and method for forecasting floods |
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 |
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 |
CN111832810A (zh) * | 2020-06-23 | 2020-10-27 | 西安电子科技大学 | 洪水预报模型、信息处理方法、存储介质、计算机设备 |
CN114154417A (zh) * | 2021-12-06 | 2022-03-08 | 中国水利水电科学研究院 | 基于深度学习框架的洪水预报模型及洪水预报方法 |
CN114219252A (zh) * | 2021-12-06 | 2022-03-22 | 中国水利水电科学研究院 | 一种基于sce-ua算法的流域单位线分析方法 |
-
2022
- 2022-11-11 CN CN202211415073.8A patent/CN115688022B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190227194A1 (en) * | 2015-12-15 | 2019-07-25 | Wuhan University | System and method for forecasting floods |
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 |
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 |
CN111832810A (zh) * | 2020-06-23 | 2020-10-27 | 西安电子科技大学 | 洪水预报模型、信息处理方法、存储介质、计算机设备 |
CN114154417A (zh) * | 2021-12-06 | 2022-03-08 | 中国水利水电科学研究院 | 基于深度学习框架的洪水预报模型及洪水预报方法 |
CN114219252A (zh) * | 2021-12-06 | 2022-03-22 | 中国水利水电科学研究院 | 一种基于sce-ua算法的流域单位线分析方法 |
Non-Patent Citations (3)
Title |
---|
李琼 等: "基于将于强度及降雨中心的瞬时单位线参数综合优化" * |
王帆 等: "基于最邻近和元启发式算法的单位线实时优选" * |
金菊良 等: "《瞬时单位线的优化估计》" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522604A (zh) * | 2023-04-07 | 2023-08-01 | 中国水利水电科学研究院 | 一种历史场次暴雨洪水灾害场景移植方法 |
CN116522604B (zh) * | 2023-04-07 | 2023-12-26 | 中国水利水电科学研究院 | 一种历史场次暴雨洪水灾害场景移植方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115688022B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027763B (zh) | 一种基于机器学习的流域洪水响应相似性分析方法 | |
CN106971034B (zh) | 一种基于集合卡尔曼滤波的对无资料地区径流量推求方法 | |
CN106971013A (zh) | 山洪灾害小流域设计暴雨洪水计算方法 | |
CN107401140B (zh) | 支流尾闾河段造床流量的确定方法 | |
CN108018823B (zh) | 基于瞬时单位线的流域地下水平均响应时间估计方法 | |
CN113378484B (zh) | 一种基于机器学习的平原河网地区洪水过程预报方法 | |
CN111080107A (zh) | 一种基于时间序列聚类的流域洪水响应相似性分析方法 | |
CN114154417B (zh) | 基于深度学习框架的洪水预报模型及洪水预报方法 | |
CN115688022A (zh) | 一种基于最邻近算法的流域单位线实时优选方法 | |
CN115759459B (zh) | 一种雨水工情耦合的流域洪水流量集合概率智能预报方法 | |
CN114219252B (zh) | 一种基于sce-ua算法的流域单位线分析方法 | |
JP7366304B1 (ja) | 期間内の降雨流出回数の適応分割方法 | |
CN113095694B (zh) | 一种适用于多地貌类型区的降雨输沙模型构建方法 | |
CN112800379B (zh) | 一种modis遥感积雪信息的处理方法和装置 | |
CN112149314A (zh) | 一种基于虚拟库容修正的多沙水库库容冲淤模拟方法 | |
CN113762618A (zh) | 一种基于多因子相似分析的湖泊水位预报方法 | |
Awan | Coupling hydrological and irrigation schedule models for the management of surface and groundwater resources in Khorezm, Uzbekistan | |
CN112052635A (zh) | 一种应用于小流域设计洪水过程线的求解方法 | |
Aksoy et al. | Smoothed minima baseflow separation tool for perennial and intermittent streams | |
CN116305933A (zh) | 一种基于dem数据的坡面产汇流简易计算方法及装置 | |
JP4146053B2 (ja) | ダムまたは河川における流量予測方法 | |
CN111709147A (zh) | 一种基于水文失事机理的设计洪水地区组成计算方法 | |
CN117033888A (zh) | 一种基于分割基流的流域汇流单位线推求方法 | |
CN116776038A (zh) | 无泥沙资料山区河流输沙量计算方法 | |
CN115828757A (zh) | 一种流域水位预测的泄洪量滞后特征构造及选择方法 |
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 |