CN116010795A - 基于图像特征和深度学习的相似场次降雨模式库构建方法 - Google Patents
基于图像特征和深度学习的相似场次降雨模式库构建方法 Download PDFInfo
- Publication number
- CN116010795A CN116010795A CN202310261448.8A CN202310261448A CN116010795A CN 116010795 A CN116010795 A CN 116010795A CN 202310261448 A CN202310261448 A CN 202310261448A CN 116010795 A CN116010795 A CN 116010795A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- scene
- proc
- basin
- similarity
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000010276 construction Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 247
- 241000282461 Canis lupus Species 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 230000000739 chaotic effect Effects 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000000691 measurement method Methods 0.000 claims abstract description 8
- 238000001556 precipitation Methods 0.000 claims description 18
- 238000011160 research Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 238000005452 bending Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000007500 overflow downdraw method Methods 0.000 claims description 4
- 241000282421 Canidae Species 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 230000002688 persistence Effects 0.000 claims 1
- 238000010801 machine learning Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000035508 accumulation Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000006424 Flood reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- Image Analysis (AREA)
Abstract
本发明公开一种基于图像特征和深度学习的相似场次降雨模式库构建方法：采用滑动窗口对历史降雨图像数据集进行分割得到所有场次降雨过程；提取各场次降雨过程的降雨持续天数、场次降雨总量、各日降雨量分布、降雨空间分布以及降雨中心运动轨迹特征；并进行特征相似性度量，采用基于混沌映射的多族群灰狼优化算法对特征的相似性度量进行融合，得到场次降雨过程的最优特征融合相似性度量；采用该最优特征融合相似性度量，从场次降雨过程历史库中搜索相似场次降雨过程并进行描述和表达，以此构建相似降雨模式库。本发明解决现有技术方案中或因用时序数据难以表达场次降雨过程的时空特征信息、或因场次降雨过程特征表达及相似性度量方法不足等问题。
Description
技术领域
本发明涉及水文气象和图像处理技术，具体涉及一种基于图像特征和深度学习的相似场次降雨模式库构建方法。
背景技术
暴雨洪水演变过程中各阶段间的规律，通常在历史场次暴雨洪水资料中以时空相似性模式和关联规则等形式重复出现。暴雨洪水的时空相似性规律发现对未来暴雨洪水过程的预测及防洪决策具有十分重要的借鉴价值：一方面，经过多年的水文观测与不断积累，各级水文部门已经形成了大量丰富的一手水雨情历史资料，为时空相似模式和关联规则挖掘提供了坚实的数据支撑；另一方面，大数据分析能力和机器学习、深度学习技术的发展，为历史暴雨洪水过程分级归类、历史相似暴雨洪水过程挖掘等应用提供新的技术手段和算力支撑。
降雨是产生洪水的一个重大因素，在进行评估洪水风险的时候，降雨的相似性评价是一个重要依据。在降雨的相似性方面，也有一些研究，但是这些方法基本上是从降雨的时间序列数据出发，而且研究方法相对匮乏。
例如王雍君等[王雍君，朱继鹏.淮河中游降雨径流相似性分析[J].水土保持研究，2007,14 (4) :89-95.]以淮河流域为例，选取年降雨量、最大1d降雨量和最大7d降雨量3个降雨、径流指标，运用非平权距离系数法进行相似性分析；汤静静等[汤静静, 王文圣,万阳,等. 降雨相似性评价的集对分析法[J]. 成都工业学院学报, 2014, 17(2):65-68.]基于集对分析原理建立了降雨相似性评价方法-集对分析法；丁武等[丁武,马媛,杜诗蕾,李海辰,丁公博,王超.基于XGBoost算法的多元水文时间序列趋势相似性挖掘[J].计算机科学,2020,47(S2):459-463.]利用XGBOOST机器学习算法建立参照期与水文预见期之间各水文特征的相似度映射模型，从而在历史水文时间序列中匹配出与预见期水文趋势最相似的序列。
随着技术的发展，降雨的数据也不仅限于文本类型数据，已经出现了图像型数据，可以通过机器学习、深度学习技术来研究降雨量图的相似性，从而为洪水的预测提供新的方法。
例如专利CN111027763A公开一种基于机器学习的流域洪水响应相似性分析方法，专利CN111027764B公开一种基于机器学习的适用于径流资料缺乏流域的洪水预报方法，专利CN115271255A公开基于知识图谱和机器学习的雨洪相似性分析方法和系统。这三个现有技术均使用机器学习的方法对雨洪的相似性进行分析，这些方法或采用面向降雨时间序列数据进行相似降雨部分的研究，导致研究的数据集形式较为单一、研究方法相对传统；或因降雨图像的特征提取及相似性度量方法不足等问题，导致在时间和效率上都有一定欠缺。
发明内容
发明目的：本发明提供一种基于图像特征和深度学习的相似场次降雨模式库构建方法，结合颜色直方图、图像特征提取、相似性度量、主客观集成赋权、灰狼优化等算法，提出基于深度学习的相似场次降雨过程搜索方法，实现相似降雨过程的识别和搜索及模式库的构建，能够解决现有技术方案中或因用时序数据难以表达降雨过程的时空特征信息、或因降雨图像的特征表达及相似性度量方法不足等问题。
技术方案：本发明一种基于图像特征和深度学习的相似场次降雨模式库构建方法，包括以下步骤：
步骤S1、采集研究流域对应的历史时段降雨量图像数据，设置单日降雨总量阈值，采用滑动窗口技术对历史降雨图像数据集进行分割，得到研究时段内所有场次降雨过程；
步骤S2、分别定义场次降雨过程的降雨持续天数N、累积降雨量SP、降雨时间分布TD、降雨空间分布SD以及降雨中心运动轨迹C m 特征，并采用不同的算法提取场次降雨过程的上述特征并存入场次降雨过程特征数据库；
步骤S3、分别使用SIM N 、SIM SP 、SIM TD 、SIM SD 和SIM C 来表征不同场次降雨过程的降雨持续天数N、累积降雨量SP、降雨时间分布TD、降雨空间分布SD以及降雨中心运动轨迹C m 五个特征间的相似度，进而度量场次降雨特征间的相似性；
步骤S4、采用多指标加权融合方法对上述步骤S3中提取的降雨持续天数相似度SIM N 、累积降雨量相似度SIM SP 、日降雨量分布相似度SIM TD 、降雨空间分布相似度SIM SD 以及降雨中心运动轨迹相似度SIM C 进行融合，使用基于混沌Tent映射的多族群灰狼优化算法IGWO获得最优权重系数，得到多特征融合的场次降雨之间的相似性度量方法；具体过程如下：
步骤S4.1、将步骤S3中所得降雨持续天数相似度SIM N 、累积降雨量相似度SIM SP 、日降雨量分布相似度SIM TD 、降雨空间分布相似度SIM SD 、降雨中心运动轨迹相似度SIM C 进行多元特征融合，最终得到场次降雨之间的综合相似度SIM；
步骤S4.2、使用基于混沌Tent映射的多族群灰狼优化算法IGWO确定多元特征融合中的各特征指标的权重系数ω 1~ ω 5：首先从历史场次降雨数据中选取一部分作为样本集，剩余的部分作为对照集，通过使用IGWO动态调整权重系数，使得最终的搜索结果接近人为标注的结果；
步骤S4.3、初始化权重系数ω 1 ~ω 5 、灰狼α、β、
的位置以及整个灰狼群的位置；引入基于混沌Tent映射初始化整个灰狼群的位置；并引入多领导机制提高种群的多样性；
步骤S4.4、计算全部灰狼适应度：使用归一化折损累计增益指标NDCG作为全部灰狼的适应度；
步骤S4.5、更新权重系数ω 1 ~ω 5 、灰狼α、β、
的位置以及灰狼群的位置；
步骤S4.6、判断是否达到最大迭代数，如果没有达到最大迭代数，重复步骤S4.4至步骤S4.6，如果已经达到最大迭代数，输出最优的权重系数ω 1 ~ω 5 ；并以最优权重系数对应的相似度作为相似场次降雨过程判定的依据。
步骤S5、基于最优特征融合相似性度量，从历史库中搜索并输出不同类别的相似场次降雨过程；并根据相似场次降雨过程对应的特征信息，构建相似降雨模式库。
进一步地，所述步骤S1的详细过程为：
步骤S1.1、对日降雨量图像进行规格化处理、冗余信息预处理等操作，然后根据研究流域的子流域划分情况、降雨量等级划分标准及其在降雨图像中对应的颜色特征表示方法，采用加权颜色直方图技术提取降雨图像中各子流域(Basin 1 ,Basin 2, …Basin M )包含的不同颜色类别
及每类颜色对应的像素点数量
；
M是子流域的数量，K是不同降雨等级对应的颜色类别总数；
步骤S1.2 采用公式(1)计算日降雨图像中各子流域(1≤i≤M)对应的日降雨量P Bsni ：
则日降雨图像的单日降雨量P可表示为其M个子流域(Basin 1,Basin 2, …Basin M )的降雨量
(1≤i≤M)之和：
步骤S1.3、设置单日降雨阈值δ 1 ，将日降雨量值P小于单日降雨阈值δ 1 的日期定为无雨期；以滑动窗口技术遍历日降雨量图像序列，将历史降雨图像中第1个单日降雨总量P 1 超过δ 1 的降雨日定义为场次降雨过程Proc 1 的第1天；判定第2天的单日降雨总量情况：
I、若第2天的单日降雨总量P 2 大于δ 1 ，则将第2日并入场次降雨过程Proc 1 ，并继续判断第3天的降雨情况是否并入场次降雨过程Proc 1 ；
II、若第2天的单日降雨总量P 2 小于等于δ 1 ，则判断第3天的单日降雨总量P 3 ,若第3天单日降雨总量P 3 小于等于δ 1， 则场次降雨过程Proc 1 划分结束（此时降雨过程Proc 1 只包含1个降雨日）；否则将第2天和第3天加入到降雨过程Proc 1 ；假设数据集的长度为L，直至碰到第l、l+1连续2日的单日降雨总量P l 、P l+1 小于等于δ 1 ，则场次降雨过程Proc 1 划分结束；l＜L；
III、上一场次降雨过程Proc d (d≥1)划分结束后，重新将其后第1个单日降雨总量超过δ 1 的降雨日定义为第d+1场次降雨过程Proc d+1 的第1天，然后采用上述I）~II）判断该场次降雨过程包含的降雨天数；直至遍历完日降雨量图像序列并得到最终的场次降雨过程Proc 1 ~Proc w ；
w是历史降雨图像中的总降雨场次，1≤d≤w。
进一步地，所述步骤S2的详细过程为：
步骤S2.1、所述降雨持续天数是指第d场次降雨过程Proc d (1≤d≤w)的持续天数，用Nd表示，可通过计算该场次降雨过程中包含的降雨量图像数量得到；
步骤S2.2、所述场次降雨总量SP是指第d场次降雨过程Proc d 所有包含的所有单日降雨量累积之和；设该第d场次降雨过程的持续天数为N d ，则该场次降雨总量如式(3)：
其中P k 示第d场次降雨过程Proc d (1≤d≤w)第k日(1≤k≤N d )的单日降雨量,可由公式(2)计算得到；
步骤S2.3、所述场次降雨过程的日降雨时间分布TD是指在场次降雨过程Proc d 中每日的降雨量大小，具体提取方法为：假设第d场次降雨过程的降雨持续天数为N d ，该场次降雨过程中第k日（≤k≤N d ）的日降雨量为P dk ，则第d场次降雨过程的日降雨量时间分布TD d 形式化表示为向量[P d1 ,P d2 ,…,P dNd ]；
步骤S2.4、所述场次降雨过程的降雨空间分布TD是指在场次降雨过程Proc d 中，降落在上述步骤S1.1中所述各子流域(Basin 1,Basin 2, …Basin M )的降雨量信息；具体提取方法为：假设第d场次降雨过程的降雨持续天数为N d ，由上述步骤S1.2中公式(2), 第d场次降雨过程第k日的日降雨量为P dk 可表示为其M个子流域 (Basin 1,Basin 2, …Basin M )的降雨量
之和；则第d场次降雨过程中子流域Basin i (1≤i≤M)的累积降雨量SP Bsni 由公式(4)计算得到：
则第d场次降雨过程的降雨空间分布SD d 形式化表示为向量[SP dBsn1,SP dBsn2,…SP dBsnM ]，且有
步骤S2.5、所述场次降雨过程的降雨中心运动轨迹是指场次降雨过程Proc d 中最大降雨子流域(降雨中心)的空间变化情况；具体提取方法为：假设第d场次降雨过程的降雨持续天数为N d ，该场次降雨过程中第k日（1≤k≤N d ）的降雨中心为c k ，可形式化的表示为[Basin i , max{P dkBsn1 ,P dkBsn2 ,…,P dkBsnM }](1≤i≤M且i=max{P dkBsn1 ,P dkBsn2 ,…,P dkBsnM }对应的流域编号)；则第d场次降雨过程Proc d 的降雨中心运动轨迹C m 形式化的表示为[c 1 ,c 2 ,…, c Nd ]；
进一步地，所述步骤S3不同场次降雨过程之间相似性度量计算的详细过程为：
步骤S3.1、使用曼哈顿距离度量来计算降雨持续天数距离，则场次降雨过程Proc d 和场次降雨过程Proc s 降雨持续天数N d 和N s 之间的距离D N 为：
D N =|N d -N s | 式(6)
上式中，Proc d 和Proc s 是两个不同场次降雨过程，且1≤d≤w，1≤s≤w，则场次降雨过程Proc d 和Proc s 降雨持续天数N d 和N s 之间的相似度SIM N 可以表示为：
其中，max(N d ,N s )表示N d 和N s 中最大的降雨持续天数。
步骤S3.2、使用曼哈顿距离度量来计算场次降雨总量距离，则场次降雨过程Proc d 和Proc s 累积降雨量SP d 和SP s 之间的距离D SP 为：
则场次降雨过程Proc d 和Proc s 累积降雨量SP d 和SP s 之间的相似度SIM SP 可以表示为：
其中，max(SP d ,SP s )表示SP d 和SP s 中最大的累计降雨量。
步骤S3.3、使用动态弯曲距离DTW计算场次降雨的降雨时间分布距离，则场次降雨过程Proc d 和Proc s 降雨时间分布向量TD d 和TDs间的距离D TD 可表示为：
则场次降雨过程Proc d 和Proc s 降雨时间分布向量TD d 和TDs间的相似度SIM TD 可表示为：
步骤S3.4、场次降雨空间分布距离度量是一个M维的向量，使用欧氏距离度量来计算场次降雨空间分布距离，场次降雨过程Proc d 和Proc s 降雨空间分布向量SD d 和SDs间的距离D SD 可表示为：
其中，SP dBsni 为第d场次第i个子流域Basin i (1≤i≤M)的总降雨量；SP sBsni 为第s场次第i个子流域Basin i (1≤i≤M)的总降雨量；
则场次降雨过程Proc d 和Proc s 降雨空间分布向量SD d 和SDs间的相似度SIM SD 可表示为：
步骤S3.5、使用动态弯曲距离DTW求解降雨中心运动轨迹距离：场次降雨过程Proc d 和Proc s 降雨中心运动轨迹C md 和C ms 间的距离D C 计算方式如下：
那么场次降雨过程Proc d 和Proc s 降雨中心运动轨迹C md 和C ms 间的相似度SIM C 计算方式如下：
其中max(SMP d ，SMPs)表示SMP d 和SMPs中最大值，SMP d 和SMPs则分别表示场次降雨过程Proc d 和Proc s 中多日降雨量最大子流域的降雨量值之和，SMP d 可以表示为：
进一步地，所述步骤S4.1场次降雨之间的综合相似度SIM的计算方法为：采用多指标加权融合方法，对上述步骤S3降雨持续天数相似度SIM N 、累积降雨量相似度SIM SP 、日降雨量分布相似度SIM TD 、降雨空间分布相似度SIM SD 、降雨中心运动轨迹相似度SIM C 进行融合，得到融合相似度SIM：
上式中ω 1~ ω 5分别是降雨持续天数相似距离SIM N 、累计降雨量相似距离SIM SP 、日降雨量分布相似距离SIM TD 、降雨空间分布相似距离SIM SD 、降雨中心运动轨迹相似距离SIM C 的权重系数；
进一步地，所述步骤S4.3的详细过程为：初始化权重系数ω 1~ ω 5、初始化灰狼α、β、
的位置以及初始化整个灰狼群的位置；引入基于混沌Tent映射初始化整个灰狼群的位置；Tent混沌映射的表达式如式（18）：
式中，y w+1 和y w 均是中间计算量；
引入多领导机制，将初始化后的灰狼群划分为4个小族群，在每次迭代过程中，小族群内部对最优位置进行更新；每10次迭代结束，进行小族群之间的信息交流，将整个种群内的个体进行打乱重组。
进一步地，所述步骤S5的详细过程为：根据上述步骤S4.6中得到的最优权重系数
~ 
对应的融合相似性度方法，从场次降雨过程历史库中搜索相似场次降雨过程并进行描述和表达，以此构建相似降雨模式库。
有益效果：本发明通过使用改进的智能优化算法对降雨的图像数据的特征进行融合，来实现降雨的相似性研究。本发明应用的场景为水文气象领域中相似降雨过程检索，针对现有的降雨图像数据，通过设置降雨阈值将历史的时序的日降雨图划分为多场次降雨，并提取了场次降雨的持续天数、累积降雨量、降雨时间分布、降雨空间分布、降雨中心运动轨迹五个指标，作为刻画场次降雨的特征，并分别定义了上述五个特征指标的相似性度量，然后采用灰狼优化算法对上述特征进行融合，综合度量场次降雨之间的相似度，提升相似场次降雨搜索过程的准确性，并根据相似性搜索结果进行分类，构建相似降雨过程模式库。
附图说明
图1是本发明实施例中的流程图。
图2是本发明实施例中某流域降雨图像数据集序列（部分）示意图；
图3是本发明实施例中降雨场次划分滑动窗口示意图；
图4是本发明实施例中采用滑动窗口分割形成场次降雨过程图；
图5是本发明实施例中基于IGWO算法的参数寻优流程图；
图6是本发明实施例中场次降雨搜索的结果。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
如图1所示，本实施例的基于图像特征和深度学习的相似场次降雨模式库构建方法，包括以下步骤：
步骤S1、采集研究流域对应的历史时段降雨量图像数据集，设置单日降雨量阈值，采用滑动窗口技术对历史降雨图像数据集进行分割，得到研究时段内所有场次降雨过程；
步骤S1.1、对日降雨量图像进行规格化处理、冗余信息预处理等操作，然后根据研究流域的子流域划分情况、降雨量等级划分标准及其在降雨图像中对应的颜色特征表示方法，采用加权颜色直方图技术提取降雨图像中各子流域(Basin 1 ,Basin 2, …Basin M )包含的不同颜色类别
及每类颜色对应的像素点数量
；
M是子流域的数量，K是不同降雨等级对应的颜色类别总数；
步骤S1.2 采用公式(1)计算日降雨图像中各子流域对应的日降雨量P Bsni ：
则日降雨图像的单日降雨量P表示为M个子流域(Basin 1,Basin 2, …Basin M )的降雨量
之和：
步骤S1.3、设置单日降雨阈值δ 1 ，将日降雨量值P小于单日降雨阈值δ 1 的日期定为无雨期；以滑动窗口技术遍历日降雨量图像序列，将历史降雨图像中第1个单日降雨总量P 1 超过δ 1 的降雨日定义为场次降雨过程Proc 1 的第1天；判定第2天的单日降雨总量情况：
I、若第2天的单日降雨总量P 2 大于δ 1 ，则将第2日并入场次降雨过程Proc 1 ，并继续判断第3天的降雨情况是否并入场次降雨过程Proc 1 ；
II、若第2天的单日降雨总量P 2 小于等于δ 1 ，则判断第3天的单日降雨总量P 3 ,若第3天单日降雨总量P 3 小于等于δ 1， 则场次降雨过程Proc 1 划分结束（降雨过程Proc 1 只包含1个降雨日）；否则将第2天和第3天加入到降雨过程Proc 1 ；假设数据集的长度为L，直至碰到第l、l+1连续2日的单日降雨总量P l 、P l+1 小于等于δ 1 ，则场次降雨过程Proc 1 划分结束；
III、上一场次降雨过程Proc d 划分结束后，重新将其后第1个单日降雨总量超过δ 1 的降雨日定义为第d+1场次降雨过程Proc d+1 的第1天，然后采用上述I）~II）判断该场次降雨过程包含的降雨天数；直至遍历完日降雨量图像序列并得到最终的场次降雨过程Proc 1 ~ Proc w （w是历史降雨图像中的总降雨场次）；
步骤S2、分别定义场次降雨过程的降雨持续天数N、累计降雨量SP、降雨时间分布TD、降雨空间分布R以及降雨中心运动轨迹C m 特征，并采用不同的算法提取场次降雨过程的上述特征并存入场次降雨过程特征数据库；
其中P k 示第d场次降雨过程Proc d 第k日的单日降雨量,可由公式(2)计算得到；
则第d场次降雨过程的降雨空间分布SD d 形式化表示为向量[SP dBsn1,SP dBsn2,…SP dBsnM ],且有
步骤S3、分别定义SIM N 、SIM SP 、SIM TD 、SIM SD 、SIM C 表征不同场次降雨过程的降雨持续天数N、累积降雨量SP、降雨时间分布TD、降雨空间分布SD以及降雨中心运动轨迹C m 五个特征间的相似度，以度量场次降雨过程Proc d 和场次降雨过程Proc s 之间的相似性；
D N =|N d -N s | 式(6)
那么场次降雨过程Proc d 和Proc s 降雨持续天数N d 和N s 之间的相似度SIM N 可以表示为：
其中，max(N d ,N s )表示N d 和N s 中最大的降雨持续天数；
那么场次降雨过程Proc d 和Proc s 累积降雨量SP d 和SP s 之间的相似度SIM SP 可以表示为：
其中，max(SP d ,SP s )表示SP d 和SP s 中最大的累计降雨量；
那么场次降雨过程Proc d 和Proc s 降雨时间分布向量TD d 和TDs间的相似度SIM TD 可表示为：
其中，SP dBsni 为第d场次第i个子流域Basin i 的总降雨量；SP sBsni 为第s场次第i个子流域Basin i 的总降雨量；
那么场次降雨过程Proc d 和Proc s 降雨空间分布向量SD d 和SDs间的相似度SIM SD 可表示为：
D C =DTW(C md ,C ms ) 式(14)
那么场次降雨过程Proc d 和Proc s 降雨中心运动轨迹C md 和C ms 间的相似度SIM C 计算方式如下：
其中max(SMP d ，SMPs)表示SMP d 和SMPs中最大值，SMP d 和SMPs则分别表示场次降雨过程Proc d 和Proc s 中多日降雨量最大子流域的降雨量值之和。SMP d 可以表示为：
步骤S4、采用多指标加权融合对上述区域降雨持续天数、累积降雨量、降雨时间分布、降雨空间分布、降雨中心运动轨迹五个特征距离进行融合，得到综合距离SIM：
上式中ω 1~ ω 5分别是各特征相似度的权重系数；
从历史降雨图像数据库中选择30场降雨作为样本集，其中6场降雨等级为小雨、9场降雨等级为中雨和15场降雨等级为大到暴雨；并按照2:1的比例将样本划分为训练集和测试集，使用基于混沌Tent映射的多族群灰狼优化算法（IGWO）获得最优权重系数，得到多特征融合的场次降雨之间的相似性度量方法；其中IGWO步骤如下：
式中，y w+1 和y w 均是中间计算量；
Ⅳ、计算全部灰狼适应度：使用归一化折损累计增益指标(Normalized Discounted Cumulative Gain，NDCG)作为全部灰狼的适应度；
Ⅴ、更新权重系数ω 1~ ω 5、α、β、
的位置以及灰狼群的位置；
Ⅵ、判断是否达到最大迭代数，如果没有达到最大迭代数，重复步骤Ⅳ、Ⅴ、Ⅵ；如果已经达到最大迭代数，输出最优的权重系数ω 1~ ω 5。
步骤S5、根据上述最优的权重系数
~ 
确定的相似度度量方法，从历史库中，搜索出相似度最高的历史场次降雨；并根据不同类别相似场次降雨过程对应的特征信息进行分类，构建相似降雨模式库。
实施例：
本实施例的具体流程如图1所示。
对图2所示的流域降雨图像数据集序列(部分)，采用如图3所示滑动步长Step=1的滑动窗口来划分场次降雨过程，得到研究流域给定时间范围内的所有场次降雨过程Proc w ；
对图4所示的场次降雨过程，分别采用上述步骤S2中Ⅰ）~Ⅴ）提取该场次降雨过程的降雨持续天数N、累积降雨量SP、降雨时间分布TD、降雨空间分布SD以及降雨中心运动轨迹C m 五个特征并存储进场次降雨过程特征数据库；
对图4所示的场次降雨过程，采用图5算法确定最优的权重系数ω 1~ ω 5，并以其对应的相似度度量方法从场次降雨过程特征数据库中搜索和该场次降雨过程最相似的场次降雨过程，结果如图6所示。
采用图5算法确定最优的权重系数ω 1~ ω 5，并以其对应的相似度度量方法对历史场次降雨过程特征数据库的所有场次降雨过程进行相似性检索，对相似降雨过程进行分类，并以同类别的相似场次降雨过程为基础构建降雨模式，形成降雨特征模式库。
Claims (6)
1.一种基于图像特征和深度学习的相似场次降雨模式库构建方法，其特征在于：包括以下步骤：
步骤S1、采集研究流域对应的历史时段日降雨量图像数据，设置单日降雨总量阈值，采用滑动窗口对历史降雨图像数据集进行分割，得到研究时段内所有场次降雨过程；
步骤S2、分别定义场次降雨过程的降雨持续天数N、累积降雨量SP、降雨时间分布TD、降雨空间分布SD以及降雨中心运动轨迹C m 特征，然后采用不同方法提取场次降雨过程的上述五个特征，并存入场次降雨过程特征数据库；
步骤S3、分别使用SIM N 、SIM SP 、SIM TD 、SIM SD 和SIM C 来表征不同场次降雨过程的降雨持续天数N、累积降雨量SP、降雨时间分布TD、降雨空间分布SD以及降雨中心运动轨迹C m 五个特征间的相似度，以此度量场次降雨过程不同特征间的相似性；
步骤S4、采用多指标加权融合方法对上述步骤S3中提取的降雨持续天数相似度SIM N 、累积降雨量相似度SIM SP 、日降雨量分布相似度SIM TD 、降雨空间分布相似度SIM SD 以及降雨中心运动轨迹相似度SIM C 进行融合，使用基于混沌Tent映射的多族群灰狼优化算法IGWO获得最优权重系数，得到多特征融合的场次降雨之间的相似性度量方法；具体过程如下：
步骤S4.1、将步骤S3中所得降雨持续天数相似度SIM N 、累积降雨量相似度SIM SP 、日降雨量分布相似度SIM TD 、降雨空间分布相似度SIM SD 、降雨中心运动轨迹相似度SIM C 进行多元特征融合，最终得到场次降雨之间的融合相似度SIM；
步骤S4.2、使用基于混沌Tent映射的多族群灰狼优化算法IGWO确定多元特征融合中的五个特征指标的权重系数ω 1~ ω 5：首先从历史场次降雨数据中选取一部分作为样本集，剩余的部分作为对照集，通过使用IGWO动态调整权重系数，使得最终的搜索结果接近人为标注的结果；
步骤S4.3、初始化权重系数ω 1~ ω 5、灰狼α、β、 
的位置以及整个灰狼群的位置；引入基于混沌Tent映射初始化整个灰狼群的位置；并引入多领导机制提高种群的多样性；
步骤S4.4、使用归一化折损累计增益指标NDCG作为评估指标计算全部灰狼适应度；
步骤S4.5、更新权重系数ω 1~ ω 5、灰狼α、β、
的位置以及灰狼群的位置；
步骤S4.6、判断是否达到最大迭代数，如果没有达到最大迭代数，重复步骤S4.4至步骤S4.6，如果已经达到最大迭代数，输出最优的权重系数；并以最优权重系数对应的相似度作为最优特征融合相似性度判定相似场次降雨过程；
步骤S5、基于最优特征融合相似性度量，从历史库中搜索并输出不同类别的相似场次降雨过程；并根据相似场次降雨过程对应的特征信息，构建相似降雨模式库。
2.根据权利要求1所述的基于图像特征和深度学习的相似场次降雨模式库构建方法，其特征在于：所述步骤S1的详细过程为：
步骤S1.1、对日降雨量图像进行规格化处理、冗余信息预处理，然后根据研究流域的子流域划分情况、降雨量等级划分标准及其在降雨图像中对应的颜色特征表示方法，采用加权颜色直方图技术提取降雨图像中各子流域(Basin 1, Basin 2, …Basin M )包含的不同颜色类别
及每类颜色对应的像素点数量
；
M是子流域的数量，K是不同降雨等级对应的颜色类别总数；
步骤S1.2 采用公式(1)计算日降雨图像中各子流域对应的日降雨量：
上式中，1≤i≤M，1≤j≤K；则日降雨图像的单日降雨量P表示为其M个子流域(Basin 1,Basin 2, …Basin M )的降雨量
之和，如式(2)：
步骤S1.3、设置单日降雨阈值δ 1 ，将日降雨量值P小于单日降雨阈值δ 1 的日期定为无雨期，具体过程为：
步骤S1.3.1、以步长Step=1的滑动窗口技术遍历日降雨量图像序列，将历史降雨图像中第1个单日降雨总量P 1 超过δ 1 的降雨日定义为场次降雨过程Proc 1 的第1天；然后判定第2天的单日降雨总量情况；
步骤S1.3.2、若第2天的单日降雨总量P 2 大于δ 1 ，则将第2日并入场次降雨过程Proc 1 ，并继续判断第3天的降雨情况是否并入场次降雨过程Proc 1 ；
步骤S1.3.3、若第2天的单日降雨总量P 2 小于或等于δ 1 ，则接着判断第3天的单日降雨总量P 3 ，若第3天单日降雨总量P 3 小于等于δ 1 ，则场次降雨过程Proc 1 划分结束；否则将第2天和第3天加入到降雨过程Proc 1 ；假设数据集的长度为L,直至碰到第l、l+1连续2日的单日降雨总量P l 、P l+1 小于等于δ 1 ，则场次降雨过程Proc 1 划分结束；l＜L；
步骤S1.3.4、上一个场次降雨过程Proc d 且d≥1划分结束后，重新将其后第1个单日降雨总量超过δ 1 的降雨日定义为第d+1个场次降雨过程Proc d+1 的第1天，然后采用上述步骤S1.3.1~步骤S1.3.3判断该场次降雨过程包含的降雨天数；直至遍历完日降雨量图像序列，并得到最终的场次降雨过程Proc 1 ~Proc w ；
w是历史降雨图像中的总降雨场次，1≤d≤w。
3.根据权利要求1所述的基于图像特征和深度学习的相似场次降雨模式库构建方法，其特征在于：所述步骤S2中场次降雨特征指标的提取方法如下：
步骤S2.1、降雨持续天数是指第d场次降雨过程Proc d 的总降雨天数，用N d 表示，1≤d≤w，w历史降雨图像中的总降雨场次，通过计算该场次降雨过程中包含的降雨量图像数量得到N d ；
步骤S2.2、场次降雨总量SP是指第d场次降雨过程Proc d 中的所有单日降雨量累积之和；设该第d场次降雨过程的持续天数为N d ，则该场次降雨总量如式(3)：
其中P dk 示第d场次降雨过程Proc d 第k日的单日降雨量，1≤k≤N d ；
步骤S2.3、场次降雨过程的日降雨时间分布TD是指在场次降雨过程Proc d 中每日的降雨量大小，具体提取方法为：假设第d场次降雨过程的降雨持续天数为N d ，该场次降雨过程中第k日的日降雨量为P dk ，则第d场次降雨过程的日降雨量时间分布TD d 形式化表示为向量[P d1 ,P d2 ,…,P dNd ]；
步骤S2.4、场次降雨过程的降雨空间分布TD是指在场次降雨过程Proc d 中，降落在各子流域(Basin 1, Basin 2, …Basin M )的降雨量信息；具体提取方法为：
假设第d场次降雨过程的降雨持续天数为N d ，第d场次降雨过程第k日的日降雨量P dk 表示为其M个子流域 (Basin 1, Basin 2, …Basin M )的降雨量
之和；
则第d场次降雨过程中子流域Basin i 的累积降雨量SP Bsni 由公式(4)计算得到：
上式中1≤i≤M，则第d场次降雨过程的降雨空间分布SD d 形式化表示为向量[SP dBsn1,SP dBsn2,…SP dBsnM ]：
步骤S2.5、场次降雨过程的降雨中心运动轨迹是指场次降雨过程Proc d 中最大降雨子流域的空间变化情况；具体提取方法为：
假设第d场次降雨过程的降雨持续天数为N d ，该场次降雨过程中第k日的降雨中心为，形式化的表示为[Basin i , max{P dkBsn1 ,P dkBsn2 ,…,P dkBsnM }|| (1≤i≤M 且i=max{P dkBsn1 , P dkBsn2 ,…,P dkBsnM }对应的流域编号]；1≤d≤w；
则第d场次降雨过程Proc d 的降雨中心运动轨迹C m 形式化的表示为[c 1 ,c 2 ,…,c Nd ]。
4.根据权利要求1所述的一种基于图像特征和深度学习的相似场次降雨模式库构建方法，其特征在于：所述步骤S3中不同场次降雨过程之间相似性度量计算的详细过程为：
步骤S3.1、使用曼哈顿距离度量来计算降雨持续天数距离，则场次降雨过程Proc d 和场次降雨过程Proc s 降雨持续天数N d 和N s 之间的距离D N 为：
D N =|N d -N s | 式(6)
上式中，Proc d 和Proc s 是两个不同场次降雨过程，且1≤d≤w，1≤s≤w；则场次降雨过程Proc d 和Proc s 降雨持续天数N d 和N s 之间的相似度SIM N 表示为：
其中，max(N d ,N s )表示N d 和N s 中最大的降雨持续天数；
步骤S3.2、使用曼哈顿距离度量来计算场次降雨总量距离，则场次降雨过程Proc d 和Proc s 累积降雨量SP d 和SP s 之间的距离D SP 为：
D SP =|SP d -SP s | 式(8)
则场次降雨过程Proc d 和Proc s 累积降雨量SP d 和SP s 之间的相似度SIM SP 表示为：
其中，max(SP d ,SP s )表示SP d 和SP s 中最大的累计降雨量；
步骤S3.3、使用动态弯曲距离DTW计算场次降雨的降雨时间分布距离，则场次降雨过程Proc d 和Proc s 降雨时间分布向量TD d 和TDs间的距离D TD 表示为：
D TD =DTW(TD d ,TD s ) 式(10)
则场次降雨过程Proc d 和Proc s 降雨时间分布向量TD d 和TDs间的相似度SIM TD 表示为：
步骤S3.4、场次降雨空间分布距离度量是一个M维的向量，使用欧氏距离度量来计算场次降雨空间分布距离，场次降雨过程Proc d 和Proc s 降雨空间分布向量SD d 和SDs间的距离D SD 表示为：
其中，SP dBsni 为第d场次第i个子流域Basin i 的总降雨量；SP sBsni 为第s场次第i个子流域Basin i 的总降雨量；1≤i≤M；
则场次降雨过程Proc d 和Proc s 降雨空间分布向量SD d 和SDs间的相似度SIM SD 表示为：
步骤S3.5、使用动态弯曲距离DTW求解降雨中心运动轨迹距离：场次降雨过程Proc d 和Proc s 降雨中心运动轨迹C md 和C ms 间的距离D C 计算方式如下：
D C =DTW(C md ,C ms ) 式(14)
则场次降雨过程Proc d 和Proc s 降雨中心运动轨迹C md 和C ms 间的相似度SIM C 计算方式如下：
其中max(SMP d ，SMPs)表示SMP d 和SMPs中最大值，SMP d 和SMPs则分别表示场次降雨过程Proc d 和Proc s 中多日降雨量最大子流域的降雨量值之和；SMP d 表示为：
5.根据权利要求1所述的基于图像特征和深度学习的相似场次降雨模式库构建方法，其特征在于，所述步骤S4.1场次降雨之间的综合相似度SIM的计算方法为：
采用多指标加权融合方法，对上述步骤S3降雨持续天数相似度SIM N 、累积降雨量相似度SIM SP 、日降雨量分布相似度SIM TD 、降雨空间分布相似度SIM SD 、降雨中心运动轨迹相似度SIM C 进行融合，得到综合相似度SIM：
上式中ω 1~ ω 5依次是上述五个特征相似度的权重系数；
所述步骤S4.3的详细过程为：初始化权重系数ω 1~ ω 5、初始化灰狼α、β、
的位置以及初始化整个灰狼群的位置；然后引入基于混沌Tent映射初始化整个灰狼群的位置；Tent混沌映射的表达式如式（18）：
式中，y w+1 和y w 均是中间计算量；
引入多领导机制，将初始化后的灰狼群划分为4个小族群，在每次迭代过程中，小族群内部对最优位置进行更新；每10次迭代结束，进行小族群之间的信息交流，将整个种群内的个体进行打乱重组。
6.根据权利要求1所述的基于图像特征和深度学习的相似场次降雨模式库构建方法，其特征在于，所述步骤S5的详细过程为：根据上述步骤S4.6中得到的最优权重系数
~ 
对应的融合相似性度方法，从场次降雨过程历史库中搜索相似场次降雨过程并进行描述和表达，以此构建相似降雨模式库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310261448.8A CN116010795B (zh) | 2023-03-17 | 2023-03-17 | 基于图像特征和深度学习的相似场次降雨模式库构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310261448.8A CN116010795B (zh) | 2023-03-17 | 2023-03-17 | 基于图像特征和深度学习的相似场次降雨模式库构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116010795A true CN116010795A (zh) | 2023-04-25 |
| CN116010795B CN116010795B (zh) | 2023-06-09 |
Family
ID=86019599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310261448.8A Active CN116010795B (zh) | 2023-03-17 | 2023-03-17 | 基于图像特征和深度学习的相似场次降雨模式库构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116010795B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116523130A (zh) * | 2023-04-28 | 2023-08-01 | 中国长江电力股份有限公司 | 一种基于降雨空间分布的图像相似水情挖掘及预报方法 |
| CN116701553A (zh) * | 2023-05-12 | 2023-09-05 | 中国长江电力股份有限公司 | 基于降雨时间分布柱状图的相似降雨径流过程查找方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170261646A1 (en) * | 2016-03-08 | 2017-09-14 | China Institute Of Water Resources And Hydropower Research | Self-correcting multi-model numerical rainfall ensemble forecasting method |
| WO2021003768A1 (zh) * | 2019-07-08 | 2021-01-14 | 大连理工大学 | 基于前期降雨和上下游拓扑关系的农村基层洪涝预警方法 |
| CN114997534A (zh) * | 2022-07-29 | 2022-09-02 | 长江水利委员会水文局 | 基于视觉特征的相似降雨预报方法和设备 |
| CN115309805A (zh) * | 2022-08-11 | 2022-11-08 | 河海大学 | 一种基于极值点划分和l-k模式距离的降雨过程相似性搜索方法及系统 |
| CN115755219A (zh) * | 2022-10-18 | 2023-03-07 | 长江水利委员会水文局 | 基于stgcn的洪水预报误差实时校正方法及系统 |
-
2023
- 2023-03-17 CN CN202310261448.8A patent/CN116010795B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170261646A1 (en) * | 2016-03-08 | 2017-09-14 | China Institute Of Water Resources And Hydropower Research | Self-correcting multi-model numerical rainfall ensemble forecasting method |
| WO2021003768A1 (zh) * | 2019-07-08 | 2021-01-14 | 大连理工大学 | 基于前期降雨和上下游拓扑关系的农村基层洪涝预警方法 |
| CN114997534A (zh) * | 2022-07-29 | 2022-09-02 | 长江水利委员会水文局 | 基于视觉特征的相似降雨预报方法和设备 |
| CN115309805A (zh) * | 2022-08-11 | 2022-11-08 | 河海大学 | 一种基于极值点划分和l-k模式距离的降雨过程相似性搜索方法及系统 |
| CN115755219A (zh) * | 2022-10-18 | 2023-03-07 | 长江水利委员会水文局 | 基于stgcn的洪水预报误差实时校正方法及系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116523130A (zh) * | 2023-04-28 | 2023-08-01 | 中国长江电力股份有限公司 | 一种基于降雨空间分布的图像相似水情挖掘及预报方法 |
| CN116523130B (zh) * | 2023-04-28 | 2024-05-14 | 中国长江电力股份有限公司 | 一种基于降雨空间分布的图像相似水情挖掘及预报方法 |
| CN116701553A (zh) * | 2023-05-12 | 2023-09-05 | 中国长江电力股份有限公司 | 基于降雨时间分布柱状图的相似降雨径流过程查找方法 |
| CN116701553B (zh) * | 2023-05-12 | 2024-01-02 | 中国长江电力股份有限公司 | 基于降雨时间分布柱状图的相似降雨径流过程查找方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116010795B (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116010795B (zh) | 基于图像特征和深度学习的相似场次降雨模式库构建方法 | |
| CN106599571B (zh) | 兼顾流量和蒸发的流域水文模型分期率定方法 | |
| CN111401599B (zh) | 一种基于相似性搜索和lstm神经网络的水位预测方法 | |
| CN108830423B (zh) | 一种基于预报域的年径流预测方法 | |
| CN110648014A (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
| CN113887635B (zh) | 一种流域相似性分类方法及分类装置 | |
| CN111859010B (zh) | 一种基于深度互信息最大化的半监督音频事件识别方法 | |
| CN116776238B (zh) | 一种基于多源信息水旱灾害动态风险评估方法和系统 | |
| CN104252625A (zh) | 样本自适应多特征加权的遥感图像分类方法 | |
| Jha et al. | Housing market prediction problem using different machine learning algorithms: A case study | |
| CN115271255A (zh) | 基于知识图谱和机器学习的雨洪相似性分析方法和系统 | |
| CN111027764A (zh) | 一种基于机器学习的适用于径流资料缺乏流域的洪水预报方法 | |
| CN114065996A (zh) | 基于变分自编码学习的交通流预测方法 | |
| CN111368843A (zh) | 一种基于语义分割的冰上湖提取的方法 | |
| CN113779113B (zh) | 基于雨洪时空过程相似性挖掘的洪水动态预估方法及系统 | |
| CN117636477A (zh) | 一种基于径向基函数模糊神经网络的多目标跟踪匹配方法 | |
| Asghari et al. | Spatial rainfall prediction using optimal features selection approaches | |
| CN116468166A (zh) | 一种深度学习径流量预测模型及方法 | |
| CN114819260A (zh) | 一种水文时间序列预测模型动态生成方法 | |
| CN116091801B (zh) | 一种基于深度学习的降雨图像相似性搜索方法 | |
| Kumawat et al. | Time-Variant Satellite Vegetation Classification Enabled by Hybrid Metaheuristic-Based Adaptive Time-Weighted Dynamic Time Warping | |
| CN117669808A (zh) | 一种基于贝叶斯优化的滑坡易发性预测方法 | |
| CN116738822A (zh) | 一种基于LightGBM的排水管道最大腐蚀深度预测方法 | |
| CN111445341A (zh) | 一种基于多尺度自注意力的期货模型训练及交易实现方法 | |
| CN117035148A (zh) | 一种基于多模态融合的降雨径流预测方法 |
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 |