CN116523130A - 一种基于降雨空间分布的图像相似水情挖掘及预报方法 - Google Patents
一种基于降雨空间分布的图像相似水情挖掘及预报方法 Download PDFInfo
- Publication number
- CN116523130A CN116523130A CN202310481237.5A CN202310481237A CN116523130A CN 116523130 A CN116523130 A CN 116523130A CN 202310481237 A CN202310481237 A CN 202310481237A CN 116523130 A CN116523130 A CN 116523130A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- similarity
- model
- spatial distribution
- layer
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 39
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 20
- 238000005065 mining Methods 0.000 title claims abstract description 13
- 238000013277 forecasting method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000011176 pooling Methods 0.000 claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 2
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 10
- 238000007418 data mining Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Environmental & Geological Engineering (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
Abstract
本发明公开一种基于降雨空间分布的图像相似水情挖掘及预报方法,包括:S1、收集流域的降雨径流数据并划分场次;S2、插值测站观测数据,制作降雨空间分布样本图集;S3、对样本图集进行预处理,划分训练集和测试集;S4、改进残差网络模型,将全连接层改进为全局平均池化层,并将预训练的权重和参数移植到改进的残差网络模型,构建输入输出层,计算降雨空间分布图的特征向量,计算特征向量的欧氏距离并作为相似度,构建完整的栅格降雨相似判别模型;S5、使用S4中构建的模型查找历史相似降雨过程,将对应的径流过程根据相似度加权作为预报的径流过程;本发明可对未来水情变化进行预测,为洪水灾害的预测提供更为重要的预报信息。
Description
技术领域
本发明涉及水文预报技术领域,具体地指一种基于降雨空间分布的图像相似水情挖掘及预报方法。
背景技术
降雨径流等要素是洪水预报中的重要项目,在防洪救灾、水资源开发利用等方面都有较多的应用。尤其降雨预报为防汛抢险提供了依据,其中的洪量及降雨径流系数也是指导水库调度的决策依据,获取这些关键水文要素信息同时也保护了人民的生命财产安全。
目前,社会上的降雨预报大多依赖于传统预报模型,而传统预报模型参数较多,需要耗费大量的时间进行建模和参数率定,对历史降雨资料也有着较高的要求,无法充分发挥每一场降雨过程资料的应用价值。
发明内容
本发明的目的在于克服上述不足,提供一种基于降雨空间分布的图像相似水情挖掘及预报方法,在已知大量降雨径流数据的前提下,基于数据挖掘、深度学习和水文学原理,对未来水情变化进行预测,为洪水灾害的预测提供更为重要的预报信息。
本发明为解决上述技术问题,所采用的技术方案是:一种基于降雨空间分布的图像相似水情挖掘及预报方法,它包括下列步骤:
S1、收集流域的降雨径流数据并划分场次降雨径流过程;
S2、插值测站观测数据,制作降雨空间分布样本图集;
S3、对样本图集进行预处理,划分训练集和测试集;
S4、基于开放数据库,获取预训练的残差网络模型;改进残差网络模型,将全连接层改进为全局平均池化层,并将预训练的权重和参数移植到修改的残差网络模型,构建输入输出层,计算降雨空间分布图的特征向量,计算特征向量间欧氏距离并作为相似度,并利用S3中训练集和测试集更新模型参数,构建完整的栅格降雨相似判别模型;
S5、使用S4中构建的模型查找历史相似降雨过程,将对应的径流过程根据相似度加权作为预报的径流过程。
进一步地,所述步骤S2具体包括:
S201、根据降雨观测站经度、纬度、观测值,分别采用三样条插值、反距离权重插值、双线性插值计算三种栅格数据,将三种栅格数据均值作为最终降雨栅格数据;
其中,假设存在n个观测站点,其经度、纬度、观测值分别为xi,yi,zi(i=1,2,...,n),栅格数据的横纵坐标为(u,v),栅格的宽度为w,高度为h,将经纬度坐标转换为栅格坐标的计算公式为:
使用三种插值方法计算的栅格数据分别为f1(u,v)、f2(u,v)、f3(u,v),最终栅格数据f(u,v)为:
(1)三次样条插值的计算公式为:
其中,Ni(u,v)是三次样条基函数,zi是观测站点i的观测值;
(2)反距离权重插值的计算公式为:
其中,zi表示第i个观测点的值,wi(u,v)表示第i个观测点对待插值点的权重,通常用距离的倒数表示,其计算公式为:
其中,d(u,v,ui,vi)表示待插值点(u,v)和第i个观测点(ui,vi)之间的距离,p是一个可调参数;
(3)双线性插值的计算公式为:
其中,zij是最近邻观测站点(ui,vi)的观测值,wij是根据栅格点(u,v)与最近邻观测站点之间的距离计算出来的权重,计算公式为:
其中,离栅格点(u,v)最近的观测站点中,横坐标和纵坐标不大于u和v时,经纬度为x0,y0,不小于u和v时,经纬度为x1,y1;
S202、定义图像的颜色映射,根据降雨量绘制等值线,对等值线划分区域进行填色,生成降雨空间分布样本图集。
进一步地,所述步骤S3具体包括:
S301、对降雨空间分布样本图集中每张图像进行裁剪并统一图像分辨率;
S302、对S301中的图像采用拉伸、放大、缩小、模糊、加噪声等方式进行数据增强;
S303、按一定比例划分训练集和测试集;
S304、人工依次将训练集和测试集中相似和不相似的数个图像打包为样本,每个样本添加标签,相似时标签为0,不相似则为1;
进一步地,所述步骤S4具体包括:
S401、基于开放的大型可视化ImageNet数据库,获取预训练的残差网络ResNet模型;
S402、改进ResNet模型层结构,ResNet模型的全连接层替换为全局平均池化层,保留ResNet模型的卷积层与池化层,并将S401中预训练的权重和参数移植到改进的ResNet模型;
其中,全局平均池化层对提取特征图的每一个通道所有像素值求平均值,输出图像的特征向量,具体方法为:
假设特征图为F,其中H表示高度,W表示宽度,C表示通道数,全局平均池化层对每个通道的特征图FC执行如下操作,输出该通道的特征向量vc:
其中,Fc,i,j表示特征图F在第i行、第j列、第c个通道上的像素值,全局平均池化层输出为v=[v1,v2,...,vC],表示图像的特征向量;
S403、构建输入为两张图像的输入层,复制S402中ResNet模型,将输入分别应用到两个ResNet模型,提取每个模型输出;
S404、构建指数函数为输出层,计算S403中输出向量的欧氏距离并输入至输出层,输出层输出作为图像相似度的一维向量;
其中,欧氏距离的计算方法为:
假设两个样本的特征向量为X1、X2,其中Xi={X1 i,X2 i,......,Xn i,},n表示特征向量的维度,特征向量间的欧氏距离D定义为:
其中,以similarity表示相似度值,指数函数的计算方法为:
similarity=e-D
S405、以S403和S404中定义的模型作为栅格降雨相似判别模型,使用S3中训练集对栅格降雨相似判别模型进行训练,利用对比损失函数计算损失值,反向传播更新网络参数;
其中,对比函数计算损失值LC,其计算公式如下:
其中,D为欧式距离,Y为样本对应的标签值,m的取值需要大于样本间欧氏距离的最大值;
S406、使用S3中测试集对训练的栅格降雨相似判别模型进行测试,计算测试集的召回率,精度没有达到规定要求则重复训练,达到精度要求则作为最终的栅格降雨相似判别模型;其中,召回率的计算公式为:
其中,TP为被正确地预测为正样本的正样本数量,FN为被错误地预测为负样本的正样本数量。
进一步地,所述步骤S5具体包括:
S501、对某降雨过程数据,按步骤S1-S2制成降雨空间分布样本图集,采用S4构建的模型逐个计算历史场次与目标场次的降雨空间分布图像相似度,以相似度大小查找前k场次相似降雨过程;
S502、根据前k场相似降雨过程查找对应的相似径流过程数值,将数值基于相似度排名进行加权,作为径流过程预报值;
其中,假设wi为相似度排名为i的场次权重,i的取值范围是(1,k),则wi的计算公式为:
本发明的有益效果:
1、本发明从数据挖掘、深度学习等角度出发提出简洁高效的新方法,其深入、系统地挖掘已有的降雨数据,并构建考虑降雨空间分布的相似水情判别模型,实现对未来水情变化的预测,为洪水灾害的预报提供了一个非常实用的方法;
2、本发明在已知大量降雨径流数据的前提下,基于数据挖掘、深度学习和水文学原理,对未来水情变化进行预测,为洪水灾害的预测提供更为重要的预报信息;
3、本发明结合当下较为先进的图像特征提取模型,创新性的提出了降雨空间分布的相似水情判别模型,并基于场次降雨间的历史相似性,通过计算场次降雨对应的降雨空间分布图像的相似度来查找历史相似场次降雨,充分考虑了水文信息变化中所具备的地理环境特性,相比于比传统的预报方法具有更易实现、可解释性更高和更具创新性的优势。
附图说明
图1是基于降雨空间分布的图像相似水情挖掘及预报方法的流程;
图2是场次降雨空间分布图集;
图3是栅格降雨相似判别模型的数据流程;
图4是两个场次降雨空间分布图及其相似度;
图5是获得的输出结果(包括:按相似度从大到小排列的场次序号和对应相似度)。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细描述。
如图1所示,一种基于降雨空间分布的图像相似水情挖掘及预报方法,其特征在于:它包括下列步骤:
S1、收集流域的降雨径流数据并划分场次降雨径流过程;
本例收集的三峡区间流域的降雨径流数据,划分为271场场次降雨径流,选取第221至270的连续51场场次作为目标集,其余220场场次用作模型的训练与测试。
S2、插值测站观测数据,制作降雨空间分布样本图集;
S201、根据降雨观测站经度、纬度、观测值,分别采用三样条插值、反距离权重插值、双线性插值计算三种栅格数据,将三种栅格数据均值作为最终降雨栅格数据;
其中,假设存在n个观测站点,其经度、纬度、观测值分别为xi,yi,zi(i=1,2,...,n),栅格数据的横纵坐标为(u,v),栅格的宽度为w,高度为h,将经纬度坐标转换为栅格坐标的计算公式为:
使用三种插值方法计算的栅格数据分别为f1(u,v)、f2(u,v)、f3(u,v),则最终栅格数据f(u,v)为:
(1)三次样条插值的计算公式为:
其中Ni(u,v)是三次样条基函数,zi是观测站点i的观测值;
(2)反距离权重插值的计算公式为:
其中,f2(u,v)表示待插值点(u,v)的值,zi表示第i个观测点的值,wi(u,v)表示第i个观测点对待插值点的权重,通常用距离的倒数表示,其计算公式为:
其中,d(u,v,ui,vi)表示待插值点(u,v)和第i个观测点(ui,vi)之间的距离,将p参数取为2;
(3)双线性插值的计算公式为:
其中,zij是最近邻观测站点(ui,vi)的观测值,wij是根据栅格点(u,v)与最近邻观测站点之间的距离计算出来的权重,计算公式为:
其中,离栅格点(u,v)最近的观测站点中,横坐标和纵坐标不大于u和v时,经纬度为x0,y0,不小于u和v时,经纬度为x1,y1。
S202、定义图像的颜色映射为渐变色映射,采用连续的颜色变化来表示数值的变化,生成降雨空间分布样本图集,如图2所示。
S3、对样本图集进行预处理,划分训练集和测试集;
S301、考虑降雨区域面积形状的影响,裁剪图像并统一图像分辨率为790×490,使降雨区域显示完整并去除图像冗余区域;
S302、对S301中的图像采用加噪声的方式进行数据增强,降雨空间分布样本图集扩展2倍为440个场次;
S303、将降雨空间分布样本图集以8:2的比例划分训练集和测试集,具体划分场次为352:88。
S304、在训练集和测试集中以10为数量单位手工挑选相似和不相似的图像并打包为样本,训练集中等量生成了10个相似和不相似样本,测试集中等量生成了2个相似和不相似样本,对每个样本添加标签,相似时标签为0,不相似则为1,将包含10张图集以及对应标签的样本作为训练模型的输入。
S4、基于开放数据库,获取预训练的残差网络模型;改进残差网络模型,将全连接层改进为全局平均池化层,并将预训练的权重和参数移植到修改的残差网络模型,构建输入输出层,计算降雨空间分布图的特征向量,计算特征向量间欧氏距离并作为相似度,并利用S3中训练集和测试集更新模型参数,构建完整的栅格降雨相似判别模型;
S401、基于开放的大型可视化ImageNet数据库,获取预训练的残差网络ResNe152模型;
S402、改进ResNet152模型层结构,ResNet152模型的全连接层替换为全局平均池化层,保留ResNet152模型的卷积层与池化层,并将S401中预训练的权重和参数移植到改进的ResNet152模型;
其中,全局平均池化层对提取特征图的每一个通道所有像素值求平均值,输出为1×1×2048的一维特征向量,即图像的特征向量,其具体方法为:
假设特征图为F,其中其高度H为7,宽度W为7,通道数C为2048,全局平均池化层对每个通道的特征图FC执行如下操作,输出该通道的特征向量vc:
其中,Fc,i,j表示特征图F在第i行、第j列、第c个通道上的像素值,全局平均池化层的输出为v,其中v=[v1,v2,...,v2048],v为1×1×2048的一维特征向量,表示图像的特征向量。
S403、构建输入为两张图像的输入层,复制S402中ResNet152模型,将输入分别应用到两个ResNet模型中,提取每个模型的输出作为两张图像的特征向量;
S404、构建指数函数为输出层,计算S403中特征向量间的欧氏距离并作为输出层的输入值,输出层的输出为其值在0-1之间且长度为1的一维向量,表示图像相似度;
其中,欧氏距离的计算方法为:
假设两个样本的特征向量为X1、X2,其中Xi={X1 i,X2 i,......,X2048 i,},即每个特征向量有2048个维度,则两个特征向量之间的欧氏距离D定义为:
其中,以similarity表示相似度值,指数函数的计算方法为:
similarity=e-D
S405、将S403和S404中的图像相似度运算模型作为栅格降雨相似判别模型,如图3所示,使用S3中的训练集对栅格降雨相似判别模型进行训练,利用对比损失函数计算损失值,同时进行反向传播更新网络参数;
其中对比函数计算损失值LC,其计算公式如下:
其中的L是两张图片的欧式距离,Y是栅格图对应的标签值,m的取值需要大于样本间欧氏距离的最大值。
S406、训练结束后,使用测试集对模型进行测试,计算测试集的召回率是否满足高达80%,精度没有达到规定要求则重复训练,达到精度要求则作为最终的栅格降雨相似判别模型;
其中,召回率的计算公式为:
其中,TP表示被正确地预测为正样本的正样本数量,FN表示被错误地预测为负样本的正样本数量。
S5、使用S4中构建的模型查找历史相似降雨过程,将对应的径流过程根据相似度加权作为预报的径流过程;
S501、将目标集的51个场次按步骤S1-S2制成降雨空间分布样本图集,将其他220个场次作为历史场次,采用S4构建的模型逐个计算历史场次与目标场次的降雨空间分布图像相似度,以相似度大小查找前k场次相似降雨过程;如第260场次降雨,查找的最相似场次降雨为第88场次(如图4所示),排名靠前的10个历史场次相似度结果如图5所示,图中按相似度从大到小排列,显示场次序号和对应相似度;
S502、对目标场次降雨对应的最大洪峰值进行预测,采用查找的前3场相似降雨过程对应的最大洪峰值进行加权累加,其权重根据相似度进行计算,以预测目标场次降雨为第260时的最大洪峰为例:
其中,查找与第260场次的最相似前三个场次分别为第88、第2、第135场次,其权重w1、w2、w3分别为0.50、0.33、0.17,历史相似场次对应最大洪峰数值为9274m3/s、8739m3/s、11701m3/s,则第260场次降雨的预测洪峰y为:
y=9274×0.5+8739×0.33+11701×0.17=9510
第260场次降雨的实际洪峰为9000m3/s,与预测值9510m3/s接近,表明预测结果较好。
上述的实施例仅为本发明的优选技术方案,而不应视为对于本发明的限制,本申请中的实施例及实施例中的特征在不冲突的情况下,可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案,包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进,也在本发明的保护范围之内。
Claims (5)
1.一种基于降雨空间分布的图像相似水情挖掘及预报方法,其特征在于:它包括下列步骤:
S1、收集流域的降雨径流数据并划分场次降雨径流过程;
S2、插值测站观测数据,制作降雨空间分布样本图集;
S3、对样本图集进行预处理,划分训练集和测试集;
S4、基于开放数据库,获取预训练的残差网络模型;改进残差网络模型,将全连接层改进为全局平均池化层,并将预训练的权重和参数移植到修改的残差网络模型,构建输入输出层,计算降雨空间分布图的特征向量,计算特征向量间欧氏距离并作为相似度,并利用S3中训练集和测试集更新模型参数,构建完整的栅格降雨相似判别模型;
S5、使用S4中构建的模型查找历史相似降雨过程,将对应的径流过程根据相似度加权作为预报的径流过程。
2.根据权利要求1所述的一种基于降雨空间分布的图像相似水情挖掘及预报方法,其特征在于:所述步骤S2具体包括:
S201、根据降雨观测站经度、纬度、观测值,分别采用三样条插值、反距离权重插值、双线性插值计算三种栅格数据,将三种栅格数据均值作为最终降雨栅格数据;
其中,假设存在n个观测站点,其经度、纬度、观测值分别为xi,yi,zi(i=1,2,...,n),栅格数据的横纵坐标为(u,v),栅格的宽度为w,高度为h,将经纬度坐标转换为栅格坐标的计算公式为:
使用三种插值方法计算的栅格数据分别为f1(u,v)、f2(u,v)、f3(u,v),最终栅格数据f(u,v)为:
(1)三次样条插值的计算公式为:
其中,Ni(u,v)是三次样条基函数,zi是观测站点i的观测值;
(2)反距离权重插值的计算公式为:
其中,zi表示第i个观测点的值,wi(u,v)表示第i个观测点对待插值点的权重,通常用距离的倒数表示,其计算公式为:
其中,d(u,v,ui,vi)表示待插值点(u,v)和第i个观测点(ui,vi)之间的距离,p是一个可调参数;
(3)双线性插值的计算公式为:
其中,zij是最近邻观测站点(ui,vi)的观测值,wij是根据栅格点(u,v)与最近邻观测站点之间的距离计算出来的权重,计算公式为:
其中,离栅格点(u,v)最近的观测站点中,横坐标和纵坐标不大于u和v时,经纬度为x0,y0,不小于u和v时,经纬度为x1,y1;
S202、定义图像的颜色映射,根据降雨量绘制等值线,对等值线划分区域进行填色,生成降雨空间分布样本图集。
3.根据权利要求1所述的一种基于降雨空间分布的图像相似水情挖掘及预报方法,其特征在于:所述步骤S3具体包括:
S301、对降雨空间分布样本图集中每张图像进行裁剪并统一图像分辨率;
S302、对S301中的图像采用拉伸、放大、缩小、模糊、加噪声等方式进行数据增强;
S303、按一定比例划分训练集和测试集;
S304、人工依次将训练集和测试集中相似和不相似的数个图像打包为样本,每个样本添加标签,相似时标签为0,不相似则为1。
4.根据权利要求1所述的一种基于降雨空间分布的图像相似水情挖掘及预报方法,其特征在于:所述步骤S4具体包括:
S401、基于开放的大型可视化ImageNet数据库,获取预训练的残差网络ResNet模型;
S402、改进ResNet模型层结构,ResNet模型的全连接层替换为全局平均池化层,保留ResNet模型的卷积层与池化层,并将S401中预训练的权重和参数移植到改进的ResNet模型;
其中,全局平均池化层对提取特征图的每一个通道所有像素值求平均值,输出图像的特征向量,具体方法为:
假设特征图为F,其中H表示高度,W表示宽度,C表示通道数,全局平均池化层对每个通道的特征图FC执行如下操作,输出该通道的特征向量vc:
其中,Fc,i,j表示特征图F在第i行、第j列、第c个通道上的像素值,全局平均池化层输出为v=[v1,v2,...,vC],表示图像的特征向量;
S403、构建输入为两张图像的输入层,复制S402中ResNet模型,将输入分别应用到两个ResNet模型,提取每个模型输出;
S404、构建指数函数为输出层,计算S403中输出向量的欧氏距离并输入至输出层,输出层输出作为图像相似度的一维向量;
其中,欧氏距离的计算方法为:
假设两个样本的特征向量为X1、X2,其中Xi={X1 i,X2 i,......,Xn i,},n表示特征向量的维度,特征向量间的欧氏距离D定义为:
其中,以similarity表示相似度值,指数函数的计算方法为:
similarity=e-D.
S405、以S403和S404中定义的模型作为栅格降雨相似判别模型,使用S3中训练集对栅格降雨相似判别模型进行训练,利用对比损失函数计算损失值,反向传播更新网络参数;
其中,对比函数计算损失值LC,其计算公式如下:
其中,D为欧式距离,Y为样本对应的标签值,m的取值需要大于样本间欧氏距离的最大值;
S406、使用S3中测试集对训练的栅格降雨相似判别模型进行测试,计算测试集的召回率,精度没有达到规定要求则重复训练,达到精度要求则作为最终的栅格降雨相似判别模型;
其中,召回率的计算公式为:
其中,TP为被正确地预测为正样本的正样本数量,FN为被错误地预测为负样本的正样本数量。
5.根据权利要求1所述的一种基于降雨空间分布的图像相似水情挖掘及预报方法,其特征在于:所述步骤S5具体包括:
S501、对某降雨过程数据,按步骤S1-S2制成降雨空间分布样本图集,采用S4构建的模型逐个计算历史场次与目标场次的降雨空间分布图像相似度,以相似度大小查找前k场次相似降雨过程;
S502、根据前k场相似降雨过程查找对应的相似径流过程数值,将数值基于相似度排名进行加权,作为径流过程预报值;
其中,假设wi为相似度排名为i的场次权重,i的取值范围是(1,k),则wi的计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310481237.5A CN116523130B (zh) | 2023-04-28 | 一种基于降雨空间分布的图像相似水情挖掘及预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310481237.5A CN116523130B (zh) | 2023-04-28 | 一种基于降雨空间分布的图像相似水情挖掘及预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116523130A true CN116523130A (zh) | 2023-08-01 |
CN116523130B CN116523130B (zh) | 2024-05-14 |
Family
ID=
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5440483A (en) * | 1992-07-09 | 1995-08-08 | Rhea | Process and device for evaluating the precipitations over an area of terrain |
CN103345815A (zh) * | 2013-06-08 | 2013-10-09 | 清华大学 | 城市暴雨洪水监测与交通控导系统及方法 |
CN106340018A (zh) * | 2016-08-31 | 2017-01-18 | 中国水利水电科学研究院 | 水文气象要素空间插值最优分辨率的确定方法 |
CN109902120A (zh) * | 2019-01-16 | 2019-06-18 | 中山大学 | 一种面向栅格文本降水数据的可视化分析方法 |
CN110427857A (zh) * | 2019-07-26 | 2019-11-08 | 国网湖北省电力有限公司检修公司 | 一种基于遥感数据融合的输电线路地质灾害分析方法 |
US20210149929A1 (en) * | 2019-11-20 | 2021-05-20 | University Of Connecticut | Systems and methods to generate high resolution flood maps in near real time |
CN113837450A (zh) * | 2021-09-03 | 2021-12-24 | 珠江水利委员会珠江水利科学研究院 | 基于深度学习的河网密集流域水情趋势预测方法及其应用 |
CN115271255A (zh) * | 2022-09-19 | 2022-11-01 | 长江水利委员会水文局 | 基于知识图谱和机器学习的雨洪相似性分析方法和系统 |
CN116010795A (zh) * | 2023-03-17 | 2023-04-25 | 河海大学 | 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 |
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5440483A (en) * | 1992-07-09 | 1995-08-08 | Rhea | Process and device for evaluating the precipitations over an area of terrain |
CN103345815A (zh) * | 2013-06-08 | 2013-10-09 | 清华大学 | 城市暴雨洪水监测与交通控导系统及方法 |
CN106340018A (zh) * | 2016-08-31 | 2017-01-18 | 中国水利水电科学研究院 | 水文气象要素空间插值最优分辨率的确定方法 |
CN109902120A (zh) * | 2019-01-16 | 2019-06-18 | 中山大学 | 一种面向栅格文本降水数据的可视化分析方法 |
CN110427857A (zh) * | 2019-07-26 | 2019-11-08 | 国网湖北省电力有限公司检修公司 | 一种基于遥感数据融合的输电线路地质灾害分析方法 |
US20210149929A1 (en) * | 2019-11-20 | 2021-05-20 | University Of Connecticut | Systems and methods to generate high resolution flood maps in near real time |
CN113837450A (zh) * | 2021-09-03 | 2021-12-24 | 珠江水利委员会珠江水利科学研究院 | 基于深度学习的河网密集流域水情趋势预测方法及其应用 |
CN115271255A (zh) * | 2022-09-19 | 2022-11-01 | 长江水利委员会水文局 | 基于知识图谱和机器学习的雨洪相似性分析方法和系统 |
CN116010795A (zh) * | 2023-03-17 | 2023-04-25 | 河海大学 | 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 |
Non-Patent Citations (1)
Title |
---|
丁武: "基于深度学习的太湖流域水文数据挖掘研究与应用", 《中国优秀硕士学位论文全文数据库》, 15 January 2023 (2023-01-15), pages 1 - 97 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766942B (zh) | 一种基于卷积长短期记忆网络的交通路网拥堵预测方法 | |
CN112257609B (zh) | 一种基于自适应关键点热图的车辆检测方法及装置 | |
CN108090456A (zh) | 一种车道线识别方法及装置 | |
CN111401436B (zh) | 一种融合网络和双通道注意力机制的街景图像分割方法 | |
Feng et al. | Incorporation of spatial heterogeneity-weighted neighborhood into cellular automata for dynamic urban growth simulation | |
CN114254561A (zh) | 一种内涝预测方法、系统及存储介质 | |
WO2006120724A1 (ja) | ニューラルネットワークを用いた地理情報システム | |
Ling et al. | Learning-based superresolution land cover mapping | |
JP5276927B2 (ja) | 浸水予測装置 | |
CN115810149A (zh) | 基于超像素与图卷积的高分辨率遥感图像建筑物提取方法 | |
CN115755221A (zh) | 一种基于数理不确定性分析的多源降水数据融合方法 | |
CN117233869B (zh) | 一种基于GRU-BiTCN的站点短期风速预测方法 | |
CN116523130B (zh) | 一种基于降雨空间分布的图像相似水情挖掘及预报方法 | |
Vu et al. | Constructing large nonstationary spatio-temporal covariance models via compositional warpings | |
CN115759291B (zh) | 一种基于集成学习的空间非线性回归方法及系统 | |
CN116523130A (zh) | 一种基于降雨空间分布的图像相似水情挖掘及预报方法 | |
CN117371303A (zh) | 一种海浪下有效波高的预测方法 | |
CN116721206A (zh) | 一种实时的室内场景视觉同步定位与建图方法 | |
EP3811338A1 (en) | Improved geographic indexing | |
Efthymiou et al. | Modeling the impact of large-scale transportation infrastructure development on land cover | |
CN117575873B (zh) | 综合气象水文敏感性的洪水警戒方法与系统 | |
CN116384284B (zh) | 一种赤潮网格化预报方法及系统 | |
CN117112859B (zh) | 人口移动演化的显示方法、装置及计算机可读存储介质 | |
CN117458450B (zh) | 电力数据能耗预测分析方法及系统 | |
CN115937681B (zh) | 一种遥感影像样本数据清洗方法 |
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 |