CN116701553B - 基于降雨时间分布柱状图的相似降雨径流过程查找方法 - Google Patents
基于降雨时间分布柱状图的相似降雨径流过程查找方法 Download PDFInfo
- Publication number
- CN116701553B CN116701553B CN202310536513.3A CN202310536513A CN116701553B CN 116701553 B CN116701553 B CN 116701553B CN 202310536513 A CN202310536513 A CN 202310536513A CN 116701553 B CN116701553 B CN 116701553B
- Authority
- CN
- China
- Prior art keywords
- rainfall
- hash
- time distribution
- distribution histogram
- similar
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000005520 cutting process Methods 0.000 claims abstract description 5
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于降雨时间分布柱状图的相似降雨径流过程查找方法,步骤包括:S1、收集已知流域的场次降雨径流数据;S2、统一时间尺度,制作原始降雨时间分布柱状图集;S3、对原始降雨时间分布柱状图集进行裁剪;S4、将S3中的降雨时间分布柱状图集划分为查找和测试对象集;S5、指定测试对象集中想要查找相似场次的对象,使用差值和均值哈希算法计算其与查找对象集中每个对象的相似度;S6、获取相似度最大的前数个场次。本发明所述降雨径流相似查找方法,可在汛期复杂降雨情况下,通过降雨信息查找相似的历史过程为洪水预报提供参考,具有预见期不受限制、工作量小、参数少、精度高、可靠性高等优点。
Description
技术领域
本发明属于水文预报领域,特别涉及一种基于降雨时间分布柱状图的相似降雨径流过程查找方法。
背景技术
洪水是水文预报中的重要项目,可用于防汛抗旱、水资源开发利用等,尤其降雨预报为防汛抢险提供了依据,大大保护了人民的生命财产安全。大量关于历年洪水相似分析模型的研究已经开展,尽管如此,目前洪水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,并且对历史资料要求较高,不能充分利用每一场降雨过程资料。为此,需要从数据挖掘、机器学习等角度出发提出简洁高效的新方法,深入、系统地挖掘已有的降雨数据,利用历史的降雨径流过程直接用于未来洪水预报。
发明内容
鉴于背景技术所存在的技术问题,本发明所提供的基于降雨时间分布柱状图的相似降雨径流过程查找方法,能使用较少的参数快速的从历年降雨数据中找到相似的降雨过程,其对于的径流过程可以直接用来预测未来洪水,该模型输入简单,操作简捷,能够广泛应用于生产实际。
为了解决上述技术问题,本发明采取了如下技术方案来实现:
一种基于降雨时间分布柱状图的相似降雨径流过程查找方法,步骤为:
S1、收集已知流域的场次降雨径流数据;
S2、统一时间尺度,制作原始降雨时间分布柱状图集;
S3、对原始降雨时间分布柱状图集进行裁剪;
S4、将S3中的降雨时间分布柱状图集划分为查找和测试对象集;
S5、指定测试对象集中想要查找相似场次的对象,分别使用差值和均值哈希算法计算其与查找对象集中每个对象的两个汉明距离,将两个汉明距离求均值后取反,得到与该对象的相似度;
S6、获取相似度最大的的前数个场次,将其降雨时间分布柱状图及对应相似度进行保存。
优选地,步骤S1中,根据降雨量的大小,收集的场次包括大场次、中场次、小场次,将降雨径流场次的历时步长进行统一,提取每个场次的降雨开始时间、结束时间和降雨量。
优选地,步骤S2的分解步骤为:
S2.1、根据场次历时步长,统一降雨量计算的单位时间尺度;
S2.2、将场次降雨时间作为柱状图的横坐标轴,其取值范围是将场次降雨开始和结束时间往前后各延伸指定时间段之后的数值区间;
S2.3、将场次降雨量作为柱状图的纵坐标轴,将纵坐标刻度的最大值进行统一,所述纵坐标刻度的最大值要略高于所有场次中在单位时刻的降雨量最大值;
S2.4、固定柱状图横坐标和纵坐标雨量刻度间隔,固定柱状图的柱子宽度和间隔,固定柱状图的颜色。
S2.5、将生成的原始降雨时间分布柱状图集按照对应降雨径流场次进行命名标记。
优选地,步骤S3中,裁剪掉S2中各场次原始降雨时间分布柱状图的横纵坐标轴区域,以保留特征区域,减少噪音干扰;
优选地,步骤S4中,读取S3中的降雨时间分布柱状图集,将总场次定义为(B+C)场次,其中划分前B个场次的降雨时间分布柱状图为搜索相似场次的查找对象集,后C个场次的降雨时间分布柱状图为想要查找相似场次的测试对象集。
优选地,步骤S5的分解步骤为:
S5.1、指定测试对象集中想要查找相似场次的对象:假定想要查找相似场次的对象为第D号场次的降雨时间分布柱状图,它将依次和查找对象集中每一个对象的降雨时间分布柱状图计算并得出相似度;
S5.2、使用均值哈希算法:
1)将降雨时间分布柱状图转化为统一像素大小的图片,再转化为灰度图;
其中,将彩色图像转化到灰度图的方法与S5.3相同,计算公式为:
gray=r*0.3+g*0.59+b*0.11
r,g,b分别代表图像三个通道的对应像素点的值,加权系数0.3,0.59,0.11是公认的根据人的亮度感知系统调节出来的标准化参数,gray为图像转换为灰度图的对应像素点的灰度值。
2)计算灰度图的平均灰度;
其中,计算平均灰度的公式为:
i,j分别代表图像的纵坐标和横坐标,gray[i,j]为图像对应位置的像素点的灰度值,m*n表示图像的像素值,avg代表所计算图像的平均灰度值。
3)定义一个空的哈希字符串,遍历像素图片,让大于平均灰度的像素点在哈希字符串上加“1”,小于或等于平均灰度的像素点在哈希字符串上加”0”,获取到长度与像素点个数相同的哈希字符串;
其中,假设hasha为利用均值哈希算法所获取的哈希字符串,则计算哈希字符串的公式为:
hash是一个只有字符“1”,“0”组成的字符串。
4)比较两图片的哈希字符串对应位置的字符是否相同,获得这两张图片的汉明距离,汉明距离即为不相同字符的个数;
其中,通过哈希字符串对比得到汉明距离的方法与S5.3相同,计算公式为:
hasha1和hasha2分别代表两张不同图片的使用均值哈希算法所计算的哈希字符串,hash[i]代表哈希字符串对应位置的字符,N代表不相同字符的个数,即为汉明距离。
S5.3、使用差值哈希算法:
1)将降雨时间分布柱状图转化为统一像素大小的图片,再转化为灰度图;
其中,要保证差值哈希算法与均值哈希算法计算得到的哈希字符串长度相同,考虑到算法的差异,则当均值哈希算法计算的图像像素为m*n时,统一像素P为:
P=(m+1)*n
2)定义一个空的哈希字符串,遍历像素图片,比较每行前一个像素是否大于后一个像素,大于则在哈希字符串上加“1”,相反则加“0”,获取获取到长度与像素点个数相同的哈希字符串;
其中,假设hashd为利用差值哈希算法所获取的哈希字符串,则计算哈希字符串的公式为:
3)比较两图片的哈希字符串对应位置的字符是否相同,获得这两张图片的汉明距离,汉明距离即为不相同字符的个数;
S5.4、计算均值哈希算法和差值哈希算法得出的两个汉明距离的平均值,再取反并以百分数表示,得到两张图像的相似度。
其中,计算相似度的公式为:
Na、Nd分别代表利用均值哈希算法和差值哈希算法得到的汉明距离,S为求得的相似度。
优选地,步骤S6包括以下步骤:
S6.1、相似度数值越大则图像越相似,则可以标记最相似的前数个场次序号;
S6.2、显示想要查找相似场次的对象和与其最相似的前数个对象的降雨时间分布柱状图,人工验证是否准确;
S6.3、按相似度大小顺序保存最相似的前数个对象的降雨时间分布柱状图及其相似度,获取最相似的前数个场次。
本发明可达到以下有益效果:
本发明所述降雨径流相似查找方法,可在汛期复杂降雨情况下,通过降雨信息查找相似的历史过程为洪水预报提供参考,具有预见期不受限制、工作量小、参数少、精度高、可靠性高等优点。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为本发明流程图;
图2为本发明原始降雨时间分布柱状图集;
图3为本发明裁剪处理后降雨时间分布柱状图;
图4为本发明计算得到的相似度对比图;
图5为本发明第260个场次最相似的五个场次的降雨时间分布柱状图。
具体实施方式
实施例1:
优选的方案如图1至图5所示,一种基于降雨时间分布柱状图的相似降雨径流过程查找方法,步骤为:
S1、收集已知流域的场次降雨径流数据;
S2、统一时间尺度,制作原始降雨时间分布柱状图集;
S3、对原始降雨时间分布柱状图集进行裁剪;
S4、将S3中的降雨时间分布柱状图集划分为查找和测试对象集;
S5、指定测试对象集中想要查找相似场次的对象,分别使用差值和均值哈希算法计算其与查找对象集中每个对象的两个汉明距离,将两个汉明距离求均值后取反,得到与该对象的相似度;
S6、获取相似度最大的的前数个场次,将其降雨时间分布柱状图及对应相似度进行保存。
步骤S1中,根据降雨量的大小,收集的场次包括大场次、中场次、小场次,将降雨径流场次的历时步长进行统一,提取每个场次的降雨开始时间、结束时间和降雨量。历时步长可设为:1小时、3小时、6小时……等,本例中每个场次历时步长为24小时。
步骤S2的分解步骤为:
S2.1、根据场次历时步长,统一降雨量计算的单位时间尺度;
考虑到本例中场次历时步长为24小时,设置单位时间尺度为1小时,则计算每个场次中每一个小时的降雨量。
S2.2、将场次降雨时间作为柱状图的横坐标轴,其取值范围是将场次降雨开始和结束时间往前后各延伸指定时间段之后的数值区间;
例如:在开始时间Tstart向前取24小时作为取数开始时间,结束时间Tend向后取24小时作为取数结束时间,以取数开始时间和取数结束时间作为每个场次原始降雨时间分布柱状图的横坐标范围:
Tstart=T-24
Tend=T+24
本步骤中的24小时也可设置为4、8、16、24等四的倍数;
S2.3、将场次降雨量作为柱状图的纵坐标轴,将纵坐标刻度的最大值进行统一,所述纵坐标刻度的最大值要略高于所有场次中在单位时刻的降雨量最大值;
固定纵轴范围的最大值以所有场次降雨量最大值的120%为基准,最小值为0。
S2.4、固定柱状图横坐标和纵坐标雨量刻度间隔,固定柱状图的柱子宽度和间隔,固定柱状图的颜色。
柱状图横坐标的间隔为四个小时显示一个场次降雨日期时间点,则一个间隔中包含四个单位时间尺度计算的降雨量。旋转日期时间点的显示标记,使标记可以倾斜的整齐排列。
S2.5、将生成的原始降雨时间分布柱状图集按照对应降雨径流场次进行命名标记。
每一张原始降雨时间分布柱状图的标记方式按照"第*场次降雨径流+洪峰时间+峰型”的格式保存。按照场次遍历生成262场的原始降雨时间分布柱状图。
步骤S3中:裁剪掉S2中各场次原始降雨时间分布柱状图的横纵坐标轴区域,以保留特征区域,减少噪音干扰;
步骤S4中,读取S3中的降雨时间分布柱状图集,将总场次定义为(B+C)场次,其中划分前B个场次的降雨时间分布柱状图为搜索相似场次的查找对象集,后C个场次的降雨时间分布柱状图为想要查找相似场次的测试对象集。本实施例中的B=248,C=14。对象总数=总场次数=262。
例如:读取S3中的降雨时间分布柱状图集,划分前248个场次的降雨时间分布柱状图为搜索相似场次的查找对象集,后14个场次的降雨时间分布柱状图为想要查找相似场次的测试对象集。
步骤S5的分解步骤为:
S5.1、指定测试对象集中想要查找相似场次的对象:假定想要查找相似场次的对象为第D号场次的降雨时间分布柱状图,它将依次和查找对象集中每一个对象的降雨时间分布柱状图计算并得出相似度;本实施例中,D=260。
例如:假定想要查找相似场次的对象为第260号场次,输入对象就为260。同时,它将依次和查找对象集中248个对象的降雨时间分布柱状图进行计算并得出相似度。指定的对象与查找对象集中248个对象的相似度是通过均值哈希算法和差值哈希算法分别得出一个汉明距离后,把汉明距离取平均后再取反得出。
S5.2、使用均值哈希算法:
1)将降雨时间分布柱状图转化为统一像素大小的图片,再转化为灰度图;
2)计算灰度图的平均灰度;
3)定义一个空的哈希字符串,遍历像素图片,让大于平均灰度的像素点在哈希字符串上加“1”,小于或等于平均灰度的像素点在哈希字符串上加“0”,获取到长度与像素点个数相同的哈希字符串;
4)比较两图片的哈希字符串对应位置的字符是否相同,获得这两张图片的汉明距离,汉明距离即为不相同字符的个数;
例如:使用均值哈希算法:先将降雨时间分布柱状图转化为100*100像素大小的图片,然后转化为灰度图,计算彩色图像到灰度图转化:
gray=r*0.3+g*0.59+b*0.11
r,g,b分别代表降雨时间分布柱状图三个通道的对应像素点的值,通过转换公式,得到这张图片转换为灰度图片的对应的像素点的灰度值gray。
例如:计算这个灰度图的平均灰度,平均灰度计算公式为:
gray[i,j]代表一张图片对应位置的像素点的灰度值,avg代表所求和的像素点的灰度值的平均值。
定义一个空的哈希字符串,遍历100*100的像素图片,让大于平均灰度的像素点在哈希字符串上加“1”,小于或等于平均灰度的像素点在哈希字符串上加“0”。遍历完后,会获得一个长度10000的字符串,通过两张图片的哈希字符串对应位置的字符是否相同来获得这两张图片的汉明距离,汉明距离即为不相同字符的个数。利用均值哈希算法计算哈希字符串:
S5.3、使用差值哈希算法:
1)将降雨时间分布柱状图转化为统一像素大小的图片,再转化为灰度图;
2)定义一个空的哈希字符串,遍历像素图片,比较每行前一个像素是否大于后一个像素,大于则在哈希字符串上加“1”,相反则加“0”,获取获取到长度与像素点个数相同的哈希字符串;
3)比较两图片的哈希字符串对应位置的字符是否相同,获得这两张图片的汉明距离,汉明距离即为不相同字符的个数;
先将降雨时间分布柱状图转化为101*100像素大小的图片,即宽101像素,长100像素的图片,然后将降雨时间分布柱状图转化为灰度图;
定义一个空的哈希字符串,遍历101*100的像素图片,通过比较每行前一个像素是否大于后一个像素,大于则在哈希字符串上加“1”,相反则加“0”。遍历完后,会获得一个长度10000的字符串。通过两张图片的哈希字符串对应位置的字符是否相同来获得这两张图片的汉明距离,汉明距离即为不相同字符的个数。利用差值哈希算法计算哈希字符串:
S5.4、计算均值哈希算法和差值哈希算法得出的两个汉明距离的平均值,再取反并以百分数表示,得到两张图像的相似度。
通过hash值对比得到汉明距离
Na、Nd分别代表使用均值哈希算法和差值哈希算法后哈希字符串中不相同字符的个数,即为汉明距离。
由于它们不相同的字符个数都在0-10000的区间内,我们将他们的汉明距离取平均后,用10000减取平均后的汉明距离,得到相似度,相似度也在0-10000的区间内。则相似度S的公式为
步骤S6包括以下步骤:
S6.1、相似度数值越大则图像越相似,则可以标记最相似的前数个场次序号;
S6.2、显示想要查找相似场次的对象和与其最相似的前数个对象的降雨时间分布柱状图,人工验证是否准确;
S6.3、按相似度大小顺序保存最相似的前数个对象的降雨时间分布柱状图及其相似度,获取最相似的前数个场次。
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)
1.一种基于降雨时间分布柱状图的相似降雨径流过程查找方法,其特征在于包括以下步骤:
S1、收集已知流域的场次降雨径流数据;
S2、统一时间尺度,制作原始降雨时间分布柱状图集;
S3、对原始降雨时间分布柱状图集进行裁剪;
S4、将S3中的降雨时间分布柱状图集划分为查找和测试对象集;
S5、指定测试对象集中想要查找相似场次的对象,分别使用差值和均值哈希算法计算其与查找对象集中每个对象的两个汉明距离,将两个汉明距离求均值后取反,得到与该对象的相似度;
S6、获取相似度最大的的前数个场次,将其降雨时间分布柱状图及对应相似度进行保存;
步骤S4中,读取S3中的降雨时间分布柱状图集,将总场次定义为(B+C)场次,其中划分前B个场次的降雨时间分布柱状图为搜索相似场次的查找对象集,后C个场次的降雨时间分布柱状图为想要查找相似场次的测试对象集;
步骤S5的分解步骤为:
S5.1、指定测试对象集中想要查找相似场次的对象:假定想要查找相似场次的对象为第D号场次的降雨时间分布柱状图,它将依次和查找对象集中每一个对象的降雨时间分布柱状图计算并得出相似度;
S5.2、使用均值哈希算法:
1)将降雨时间分布柱状图转化为统一像素大小的图片,再转化为灰度图;
其中,将彩色图像转化到灰度图的方法与S5.3相同,计算公式为:
gray=r*0.3+g*0.59+b*0.11
r,g,b分别代表图像三个通道的对应像素点的值,加权系数0.3,0.59,0.11是公认的根据人的亮度感知系统调节出来的标准化参数,gray为图像转换为灰度图的对应像素点的灰度值;
2)计算灰度图的平均灰度;
其中,计算平均灰度的公式为:
i,j分别代表图像的纵坐标和横坐标,gray[i,j]为图像对应位置的像素点的灰度值,m*n表示图像的像素值,avg代表所计算图像的平均灰度值;
3)定义一个空的哈希字符串,遍历像素图片,让大于平均灰度的像素点在哈希字符串上加“1”,小于或等于平均灰度的像素点在哈希字符串上加“0”,获取到长度与像素点个数相同的哈希字符串;
其中,假设hasha为利用均值哈希算法所获取的哈希字符串,则计算哈希字符串的公式为:
hash是一个只有字符“1”,“0”组成的字符串;
4)比较两图片的哈希字符串对应位置的字符是否相同,获得这两张图片的汉明距离,汉明距离即为不相同字符的个数;
其中,通过哈希字符串对比得到汉明距离的方法与S5.3相同,计算公式为:
hasha1和hasha2分别代表两张不同图片的使用均值哈希算法所计算的哈希字符串,hash[i]代表哈希字符串对应位置的字符,N代表不相同字符的个数,即为汉明距离;
S5.3、使用差值哈希算法:
1)将降雨时间分布柱状图转化为统一像素大小的图片,再转化为灰度图;
其中,要保证差值哈希算法与均值哈希算法计算得到的哈希字符串长度相同,考虑到算法的差异,则当均值哈希算法计算的图像像素为m*n时,统一像素P为:
P=(m+1)*n
2)定义一个空的哈希字符串,遍历像素图片,比较每行前一个像素是否大于后一个像素,大于则在哈希字符串上加“1”,相反则加“0”,获取获取到长度与像素点个数相同的哈希字符串;
其中,假设hashd为利用差值哈希算法所获取的哈希字符串,则计算哈希字符串的公式为:
3)比较两图片的哈希字符串对应位置的字符是否相同,获得这两张图片的汉明距离,汉明距离即为不相同字符的个数;
S5.4、计算均值哈希算法和差值哈希算法得出的两个汉明距离的平均值,再取反并以百分数表示,得到两张图像的相似度;
其中,计算相似度的公式为:
Na、Nd分别代表利用均值哈希算法和差值哈希算法得到的汉明距离,S为求得的相似度。
2.根据权利要求1所述的基于降雨时间分布柱状图的相似降雨径流过程查找方法,其特征在于:步骤S1中,根据降雨量的大小,收集的场次包括大场次、中场次、小场次,将降雨径流场次的历时步长进行统一,提取每个场次的降雨开始时间、结束时间和降雨量。
3.根据权利要求1所述的基于降雨时间分布柱状图的相似降雨径流过程查找方法,其特征在于:步骤S2的分解步骤为:
S2.1、根据场次历时步长,统一降雨量计算的单位时间尺度;
S2.2、将场次降雨时间作为柱状图的横坐标轴,其取值范围是将场次降雨开始和结束时间往前后各延伸指定时间段之后的数值区间;
S2.3、将场次降雨量作为柱状图的纵坐标轴,将纵坐标刻度的最大值进行统一,所述纵坐标刻度的最大值要略高于所有场次中在单位时刻的降雨量最大值;
S2.4、固定柱状图横坐标和纵坐标雨量刻度间隔,固定柱状图的柱子宽度和间隔,固定柱状图的颜色;
S2.5、将生成的原始降雨时间分布柱状图集按照对应降雨径流场次进行命名标记。
4.根据权利要求1所述的基于降雨时间分布柱状图的相似降雨径流过程查找方法,其特征在于:步骤S3中,裁剪掉S2中各场次原始降雨时间分布柱状图的横纵坐标轴区域,以保留特征区域,减少噪音干扰。
5.根据权利要求1所述的基于降雨时间分布柱状图的相似降雨径流过程查找方法,其特征在于:步骤S6包括以下步骤:
S6.1、相似度数值越大则图像越相似,则可以标记最相似的前数个场次序号;
S6.2、显示想要查找相似场次的对象和与其最相似的前数个对象的降雨时间分布柱状图,人工验证是否准确;
S6.3、按相似度大小顺序保存最相似的前数个对象的降雨时间分布柱状图及其相似度,获取最相似的前数个场次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310536513.3A CN116701553B (zh) | 2023-05-12 | 2023-05-12 | 基于降雨时间分布柱状图的相似降雨径流过程查找方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310536513.3A CN116701553B (zh) | 2023-05-12 | 2023-05-12 | 基于降雨时间分布柱状图的相似降雨径流过程查找方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116701553A CN116701553A (zh) | 2023-09-05 |
CN116701553B true CN116701553B (zh) | 2024-01-02 |
Family
ID=87838284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310536513.3A Active CN116701553B (zh) | 2023-05-12 | 2023-05-12 | 基于降雨时间分布柱状图的相似降雨径流过程查找方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116701553B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815043A (zh) * | 2020-06-30 | 2020-10-23 | 中国科学院地理科学与资源研究所 | 一种基于暴雨特征的洪水流量预测方法及系统 |
CN113268627A (zh) * | 2021-06-08 | 2021-08-17 | 河北省科学院应用数学研究所 | 一种暴雨相似天气自动检索方法 |
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 |
KR20220164198A (ko) * | 2021-06-04 | 2022-12-13 | 한국과학기술정보연구원 | 딥러닝 기반 강수 예측 방법, 그리고 이를 구현하기 위한 장치 |
WO2023279890A1 (zh) * | 2021-07-06 | 2023-01-12 | 北京锐安科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN116012937A (zh) * | 2022-12-14 | 2023-04-25 | 杭州电子科技大学信息工程学院 | 一种交警手势识别方法 |
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 |
CN116091801A (zh) * | 2023-03-07 | 2023-05-09 | 河海大学 | 一种基于深度学习的降雨图像相似性搜索方法 |
-
2023
- 2023-05-12 CN CN202310536513.3A patent/CN116701553B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815043A (zh) * | 2020-06-30 | 2020-10-23 | 中国科学院地理科学与资源研究所 | 一种基于暴雨特征的洪水流量预测方法及系统 |
KR20220164198A (ko) * | 2021-06-04 | 2022-12-13 | 한국과학기술정보연구원 | 딥러닝 기반 강수 예측 방법, 그리고 이를 구현하기 위한 장치 |
CN113268627A (zh) * | 2021-06-08 | 2021-08-17 | 河北省科学院应用数学研究所 | 一种暴雨相似天气自动检索方法 |
WO2023279890A1 (zh) * | 2021-07-06 | 2023-01-12 | 北京锐安科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
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 |
CN116012937A (zh) * | 2022-12-14 | 2023-04-25 | 杭州电子科技大学信息工程学院 | 一种交警手势识别方法 |
CN116091801A (zh) * | 2023-03-07 | 2023-05-09 | 河海大学 | 一种基于深度学习的降雨图像相似性搜索方法 |
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 (3)
Title |
---|
Improvement of rainfall and flood forecasts by blending ensemble NWP rainfall with radar prediction considering orographic rainfall;Wansik Yu等;《Journal of Hydrology》;第531卷;第494-507页 * |
基于流域日降雨量图的相似性搜索方法研究;余宇峰等;《河海大学学报(自然科学版)》;第1-9页 * |
长江上游流域降雨产流关系模型研究;王锦等;《人民长江》;第53卷(第10期);第81-86页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116701553A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kuang et al. | A comparative analysis of megacity expansions in China and the US: Patterns, rates and driving forces | |
CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
Wang et al. | Using GF-2 imagery and the conditional random field model for urban forest cover mapping | |
US8498474B2 (en) | Methods for image characterization and image search | |
CN108509980B (zh) | 一种基于字典学习的水位监测方法 | |
JP5279765B2 (ja) | 気温予測システム、気温予測方法およびプログラム | |
CN110427841A (zh) | 基于遥感信息的常绿林地识别方法及系统 | |
Șerban et al. | Mapping thermokarst lakes and ponds across permafrost landscapes in the Headwater Area of Yellow River on northeastern Qinghai-Tibet Plateau | |
Feng et al. | Impervious surface extraction based on different methods from multiple spatial resolution images: a comprehensive comparison | |
CN115984850A (zh) | 基于改进Deeplabv3+的轻量级遥感影像语义分割方法 | |
CN103886013A (zh) | 一种基于网络视频监控中的智能图像检索系统 | |
CN113111716A (zh) | 一种基于深度学习的遥感影像半自动标注方法和装置 | |
CN110738272B (zh) | 一种输电线路通道可视化机械类连续告警样本的标注方法 | |
Patidar et al. | A rule-based spectral unmixing algorithm for extracting annual time series of sub-pixel impervious surface fraction | |
CN116701553B (zh) | 基于降雨时间分布柱状图的相似降雨径流过程查找方法 | |
CN112396092B (zh) | 一种众包开发者推荐方法和装置 | |
CN110909645B (zh) | 一种基于半监督流形嵌入的人群计数方法 | |
CN117611988A (zh) | 一种面向新增耕地管护属性自动识别监测方法及系统 | |
CN116863341A (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
Bao et al. | An automatic extraction method for individual tree crowns based on self-adaptive mutual information and tile computing | |
CN113344247A (zh) | 一种基于深度学习的电力设施选址预测方法与系统 | |
Fang et al. | Digital instrument identification based on block feature fusion SSD | |
Wang et al. | Identification of Winter Wheat-Growing Areas Based on the XGBoost Algorithm | |
CN114882376B (zh) | 基于最优锚点尺度的卷积神经网络遥感影像目标检测方法 | |
Chang et al. | A novel self-relearning approach for Landsat image change detection |
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 |