CN115829163B - 基于多模式集成的长江中下游流域径流预测方法和系统 - Google Patents
基于多模式集成的长江中下游流域径流预测方法和系统 Download PDFInfo
- Publication number
- CN115829163B CN115829163B CN202310062385.3A CN202310062385A CN115829163B CN 115829163 B CN115829163 B CN 115829163B CN 202310062385 A CN202310062385 A CN 202310062385A CN 115829163 B CN115829163 B CN 115829163B
- Authority
- CN
- China
- Prior art keywords
- water collecting
- area
- data
- river
- river reach
- 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
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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多模式集成的长江中下游流域径流预测方法和系统,该方法包括将研究流域分成预定个类别的子流域;采集研究区域的水文气象数据,采集预定数量个降雨径流预测方法,构建降雨径流预测方法集合,建立每个降雨径流预测方法与集水区各个集水区每一时期的水文气象数据子集的可行关系,获得针对研究区域整体的若干组降雨径流预测方法组成的降雨径流预测方法集合;采用评估方法对降雨径流预测方法集合中的各个方法进行优选,获得优选集,通过优选集中的降雨径流预测方法对预定区域的径流进行预测。本发明能够提出了一种通用性更强,准确度更好的径流预测方法。
Description
技术领域
本发明涉及径流预测技术,尤其是一种基于多模式集成的长江中下游流域径流预测方法和系统。
背景技术
径流预测是一项非常重要的基础性技术,对于经济社会的发展具有重大意义,在防洪发电、农业生产、城市建设、防灾减灾等诸多方面具有非常重要的经济价值。由于环境变化、人类活动等因素的影响,径流过程的演变越来越复杂,径流演变出现了较为明显的非一致性和不确定性。同时,在全球气候持续变暖的情况下,精准的径流预测显得越发重要。
现有方法针对变化环境的径流模拟和径流预测时效果不佳,经常会引起同行的疑义。相关方法在不同场景下使用的一致性和可靠性,是目前的研究热点和难点。为此,技术人员研究了不少技术思路,主要是通过对多模式的集成前处理挑选合适的模型,然后进行预报,例如有的论文中提出同时进行前处理和后处理能从降低误差输入和控制误差输出两方面减小预报误差。但是目前的模式集成,主要集中于模式的组合,在特定场景下效果较好,但是鲁棒性比较弱,不具有通用性。
因此,需要研发新的技术方案。
发明内容
发明目的:一方面,提供一种基于多模式集成的长江中下游流域径流预测方法,以解决现有技术存在的技术问题。另一方面,提供一种实现上述方法的系统。
技术方案:基于多模式集成的长江中下游流域径流预测方法,包括如下步骤:
步骤S1、将研究流域分成预定个类别的子流域,提取每一子流域的分水岭和河段,基于分水岭将子流域分成N个集水区,查找各个河段之间以及河段与集水区之间的拓扑关系,形成研究区域所有河段与集水区的邻接关系矩阵;通过集水区构建研究区域的集水区集合;
步骤S2、采集研究区域的水文气象数据,按照时间划分为M个连续的时期,对应形成水文气象数据子集,建立水文气象数据与集水区的映射关系,将水文气象数据子集分割并对应到各个集水区,基于各个集水区每一时期的水文气象数据子集构建研究区域的水文气象数据集合;N、M为正整数;
步骤S3、采集预定数量个降雨径流预测方法,构建降雨径流预测方法集合,建立每个降雨径流预测方法与集水区各个集水区每一时期的水文气象数据子集的可行关系,获得针对研究区域整体的若干组降雨径流预测方法组成的降雨径流预测方法集合;
步骤S4、采用评估方法对降雨径流预测方法集合中的各个方法进行优选,获得优选集,通过优选集中的降雨径流预测方法对预定区域的径流进行预测。
根据本申请的一个方面,所述步骤S1进一步为:
步骤S11、按照预定的时间周期采集研究流域的卫星图并处理至预定的分辨率;构建神经网络图像处理模块,以各个时刻的卫星图作为输入,将研究流域按照水系分割成若干个子流域,并计算各个子流域的相似度,将相似度高于阈值的子流域放入第一集合,形成若干个类别的子流域;同时逐一计算每一子流域在不同周期性时刻的相似度,并将相似度低于阈值的子流域放入第二集合;
步骤S12、采用Arcgis模块或图像识别模块提取分水岭和河段,并基于分水岭和河段确定集水区的边界,形成相对封闭且不重叠的集水区,将获得的集水区概化成集水节点;基于所述集水区构建研究区域集水区集合;
步骤S13、基于河段之间的连通关系,建立河段之间的拓扑关系;查找形成集水区边界的河段,并建立集水区与河段之间的拓扑关系;建立研究区域所有河段与集水区、河段与河段之间的邻接关系矩阵;
步骤S14、计算各个集水区的流量和各个河段的流量并归一化,形成集水区域和河段的通量权重系数矩阵。
根据本申请的一个方面,所述步骤11中在计算各个子流域的相似度,将相似度高于阈值的子流域放入第一集合后,对第一集合中的子流域相似度进行检验,过程如下:
步骤S11a、针对子流域,采集该子流域对应的任意Q个时间段内的水文气象数据;形成第1、第2、…、第Q个顺次排列的水文气象数据;Q为大于等于2的正整数且相邻的时间段的间距大于预设值;
步骤S11b、调换水文气象数据,形成两组一一对应的水文气象数据对,其中第1个水文气象数据与第Q个水文气象数据对应,第2个水文气象数据与第Q-1个水文气象数据对应,第Q个水文气象数据与第1个水文气象数据对应;
步骤S11c、分别通过各组水文气象数据对率定预配置的水文模型参数,并检验参数的方差是否在预定范围内,若是,则将子流域放入第一集合。
根据本申请的一个方面,所述步骤S12进一步为:当采用Arcgis模块提取分水岭和河段时,包括如下过程:
步骤S12a、顺次读取各个子流域的数据,提取该子流域中的水流流向数据;
步骤S12b、基于水流流向和预配置的高程阈值提取洼地区域范围,以及分水岭数据;计算洼地的高程和深度,并进行栅格化处理;基于洼地区域范围之外的水流流向数据计算水流长度和流量,并栅格化,基于预配置的河流阈值参数,提取河段并将河段连接;
步骤S12c、读取分水岭和河段数据,先通过分水岭和河段组成若干组封闭的第一集水区,查找未封闭的区域,连接分水岭与河段的端点,形成若干个第二集水区;查找作为集水区边界的河段,并判断该河段是否作为两个或以上集水区的边界,若是,将标注为重叠河段;
步骤S12d、将获得的第一集水区和第二集水区概化为集水区节点,构建研究区域集水区集合。
根据本申请的一个方面,所述步骤S12进一步为:当采用图像识别模块提取分水岭和河段时,包括如下过程:
步骤S12i、顺次读取研究区域中各个集水区的数据,并进行预处理,保存为预定格式的含有高程信息的3D图像;
步骤S12ii、构建图像识别模块和训练样本集合,对图像识别模块进行训练;采用滑动窗口法在研究区域的3D图像上滑动,截取预定数量个窗口图像,并对窗口图像中的河段进行识别,获得窗口图像中的河段数据和分水岭数据;
步骤S12iii、逐一获取各个集水区对应的若干个窗口图像,将各个窗口图像获得的河段数据和分水岭数据分别叠加,形成该集水区的河段数据和分水岭;连接各个集水区的河段数据和分水岭数据,形成研究区域整体的河段数据和分水岭数据;
步骤S12iv、读取分水岭和河段数据,先通过分水岭和河段组成若干组封闭的第一集水区,查找未封闭的区域,连接分水岭与河段的端点,形成若干个第二集水区;查找作为集水区边界的河段,并判断该河段是否作为两个或以上集水区的边界,若是,将标注为重叠河段;
步骤S12v、将获得的第一集水区和第二集水区概化为集水区节点,构建研究区域集水区集合。
根据本申请的一个方面,所述步骤S2进一步为:
步骤S21、读取研究区域的预定时间内的水文气象数据,采用MK突变检测法查找水文气象数据的突变点,沿突变点所在的时刻分别向前和向后划分预定的时间距离,形成突变时段,通过突变时段将预定时间划分为B个连续的时期,对应形成水文气象数据子集;B为大于等于3的正整数;
步骤S22、逐一计算每个集水区与水文气象数据的映射关系,并通过MK突变检测法检验该集水区对应的水文气象数据是否存在突变点;
若不存在,将其标记为气候非突变集水区,并进入下一步;
若存在,判断集水区域是否处于第二集合,若是,将该集水区标记为突变集水区;
若否,将该集水区标记为气候变化集水区;
步骤S23、逐一查找该集水区下游的集水区是否为非突变集水区,若是将上游和下游的集水区连通成一个集水区,形成若干个突变集水区、气候变化集水区和非突变集水区组成的研究区域;
步骤S24、基于各个集水区每一时期的水文气象数据子集构建研究区域的水文气象数据集合,并构建突变集水区、气候变化集水区和非突变集水区与水文气象数据的映射关系集合。
根据本申请的一个方面,所述步骤S21在获得突变点后,还具有突变点核验过程:
步骤S21a、用预定长度的时间窗口在所述预定时间上滑动,获取突变点时刻前后各P个窗口时段;
步骤S21b、逐一针对突变点时刻前P个窗口时段中的每个窗口时段与突变点时刻后P个窗口时段中每个窗口时段的水文气象数据的时间序列相似度,将相似度大于阈值的水文气象数据标记为相似序列对;P为大于等于2的正整数;
步骤S21c、调换相似序列对的水文气象数据的时间顺序,重新计算时间序列,并判断是否存在突变点,若存在,标记为确定突变点。
根据本申请的一个方面,所述步骤S3进一步为:
步骤S31、构建径流预测过程并将其分成至少包括降雨预测和径流预测在内的若干个预测单元;针对每个预测单元采集降雨径流预测方法,构建降雨径流预测方法集合;
步骤S32、顺次选取集水区,针对该集水区的每一时期选择预测方法,构建每一集水区的各个时期的可行预测方法集合,进行验证性预测或按照准确度降序排列,将前C项作为优选预测方法;C为大于等于3的整数;
步骤S33、基于集水区的分组关系和拓扑关系,合并可行预测方法,形成针对研究区域整体的预测方法集合。
根据本申请的一个方面,还包括:步骤S34、构建备选模块,对可行预测方法集合中的第C+1至第C+Z项作为次优预测方法并纳入备选模块,Z为正整数。
根据本申请的另一个方面,提供一种基于多模式集成的长江中下游流域径流预测系统,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述任一项技术方案所述的基于多模式集成的长江中下游流域径流预测方法。
有益效果:本发明能提高预测的通用性和预测方法的构建效率,相关优点将通过实施例具体说明。
附图说明
图1是本发明的流程图。
图2是本发明的步骤S1的流程图。
图3是本发明的步骤S11的流程图。
图4是本发明的步骤S12的流程图。
图5是本发明的步骤S2的流程图。
图6是本发明的步骤S21的流程图。
图7是本发明的步骤S3的流程图。
具体实施方式
为了解决现有技术存在的上述问题,申请人进行了深入地研究,现有的多模式集成和集合预报主要分为前处理和后处理两种思路。在第一种思路中,主要是针对特定的场景,采用优选算法对模式进行优选,选择其中较好的几种模型,然后进行预测。在第二种思路中,主要是针对特定的场景选择适合的若干种可用的模型,然后对结合进行统计处理,修正单个结果的偏差,或者将结果融合处理后输出,例如采用算术平均或加权平均的方式对结果进行修正。采用模式集成的方法,比单一方法的计算准确率和稳定性要好。但是还存在一些问题,例如均是针对特定的某一流域,进行模式集成,在其他流域使用时,效果会变差,同时由于各个模式在动力框架、物理过程、分辨率、地形表征等方面都有差异,因此在融合的过程中,会存在系统误差,这些误差影响最后的预报结果。需要注意的是,在现有方法中,均是采用优选后的方法或集成方法对全过程进行预测。也就说现有集成方法中,系统性的偏差也是目前需要解决的问题。长江中下游地区是一个典型的流域,具有山区、平原和湖区,以及城市农村等多种形态,有的区域近年来植树造林多,有的区域城市化发展迅速,不同的区域面积相对较大,同时有不同的特点,如果采用现有方法一,在某些地区的预测可能更为准确,在另外一些地区预测存在较大偏差,采用现有方法二,也是在部分区域预测更为准确,在另外一些区域存在较大偏差。因此通过方法优选或者集成,可以将结合进行融合,获得相对较为准确的结果。
如图1所示,提供如下方法。即基于多模式集成的长江中下游流域径流预测方法,包括如下步骤:
步骤S1、将研究流域分成预定个类别的子流域,提取每一子流域的分水岭和河段,基于分水岭将子流域分成N个集水区,查找各个河段之间以及河段与集水区之间的拓扑关系,形成研究区域所有河段与集水区的邻接关系矩阵;通过集水区构建研究区域的集水区集合。
步骤S2、采集研究区域的水文气象数据,按照时间划分为M个连续的时期,对应形成水文气象数据子集,建立水文气象数据与集水区的映射关系,将水文气象数据子集分割并对应到各个集水区,基于各个集水区每一时期的水文气象数据子集构建研究区域的水文气象数据集合;N、M为正整数。
步骤S3、采集预定数量个降雨径流预测方法,构建降雨径流预测方法集合,建立每个降雨径流预测方法与集水区各个集水区每一时期的水文气象数据子集的可行关系,获得针对研究区域整体的若干组降雨径流预测方法组成的降雨径流预测方法集合。
步骤S4、采用评估方法对降雨径流预测方法集合中的各个方法进行优选,获得优选集,通过优选集中的降雨径流预测方法对预定区域的径流进行预测。
在该实施例中,首先通过将流域进行分类,分成子流域,然后每个子流域再分成若干个集水区,将一个面积大的流域分成若干个面积相对较小的集水区,然后查找集水区之间的物理层面的拓扑关系,即对流域进行切割和划分,避免不同子流域或集水区的下垫面、降雨分布等因素的不同,导致不同的方法在预测时的精度不同,为各个集水区寻找最优的预测方法提供基础。随后,在时间维度将水文气象数据分成若干个时期,并对应至各个集水区,换句话说,每个集水区对应若干个时期,假设具有a个集水区,每个集水区具有b个时期,则形成a×b个水文气象数据子集构成的水文气象数据集合。通过将水文气象数据在时间维度上进行划分,减少时间维度上因为水文气象数据变化和集水区物理环境变化造成系统参数发生变化,从而在不同的时间维度上采用不同的预测方法或模型,或者对同一预测方法或模型进行不同的率定,提高不同时期的预测精度。通过流域空间和水文数据时间两个层面的拆分后,针对a×b个水文气象数据子集,然后针对每一数据子集为之优选降雨径流预测方法,例如每个水文气象子集具有c个可行方法,则预测模型集合中共有a×b×c个可行方法构成的集合。需要注意的是,在有些实施例中,c在预测程序上可以分成多个步骤,每个步骤具有不同的方法,例如拆分成三个步骤,每个步骤分别具有i、j和k个方法时,那么c=i×j×k。具体将在下文的实施例中进行详细描述。在构建完成后,可行方法中的方法仍然较多,因此需要对可行方法进行优化和优选,从a×b×c个方法中优选出若干种组合效果较好的方法,用于径流预测,从而提高系统整体的预测精度,同时由于不同的方法对应不同的物理空间(子流域、集水区)和水文气象时间序列,因此不同的方法针对不同类型的集水区和水文气象时间序列具有更好的匹配性,在推广到其他流域时,该方法也能够针对不同特点的集水区和水文气象时间序列提供相对最优的组合式的预测方法,因此通用性更好。比如在现有技术中,具有m个第一类别的子流域和n个第二类别的子流域,同时每个子流域具有d个第一类别的水文气象时间序列和e个第二类别的水文气象时间序列,那么现有技术优化出的方法针对这一情况进行优选集成,获得了较好的效果。而在下一个研究流域中,m、n、d和e的数值发生了变化,研究流域的物理空间和时间序列等都发生了变化,现有技术针对上一个研究流域优化出来的方法已经不能够获得较好的效果了。而在本实施例中,针对不同类别的子流域和水文气象时间序列,给出不同的方案集合,对不同区域不同时间过程给出整体上最优的预测方法,因此能够快速准确地进行预测,通用性更好。
如图2所示,根据本申请的一个方面,所述步骤S1进一步为:
步骤S11、按照预定的时间周期采集研究流域的卫星图并处理至预定的分辨率;构建神经网络图像处理模块,以各个时刻的卫星图作为输入,将研究流域按照水系分割成若干个子流域,并计算各个子流域的相似度,将相似度高于阈值的子流域放入第一集合,形成若干个类别的子流域;同时逐一计算每一子流域在不同周期性时刻的相似度,并将相似度低于阈值的子流域放入第二集合;
步骤S12、采用Arcgis模块或图像识别模块提取分水岭和河段,并基于分水岭和河段确定集水区的边界,形成相对封闭且不重叠的集水区,将获得的集水区概化成集水节点;基于所述集水区构建研究区域集水区集合;
步骤S13、基于河段之间的连通关系,建立河段之间的拓扑关系;查找形成集水区边界的河段,并建立集水区与河段之间的拓扑关系;建立研究区域所有河段与集水区、河段与河段之间的邻接关系矩阵;
步骤S14、计算各个集水区的流量和各个河段的流量并归一化,形成集水区域和河段的通量权重系数矩阵。
在实际使用中发现,如果研究流域较大,将其分成子流域,然后再分成集水区的方式,存在集水区数量较多,可行方法较多,在方法优化时,较为消耗资源的特点,同时发现不同的集水区具有相似的特点,可以将集水区进行合并和归集,从而降低优化过程的计算量。在本实施例中,首先通过对卫星图进行预处理,形成预定格式的图片,然后采用神经网络图像处理模块对图像中的水系进行分割,并计算出各个子流域的相似度。其中相似度分为不同子流域之间的物理相似度,比如子流域H和子流域I之间的相似度,例如长江中游两个子流域之间的相似度,以及同一子流域在不同时期的相似度,比如子流域J在每年春夏秋冬或者其他周期性之间的相似度,比如1980年1月1日和2000年1月1日之间的相似度。通过不同子流域之间的物理相似度,可以将相似度较大的子流域或集水区(本实施例以子流域为例)进行合并计算,通过统一子流域在不同时期的相似度,可以判断该子流域的物理空间是否发生重大变化,例如植树造林或者城市建设导致物理空间发生重大变化,物理空间在某一时刻发生重大变化,则需要将水文气象数据分成若干个时期,在不同的时期对方法和模型进行不同的优选或者参数率定。在获得第一集合和第二集合后,再针对每个子流域拆分成集水区,然后概化集水区与集水区,集水区与河段,河段与河段之间的拓扑关系,形成降水至汇流全过程的物理层面的拓扑结构。同时为了区别集水区的不同水文气象特点,给出通量权重系数矩阵。例如有的集水区具有较大的流量,需要对其进行重点预测,提高该集水区的准确度有利于提高系统整体的准确度,因此对通过通量权重系数矩阵,可以将集水区的预测地位进行区分。需要说明的是,由于用于图像分割和相似度计算的神经网络构建和训练的过程可以采用现有技术实现,因此在此不再详述。在其他实施例中,也可以直接对集水区进行分割和相似度计算。
如图3所示,根据本申请的一个方面,所述步骤11中在计算各个子流域的相似度,将相似度高于阈值的子流域放入第一集合后,对第一集合中的子流域相似度进行检验,过程如下:
步骤S11a、针对子流域,采集该子流域对应的任意Q个时间段内的水文气象数据;形成第1、第2、…、第Q个顺次排列的水文气象数据;Q为大于等于2的正整数且相邻的时间段的间距大于预设值;
步骤S11b、调换水文气象数据,形成两组一一对应的水文气象数据对,其中第1个水文气象数据与第Q个水文气象数据对应,第2个水文气象数据与第Q-1个水文气象数据对应,第Q个水文气象数据与第1个水文气象数据对应;
步骤S11c、分别通过各组水文气象数据对率定预配置的水文模型参数,并检验参数的方差是否在预定范围内,若是,则将子流域放入第一集合。
在本实施例中,给出了子流域相似度的检验方法,在实验中发现,即使图像存在较大的相似度,物理空间也可能发生了变化,在降雨水文时间序列上存在突变点。为了减少此类现象,通过时间序列倒置的方式对其进行核验。具体如上所述,即首先针对某一子流域,获取时间上依序排列的第1个、第2个、第Q个水文气象序列。比如获取t0、t1、t2、t3和t4时期的水文气象数据,然后倒序,将t4时期的水文气象序列防止在t0时刻,以此类推,然后分别计算t0至t4时期的水文模型的参数。如果物理空间未发生重大变化,则水文模型的参数无论是采用t0还是t4时期,亦或者t4时期的水文气象数据在t0时期和t4时期,获得的水文模型的参数,或者通过相同水文模型的预测结果,其误差应当在可控范围内,如果率定的水文模型的参数或者同一水文模型的预测结果,具有较大的偏差,则说明物理空间发生了重要变化。因此,通过上述方法可以对子流域进行检验。需要说明的是上述实施例中是通过水文气象数据对模型参数进行率定,也可以通过同一预测模型对预测结果进行检验。在不同的实施例中,可以采用其他方法进行检验。
在提取分水岭和河段时,可以采用不同的技术方案实现,具体包括通过Arcgis模块或图像识别模块实现,具体如下。
如图4所示,根据本申请的一个方面,所述步骤S12进一步为:当采用Arcgis模块提取分水岭和河段时,包括如下过程:
步骤S12a、顺次读取各个子流域的数据,提取该子流域中的水流流向数据;
步骤S12b、基于水流流向和预配置的高程阈值提取洼地区域范围,以及分水岭数据;计算洼地的高程和深度,并进行栅格化处理;基于洼地区域范围之外的水流流向数据计算水流长度和流量,并栅格化,基于预配置的河流阈值参数,提取河段并将河段连接;
步骤S12c、读取分水岭和河段数据,先通过分水岭和河段组成若干组封闭的第一集水区,查找未封闭的区域,连接分水岭与河段的端点,形成若干个第二集水区;查找作为集水区边界的河段,并判断该河段是否作为两个或以上集水区的边界,若是,将标注为重叠河段;
步骤S12d、将获得的第一集水区和第二集水区概化为集水区节点,构建研究区域集水区集合。
在本实施例中,通过Arcgis模块的过程中,由于部分步骤可以采用现有技术实现,因此未做详细描述,需要注意的是,与现有技术不同之处在于,在河段提取并栅格化后,需要将河段进行标注,从而构建河段与河段,河段与集水区之间的拓扑关系,同时,根据根据是否能够组成封闭的集水区,将集水区划分为不同的类别。通过上述提取和概化处理,并形成拓扑关系,构建研究区域的集水区集合。在下一实施例中,上述过程采用图像识别模块实现,从而提高自动化水平和识别效率。
根据本申请的一个方面,所述步骤S12进一步为:当采用图像识别模块提取分水岭和河段时,包括如下过程:
步骤S12i、顺次读取研究区域中各个集水区的数据,并进行预处理,保存为预定格式的含有高程信息的3D图像;
步骤S12ii、构建图像识别模块和训练样本集合,对图像识别模块进行训练;采用滑动窗口法在研究区域的3D图像上滑动,截取预定数量个窗口图像,并对窗口图像中的河段进行识别,获得窗口图像中的河段数据和分水岭数据;
步骤S12iii、逐一获取各个集水区对应的若干个窗口图像,将各个窗口图像获得的河段数据和分水岭数据分别叠加,形成该集水区的河段数据和分水岭;连接各个集水区的河段数据和分水岭数据,形成研究区域整体的河段数据和分水岭数据;
步骤S12iv、读取分水岭和河段数据,先通过分水岭和河段组成若干组封闭的第一集水区,查找未封闭的区域,连接分水岭与河段的端点,形成若干个第二集水区;查找作为集水区边界的河段,并判断该河段是否作为两个或以上集水区的边界,若是,将标注为重叠河段;
步骤S12v、将获得的第一集水区和第二集水区概化为集水区节点,构建研究区域集水区集合。
在该实施例中,通过对图像的构建和识别,也可以获得集水区中河段和分水岭的数据,由于图像识别模块构建和训练过程可以采用现有技术实现,比如采用深度神经网络模型和多次分割算法对河流和分水岭进行提取。本实施例给出高程信息,便于图像识别模块的快速识别和分割,同事采用滑动窗口法,在一个集水区上形成多个窗口图像,然后对河段和分水岭进行多次甄别,更加准确。在本实施例中,可以采用输入层、卷积层、池化层、全连接层和输出层构建神经网络图像识别模块,卷积核可以设置为4×4。需要注意的是,通过神经网络图像识别模块获取的集水区图像,更便于图像的拼接和融合。
如图5所示,根据本申请的一个方面,所述步骤S2进一步为:
步骤S21、读取研究区域的预定时间内的水文气象数据,采用MK突变检测法查找水文气象数据的突变点,沿突变点所在的时刻分别向前和向后划分预定的时间距离,形成突变时段,通过突变时段将预定时间划分为B个连续的时期,对应形成水文气象数据子集;B为大于等于3的正整数;
步骤S22、逐一计算每个集水区与水文气象数据的映射关系,并通过MK突变检测法检验该集水区对应的水文气象数据是否存在突变点;
若不存在,将其标记为气候非突变集水区,并进入下一步;
若存在,判断集水区域是否处于第二集合,若是,将该集水区标记为突变集水区;
若否,将该集水区标记为气候变化集水区;
步骤S23、逐一查找该集水区下游的集水区是否为非突变集水区,若是将上游和下游的集水区连通成一个集水区,形成若干个突变集水区、气候变化集水区和非突变集水区组成的研究区域;
步骤S24、基于各个集水区每一时期的水文气象数据子集构建研究区域的水文气象数据集合,并构建突变集水区、气候变化集水区和非突变集水区与水文气象数据的映射关系集合。
由于气象水文数据发生变化,以及城市建设,水利建设等项目的影响,水文气象数据不仅在空间上的汇流关系参数发生变化,在时间序列上也发生变化。具体而言,如果某一区域的水文气象数据在时间上发生了变化,例如在1970-1985时间段内的分布,与1985-2000时间段内的分布不同,可以通过MK突变检测方法来初步判断研究区域的水文气象数据是否发生突变,通过该突变将分割预测时期。由于研究区域范围比较大,在研究区域中的部分集水区的水文气象数据可能未发生变化,因此再对每个集水区的水文气象数据进行MK突变检验(Manner-Kendall test,曼-肯德尔法)。然后基于检测结果对研究区域进行分区,实践上分为水文气象层面发生变化的区域、物理和水文层面都发生变化的区域、物理层面发生突变的区域和未发生突变的区域。由于物理层面发生变化,会导致汇流计算预测结果发生变化,因此将其归类至第二类中。
如图6所示,根据本申请的一个方面,所述步骤S21在获得突变点后,还具有突变点核验过程:
步骤S21a、用预定长度的时间窗口在所述预定时间上滑动,获取突变点时刻前后各P个窗口时段;
步骤S21b、逐一针对突变点时刻前P个窗口时段中的每个窗口时段与突变点时刻后P个窗口时段中每个窗口时段的水文气象数据的时间序列相似度,将相似度大于阈值的水文气象数据标记为相似序列对;P为大于等于2的正整数;
步骤S21c、调换相似序列对的水文气象数据的时间顺序,重新计算时间序列,并判断是否存在突变点,若存在,标记为确定突变点。
在本实施例中,为了进一步确定是否发生了突变,还需要对突变点进行核验,具体如上所述,通过选取不同时期的水文气象数据,然后对调,再次判断是否发生突变,如果数据序列发生突变,则对调后还将发生突变,从而确定该时间序列确实存在突变点,如果没有发生突变,则说明可能是数据存在问题或者预测过程中出现问题。
如图7所示,根据本申请的一个方面,所述步骤S3进一步为:
步骤S31、构建径流预测过程并将其分成至少包括降雨预测和径流预测在内的若干个预测单元;针对每个预测单元采集降雨径流预测方法,构建降雨径流预测方法集合。
步骤S32、顺次选取集水区,针对该集水区的每一时期选择预测方法,构建每一集水区的各个时期的可行预测方法集合,进行验证性预测或按照准确度降序排列,将前C项作为优选预测方法;C为大于等于3的整数。
在一些实施例中,需要说明的是,本步骤在验证性预测过程中,可以从水文数据中挖掘出水文噪声序列,并采用水文噪声对各个集水区各个时期的序列进行训练,通过神经网络扩散模型提取各个集水区及对应降雨水文系列的特征。通过噪声扩散的方式,对水文序列的特征进行提取,为后续在其他研究流域的处理提供基础。
步骤S33、基于集水区的分组关系和拓扑关系,合并可行预测方法,形成针对研究区域整体的预测方法集合。
在本实施例中,数据模式可以采用KMA、JMA、CMA等。气象模型可以采用:WRF (TheWeather Research and Forecasting Model,天气预报模式)、WRF-chem (WeatherResearch and Forecasting with Chemistry,区域气象-大气化学在线耦合模式)、WRF-Hydro (Weather Research and Forecasting with Hydrology,气候水文耦合)、WRF-DA(the Weather Research and Forecasting Model-Data Assimilation,资料同化)、WRF-SOLAR(the Weather Research and Forecasting model with solarextensions,太阳辐射预报模式)、PMF模型(大气颗粒物PMF源解析)、CMIP6 (Common Management InformationProtocol Phase 6,第六次国际耦合模式比较计划)、CLM (Community Land Model,陆面过程模型)、SMOKE(空气质量模型)、URBAN (城市化过程)、CAMx (Comprehensive AirQuality Model Extensions,综合空气质量模型扩展)、CMAQ ( CommunityMultiscale AirQuality Modeling System,社区多尺度空气质量建模系统 )、CMFDA (资料同化系统)、EKMA (Empirical Kinetics Modeling Approach,经验动力学建模方法)、OBM-MCM 箱模型(observation-based model-Master Chemical Mechanism,基于观测的模型和MCM箱模型)。径流模型可以采用: SHE模型(System Hydrological European)、TOPMODEL(aTopographybased hydrological Model,基于地形的水文模型)、SWAT模型(Soil andWater Assessment Tool,水土状况评估工具)、.SWRRB(Simulator for Water Resourcesin Rural Basins)、DHSVM(Distributed Hydrology Soil Vegetation Model,分布式水文土壤植被模型)VIC模型(VariableInfiltration Capacity,可变渗透能力)、WEP-L模型(Water and Energy transfer Process in Large river basins,大型河流流域水和能量转移过程)、GBHM(Geomorphology-Based Hydrological Model,基于地貌的水文模型)、DTVGM(Distributed Time Variant Gain Model,分布式时变增益水文模型)、DTVGM-WEAR(WaterEvaluation, Allocation and Regulation分布式水资源配置模型)、新安江模型、SWMM模型(storm water management model,暴雨洪水管理模型)、STORM模型(贮蓄—处理—径流模型)、HSPF模型(Hydrological Simulation Program Fortran,水文模拟模型)、TRRL模型(又称Webster配时法)、CSYJM模型(城市雨水径流模型)、UCURM模型(Universityof Cincinnati Urban Runoff Model,辛辛那提大学城市径流模型)、HSC产流模型 (HAND-based Storage Capacity curve)。
如果分成上述的过程,则具有相对较多的可行解,在构建方法的过程中,有的方法,例如有的气象模型与某一时期或某一集水区不匹配,某一径流模型与某一集水区或某一时期不匹配,因此在构建的过程中,首先确定可行解,排除不可行解。在获得可行解集合后,由于可行解数量比较多,因此通过优选的方式进行选择,获得相对最优的预测方法集合。由于每个预测过程具有i×j×k个方法,针对每个集水区的每个时期均具有上述预测过程。
需要说明的是,在上述方法优选过程中,需要对数据接口进行标准化,从而上一个预测方法的输出结果可以作为下一个方法的输入参数。在实际构建过程中,可以对数据接口进行统一的定义。其中采集数值模式的输入过程中,相关数据的降尺度、数据标准化处理,可以参考现有技术。换句话说,可以通过现有的降尺度和数据标准化方法对数据进行预处理。在后续的数据处理各个环节,可以通过对数据接口的标准化定义来实现。
根据本申请的一个方面,还包括:步骤S34、构建备选模块,对可行预测方法集合中的第C+1至第C+Z项作为次优预测方法并纳入备选模块。
根据本申请的另一个方面,还包括:步骤S35、通过神经网络模块提取集水区和水文气象数据的特点,形成集水区-水文气象数据-预测方法神经网络模块。在后续的研究流域的预测过程中,将集水区和水文气象数据输入预测方法神经网络模块,即可对不同的其他流域进行预测。换句话说,在针对该研究流域的径流预测过程中,可以针对不同子流域和不同时期的气象水文数据与预测方法形成的关系,通过神经网络模块训练和抽取不同子流域或集水区的特点,以及不同气象水文数据的特点,形成物理空间特征-降雨水文时间序列特征-预测模型方法特征的映射关系,通过关系抽取,形成针对每一类集水区和每一类水文时间序列的优选方法,从而形成更为通用的预测方法优选集合。在后续其他研究流域的预测过程中,或者在同一研究流域不同研究子流域或集水区的预测过程中,可以基于集水区和水文时间序列特征,通过神经网络自适应选择预测效果更好的预测方法。从而无需针对每个研究流域或集水区分别进行独立构建预测方法,因此通用性更好。
根据本申请的另一个方面,提供一种基于多模式集成的长江中下游流域径流预测系统,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述任一项技术方案所述的基于多模式集成的长江中下游流域径流预测方法。将上述方法构建成软件模块,然后配置在计算机或服务器中即可,由于相关方法为现有技术,因此在此不再详述。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
Claims (10)
1.基于多模式集成的长江中下游流域径流预测方法,其特征在于,包括如下步骤:
步骤S1、将研究流域分成预定个类别的子流域,提取每一子流域的分水岭和河段,基于分水岭将子流域分成N个集水区,查找各个河段之间以及河段与集水区之间的拓扑关系,形成研究区域所有河段与集水区的邻接关系矩阵;通过集水区构建研究区域的集水区集合;
步骤S2、采集研究区域的水文气象数据,按照时间划分为M个连续的时期,对应形成水文气象数据子集,建立水文气象数据与集水区的映射关系,将水文气象数据子集分割并对应到各个集水区,基于各个集水区每一时期的水文气象数据子集构建研究区域的水文气象数据集合;N、M为正整数;
步骤S3、采集预定数量个降雨径流预测方法,构建降雨径流预测方法集合,建立每个降雨径流预测方法与集水区各个集水区每一时期的水文气象数据子集的可行关系,获得针对研究区域整体的若干组降雨径流预测方法组成的降雨径流预测方法集合;
步骤S4、采用评估方法对降雨径流预测方法集合中的各个方法进行优选,获得优选集,通过优选集中的降雨径流预测方法对预定区域的径流进行预测。
2.如权利要求1所述的基于多模式集成的长江中下游流域径流预测方法,其特征在于,所述步骤S1进一步为:
步骤S11、按照预定的时间周期采集研究流域的卫星图并处理至预定的分辨率;构建神经网络图像处理模块,以各个时刻的卫星图作为输入,将研究流域按照水系分割成若干个子流域,并计算各个子流域的相似度,将相似度高于阈值的子流域放入第一集合,形成若干个类别的子流域;同时逐一计算每一子流域在不同周期性时刻的相似度,并将相似度低于阈值的子流域放入第二集合;
步骤S12、采用Arcgis模块或图像识别模块提取分水岭和河段,并基于分水岭和河段确定集水区的边界,形成相对封闭且不重叠的集水区,将获得的集水区概化成集水节点;基于所述集水区构建研究区域集水区集合;
步骤S13、基于河段之间的连通关系,建立河段之间的拓扑关系;查找形成集水区边界的河段,并建立集水区与河段之间的拓扑关系;建立研究区域所有河段与集水区、河段与河段之间的邻接关系矩阵;
步骤S14、计算各个集水区的流量和各个河段的流量并归一化,形成集水区域和河段的通量权重系数矩阵。
3.如权利要求2所述的基于多模式集成的长江中下游流域径流预测方法,其特征在于,所述步骤S11中在计算各个子流域的相似度,将相似度高于阈值的子流域放入第一集合后,对第一集合中的子流域相似度进行检验,过程如下:
步骤S11a、针对子流域,采集该子流域对应的任意Q个时间段内的水文气象数据;形成第1、第2、…、第Q个顺次排列的水文气象数据;Q为大于等于2的正整数且相邻的时间段的间距大于预设值;
步骤S11b、调换水文气象数据,形成两组一一对应的水文气象数据对,其中第1个水文气象数据与第Q个水文气象数据对应,第2个水文气象数据与第Q-1个水文气象数据对应,第Q个水文气象数据与第1个水文气象数据对应;
步骤S11c、分别通过各组水文气象数据对率定预配置的水文模型参数,并检验参数的方差是否在预定范围内,若是,则将子流域放入第一集合。
4.如权利要求2所述的基于多模式集成的长江中下游流域径流预测方法,其特征在于,所述步骤S12进一步为:当采用Arcgis模块提取分水岭和河段时,包括如下过程:
步骤S12a、顺次读取各个子流域的数据,提取该子流域中的水流流向数据;
步骤S12b、基于水流流向和预配置的高程阈值提取洼地区域范围,以及分水岭数据;计算洼地的高程和深度,并进行栅格化处理;基于洼地区域范围之外的水流流向数据计算水流长度和流量,并栅格化,基于预配置的河流阈值参数,提取河段并将河段连接;
步骤S12c、读取分水岭和河段数据,先通过分水岭和河段组成若干组封闭的第一集水区,查找未封闭的区域,连接分水岭与河段的端点,形成若干个第二集水区;查找作为集水区边界的河段,并判断该河段是否作为两个或以上集水区的边界,若是,将标注为重叠河段;
步骤S12d、将获得的第一集水区和第二集水区概化为集水区节点,构建研究区域集水区集合。
5.如权利要求2所述的基于多模式集成的长江中下游流域径流预测方法,其特征在于,所述步骤S12进一步为:当采用图像识别模块提取分水岭和河段时,包括如下过程:
步骤S12i、顺次读取研究区域中各个集水区的数据,并进行预处理,保存为预定格式的含有高程信息的3D图像;
步骤S12ii、构建图像识别模块和训练样本集合,对图像识别模块进行训练;采用滑动窗口法在研究区域的3D图像上滑动,截取预定数量个窗口图像,并对窗口图像中的河段进行识别,获得窗口图像中的河段数据和分水岭数据;
步骤S12iii、逐一获取各个集水区对应的若干个窗口图像,将各个窗口图像获得的河段数据和分水岭数据分别叠加,形成该集水区的河段数据和分水岭;连接各个集水区的河段数据和分水岭数据,形成研究区域整体的河段数据和分水岭数据;
步骤S12iv、读取分水岭和河段数据,先通过分水岭和河段组成若干组封闭的第一集水区,查找未封闭的区域,连接分水岭与河段的端点,形成若干个第二集水区;查找作为集水区边界的河段,并判断该河段是否作为两个或以上集水区的边界,若是,将标注为重叠河段;
步骤S12v、将获得的第一集水区和第二集水区概化为集水区节点,构建研究区域集水区集合。
6.如权利要求5所述的基于多模式集成的长江中下游流域径流预测方法,其特征在于,所述步骤S2进一步为:
步骤S21、读取研究区域的预定时间内的水文气象数据,采用MK突变检测法查找水文气象数据的突变点,沿突变点所在的时刻分别向前和向后划分预定的时间距离,形成突变时段,通过突变时段将预定时间划分为B个连续的时期,对应形成水文气象数据子集;B为大于等于3的正整数;
步骤S22、逐一计算每个集水区与水文气象数据的映射关系,并通过MK突变检测法检验该集水区对应的水文气象数据是否存在突变点;
若不存在,将其标记为气候非突变集水区,并进入下一步;
若存在,判断集水区域是否处于第二集合,若是,将该集水区标记为突变集水区;
若否,将该集水区标记为气候变化集水区;
步骤S23、逐一查找该集水区下游的集水区是否为非突变集水区,若是将上游和下游的集水区连通成一个集水区,形成若干个突变集水区、气候变化集水区和非突变集水区组成的研究区域;
步骤S24、基于各个集水区每一时期的水文气象数据子集构建研究区域的水文气象数据集合,并构建突变集水区、气候变化集水区和非突变集水区与水文气象数据的映射关系集合。
7.如权利要求6所述的基于多模式集成的长江中下游流域径流预测方法,其特征在于,所述步骤S21在获得突变点后,还具有突变点核验过程:
步骤S21a、用预定长度的时间窗口在所述预定时间上滑动,获取突变点时刻前后各P个窗口时段;
步骤S21b、逐一针对突变点时刻前P个窗口时段中的每个窗口时段与突变点时刻后P个窗口时段中每个窗口时段的水文气象数据的时间序列相似度,将相似度大于阈值的水文气象数据标记为相似序列对;P为大于等于2的正整数;
步骤S21c、调换相似序列对的水文气象数据的时间顺序,重新计算时间序列,并判断是否存在突变点,若存在,标记为确定突变点。
8.如权利要求7所述的基于多模式集成的长江中下游流域径流预测方法,其特征在于,所述步骤S3进一步为:
步骤S31、构建径流预测过程并将其分成至少包括降雨预测和径流预测在内的若干个预测单元;针对每个预测单元采集降雨径流预测方法,构建降雨径流预测方法集合;
步骤S32、顺次选取集水区,针对该集水区的每一时期选择预测方法,构建每一集水区的各个时期的可行预测方法集合,进行验证性预测或按照准确度降序排列,将前C项作为优选预测方法;C为大于等于3的整数;
步骤S33、基于集水区的分组关系和拓扑关系,合并可行预测方法,形成针对研究区域整体的预测方法集合。
9.如权利要求8所述的基于多模式集成的长江中下游流域径流预测方法,其特征在于,还包括:
步骤S34、构建备选模块,对可行预测方法集合中的第C+1至第C+Z项作为次优预测方法并纳入备选模块,Z为正整数。
10.一种基于多模式集成的长江中下游流域径流预测系统,其特征在于,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现权利要求1-9任一项所述的基于多模式集成的长江中下游流域径流预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310062385.3A CN115829163B (zh) | 2023-01-16 | 2023-01-16 | 基于多模式集成的长江中下游流域径流预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310062385.3A CN115829163B (zh) | 2023-01-16 | 2023-01-16 | 基于多模式集成的长江中下游流域径流预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115829163A CN115829163A (zh) | 2023-03-21 |
CN115829163B true CN115829163B (zh) | 2023-04-11 |
Family
ID=85520792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310062385.3A Active CN115829163B (zh) | 2023-01-16 | 2023-01-16 | 基于多模式集成的长江中下游流域径流预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115829163B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117010726B (zh) * | 2023-09-29 | 2023-12-08 | 水利部交通运输部国家能源局南京水利科学研究院 | 用于城市防洪的智慧预警方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470221A (zh) * | 2018-02-07 | 2018-08-31 | 中国水利水电科学研究院 | 流域径流的预测方法及装置 |
CN109325206A (zh) * | 2018-09-10 | 2019-02-12 | 柳创新 | 一种降雨径流模型参数优化方法 |
CN115408485A (zh) * | 2022-09-01 | 2022-11-29 | 中国科学院空天信息创新研究院 | 一种基于站点集水区小样本观测的径流重建方法和系统 |
-
2023
- 2023-01-16 CN CN202310062385.3A patent/CN115829163B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470221A (zh) * | 2018-02-07 | 2018-08-31 | 中国水利水电科学研究院 | 流域径流的预测方法及装置 |
CN109325206A (zh) * | 2018-09-10 | 2019-02-12 | 柳创新 | 一种降雨径流模型参数优化方法 |
CN115408485A (zh) * | 2022-09-01 | 2022-11-29 | 中国科学院空天信息创新研究院 | 一种基于站点集水区小样本观测的径流重建方法和系统 |
Non-Patent Citations (1)
Title |
---|
王峥."基于GIS的泾河流域特征信息提取分析和降水径流预测".《中国优秀硕士学位论文全文数据库 基础科学辑》.2013,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115829163A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | A physical process and machine learning combined hydrological model for daily streamflow simulations of large watersheds with limited observation data | |
CN108761574B (zh) | 基于多源信息融合的降雨量估算方法 | |
CN114254561B (zh) | 一种内涝预测方法、系统及存储介质 | |
Prasad et al. | Ensemble committee-based data intelligent approach for generating soil moisture forecasts with multivariate hydro-meteorological predictors | |
CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
CN111639787A (zh) | 一种基于图卷积网络的时空数据预测方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
Bai et al. | Daily runoff forecasting using a cascade long short-term memory model that considers different variables | |
Ahmed | Modelling spatio-temporal urban land cover growth dynamics using remote sensing and GIS techniques: A case study of Khulna City | |
Alizadeh et al. | Development of an entropy method for groundwater quality monitoring network design | |
Mehta et al. | Improving flood forecasting in Narmada river basin using hierarchical clustering and hydrological modelling | |
CN117648863B (zh) | 一种基于水系连通的特旱条件下区域供水能力获取方法 | |
CN115829163B (zh) | 基于多模式集成的长江中下游流域径流预测方法和系统 | |
CN115659853B (zh) | 一种非线性混合效应变系数降尺度方法和系统 | |
Budamala et al. | Enhance the prediction of complex hydrological models by pseudo-simulators | |
CN115129802A (zh) | 一种基于多源数据和集成学习的人口空间化方法 | |
Vafakhah et al. | Evaluating different machine learning algorithms for snow water equivalent prediction | |
CN113901348A (zh) | 一种基于数学模型的钉螺分布影响因素识别与预测方法 | |
Wei | Comparing single-and two-segment statistical models with a conceptual rainfall-runoff model for river streamflow prediction during typhoons | |
CN117233869A (zh) | 一种基于GRU-BiTCN的站点短期风速预测方法 | |
Abujayyab et al. | A new framework for geospatial site selection using artificial neural networks as decision rules: a case study on landfill sites | |
Momm et al. | Automated watershed subdivision for simulations using multi-objective optimization | |
CN115392128A (zh) | 一种利用时空卷积lstm网络模拟流域径流量的方法 | |
Mahmoudi et al. | Regionalization of rainfall intensity–duration–frequency (IDF) curves with L-moments method using neural gas networks | |
Lin et al. | A novel spatiotemporal statistical downscaling method for hourly rainfall |
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 |