CN117094575B - 降水产品的水文适用性综合评价方法、装置、设备及介质 - Google Patents
降水产品的水文适用性综合评价方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117094575B CN117094575B CN202311354993.8A CN202311354993A CN117094575B CN 117094575 B CN117094575 B CN 117094575B CN 202311354993 A CN202311354993 A CN 202311354993A CN 117094575 B CN117094575 B CN 117094575B
- Authority
- CN
- China
- Prior art keywords
- data
- runoff
- precipitation
- simulation
- evaluation index
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 368
- 238000001556 precipitation Methods 0.000 title claims abstract description 241
- 238000004088 simulation Methods 0.000 claims description 311
- 238000005259 measurement Methods 0.000 claims description 58
- 239000011159 matrix material Substances 0.000 claims description 49
- 239000013598 vector Substances 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 27
- 238000012937 correction Methods 0.000 claims description 24
- 238000012795 verification Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 20
- 238000003491 array Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000000737 periodic effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000013524 data verification Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 claims 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 44
- 230000006870 function Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 6
- 239000002689 soil Substances 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Abstract
本发明涉及水文水资源技术领域，公开了一种降水产品的水文适用性综合评价方法、装置、设备及介质，该方法包括计算不同条件下的各类评价指标，根据第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标，得到降水产品的综合评价结果，本发明根据目标时间段内的多条径流模拟数据序列和实测径流数据序列获取各类评价指标，根据不同条件下的各类评价指标获取降水产品的综合评价结果，综合考虑不同条件下的各类评价指标，解决降水产品在不同条件下的评价结果有差异的问题，有利于更合理、客观地选取降水产品。
Description
技术领域
本发明涉及水文水资源技术领域，具体涉及一种降水产品的水文适用性综合评价方法、装置、设备及介质。
背景技术
降水信息是陆地水循环系统的关键组成部分，也是陆面水文过程模拟的重要驱动要素，其准确性对水文模型模拟和预测结果的可靠性有重要影响。地面降水观测站一直以来是获取降水信息的主要方式，但有限的地面观测站点布设常常难以全面刻画降水的空间异质特性。近几十年来，为满足大规模水文应用研究的需要，已经开发了一系列高时空分辨率的大尺度网格降水数据产品，有效弥补了地面观测方式在时空尺度观测能力的局限性。但是网格降水产品易受到各种误差来源的影响，在进行水文应用前需要对各种降水产品的准确性和适应性进行全面评估，以针对具体区域选取适宜的降水产品。然而，降水产品在不同条件下得到的评价结果也会有差异，不利于全面、客观、合理地选取适用于水文应用的降水产品。
发明内容
有鉴于此，本发明提供了一种降水产品的水文适用性综合评价方法、装置、设备及介质，以解决降水产品在不同条件下的评价结果有差异的问题。
第一方面，本发明提供了一种降水产品的水文适用性综合评价方法，该方法包括：获取目标时间段的原始降水数据和原始实测径流数据序列，原始降水数据是通过待评价的降水产品采集的；根据原始降水数据确定多条降水数据，每条降水数据的时间尺度不同；根据原始实测径流数据序列确定多条实测径流数据序列，每条实测径流数据序列的时间尺度不同；将各条降水数据分别输入至对应的水文模拟模型中，得到目标时间段内的多条径流模拟数据序列；根据实测径流数据序列和径流模拟数据序列，计算第一类评价指标；根据实测径流数据序列，确定实测年径流量数据序列；根据实测年径流量数据序列确定目标时段中所属于不同水平年的年份，根据不同水平年的年份确定目标时间段中各类水平年的径流模拟数据子序列和各类水平年的实测径流数据子序列；根据各类水平年的径流模拟数据子序列和实测径流数据子序列，计算第二类评价指标；
根据各类水平年的径流模拟数据子序列和实测径流数据子序列，确定各类水平年中，不同流量水平分别对应的径流模拟数据数组和实测径流数据数组；根据各类水平年中，不同流量水平分别对应的径流模拟数据数组和实测径流数据数组，计算第三类评价指标；根据径流量模拟数据序列和实测径流量数据序列，确定目标时间段内，不同流量水平分别对应的全时期径流模拟数据数组和全时期实测径流数据数组；根据全时期径流模拟数据数组和全时期实测径流数据数组，计算第四类评价指标；根据第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标，得到降水产品的综合评价结果。
本发明中，根据水文模拟模型获取径流模拟数据序列，根据目标时间段内的多条径流模拟数据序列和实测径流数据序列获取各类评价指标，根据不同条件下的各类评价指标获取降水产品的综合评价结果，综合考虑不同条件下的各类评价指标，解决降水产品在不同条件下的评价结果有差异的问题，有利于更合理、客观地选取降水产品。
在一种可选的实施方式中，第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标中分别包含多个评价指标，根据第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标，得到降水产品的综合评价结果，包括：根据第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标，建立多层次因素集；建立多层次权重集，多层次权重集为各评价指标的权重向量；根据评价指标划分评价等级，设定评语集；建立多层次模糊关系隶属度矩阵，多层次模糊关系隶属度矩阵用于表征多层次因素集中各评价指标隶属于评语集中各评价等级的程度；根据多层次权重集和多层次模糊关系隶属度矩阵，建立多层次模糊综合评价矩阵；根据多层次模糊综合评价矩阵的模糊综合评价向量确定降水产品的综合评价结果。
本发明中，根据第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标中的多个评价指标建立多层次因素集，根据多层次权重集、多层次模糊关系隶属度矩阵建立多层次模糊综合评价矩阵，根据多层次模糊综合评价矩阵的模糊综合评价向量确定降水产品隶属于评语集中的等级区间的程度，确定综合评价结果，综合考虑不同条件下降水产品的水文适用性。
在一种可选的实施方式中，多层次因素集中，第一类评价指标属于第一层次因素，第二类评价指标属于第二层次因素，第三类评价指标和第四类评价指标属于第三层次因素。
本发明中，各类评价指标用于建立多层次因素集，建立多层次因素集用于从多个因素对降水产品进行综合评判，可以避免使用确定性评价等级导致评价结果不够准确和全面的问题。
在一种可选的实施方式中，降水数据包括日尺度降水数据和月尺度降水数据，原始降水数据是以日为时间单位采集的数据，根据原始降水数据确定多条降水数据，包括：将原始降水数据进行非空校验和异常值校验，得到校正数据；将校正数据进行观测时差修正，生成日尺度降水数据，日尺度降水数据中包含每日的降水量；根据日尺度降水数据确定各月的平均降水量；根据各月的平均降水量生成月尺度降水数据。
本发明中，将原始降水数据进行非空校验和异常值校验，避免原始降水数据存在空数据或者异常情况；将校正数据进行观测时差修正，便于调用；降水数据包括日尺度降水数据和月尺度降水数据，不同尺度的降水数据利于对降水产品的准确性和适用性进行全面评估。
在一种可选的实施方式中，根据实测年径流量数据序列确定目标时段中所属于不同水平年的年份，根据不同水平年的年份确定目标时间段中各类水平年的径流模拟数据子序列和各类水平年的实测径流数据子序列，包括：根据实测年径流量数据序列绘制皮尔逊III型水文频率曲线；根据皮尔逊III型水文频率曲线，将目标时间段内的各年份划分为不同水平年；将实测径流数据序列划分为与不同水平年对应的实测径流数据子序列；将径流模拟数据序列划分为与不同水平年对应的径流模拟数据子序列。
本发明中获取目标时间段中各类水平年的径流模拟数据子序列和各类水平年的实测径流数据子序列，有利于满足降水产品水文适用性评价中多时期的评价需求。
在一种可选的实施方式中，根据各类水平年的径流模拟数据子序列和实测径流数据子序列，确定各类水平年中，不同流量水平分别对应的径流模拟数据数组和实测径流数据数组，包括：对于任一类水平年，按照分位数对实测径流数据子序列中的径流量进行划分，得到不同流量水平分别对应的实测径流数据数组，流量水平包含高流量水平、中流量水平、低流量水平；对于任一类水平年，按照分位数对径流模拟数据子序列中的径流量进行划分，得到不同流量水平分别对应的径流模拟数据数组，流量水平包含高流量水平、中流量水平、低流量水平。
本发明中，获取不同流量水平分别对应的实测径流数据数组和径流模拟数据数组，满足降水产品水文适用性，有利于满足降水产品水文适用性评价中多阶段的评价需求。
在一种可选的实施方式中，水文模拟模型的构建过程包括：
获取训练数据，训练数据中包含目标流域在不同时期的训练降水数据、实测降水数据、流域关键河断面的径流数据、气象数据、地理数据，训练降水数据是通过待评价的降水产品采集的；将训练数据划分为率定期数据及验证期数据；根据率定期数据构建初始水文模拟模型，并对初始水文模拟模型的参数进行率定；根据验证期数据对初始水文模拟模型进行校验，若校验结果满足预设条件，将初始水文模拟模型确定为水文模拟模型。
本发明中，对初始水文模拟模型的参数进行率定，获取满足预期条件的水文模拟模型，满足预期条件的水文模拟模型利于各类评价指标的获取。
在一种可选的实施方式中，评价指标包括：
评价指标由纳什效率系数和百分比偏差表征，纳什效率系数表征实测值与模拟值的变化趋势一致性，百分比偏差表征实测值与模拟值的误差水平。
本发明中，纳什效率系数体现实测值与模拟值的拟合程度，百分比偏差体现实测值与模拟值的累积误差，百分比偏差越小表征相对误差越低。
第二方面，本发明提供了一种降水产品的水文适用性综合评价装置，该装置包括：原始数据获取模块，用于获取目标时间段的原始降水数据和原始实测径流数据序列，原始降水数据是通过待评价的降水产品采集的；降水数据获取模块，用于根据原始降水数据确定多条降水数据，每条降水数据的时间尺度不同；实测径流数据序列获取模块，用于根据原始实测径流数据序列确定多条实测径流数据序列，每条实测径流数据序列的时间尺度不同；径流模拟数据序列获取模块，用于将各条降水数据分别输入至对应的水文模拟模型中，得到目标时间段内的多条径流模拟数据序列；第一类评价指标获取模块，用于根据实测径流数据序列和径流模拟数据序列，计算第一类评价指标；实测年径流量数据序列获取模块，用于根据实测径流数据序列，确定实测年径流量数据序列；径流数据子序列获取模块，用于根据实测年径流量数据序列确定目标时段中所属于不同水平年的年份，根据不同水平年的年份确定目标时间段中各类水平年的径流模拟数据子序列和各类水平年的实测径流数据子序列；第二类评价指标获取模块，用于根据各类水平年的径流模拟数据子序列和实测径流数据子序列，计算第二类评价指标；径流数据数组获取模块，用于根据各类水平年的径流模拟数据子序列和实测径流数据子序列，确定各类水平年中，不同流量水平分别对应的径流模拟数据数组和实测径流数据数组；第三类评价指标获取模块，用于根据各类水平年中，不同流量水平分别对应的径流模拟数据数组和实测径流数据数组，计算第三类评价指标；全时期数据数组获取模块，用于根据径流量模拟数据序列和实测径流量数据序列，确定目标时间段内，不同流量水平分别对应的全时期径流模拟数据数组和全时期实测径流数据数组；第四类评价指标获取模块，用于根据全时期径流模拟数据数组和全时期实测径流数据数组，计算第四类评价指标；第一综合评价结果获取模块，用于根据第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标，得到降水产品的综合评价结果。
本发明中，根据水文模拟模型获取径流模拟数据序列，根据目标时间段内的多条径流模拟数据序列和实测径流数据序列获取各类评价指标，根据不同条件下的各类评价指标获取降水产品的综合评价结果，综合考虑不同条件下的各类评价指标，解决降水产品在不同条件下的评价结果有差异的问题，有利于更合理、客观地选取降水产品。
在一种可选的实施方式中，第一综合评价结果获取模块，包括：多层次因素集建立单元，用于根据第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标，建立多层次因素集；多层次权重集建立单元，用于建立多层次权重集，多层次权重集为各评价指标的权重向量；评语集建立单元，用于根据评价指标划分评价等级，设定评语集；多层次模糊关系隶属度矩阵建立单元，用于建立多层次模糊关系隶属度矩阵，多层次模糊关系隶属度矩阵用于表征多层次因素集中各评价指标隶属于评语集中各评价等级的程度；多层次模糊综合评价矩阵建立单元，用于根据多层次权重集和多层次模糊关系隶属度矩阵，建立多层次模糊综合评价矩阵；第二综合评价结果获取单元，用于根据多层次模糊综合评价矩阵的模糊综合评价向量确定降水产品的综合评价结果。
本发明中，根据第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标中的多个评价指标建立多层次因素集，根据多层次权重集、多层次模糊关系隶属度矩阵建立多层次模糊综合评价矩阵，根据多层次模糊综合评价矩阵的模糊综合评价向量确定降水产品隶属于评语集中的等级区间的程度，确定综合评价结果，综合考虑不同条件下降水产品的水文适用性。
在一种可选的实施方式中，降水数据获取模块，包括：
数据校验单元，用于将原始降水数据进行非空校验和异常值校验，得到校正数据；日尺度降水数据获取单元，用于将校正数据进行观测时差修正，生成日尺度降水数据，日尺度降水数据中包含每日的降水量；平均降水量获取单元，用于根据日尺度降水数据确定各月的平均降水量；月尺度降水数据获取单元，用于根据各月的平均降水量生成根据日尺度降水数据确定。
本发明中，对原始降水数据进行非空校验和异常值校验确保降水数据的准确性，将校正数据进行观测时差修正便于后续数据调用，根据日尺度降水数据确定日尺度降水数据，多尺度降水数据利于降水产品综合评价结果的准确性和客观性。
在一种可选的实施方式中，径流数据子序列获取模块，包括：
水文频率曲线获取单元，用于根据实测年径流量数据序列绘制皮尔逊III型水文频率曲线；水平年划分单元，用于根据皮尔逊III型水文频率曲线，将目标时间段内的各年份划分为不同水平年；实测径流数据子序列获取单元，用于将实测径流数据序列划分为与不同水平年对应的实测径流数据子序列；
径流模拟数据子序列获取单元，用于将径流模拟数据序列划分为与不同水平年对应的径流模拟数据子序列。
第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的降水产品的水文适用性综合评价方法。
第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的降水产品的水文适用性综合评价方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明一些实施例的降水产品的水文适用性综合评价方法的流程示意图；
图2是根据本发明一些实施例的降水产品水文适用性综合评价的多层级次因素集；
图3是根据本发明实施例的降水产品的水文适用性综合评价装置的结构框图；
图4是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了一种降水产品的水文适用性综合评价方法，通过各类评价指标以确保准确全面的对降水产品的水文适用性进行综合评价。
根据本发明实施例，提供了一种降水产品的水文适用性综合评价方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种降水产品的水文适用性综合评价方法，可用于上述的移动终端，图1是根据本发明实施例的降水产品的水文适用性综合评价方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101，获取目标时间段的原始降水数据和原始实测径流数据序列，原始降水数据是通过待评价的降水产品采集的。
在一可选实施例中，获取涵盖流域范围的多种降水产品采集的原始降水数据，获取流域关键河道面的原始实测径流数据序列。
步骤S102，根据原始降水数据确定多条降水数据，每条降水数据的时间尺度不同。
在一可选实施例中，多条降水数据包括日尺度降水数据和月尺度降水数据。
步骤S103，根据原始实测径流数据序列确定多条实测径流数据序列，每条实测径流数据序列的时间尺度不同。
在一可选实施例中，多条实测径流数据序列包括日尺度实测径流数据序列和月尺度实测径流数据序列。
步骤S104，将各条降水数据分别输入至对应的水文模拟模型中，得到目标时间段内的多条径流模拟数据序列。
在一可选实施例中，将日尺度降水数据输入至第一水文模拟模型中，获取日尺度径流模拟数据序列，将月尺度降水数据输入至第二水文模拟模型中，获取月尺度径流模拟数据序列。
步骤S105，根据实测径流数据序列和径流模拟数据序列，计算第一类评价指标。
在一可选实施例中，根据日尺度实测径流数据序列和日尺度径流模拟数据序列计算第一水文模拟模型的第一类评价指标，根据月尺度实测径流数据序列和月尺度径流模拟数据序列计算第二水文模拟模型的第一类评价指标。
步骤S106，根据实测径流数据序列，确定实测年径流量数据序列。
在一可选实施例中，将实测径流数据序列经过数据统计分别确定实测年径流量数据序列。
步骤S107，根据实测年径流量数据序列确定目标时段中所属于不同水平年的年份，根据不同水平年的年份确定目标时间段中各类水平年的径流模拟数据子序列和各类水平年的实测径流数据子序列。
步骤S108，根据各类水平年的径流模拟数据子序列和实测径流数据子序列，计算第二类评价指标。
在一可选实施例中，各类水平年的径流模拟数据子序列和实测径流数据子序列计算第一水文模拟模型的第三类评价指标和第二水文模拟模型的第三类评价指标。
步骤S109，根据各类水平年的径流模拟数据子序列和实测径流数据子序列，确定各类水平年中，不同流量水平分别对应的径流模拟数据数组和实测径流数据数组。
在一可选实施例中，各类水平年的径流模拟数据子序列和实测径流数据子序列根据流量水平进行划分，确定不同流量水平分别对应的径流模拟数据数组和实测径流数据数组。
步骤S110，根据各类水平年中，不同流量水平分别对应的径流模拟数据数组和实测径流数据数组，计算第三类评价指标。
在一可选实施例中，根据不同流量水平对应的径流模拟数据数组和实测径流数据数组，计算第一水文模拟模型的第三类评价指标和第二水文模拟模型的第三类评价指标。
步骤S111，根据径流量模拟数据序列和实测径流量数据序列，确定目标时间段内，不同流量水平分别对应的全时期径流模拟数据数组和全时期实测径流数据数组。
步骤S112，根据全时期径流模拟数据数组和全时期实测径流数据数组，计算第四类评价指标。
在一可选实施例中，根据目标时间段内全时期不同流量水平对应全时期径流模拟数据数组和全时期实测径流数据数组，计算第一水文模拟模型的第四类评价指标和第二水文模拟模型的第四类评价指标。
步骤S113，根据第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标，得到降水产品的综合评价结果。
在一可选实施例中，依据模糊系统原理根据第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标得到降水产品的综合评价结果。
本实施例提供的降水产品的水文适用性综合评价方法，根据第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标，得到降水产品的综合评价结果，其中，第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标是根据不同尺度、不同水平年和不同流量水平条件下的径流数据计算得到的，因此，本发明实施例中综合不同尺度、不同水平年和不同流量水平多个维度对降水产品进行综合评判， 确保降水产品水文适用性的综合评价结果的准确性和全面性。
本实施例中提供了一种降水产品的水文适用性综合评价方法，步骤如下：
步骤a101，将原始降水数据进行非空校验和异常值校验，得到校正数据。
在一可选实施例中，非空校验为遍历原始降水数据中的所有日数据，日数据为原始降水数据中每天的降水量，检查日数据是否为空，若某日数据存在空值，则删除该日数据；异常校验为遍历所有日数据，检查日数据是否为异常情况标记值，若日数据存在异常情况标记值，则删除该日数据；
步骤a102，将校正数据进行观测时差修正，生成日尺度降水数据，日尺度降水数据中包含每日的降水量。
在一可选实施例中，将校正数据进行观测时差修正，将降水数据的统计时段调整为UTC 0时至UTC 24。
步骤a103，根据日尺度降水数据确定各月的平均降水量，根据各月的平均降水量生成月尺度降水数据。
步骤a104，构建水文模拟模型，水文模型包括第一水文模拟模型和第二水文模拟模型。
具体地，上述步骤a104包括：
步骤b1，获取训练数据，训练数据中包含目标流域在不同时期的训练降水数据、实测降水数据、流域关键河断面的径流数据、气象数据、地理数据，训练降水数据是通过待评价的降水产品采集的。
在一可选实施例中，将获取的训练数据进行非空校验和异常值校验和观测时差修正，气象数据包括流域内气象站点观测得到的日尺度风速、气温和相对湿度数据，地理数据包括流域内地形、土地利用类型和土壤类型数据。
步骤b2，将训练数据划分为率定期数据及验证期数据；根据率定期数据构建初始水文模拟模型，并对初始水文模拟模型的参数进行率定。
在一可选实施例中，将训练数据按7:3的比例，划分为率定期数据及验证期数据，率定期数据用于率定水文模拟模型参数，验证期数据用于水文模拟模型效果校验；根据率定期数据中的训练降水数据、气象数据和地理数据构建第一初始水文模拟模型和第二初始水文模拟模型，并对第一初始水文模拟模型和第二初始水文模拟模型的参数进行率定；根据率定期的多条实测径流数据序列和率定期的多条径流模拟数据序列，计算率定期评价指标，判断率定期评价指标是否满足预设条件。
在一可选实施例中，建立初始水文模拟模型可选择集总式水文模型、分布式水文模型等多种类型；以美国农业部农业研究局开发的半分布式水文模型（Soil and WaterAssessment Tool，SWAT）为例，SWAT模型采用的水量平衡表达式如公式（1）所示，模型中地表径流由公式（2）进行计算。模型运行计算得到的地表径流数据序列，即为后续步骤提到的多条径流模拟数据序列。
其中，表示时段末土壤含水量，t为计算时长，/>为时段初土壤含水量，为降水量，/>和/>分别为地表径流量和地下径流量，/>为蒸散发量，/>为土壤剖面侧向渗流和渗漏量，/>是包括填挖、截留等的初损量，S是流域最大截留量，可根据流域土地利用类型和土壤属性进行设置。
步骤b3，根据验证期数据对初始水文模拟模型进行校验，若校验结果满足预设条件，将初始水文模拟模型确定为水文模拟模型。
在一可选实施例中，根据验证期的多条实测径流数据序列和验证期的多条径流模拟数据序列，计算验证期评价指标，判断验证期评价指标是否满足预设条件；若验证期评价指标和率定期评价指标均满足预设条件，将第一初始水文模拟模型和第二初始水文模拟模型分别确定为第一水文模拟模型和第二水文模拟模型；若均不满足或有一项不满足，重复参数率定，直至满足预期条件要求为止。
可选地，参数率定可采用优化率参方法，以水文模拟模型各参数为优化变量，以水文模拟模型效果评价指标为优化目标，可采用遗传算法、粒子群算法、最大似然算法等优化算法，搜索优化变量的最优组合形式，得到参数优化率定结果。
在一可选实施例中，水文模拟模型的评价指标由纳什效率系数和百分比偏差表征，纳什效率系数表征实测值与模拟值的变化趋势一致性，百分比偏差表征实测值与模拟值的误差水平；根据训练降水数据构建水文模拟模型，训练降水数据是通过待评价的降水产品采集，计算水文模型在不同条件下的评价指标，水文模型在不同条件下的评价指标表征降水产品在不同条件下的水文适用性。
具体地，纳什效率系数和百分比偏差如公式3和公式4所示：
其中，X和Y分别表示实测值和模拟值，为所有模拟时段的实测值的平均值，i表示第i个模拟时段，n表示模拟时段总数。
在一可选实施例中，纳什效率系数（Nash-Sutcliffe Efficiency，NSE）和百分比偏差（Percentage Bias，PBIAS）的预期条件要求可根据具体流域情况、模拟时间尺度等因素进行确定。例如，日尺度径流模拟中可以NSE超过0.60、PBIAS低于30%作为预期条件，月尺度径流模拟中可以NSE超过0.75、PBIAS低于25%作为预期条件。
在一可选实施例中，不同降水产品对应的水文模拟模型中的参数不同。
本发明中，对不同降水产品进行水文适用性综合评价时，需重新构建初始水文模拟模型并对初始水文模拟模型进行参数率定，确定水文模拟模型。
步骤a105，将各条降水数据分别输入至对应的水文模拟模型中，得到目标时间段内的多条径流模拟数据序列；根据实测径流数据序列和径流模拟数据序列，计算第一类评价指标。
在一可选实施例中，第一类评价指标表征降水产品在不同尺度下的水文适用性评价指标；第一类评价指标包括日尺度模拟一致性（NSEd）、日尺度模拟误差（PBISAd）、月尺度模拟一致性（NSEm）和月尺度模拟误差（PBISAm）。
其中，日尺度模拟一致性是通过上述公式3计算得到的，在计算日尺度模拟一致性时，公式3中的（X）表示实测径流数据序列，公式3中的（Y）表示径流模拟数据序列，为所有模拟时段的实测径流数据序列的平均值；日尺度模拟误差是通过上述公式4计算得到的，在计算日尺度模拟误差时，公式4中的（X）表示实测径流数据序列，公式3中的（Y）表示径流模拟数据序列，/>为所有模拟时段的实测径流数据序列的平均值；月尺度模拟一致性（NSEm）和月尺度模拟误差（PBIASm）同上。
步骤a106，根据实测径流数据序列，确定实测年径流量数据序列。
在一可选实施例中，将实测径流数据序列进行整理确定实测年径流量数据序列。
步骤a107，根据实测年径流量数据序列确定目标时段中所属于不同水平年的年份，根据不同水平年的年份确定目标时间段中各类水平年的径流模拟数据子序列和各类水平年的实测径流数据子序列。
具体地，上述步骤a107包括：
步骤c1，根据实测年径流量数据序列绘制皮尔逊III型水文频率曲线。
步骤c2，根据皮尔逊III型水文频率曲线，将目标时间段内的各年份划分为不同水平年。
在一可选实施例中，将目标时间段内的水平年划分为特丰水年、偏丰水年、平水年、偏枯水年和特枯水年。
在一可选实施例中，皮尔逊III（P-III）型水文频率曲线如公式所示，
其中，为/>的伽马函数，/>、/>和/>均为P-III型分布形状尺度和位置的参数。
步骤c3，将实测径流量数据序列划分为与不同水平年对应的实测径流数据子序列。
在一可选实施例中，以P-III型水文频率曲线中12.5%、37.5%、62.5、87.5%频率为依据划分特丰水年、偏丰水年、平水年、偏枯水年和特枯水年；将年径流量对应水文频率低于12.5%的年份划分为特丰水年，将P在12.5%~37.5%的年份划分为偏丰水年，将水文频率在37.5%~62.5%的年份划分为平水年，将水文频率在62.5%~87.5%的年份划分为偏枯水年，将水文频率超过87.5%的年份划分为特枯水年。
步骤c4，将径流模拟数据序列划分为与不同水平年对应的径流模拟数据子序列。
步骤a108，根据各类水平年的径流模拟数据子序列和实测径流数据子序列，计算第二类评价指标。
在一可选实施例中，第二类评价指标表征降水产品在不同水平年下的水文适用性评价指标；第二类评价指标包括特丰水年、偏丰水年、平水年、偏枯水年和特枯水年下的日尺度模拟一致性、日尺度模拟误差、月尺度模拟一致性和月尺度模拟误差。
在一可选实施例中，第二类评价指标还包括目标时间段内全时期的日尺度模拟一致性、日尺度模拟误差、月尺度模拟一致性和月尺度模拟误差，第一类评价指标中日尺度模拟一致性、日尺度模拟误差、月尺度模拟一致性和月尺度模拟误差即为第二类评价指标中的全时期的日尺度模拟一致性、日尺度模拟误差、月尺度模拟一致性和月尺度模拟误差。
在一可选实施例中，如公式3和公式4，根据实测径流数据子序列（实测值）和径流模拟数据子序列（模拟值）计算特丰水年、偏丰水年、平水年、偏枯水年和特枯水年下的日尺度模拟一致性、日尺度模拟误差、月尺度模拟一致性和月尺度模拟误差。
其中，日尺度下特丰水年的日尺度模拟一致性（NSEd_ewet）、日尺度模拟误差（PBIASd_ewet），日尺度下偏丰水年的日尺度模拟一致性（NSEd_wet）、日尺度模拟误差（PBIASd_wet），日尺度下平水年的日尺度模拟一致性（NSEd_nor）、日尺度模拟误差（PBIASd_nor），日尺度下偏枯水年的日尺度模拟一致性（NSEd_dry）、日尺度模拟误差（PBIASd_dry），日尺度下特枯水年的日尺度模拟一致性（NSEd_edry）、日尺度模拟误差（PBIASd_edry），特丰水年、偏丰水年、平水年、偏枯水年和特枯水年下的月尺度模拟一致性和月尺度模拟误差同上。
步骤a109，根据各类水平年的径流模拟数据子序列和实测径流数据子序列，确定各类水平年中，不同流量水平分别对应的径流模拟数据数组和实测径流数据数组。
具体地，上述步骤a109包括：
步骤d1，对于任一类水平年，按照分位数对实测径流数据子序列中的径流量进行划分，得到不同流量水平分别对应的实测径流数据数组，流量水平包含高流量水平、中流量水平、低流量水平。
在一可选实施例中，对日尺度和月尺度下的各水平年的实测径流数据子序列进行升序排列，计算实测径流数据子序列的50%和90%分位数，作为高、中、低流量水平的划分依据；将各水平年下低于50%分位数的实测径流数据子序列划分为低流量水平，将处于50%分位数和90%分位数之间的实测径流数据子序列划分为中流量水平，将超过90%分位数的实测径流数据子序列划分为高流量水平。
步骤d2，对于任一类水平年，按照分位数对径流模拟数据子序列中的径流量进行划分，得到不同流量水平分别对应的径流模拟数据数组，流量水平包含高流量水平、中流量水平、低流量水平。
步骤a110，根据各类水平年中，不同流量水平分别对应的径流模拟数据数组和实测径流数据数组，计算第三类评价指标。
在一可选实施例中，第三类评价指标表征降水产品在各类水平年中不同流量水平下的水文适用性评价指标；第三类评价指标包括各类水平年中高流量水平、中流量水平、低流量水平下的日尺度模拟一致性、日尺度模拟误差、月尺度模拟一致性和月尺度模拟误差。
在一可选实施例中，如公式3和公式4，根据实测径流数据数组（实测值）和径流模拟数据数组（模拟值）计算高流量水平、中流量水平、低流量水平下的日尺度模拟一致性、日尺度模拟误差、月尺度模拟一致性和月尺度模拟误差。
其中，日尺度特丰水年下高流量水平的日尺度模拟一致性（NSEd_ewet_H）、日尺度模拟误差（PBIASd_ewet_H），日尺度特丰水年下中流量水平的日尺度模拟一致性（NSEd_ewet_M）、日尺度模拟误差（PBIASd_ewet_M），日尺度特丰水年下低流量水平的日尺度模拟一致性（NSEd_ewet_L）、日尺度模拟误差（PBIASd_ewet_L），日尺度偏丰水年下高流量水平的日尺度模拟一致性（NSEd_wet_H）、日尺度模拟误差（PBIASd_wet_H），日尺度偏丰水年下中流量水平的日尺度模拟一致性（NSEd_wet_M）、日尺度模拟误差（PBIASd_wet_M），日尺度偏丰水年下低流量水平的日尺度模拟一致性（NSEd_wet_L）、日尺度模拟误差（PBIASd_wet_L），日尺度平水年下高流量水平的日尺度模拟一致性（NSEd_nor_H）、日尺度模拟误差（PBIASd_nor_H），日尺度平水年下中流量水平的日尺度模拟一致性（NSEd_nor_M）、日尺度模拟误差（PBIASd_nor_M），日尺度平水年下低流量水平的日尺度模拟一致性（NSEd_nor_L）、日尺度模拟误差（PBIASd_nor_L），日尺度偏枯水年下高流量水平的日尺度模拟一致性（NSEd_dry_H）、日尺度模拟误差（PBIASd_dry_H），日尺度偏枯水年下中流量水平的日尺度模拟一致性（NSEd_dry_M）、日尺度模拟误差（PBIASd_dry_M），日尺度偏枯水年下低流量水平的日尺度模拟一致性（NSEd_dry_L）、日尺度模拟误差（PBIASd_dry_L），日尺度特枯水年下高流量水平的日尺度模拟一致性（NSEd_edry_H）、日尺度模拟误差（PBIASd_edry_H），日尺度特枯水年下中流量水平的日尺度模拟一致性（NSEd_edry_M）、日尺度模拟误差（PBIASd_edry_M），日尺度特枯水年下低流量水平的日尺度模拟一致性（NSEd_edry_L）、日尺度模拟误差（PBIASd_edry_L），高流量水平、中流量水平、低流量水平下的月尺度模拟一致性和月尺度模拟误差同上。
步骤a111，根据径流量模拟数据序列和实测径流量数据序列，确定目标时间段内，不同流量水平分别对应的全时期径流模拟数据数组和全时期实测径流数据数组。
在一可选实施例中，与上述步骤a109的划分方法相同，确定目标时间段内全时期的不同流量水平分别对应的全时期径流模拟数据数组和全时期实测径流数据数组，流量水平包含高流量水平、中流量水平、低流量水平。
步骤a112，根据全时期径流模拟数据数组和全时期实测径流数据数组，计算第四类评价指标。
在一可选实施例中，第四类评价指标表征降水产品在目标时间段内全时期中不同流量水平下的水文适用性评价指标；第四类评价指标包括目标时间段内全时期中高流量水平、中流量水平、低流量水平下的日尺度模拟一致性、日尺度模拟误差、月尺度模拟一致性和月尺度模拟误差。
在一可选实施例中，如公式3和公式4，根据全时期实测径流数据数组（实测值）和全时期径流模拟数据数组（模拟值）计算高流量水平、中流量水平、低流量水平下的日尺度模拟一致性、日尺度模拟误差、月尺度模拟一致性和月尺度模拟误差。
其中，日尺度全时期下高流量水平的日尺度模拟一致性（NSEd_all_H）、日尺度模拟误差（PBIASd_all_H），日尺度全时期下中流量水平的日尺度模拟一致性（NSEd_all_M）、日尺度模拟误差（PBIASd_all_M），日尺度全时期下低流量水平的日尺度模拟一致性（NSEd_all_L）、日尺度模拟误差（PBIASd_all_L），高流量水平、中流量水平、低流量水平下的月尺度模拟一致性和月尺度模拟误差同上。
步骤a113，根据第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标，得到降水产品的综合评价结果。
具体地，步骤a113包括：
步骤e1，根据第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标，建立多层次因素集。
在一可选实施例中，因素集为评价指标集合向量，如下式所示：
其中，U k为第k层因素集向量，u k为第k层因素集中的评价指标，n k为第k层因素集中的评价指标总个数。
在一可选实施例中，如图2所示，在多层次因素集中，第一类评价指标属于第一层次因素，第二类评价指标属于第二层次因素，第三类评价指标和第四类评价指标属于第三层次因素；以第一类评价指标作为第一层次因素，即日尺度模拟一致性、日尺度模拟误差、月尺度模拟一致性和月尺度模拟误差；以第二类评价指标作为第二层次因素，以日尺度模拟一致性为例，选取全时期和不同水平年下的日尺度模拟一致性作为该层次下的评价指标，第一层次因素中日尺度模拟一致性、日尺度模拟误差、月尺度模拟一致性和月尺度模拟误差即为第二层次因素中的全时期的日尺度模拟一致性、日尺度模拟误差、月尺度模拟一致性和月尺度模拟误差；以第三类评价指标和第四类评价指标作为第三层次，以日尺度模拟一致性下的全时期（NSEall）为例，选择日尺度下全时期模拟阶段中的高流量、中流量、低流量水平的NSE（即NSEd_all_H、NSEd_all_M、NSEd_all_L）作为该层次下的评价指标。
步骤e2，建立多层次权重集，多层次权重集为各评价指标的权重向量。
在一可选实施例中，多层次权重集为上述因素集中各因素的权重向量：
其中，A k为权重集向量，a为第k层因素集中各评价指标的权重系数，n k为第k层权重集中权重系数的总个数；各层级下的各评价指标权重之和需等于1； 具体地，多层次权重集可采用熵权法、层次分析法等方法进行确定，也可根据不同模拟情景的实际需求进行人为设定；如无特殊需求，可对各评价指标进行等权重赋值。
步骤e3，根据评价指标划分评价等级，设定评语集。
在一可选实施例中，评语集为评价等级的集合向量：
其中，V为评语集向量，v为评语集中的各个评价等级，m为评价等级总个数。
具体地，根据水文模型模拟效果评价指标中的纳什效率系数（Nash-SutcliffeEfficiency, NSE）和百分比偏差（Percentage Bias, PBIAS），设定不可接受（Unacceptable, UA）、不满意（Not Satisfactory, NS）、满意（Satisfactory, S）、良好（Good, G）、较好（Very Good, VG）5档评价等级；各评价指标的评价等级划分阈值详见表1。
表1水文模拟模型评价指标等级划分阈值
步骤e4，建立多层次模糊关系隶属度矩阵，多层次模糊关系隶属度矩阵用于表征多层次因素集中各评价指标隶属于评语集中各评价等级的程度。
在一可选实施例中，使用隶属度表示多层次集中因素与评语集模糊集合之间的关系，若因素集U中的第i个元素对评价集V中的第1个元素的隶属度为ri1，则对第i个元素的单因素评价结果用模糊集合可表示为，以此类推，第i个元素对于第j个因素的隶属度用模糊集合可表示为：
其中，R k为第k层次因素的隶属度矩阵，r ij表示各降水产品从第k层次的第i个评价指标u i对于第j个评价等级v i模糊子集的隶属度；隶属度的范围为0~1，其值越大，代表评价指标属于该评价等级的程度越强。
具体地，隶属度可根据隶属度函数进行计算，隶属度函数包括矩形分布函数、梯形分布函数、k次抛物线型分布函数、正态分布函数等；公式10为偏大型隶属度函数，适用于指标值越大，隶属于该评价等级程度越强的情况。
其中，i表示因素集中的第i个评价指标，j表示评语集中的第j个评价等级，表示用于评价某降水产品驱动水文模型模拟效果的第i个评价指标的指标值，/>为第i个评价指标对应的第j个评价等级的等级划分阈值，各评价指标的评价等级划分阈值详见表1。
步骤e5，根据多层次权重集和多层次模糊关系隶属度矩阵，建立多层次模糊综合评价矩阵。
在一可选实施例中，基于上述得到的多层次权重集和多层次模糊关系隶属度矩阵，对多层次权重集和多层次模糊关系隶属度矩阵使用矩阵乘法即可得到第k层次评价指标相对于公式11中所有评语的多层次模糊综合评价矩阵，如公式11所示：
具体地，以图1为例，降水产品水文适用性的模糊综合评价的计算流程如下：
首先，以第三层次因素集的权重集向量和隶属度矩阵相乘，得到第三层次的多层次模糊综合评价向量/>；
然后，以第二层次因素集的权重集向量和第三层次的多层次模糊综合评价矩阵B3相乘，得到第二层次的多层次模糊综合评价向量/>；
最后，以第一层次因素集的权重集向量和第二层次的多层次模糊综合评价向量B2相乘，得到第一层次的多层次模糊综合评价向量/>，该向量中隶属度最大的项对应的评价等级即为该降水产品水文适用性的模糊综合评价结果。
步骤e6，根据多层次模糊综合评价矩阵的模糊综合评价向量确定降水产品的综合评价结果。
在一可选实施例中，第一层次的多层次模糊综合评价向量，该向量中隶属度最大的项对应的评价等级即为该降水产品水文适用性的模糊综合评价结果。
在一可选实施例中，从侧重层次的多层次模糊综合评价向量中的隶属度最大的项对应的评价等级即为该降水产品水文适用性的模糊综合评价结果。具体地，某降水产品重点考虑第二层次中的评价指标，则根据第二层次的多层次模糊综合评价向量B2中隶属度最大的项对应的评价等级即为该降水产品水文适用性的模糊综合评价结果。
在一可选实施例中，根据上述步骤对多种降水产品进行模糊综合评价确定降水产品的综合评价结果，以综合评价结果等级更高的降水产品作为应用于流域水文模拟的降水数据源；若存在两种或两种以上降水产品的最高层次评价结果类似，可根据实际应用的需要，参考较低层次的评价结果作为筛选降水数据源的依据。
本实施例提供的降水产品的水文适用性综合评价方法，满足降水产品水文适用性评价中多种评价指标、多种时间尺度、各水平年、各流量水平的评价需求，解决降水产品在不同条件下的评价结果有差异的问题，充分考虑了不同条件下的评价指标，利于全面、客观、合理地选取适用于水文应用的降水产品。
在本实施例中还提供了一种降水产品的水文适用性综合评价装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种降水产品的水文适用性综合评价装置，如图3所示，包括：
原始数据获取模块201，用于获取目标时间段的原始降水数据和原始实测径流数据序列，原始降水数据是通过待评价的降水产品采集的。
降水数据获取模块202，用于根据原始降水数据确定多条降水数据，每条降水数据的时间尺度不同。
实测径流数据序列获取模块203，用于根据原始实测径流数据序列确定多条实测径流数据序列，每条实测径流数据序列的时间尺度不同。
径流模拟数据序列获取模块204，用于将各条降水数据分别输入至对应的水文模拟模型中，得到目标时间段内的多条径流模拟数据序列。
第一类评价指标获取模块205，用于根据实测径流数据序列和径流模拟数据序列，计算第一类评价指标。
实测年径流量数据序列获取模块206，用于根据实测径流数据序列，确定实测年径流量数据序列。
径流数据子序列获取模块207，用于根据实测年径流量数据序列确定目标时段中所属于不同水平年的年份，根据不同水平年的年份确定目标时间段中各类水平年的径流模拟数据子序列和各类水平年的实测径流数据子序列。
第二类评价指标获取模块208，用于根据各类水平年的径流模拟数据子序列和实测径流数据子序列，计算第二类评价指。
径流数据数组获取模块209，用于根据各类水平年的径流模拟数据子序列和实测径流数据子序列，确定各类水平年中，不同流量水平分别对应的径流模拟数据数组和实测径流数据数组。
第三类评价指标获取模块210，用于根据各类水平年中，不同流量水平分别对应的径流模拟数据数组和实测径流数据数组，计算第三类评价指标。
全时期数据数组获取模块211，用于根据径流量模拟数据序列和实测径流量数据序列，确定目标时间段内，不同流量水平分别对应的全时期径流模拟数据数组和全时期实测径流数据数组。
第四类评价指标获取模块212，用于根据全时期径流模拟数据数组和全时期实测径流数据数组，计算第四类评价指标。
第一综合评价结果获取模块213，用于根据第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标，得到降水产品的综合评价结。
在一些可选的实施例方式中，第一综合评价结果获取模块213包括：
多层次因素集建立单元，用于根据第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标，建立多层次因素集。
多层次权重集建立单元，用于建立多层次权重集，多层次权重集为各评价指标的权重向量。
评语集建立单元，用于根据评价指标划分评价等级，设定评语集。
多层次模糊关系隶属度矩阵建立单元，用于建立多层次模糊关系隶属度矩阵，多层次模糊关系隶属度矩阵用于表征多层次因素集中各评价指标隶属于评语集中各评价等级的程度。
多层次模糊综合评价矩阵建立单元，用于根据多层次权重集和多层次模糊关系隶属度矩阵，建立多层次模糊综合评价矩阵。
第二综合评价结果获取单元，用于根据多层次模糊综合评价矩阵的模糊综合评价向量确定降水产品的综合评价结果。
在一些可选的实施例方式中，降水数据获取模块202包括：
数据校验单元，用于将原始降水数据进行非空校验和异常值校验，得到校正数据。
日尺度降水数据获取单元，用于将校正数据进行观测时差修正，生成日尺度降水数据，日尺度降水数据中包含每天的降水量。
平均降水量获取单元，用于根据日尺度降水数据确定各月的平均降水量。
月尺度降水数据获取单元，用于根据各月的平均降水量生成月尺度降水数据。
在一些可选的实施例方式中，径流数据子序列获取模块207包括：
水文频率曲线获取单元，用于根据实测年径流量数据序列绘制皮尔逊III型水文频率曲线。
水平年划分单元，用于根据皮尔逊III型水文频率曲线，将目标时间段内的各年份划分为不同水平年；
实测径流数据子序列获取单元，用于将实测径流数据序列划分为与不同水平年对应的实测径流数据子序列；
径流模拟数据子序列获取单元，用于将径流模拟数据序列划分为与不同水平年对应的径流模拟数据子序列。
本实施例中的降水产品的水文适用性综合评价装置是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本发明实施例还提供一种计算机设备，具有上述图3所示的降水产品的水文适用性综合评价装置。
请参阅图4，图4是本发明可选实施例提供的一种计算机设备的结构示意图，如图4所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器10可以对在计算机设备内执行的指令进行处理，包括存储在存储器20中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器10为例。
处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。
其中，存储器20存储有可由至少一个处理器10执行的指令，以使至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据一种小程序落地页的展现的计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器，例如，随机存取存储器；存储器20也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括输入装置30和输出装置40。处理器10、存储器20、输入装置30和输出装置40可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置30可接收输入的数字或字符信息，以及产生与该计算机设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等。输出装置40可以包括显示设备、辅助照明装置（例如，LED）和触觉反馈装置（例如，振动电机）等。上述显示设备包括但不限于液晶显示器，发光二极管，显示器和等离子体显示器。在一些可选的实施方式中，显示设备可以是触摸屏。
本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (13)
1.一种降水产品的水文适用性综合评价方法，其特征在于，所述方法包括：
获取目标时间段的原始降水数据和原始实测径流数据序列，所述原始降水数据是通过待评价的降水产品采集的；
根据所述原始降水数据确定多条降水数据，每条降水数据的时间尺度不同；
根据所述原始实测径流数据序列确定多条实测径流数据序列，每条实测径流数据序列的时间尺度不同；
将各条降水数据分别输入至对应的水文模拟模型中，得到所述目标时间段内的多条径流模拟数据序列；
根据所述实测径流数据序列和所述径流模拟数据序列，计算第一类评价指标；
根据所述实测径流数据序列，确定实测年径流量数据序列；
根据所述实测年径流量数据序列确定目标时段中所属于不同水平年的年份，根据所述不同水平年的年份确定所述目标时间段中各类水平年的径流模拟数据子序列和各类水平年的实测径流数据子序列；
根据所述各类水平年的径流模拟数据子序列和所述实测径流数据子序列，计算第二类评价指标；
根据所述各类水平年的径流模拟数据子序列和所述实测径流数据子序列，确定各类水平年中，不同流量水平分别对应的径流模拟数据数组和实测径流数据数组；
根据所述各类水平年中，不同流量水平分别对应的所述径流模拟数据数组和所述实测径流数据数组，计算第三类评价指标；
根据所述径流模拟数据序列和所述实测径流数据序列，确定所述目标时间段内，不同流量水平分别对应的全时期径流模拟数据数组和全时期实测径流数据数组；
根据所述全时期径流模拟数据数组和所述全时期实测径流数据数组，计算第四类评价指标；
根据所述第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标，得到所述降水产品的综合评价结果；
所述第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标中分别包含多个评价指标，
所述根据所述第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标，得到所述降水产品的综合评价结果，包括：
根据第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标，建立多层次因素集；
建立多层次权重集，所述多层次权重集为各评价指标的权重向量；
根据所述评价指标划分评价等级，设定评语集；
建立多层次模糊关系隶属度矩阵，所述多层次模糊关系隶属度矩阵用于表征所述多层次因素集中各评价指标隶属于所述评语集中各评价等级的程度；
根据所述多层次权重集和所述多层次模糊关系隶属度矩阵，建立多层次模糊综合评价矩阵；
根据所述多层次模糊综合评价矩阵的模糊综合评价向量确定所述降水产品的综合评价结果。
2.根据权利要求1所述的方法，其特征在于，在所述多层次因素集中，所述第一类评价指标属于第一层次因素，所述第二类评价指标属于第二层次因素，所述第三类评价指标和所述第四类评价指标属于第三层次因素。
3.根据权利要求1所述的方法，其特征在于，所述降水数据包括日尺度降水数据和月尺度降水数据，所述原始降水数据是以日为时间单位采集的数据，所述根据所述原始降水数据确定多条降水数据，包括：
将所述原始降水数据进行非空校验和异常值校验，得到校正数据；
将校正数据进行观测时差修正，生成所述日尺度降水数据，所述日尺度降水数据中包含每日的降水量；
根据所述日尺度降水数据确定各月的平均降水量；
根据所述各月的平均降水量生成所述月尺度降水数据。
4.根据权利要求1所述的方法，其特征在于，所述根据所述实测年径流量数据序列确定目标时段中所属于不同水平年的年份，根据所述不同水平年的年份确定所述目标时间段中各类水平年的径流模拟数据子序列和各类水平年的实测径流数据子序列，包括：
根据所述实测年径流量数据序列绘制皮尔逊III型水文频率曲线；
根据所述皮尔逊III型水文频率曲线，将所述目标时间段内的各年份划分为不同水平年；
将所述实测径流数据序列划分为与所述不同水平年对应的实测径流数据子序列；
将所述径流模拟数据序列划分为与所述不同水平年对应的径流模拟数据子序列。
5.根据权利要求1所述的方法，其特征在于，所述根据所述各类水平年的径流模拟数据子序列和所述实测径流数据子序列，确定各类水平年中，不同流量水平分别对应的径流模拟数据数组和实测径流数据数组，包括：
对于任一类水平年，按照分位数对所述实测径流数据子序列中的径流量进行划分，得到不同流量水平分别对应的实测径流数据数组，所述流量水平包含高流量水平、中流量水平、低流量水平；
对于任一类水平年，按照分位数对所述径流模拟数据子序列中的径流量进行划分，得到不同流量水平分别对应的径流模拟数据数组，所述流量水平包含高流量水平、中流量水平、低流量水平。
6.根据权利要求1所述的方法，其特征在于，所述水文模拟模型的构建过程包括：
获取训练数据，所述训练数据中包含目标流域在不同时期的训练降水数据、实测降水数据、流域关键河断面的径流数据、气象数据、地理数据，所述训练降水数据是通过待评价的降水产品采集的；
将所述训练数据划分为率定期数据及验证期数据；
根据所述率定期数据构建初始水文模拟模型，并对所述初始水文模拟模型的参数进行率定；
根据所述验证期数据对所述初始水文模拟模型进行校验，若校验结果满足预设条件，将所述初始水文模拟模型确定为所述水文模拟模型。
7.根据权利要求1所述的方法，其特征在于，所述评价指标，包括：
所述评价指标由纳什效率系数和百分比偏差表征，所述纳什效率系数表征实测值与模拟值的变化趋势一致性，所述百分比偏差表征所述实测值与所述模拟值的误差水平。
8.根据权利要求1所述的方法，其特征在于，包括：
不同降水产品对应的水文模拟模型中的参数不同。
9.一种降水产品的水文适用性综合评价装置，其特征在于，所述装置包括：
原始数据获取模块，用于获取目标时间段的原始降水数据和原始实测径流数据序列，所述原始降水数据是通过待评价的降水产品采集的；
降水数据获取模块，用于根据所述原始降水数据确定多条降水数据，每条降水数据的时间尺度不同；
实测径流数据序列获取模块，用于根据所述原始实测径流数据序列确定多条实测径流数据序列，每条实测径流数据序列的时间尺度不同；
径流模拟数据序列获取模块，用于将各条降水数据分别输入至对应的水文模拟模型中，得到所述目标时间段内的多条径流模拟数据序列；
第一类评价指标获取模块，用于根据所述实测径流数据序列和所述径流模拟数据序列，计算第一类评价指标；
实测年径流量数据序列获取模块，用于根据所述实测径流数据序列，确定实测年径流量数据序列；
径流数据子序列获取模块，用于根据所述实测年径流量数据序列确定目标时段中所属于不同水平年的年份，根据所述不同水平年的年份确定所述目标时间段中各类水平年的径流模拟数据子序列和各类水平年的实测径流数据子序列；
第二类评价指标获取模块，用于根据所述各类水平年的径流模拟数据子序列和所述实测径流数据子序列，计算第二类评价指标；
径流数据数组获取模块，用于根据所述各类水平年的径流模拟数据子序列和所述实测径流数据子序列，确定各类水平年中，不同流量水平分别对应的径流模拟数据数组和实测径流数据数组；
第三类评价指标获取模块，用于根据所述各类水平年中，不同流量水平分别对应的所述径流模拟数据数组和所述实测径流数据数组，计算第三类评价指标；
全时期数据数组获取模块，用于根据所述径流模拟数据序列和所述实测径流数据序列，确定所述目标时间段内，不同流量水平分别对应的全时期径流模拟数据数组和全时期实测径流数据数组；
第四类评价指标获取模块，用于根据所述全时期径流模拟数据数组和所述全时期实测径流数据数组，计算第四类评价指标；
第一综合评价结果获取模块，用于根据所述第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标，得到所述降水产品的综合评价结果；
所述第一综合评价结果获取模块，包括：
多层次因素集建立单元，用于根据第一类评价指标、第二类评价指标、第三类评价指标和第四类评价指标，建立多层次因素集；
多层次权重集建立单元，用于建立多层次权重集，所述多层次权重集为各评价指标的权重向量；
评语集建立单元，用于根据所述评价指标划分评价等级，设定评语集；
多层次模糊关系隶属度矩阵建立单元，用于建立多层次模糊关系隶属度矩阵，所述多层次模糊关系隶属度矩阵用于表征所述多层次因素集中各评价指标隶属于所述评语集中各评价等级的程度；
多层次模糊综合评价矩阵建立单元，用于根据所述多层次权重集和所述多层次模糊关系隶属度矩阵，建立多层次模糊综合评价矩阵；
第二综合评价结果获取单元，用于根据所述多层次模糊综合评价矩阵的模糊综合评价向量确定所述降水产品的综合评价结果。
10.根据权利要求9所述的装置，其特征在于，所述降水数据获取模块，包括：
数据校验单元，用于将所述原始降水数据进行非空校验和异常值校验，得到校正数据；
日尺度降水数据获取单元，用于将校正数据进行观测时差修正，生成所述日尺度降水数据，所述日尺度降水数据中包含每日的降水量；
平均降水量获取单元，用于根据所述日尺度降水数据确定各月的平均降水量；
月尺度降水数据获取单元，用于根据所述各月的平均降水量生成所述月尺度降水数据。
11.根据权利要求9所述的装置，其特征在于，所述径流数据子序列获取模块，包括：
水文频率曲线获取单元，用于根据所述实测年径流量数据序列绘制皮尔逊III型水文频率曲线；
水平年划分单元，用于根据所述皮尔逊III型水文频率曲线，将所述目标时间段内的各年份划分为不同水平年；
实测径流数据子序列获取单元，用于将所述实测径流数据序列划分为与所述不同水平年对应的实测径流数据子序列；
径流模拟数据子序列获取单元，用于将所述径流模拟数据序列划分为与所述不同水平年对应的径流模拟数据子序列。
12.一种计算机设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至8中任一项所述的降水产品的水文适用性综合评价方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至8中任一项所述的降水产品的水文适用性综合评价方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311354993.8A CN117094575B (zh) | 2023-10-19 | 2023-10-19 | 降水产品的水文适用性综合评价方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311354993.8A CN117094575B (zh) | 2023-10-19 | 2023-10-19 | 降水产品的水文适用性综合评价方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117094575A CN117094575A (zh) | 2023-11-21 |
| CN117094575B true CN117094575B (zh) | 2024-01-30 |
Family
ID=88777392
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311354993.8A Active CN117094575B (zh) | 2023-10-19 | 2023-10-19 | 降水产品的水文适用性综合评价方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117094575B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107403036A (zh) * | 2017-07-04 | 2017-11-28 | 河海大学 | 基于swat模型的流域天然径流计算方法 |
| CN107957982A (zh) * | 2017-12-05 | 2018-04-24 | 中国科学院遥感与数字地球研究所 | 震后次生地质灾害易发性快速评估方法和系统 |
| CN109657287A (zh) * | 2018-11-28 | 2019-04-19 | 西安理工大学 | 基于综合得分法水文模型精度识别的方法 |
| CN112819293A (zh) * | 2021-01-14 | 2021-05-18 | 中国长江三峡集团有限公司 | 气候变化影响下水库调度规则的失效预警分析方法 |
| WO2021217776A1 (zh) * | 2020-04-27 | 2021-11-04 | 中山大学 | 一种基于水文气象时间序列的径流模拟方法及系统 |
| CN115169145A (zh) * | 2022-07-22 | 2022-10-11 | 郑州大学 | 变化环境下闸控河流的基流和地表径流的水文过程模拟方法及系统 |
| CN115935667A (zh) * | 2022-12-14 | 2023-04-07 | 东莞理工学院 | 一种区域地表水资源预测模拟及其优化配置方法 |
-
2023
- 2023-10-19 CN CN202311354993.8A patent/CN117094575B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107403036A (zh) * | 2017-07-04 | 2017-11-28 | 河海大学 | 基于swat模型的流域天然径流计算方法 |
| CN107957982A (zh) * | 2017-12-05 | 2018-04-24 | 中国科学院遥感与数字地球研究所 | 震后次生地质灾害易发性快速评估方法和系统 |
| CN109657287A (zh) * | 2018-11-28 | 2019-04-19 | 西安理工大学 | 基于综合得分法水文模型精度识别的方法 |
| WO2021217776A1 (zh) * | 2020-04-27 | 2021-11-04 | 中山大学 | 一种基于水文气象时间序列的径流模拟方法及系统 |
| CN112819293A (zh) * | 2021-01-14 | 2021-05-18 | 中国长江三峡集团有限公司 | 气候变化影响下水库调度规则的失效预警分析方法 |
| CN115169145A (zh) * | 2022-07-22 | 2022-10-11 | 郑州大学 | 变化环境下闸控河流的基流和地表径流的水文过程模拟方法及系统 |
| CN115935667A (zh) * | 2022-12-14 | 2023-04-07 | 东莞理工学院 | 一种区域地表水资源预测模拟及其优化配置方法 |
Non-Patent Citations (2)
| Title |
|---|
| 水文模型参数选取对模拟径流的年际年内分布影响评估;张静文;郭家力;王敬斌;夏丽丽;岳青华;刘章君;;气候变化研究进展(第03期);67-77 * |
| 降水径流特征变化对月水量平衡模型模拟精度及参数的影响;吴迪;郭家力;向晓莉;余钟波;;长江科学院院报(第07期);45-50+56 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117094575A (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pool et al. | Evaluating model performance: towards a non-parametric variant of the Kling-Gupta efficiency | |
| Harrigan et al. | Designation and trend analysis of the updated UK Benchmark Network of river flow stations: The UKBN2 dataset | |
| Zhang et al. | Regional frequency analysis of droughts in China: a multivariate perspective | |
| Dehghani et al. | Probabilistic hydrological drought index forecasting based on meteorological drought index using Archimedean copulas | |
| CN110570021B (zh) | 径流模拟方法、装置以及计算机设备 | |
| Viviroli et al. | Continuous simulation for flood estimation in ungauged mesoscale catchments of Switzerland–Part I: Modelling framework and calibration results | |
| JP4886322B2 (ja) | 風力発電出力予測方法、風力発電出力予測装置およびプログラム | |
| da Silva et al. | Comparison of interpolation methods for spatial distribution of monthly precipitation in the state of Pernambuco, Brazil | |
| Kumar et al. | Identification of the best multi-model combination for simulating river discharge | |
| TWI663570B (zh) | 用電分析伺服器及其用電分析方法 | |
| Tigkas et al. | Comparative study of evolutionary algorithms for the automatic calibration of the Medbasin-D conceptual hydrological model | |
| Chilkoti et al. | Multi-objective autocalibration of SWAT model for improved low flow performance for a small snowfed catchment | |
| Grouillet et al. | Sensitivity analysis of runoff modeling to statistical downscaling models in the western Mediterranean | |
| Viglione et al. | Extreme rainstorms: Comparing regional envelope curves to stochastically generated events | |
| CN115048354B (zh) | 一种水文模型的创建及径流预测方法、装置及计算机设备 | |
| CN113887972A (zh) | 一种基于水文过程的综合旱情监测与评估方法 | |
| Boumenni et al. | The rainfall-runoff model GR4J optimization of parameter by genetic algorithms and Gauss-Newton method: application for the watershed Ourika (High Atlas, Morocco) | |
| Behboudian et al. | Application of information fusion techniques and satellite products in the optimal redesign of rain gauge networks | |
| CN114357737A (zh) | 针对大尺度水文模型时变参数的代理优化率定方法 | |
| CN117094575B (zh) | 降水产品的水文适用性综合评价方法、装置、设备及介质 | |
| CN117196918A (zh) | 一种建筑碳排放确定方法、装置、设备及存储介质 | |
| Nasseri et al. | A comparison between direct and indirect frameworks to evaluate impacts of climate change on streamflows: case study of Karkheh River basin in Iran | |
| Murasingh et al. | Long-term trends and projections of hydrological fluxes under RCP climate change scenarios for a mountainous river catchment of northeast India | |
| Ye et al. | Parameter identification and calibration of the Xin’anjiang model using the surrogate modeling approach | |
| Waseem et al. | Comparing spatial interpolation schemes for constructing a flow duration curve in an ungauged basin |
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 |