CN111625993A - 一种基于山区地形及降雨特征预测的小流域面雨量插值方法 - Google Patents
一种基于山区地形及降雨特征预测的小流域面雨量插值方法 Download PDFInfo
- Publication number
- CN111625993A CN111625993A CN202010447590.8A CN202010447590A CN111625993A CN 111625993 A CN111625993 A CN 111625993A CN 202010447590 A CN202010447590 A CN 202010447590A CN 111625993 A CN111625993 A CN 111625993A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- interpolation
- characteristic
- prediction
- space
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于山区地形及降雨特征预测的小流域面雨量插值方法,基于全国多普勒雷达体扫基数据产品及拼图产品,提取多普勒雷达强回波区块时空矢量特征和形状特征,利用3D卷积神经网络建立时空序列预测模型,提取降雨区块时空分布及移动预测结果及历史运动轨迹,基于高精度地形地貌数据,以降雨区块预测运动矢量为前进方向,采用模糊匹配法对山区地形特征与降雨时空分布及运动预测结果进行匹配,从而判断出多维影响降雨的因子,建立面雨量插值因子库。建立基于确定性空间插值方法及地统计学两类方法的插值算法库,实时链接到插值因子库,动态选择相应降雨情境下最优插值算法模型及参数组合,从而获取全国范围内山区小流域面雨量最优插值结果。
Description
技术领域
本发明涉及山区小流域降雨空间插值、小流域面雨量计算领域,具体为一种基于山区高精度地形地貌及降雨特征预测的小流域面雨量插值方法,主要用于山区复杂地形情况下的高精度小流域面雨量获取,从而实现准确的复杂地形区山洪灾害预警预报工作。
背景技术
受特殊的自然地理环境、极端灾害性天气以及经济社会活动等多种因素的共同影响,我国山洪灾害事件频发多发,群死群伤事件时有发生。据统计,上世纪90年代以前,全国每年山洪灾害死亡人数约占洪涝灾害死亡总人数的2/3,新世纪以来已上升到80%左右。
降雨信息是影响流域水循环最活跃的因素,为了实现山洪灾害预警预报,准确的降雨信息是最主要的因素之一且具有大量的不确定现象和强烈的时空异质性,通常降雨数据的获取是通过该区域雨量站的观测资料,但在我国山区,地区雨量观测站点的设立和观测范围受到较大限制,降雨时空分布异质性高,降雨数据精度较低,尤其是对处于复杂地形区的小流域。
利用地面观测数据进行空间插值是研究区域降雨空间分布规律的主要方法之一,而空间插值方法的选择是决定降雨空间插值质量的主要因素,现有的研究主要集中于如何在现有观测条件基础上利用高精度的山区降雨空间插值方法获取高精度的流域面雨量。
由于地区、降雨分布及时空尺度等的差异,适用于不同情景的空间插值方法具有很大差异,目前的确定性方法和地学统计插值方法各有优缺点,不能使用于所有的情景,而目前的研究成果中,并没有根据不同的地区情景和降雨特征情景给出的不同的最优插值方法。影响降雨插值精度的因素非常多,包括地形地貌、坡度、经纬度、站点分布情况等基础环境因素,也包括降雨时空分布特征预测、降雨运动矢量特征预测等因素,仅仅采用某一种插值方法,基于某一种参数模型,无法覆盖所有的地形区和降雨情景,未能全面考虑综合因素对山区降雨空间插值的影响。
因此,为了获取高精度山区降雨空间插值结果,插值算法模型需要能够适用于不同情景,在不同环境条件下具备不同优越性。目前单一的各类降雨插值算法的适用性不强,面对不同的基础环境条件和降雨时空特征时,经常出现变异极值及误差,应用范围不广,仅适用于某一情景或固定地区,无法在大范围内推广应用,在实际应用中,很难为山洪灾害的预警与决策提供帮助。
发明内容
本发明的目的在于基于以上技术缺陷,提供一种基于山区地形及降雨特征预测的小流域面雨量插值方法,本发明的目的是通过以下技术方案实现的:
一种基于山区地形及降雨特征预测的小流域面雨量插值方法,包括:
步骤1、基于地面基准站点气象要素实测值建立实测站点-雷达图像样本组,提取降雨回波区块时间特征、空间方向特征和形态特征,并作为特征样本输入3D卷积神经网络全连接层;
步骤2、基于3D卷积神经网络建立短期降雨时空序列预测模型,提取降雨区块时空分布及移动预测结果(降雨区块未来约2小时移动预测结果),同时标记历史运动轨迹;所述降雨区块时空分布及移动预测结果包括降雨区块未来一定时间内(2小时)降雨时空分布、雨型、运动矢量预测结果;
步骤3、基于目标小流域的1:5万高精度地形地貌数据,采用模糊匹配法对山区地形特征与步骤2获得的降雨区块时空分布及移动预测结果进行搜索匹配,获取目标小流域未来(2小时)的降雨时空分布及移动预测结果。以降雨区块预测运动矢量为前进方向,进行迎风坡及背风坡判断,获取与目标区域内降雨因素相关的多维因子,建立面雨量插值因子库;
步骤4、建立包括确定性插值算法及地统计学插值算法在内的空间降雨插值算法库,实时链接至降雨测站基础数据库、面雨量插值因子库,综合分析不同降雨情境和地形条件下,面雨量插值因子对面雨量插值精度的影响,以基础数据库、面雨量插值因子库作为输入,以最优插值算法及相应插值参数作为输出,建立最优算法选择模型及最优参数组合模型;
步骤5、通过步骤4建立的最优算法选择模型及最优参数组合模型,动态提取相应降雨情境下的最优插值算法及相应插值参数,计算当前小流域面雨量,获取小流域降雨空间最优插值结果。
进一步的,步骤1中,实测站点-雷达图像样本组的获取方法为:基于多普勒雷达体扫基数据产品及雷达拼图产品,获取雷达观测基本反射率样本,将雷达观测基本反射率样本叠加同时间分辨率的站点气象要素实测值,建立实测站点-雷达图像样本组;其中雷达观测基本反射率样本与站点气象数据实测值通过标准化处理实现同时间分辨率。
优选多普勒雷达数据源为中国气象局专线共享的全国6min单站雷达体扫基数据产品及全国雷达拼图产品,数据产品分辨率空间分辨率1km×1km。地面观测站点(地面基准站点)为全国4万个多要素观测站及2170个标准气象站观测数据,气象要素包括降雨、风力、风速等,时间分辨率5min。将雷达反射率图片和气象要素数据进行时间维归一化标准处理,统一为6min时间间隔数据(即时间分辨率为6min)。
基于不同像元尺度要求(50m,100m,200m,1000m)划分网格,每张雷达图像大小为[101,101]像元,对应不同的空间覆盖范围,每个像元反映反射率因子值。提取地面实测站点分布情况,将地面实测降雨值与雷达回波反射率图像叠加,建立实测站点-雷达图像样本组。样本组根据雷达扫描仰角分为4个高度层,每组120分钟,包含4个高度层上的图像,每组图像共80幅,样本组具有时序属性,适合深度神经网络对数据进行训练与学习。
步骤1中,提取降雨回波区块时间特征、空间方向特征和形态特征的具体方法为:将实测站点-雷达图像样本组根据时序排列,每2帧相邻图像进行回波轨迹追踪,利用SIFT定位算法在一定时间间隔内进行空间坐标匹配,获取流场速度矢量;利用时间外推样本组图像,提取运动回波的时间特征、空间特征的矢量;从全局样本图像中提取云团形状的整体形态特征。
时间特征、空间特征的矢量包括:时间维、空间维像素平均值、最大值、极值点个数、方差等特征要素;云团形状的整体形态特征包括:云团运动速度、方向、加速度、流线曲率、SIFT描述子的直方图、监测点位置、检测点反射率与最大值比值等。
进一步的,步骤2中,3D卷积神经网络包括卷积层、池化层、全连接层和Softmax层。是对于2D卷积神经网络的拓展。选取根据时序排列样本集中三维空间图像数据作为时序数据立方体,样本既包含空间特征也包含时序信息,作为3D卷积神经网络的输入。选取样本集中30个不同时序、4个不同高度通道的样本图像生成训练集和测试集,使用样本进行训练,首先进行模型参数初始化,然后采用卷积层内积运算获取特征值,然后在池化层进行采样进入全连接层,计算RMSE并进行验证集的迭代测试,最后输出回波降雨区块未来2小时的降雨预测结果,包括时空分布、移动方向、移动速度、降雨量等,同时,以6min为间隔标记历史运动轨迹。模型训练流程如图2所示。
进一步的,步骤3中,与目标区域内降雨因素相关的多维因子(即影响面雨量插值方法选择的影响因子,面雨量插值因子)有很多,坡度、坡向、风向坡向夹角(PWEI)、高程是山区降雨分布最重要的影响因子,另外还包括经度、纬度、小流域范围内平均海拔、最高海拔高度、距海岸线距离、预测降雨大小、预测降雨分布、降雨移动速度、雨带到达时间等,综合所有影响因子,建立面雨量插值因子库。
进一步的,步骤4中,目前,没有任何一种降雨插值方法适用于所有地形和降雨时空分布状况,但是,每一种插值方法都在特定情景下具有优势,集成6类主要插值算法,建立插值算法库,综合分析不同降雨情境和地形条件下,面雨量插值因子对面雨量插值精度的影响,建立综合最优算法选择模型及最优参数组合模型,可以获取不同环境下的最优插值方法,获得最优面雨量插值结果。算法库中包含的6类插值算法有:泰森多边形法、反距离权重法、样条法、普通克里金插值方法、回归克里金插值方法、协同克里金插值方法。
步骤4中,除了面雨量插值因子库,基础数据也是影响最优插值算法选择的重要因素基础数据库包括小流域降雨测站的分布、站点密度、插值像元尺度(50m,100m,200m,1000m),站点异常率。
步骤4中,建立最优算法选择模型及最优参数组合模型。基于不同算法原理及特征,综合分析不同降雨情境和地形条件下,不同情景、不同相关因子条件下降雨插值算法的适用性,按照多级标准动态选择最优化的插值算法及相应的参数组合,建立综合最优算法选择模型及最优参数组合模型。
表1
步骤4中,按照多级标准动态选择最优化的插值算法及相应的参数组合。插值算法优选模块通过链接面雨量插值因子库和基础数据库,同时获取当前情景下目标小流域所有相关因子。最优算法选择模型按照按照(1)否决因子→(2)首选因子→(3)1级相关因子→(4)2级相关因子的顺序进行多级选择,以相关度高、相关因子多为原则确定最佳插值算法。
进一步的,步骤5中,根据步骤4中选择出的最优插值算法,计算当前小流域面雨量,获取小流域降雨空间最优插值结果。
该小流域面雨量插值方法具有以下有益效果:
(1)本发明获取地形地貌、坡度、经纬度、站点分布情况等基础环境因素,也获取包括降雨时空分布特征预测、降雨运动矢量特征预测等因素,提取了影响到降雨插值算法表现的因子库,使得所有环境因素都纳入考虑,不再局限于某一类的插值算法选择中,为多类插值算法的比较和择取提供了相关因子。
(2)本发明提供的降雨插值算法是对于确定性插值算法和地统计学方法的集成,集成了适用于不同情景的降雨插值算法,依据多级选择判据,实现了在不同的实际情景下动态选择最优化插值算法及相应的参数组合。从而避免了特定插值算法在面对不同基础环境条件和降雨时空特征时,出现的变异和极值误差,具有高适应性、高精度的特点,能够在大范围山区小流域内进行推广应用,为山洪灾哈的预警与决策提供帮助。
下面结合附图及具体实施方式对发明作进一步详细说明。
附图说明
图1为一种基于山区地形及降雨特征预测的小流域面雨量插值方法流程示意图;
图2模型训练流程;
图3站点实测-雷达图像样本;
图4最优插值算法多级动态选择依据。
具体实施方式
实施例1
本发明所采用的技术方案是基于山区地形及降雨特征预测的小流域面雨量插值方法,该方法主要分两个主要部分:一是基于地面基准站点实测值-雷达图像样本组提取降雨回波的时空矢量特征及未来2小时的移动预测结果,获取多维影响降雨的因子,建立面雨量插值因子库,二是集成6种确定性插值算法及地统计学插值算法,建立综合考虑降雨影响因子的最优算法选择模型及最优参数组合模型,获取不同环境条件和降雨条件下的最优降雨插值结果。按照以下步骤实施:
结合图1,对本发明做进一步说明:
步骤1中,(1)提取全国6min多普勒雷达体扫基数据及全国雷达拼图产品(空间分辨率1km×1km),每组120分钟,包含4个高度层上的图像,每组图像共80幅,雷达体扫基数据产品观测要素包括基本反射率、径向速度、组合反射率、VAD风廓线、回波顶高、中尺度气旋、垂直累积液态水含量VIL等。同时提取5min一次的地面多要素站气象观测数据,包括降雨、风速、风力、风向等要素,为了组建样本组,需要对数据样本进行标准化处理,统一处理为同一时段6min的图像。本发明中采用方法为对气象站实测数据进行一维插值处理。
图3为建立4个高度观测角及地面观测站点的一个站点-雷达图像样本组示意图,样本组具有时序属性,适合深度神经网络对数据进行训练与学习。
(2)将站点-雷达图像样本组根据时序排列。每2帧相邻图像进行回波轨迹追踪,利用SIFT定位算法进行时间空间匹配,获取每个空间点上对流速度矢量。
从全局样本图像中提取云团形状的整体形态特征,包括云团运动速度、方向、加速度、流线曲率、SIFT描述子的直方图、监测点位置、检测点反射率与最大值比值等。
SIFT算子空间匹配:在不同尺度空间上查找关键点,计算出关键点方向。Ii(x,y)表示第i组原图像样本,构建2维高斯核函数进行滤波。
Li(x,y,σ)为表示第i个图像高斯尺度空间,由图像和不同的高斯卷积得到。σ为尺度空间因子,是高斯正态分布的标准差,反映图像被模糊的程度。
DOG函数表示高斯差分D(x,y,σ),其中:
其中k为两个相邻尺度空间倍数的常数。构建高斯差分金字塔:
其中FirstLayer(x,y)表示整个尺度空间为第1组第1层的图像,σ0=1.6,σn=0.5。I(x,y)可看做由σn=0.5模糊过的图像,将I(x,y)放大2倍之后得到Is(x,y),即为2σn=1的高斯核函数模糊过的图像。那么由Is(x,y)生成的第一组第一层的图像用高斯滤波器的可以表示为:
用第i-1层的图像生成第i层的图像。特征点是由DOG空间的局部极值点组成的。为了寻找DOG函数的极值点,每一个像素点要和它所有的相邻点比较,看其是否比它的图像域和尺度域的相邻点大或者小。采用梯度直方图统计法,关键点为原点,一定区域内的图像像素点确定关键点方向。在完成关键点的梯度计算后,使用直方图统计邻域内像素的梯度和方向。
采用kd树的数据结构来完成关键点匹配搜索,每个空间点上对流速度矢量。
利用时间外插样本组图像,提取时间维、空间维像素平均值、最大值、极值点个数、方差等特征要素,最终获得样本组时间、空间方向特征、形态特征,作为特征描述输入卷积神经网络全连接层。
步骤2:选取样本集中30个不同时序、4个不同高度通道的样本图像生成训练集和测试集,使用样本进行训练,舍弃包含缺测值的图像。3D最大池化层同样选取最大池化方法,接受的卷积层输出为一个立方体数据。全连接层中,神经元与邻接层所有神经元相连,全连接层的输入,将特征空间到一个神经元向量,接下来利用矩阵乘法将输入的特征向量,前一层的输入将卷积的3D特征向量压平到一个神经元向量。最后输出层是Softmax层,最后一个神经向量将计算每个分类的概率。
对于给定的3D训练样本集合(I(1),y(1)),(I(2),y(2)),…,(I(n),y(n)),损失函数如下所示:
其中indicatoryi为指示函数,N为样本总数,C为分类数,I(i)为3维输入立方体数据,y(i)为标签项,表示预测的输出,θ代表所有参数。表示样本I(i)属于分类c的预估概率,调节参数使得损失函数最小。
雷达样本集按照6min间隔时序排练,采用16个LSTM节点和输出向量链接。输出回波降雨区块未来2小时的降雨预测结果,包括时空分布、移动方向、移动速度、降雨量等,同时,以6min为间隔标记历史运动轨迹。
步骤3:以降雨区块预测运动矢量为前进方向,提取未来2小时内的运动矢量轨迹。以5km作为单位标记所有降雨区块运动点。采用模糊匹配法搜索整条运动轨迹中所有的高坡度区域,确定迎风坡、背风坡,计算风向和坡向夹角获得主风向效应值PWEI。
匹配出的地貌地形数据和降雨时空分布预测结果,获取目标小流域的基础参数数据和面雨量插值因子,如下表所示:
表2
步骤4:集成6种确定性插值算法及地统计学插值算法,包括泰森多边形法、反距离权重法、样条法、普通克里金插值方法、回归克里金插值方法、协同克里金插值方法。算法库实时链接至基础数据因子和面雨量插值因子。按照(1)否决因子→(2)首选因子→(3)1级相关因子→(4)2级相关因子的顺序进行多级选择。最优化插值算法自动选择模型流程如图4。
步骤5:动态提取相应降雨情境下的最优插值算法及相应插值参数,计算当前小流域面雨量,获取小流域降雨空间最优插值结果。
本实施例基于全国多普勒雷达体扫基数据及拼图产品,提取多普勒雷达强回波区块时空矢量特征和形状特征,利用3D卷积神经网络建立时空序列预测模型,提取降雨区块的未来2小时轨迹及历史运动轨迹,基于高精度地形地貌数据,以降雨区块预测运动矢量为前进方向,采用模糊匹配法对山区地形特征与降雨时空分布及运动预测结果进行匹配,从而判断出多维影响降雨的因子,建立面雨量插值因子库。建立基于确定性空间插值方法及地统计学两类方法的插值算法库,实时链接到插值因子库,动态选择相应降雨情境下最优插值算法模型及参数组合,从而获取全国范围内山区小流域降雨空间最优插值结果。
Claims (8)
1.一种基于山区地形及降雨特征预测的小流域面雨量插值方法,其特征在于:包括以下步骤:
步骤1、基于地面基准站点气象要素实测值建立实测站点-雷达图像样本组,提取降雨回波区块时间特征、空间方向特征和形态特征,并作为特征样本输入3D卷积神经网络全连接层;
步骤2、基于3D卷积神经网络建立降雨时空序列预测模型,提取降雨区块时空分布及移动预测结果,同时标记历史运动轨迹;所述降雨区块时空分布及移动预测结果包括降雨区块未来一定时间内降雨时空分布、雨型、运动矢量预测结果;
步骤3、基于目标小流域地形地貌数据,采用模糊匹配法对山区地形特征与步骤2获得的降雨区块时空分布及移动预测结果进行搜索匹配,以降雨区块预测运动矢量为前进方向,获取与目标区域内降雨因素相关的多维因子,建立面雨量插值因子库;
步骤4、建立包括确定性插值算法及地统计学插值算法在内的空间降雨插值算法库,实时链接至降雨测站基础数据库、面雨量插值因子库,综合分析不同降雨情境和地形条件下,面雨量插值因子对面雨量插值精度的影响,以降雨测站基础数据、面雨量插值因子作为输入,以最优插值算法及相应插值参数作为输出,建立最优算法选择模型及最优参数组合模型;
步骤5、通过步骤4建立的最优算法选择模型及最优参数组合模型,动态提取相应降雨情境下的最优插值算法及相应插值参数,计算当前小流域面雨量,获取小流域降雨空间最优插值结果。
2.根据权利要求1所述一种基于山区地形及降雨特征预测的小流域面雨量插值方法,其特征在于:步骤1中,实测站点-雷达图像样本组的获取方法为:基于多普勒雷达体扫基数据产品及雷达拼图产品,获取雷达观测基本反射率样本,将雷达观测基本反射率样本叠加同时间分辨率的站点气象要素实测值,建立实测站点-雷达图像样本组;其中雷达观测基本反射率样本与站点气象数据实测值通过标准化处理实现同时间分辨率。
3.根据权利要求1所述一种基于山区地形及降雨特征预测的小流域面雨量插值方法,其特征在于:步骤1中,提取降雨回波区块时间特征、空间方向特征和形态特征的具体方法为:将实测站点-雷达图像样本组根据时序排列,利用SIFT定位算法在一定时间间隔内进行空间坐标匹配,获取流场速度矢量;利用时间外推样本组图像,提取运动回波的时间特征、空间特征的矢量;从全局样本图像中提取云团形状的整体形态特征。
4.根据权利要求1所述一种基于山区地形及降雨特征预测的小流域面雨量插值方法,其特征在于:步骤2的具体操作方法为:采用3D卷积神经网络进行模型训练,将步骤1中输入全连接层的特征样本生成训练集和测试集,不同高度层的特征样本组成立方体数据,输入3D最大池化层,基于3D卷积神经网络与长短期记忆网络构建短期降雨时空序列预测模型,获取降雨区块未来2小时降雨时空分布、雨型、运动矢量预测结果,并同时标记历史运动轨迹。
5.根据权利要求1所述一种基于山区地形及降雨特征预测的小流域面雨量插值方法,其特征在于:步骤3中,与目标区域内降雨因素相关的多维因子包括:坡度、坡向、风向坡向夹角、高程、经度、纬度、小流域范围内平均海拔、最高海拔高度、距海岸线距离、预测降雨大小、预测降雨分布、降雨移动速度、雨带到达时间。
6.根据权利要求1所述一种基于山区地形及降雨特征预测的小流域面雨量插值方法,其特征在于:步骤4中,空间降雨插值算法库中的插值算法包括泰森多边形法、反距离权重法、样条法、普通克里金插值方法、回归克里金插值方法、协同克里金插值方法。
7.根据权利要求1所述一种基于山区地形及降雨特征预测的小流域面雨量插值方法,其特征在于:步骤4中降雨测站基础数据库内的因素包括小流域降雨测站的分布、站点密度、插值像元尺度、站点异常率。
8.根据权利要求1所述一种基于山区地形及降雨特征预测的小流域面雨量插值方法,其特征在于:步骤4中最优算法选择模型按照:否决因子、首选因子、1级相关因子、2级相关因子的顺序进行多级选择,以相关度高和相关因子多为原则确定最佳插值算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010447590.8A CN111625993B (zh) | 2020-05-25 | 2020-05-25 | 一种基于山区地形及降雨特征预测的小流域面雨量插值方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010447590.8A CN111625993B (zh) | 2020-05-25 | 2020-05-25 | 一种基于山区地形及降雨特征预测的小流域面雨量插值方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111625993A true CN111625993A (zh) | 2020-09-04 |
CN111625993B CN111625993B (zh) | 2020-12-18 |
Family
ID=72259091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010447590.8A Active CN111625993B (zh) | 2020-05-25 | 2020-05-25 | 一种基于山区地形及降雨特征预测的小流域面雨量插值方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111625993B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418500A (zh) * | 2020-11-16 | 2021-02-26 | 中科星图股份有限公司 | 一种基于多源数据及复杂模型融合对山区降雨天气预警方法 |
CN112668238A (zh) * | 2020-12-30 | 2021-04-16 | 杭州鲁尔物联科技有限公司 | 一种降雨量处理方法、装置、设备和存储介质 |
CN112800691A (zh) * | 2021-04-15 | 2021-05-14 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种构建降水等级预测模型的方法及装置 |
CN113109816A (zh) * | 2021-03-29 | 2021-07-13 | 广东工业大学 | 雷达回波图像的回波块追踪方法、装置及存储介质 |
CN113269376A (zh) * | 2021-07-19 | 2021-08-17 | 中国水利水电科学研究院 | 一种河流洪峰流量范围计算方法 |
CN113281754A (zh) * | 2021-07-26 | 2021-08-20 | 中国水利水电科学研究院 | 一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法 |
CN113378484A (zh) * | 2021-07-12 | 2021-09-10 | 中国水利水电科学研究院 | 一种基于机器学***原河网地区洪水过程预报方法 |
CN114002683A (zh) * | 2021-11-01 | 2022-02-01 | 长沙有色冶金设计研究院有限公司 | 防结晶水下地形探测方法及*** |
CN114091765A (zh) * | 2021-11-25 | 2022-02-25 | 山西勇利信息科技有限公司 | 一种基于时空双向多粒度动态集成的未来降雨预测方法 |
CN114742206A (zh) * | 2022-04-20 | 2022-07-12 | 南京信息工程大学 | 综合多时空尺度多普勒雷达数据的降雨强度估计方法 |
CN117907965A (zh) * | 2024-03-19 | 2024-04-19 | 江苏省气象台 | 面向对流风暴精细结构的三维雷达回波临近预报方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015161591A (ja) * | 2014-02-27 | 2015-09-07 | Kddi株式会社 | 観測値処理装置 |
CN108304967A (zh) * | 2018-01-18 | 2018-07-20 | 长江水利委员会水文局 | 降雨-流量-水位耦合插值求解山洪灾害临界雨量的方法 |
CN108597189A (zh) * | 2018-04-24 | 2018-09-28 | 河海大学 | 基于临界雨量的分布式中小流域地质灾害及洪水预警方法 |
CN109765559A (zh) * | 2019-02-02 | 2019-05-17 | 中国水利水电科学研究院 | 一种基于多普勒雷达和深度学习的山区致灾暴雨识别方法 |
CN109993350A (zh) * | 2019-03-13 | 2019-07-09 | 河海大学 | 一种基于降雨空间分布的临界雨量估算方法 |
CN110008439A (zh) * | 2019-03-25 | 2019-07-12 | 武汉大学 | 基于矩阵分解的降雨数据时空一体化插值算法 |
CN111062128A (zh) * | 2019-12-16 | 2020-04-24 | 南京大学 | 一种流域汇流模拟估测方法 |
-
2020
- 2020-05-25 CN CN202010447590.8A patent/CN111625993B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015161591A (ja) * | 2014-02-27 | 2015-09-07 | Kddi株式会社 | 観測値処理装置 |
CN108304967A (zh) * | 2018-01-18 | 2018-07-20 | 长江水利委员会水文局 | 降雨-流量-水位耦合插值求解山洪灾害临界雨量的方法 |
CN108597189A (zh) * | 2018-04-24 | 2018-09-28 | 河海大学 | 基于临界雨量的分布式中小流域地质灾害及洪水预警方法 |
CN109765559A (zh) * | 2019-02-02 | 2019-05-17 | 中国水利水电科学研究院 | 一种基于多普勒雷达和深度学习的山区致灾暴雨识别方法 |
CN109993350A (zh) * | 2019-03-13 | 2019-07-09 | 河海大学 | 一种基于降雨空间分布的临界雨量估算方法 |
CN110008439A (zh) * | 2019-03-25 | 2019-07-12 | 武汉大学 | 基于矩阵分解的降雨数据时空一体化插值算法 |
CN111062128A (zh) * | 2019-12-16 | 2020-04-24 | 南京大学 | 一种流域汇流模拟估测方法 |
Non-Patent Citations (1)
Title |
---|
付世军 等: "南充市地质灾害分型及致灾雨量阈值研究", 《防灾科技学院学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418500A (zh) * | 2020-11-16 | 2021-02-26 | 中科星图股份有限公司 | 一种基于多源数据及复杂模型融合对山区降雨天气预警方法 |
CN112668238A (zh) * | 2020-12-30 | 2021-04-16 | 杭州鲁尔物联科技有限公司 | 一种降雨量处理方法、装置、设备和存储介质 |
CN112668238B (zh) * | 2020-12-30 | 2024-04-09 | 杭州鲁尔物联科技有限公司 | 一种降雨量处理方法、装置、设备和存储介质 |
CN113109816B (zh) * | 2021-03-29 | 2023-10-03 | 广东工业大学 | 雷达回波图像的回波块追踪方法、装置及存储介质 |
CN113109816A (zh) * | 2021-03-29 | 2021-07-13 | 广东工业大学 | 雷达回波图像的回波块追踪方法、装置及存储介质 |
CN112800691A (zh) * | 2021-04-15 | 2021-05-14 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种构建降水等级预测模型的方法及装置 |
CN113378484A (zh) * | 2021-07-12 | 2021-09-10 | 中国水利水电科学研究院 | 一种基于机器学***原河网地区洪水过程预报方法 |
CN113269376A (zh) * | 2021-07-19 | 2021-08-17 | 中国水利水电科学研究院 | 一种河流洪峰流量范围计算方法 |
CN113269376B (zh) * | 2021-07-19 | 2021-11-12 | 中国水利水电科学研究院 | 一种河流洪峰流量范围计算方法 |
CN113281754B (zh) * | 2021-07-26 | 2021-10-01 | 中国水利水电科学研究院 | 一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法 |
CN113281754A (zh) * | 2021-07-26 | 2021-08-20 | 中国水利水电科学研究院 | 一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法 |
CN114002683A (zh) * | 2021-11-01 | 2022-02-01 | 长沙有色冶金设计研究院有限公司 | 防结晶水下地形探测方法及*** |
CN114002683B (zh) * | 2021-11-01 | 2024-05-28 | 长沙有色冶金设计研究院有限公司 | 防结晶水下地形探测方法及*** |
CN114091765A (zh) * | 2021-11-25 | 2022-02-25 | 山西勇利信息科技有限公司 | 一种基于时空双向多粒度动态集成的未来降雨预测方法 |
CN114742206A (zh) * | 2022-04-20 | 2022-07-12 | 南京信息工程大学 | 综合多时空尺度多普勒雷达数据的降雨强度估计方法 |
CN117907965A (zh) * | 2024-03-19 | 2024-04-19 | 江苏省气象台 | 面向对流风暴精细结构的三维雷达回波临近预报方法 |
CN117907965B (zh) * | 2024-03-19 | 2024-05-24 | 江苏省气象台 | 面向对流风暴精细结构的三维雷达回波临近预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111625993B (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111625993B (zh) | 一种基于山区地形及降雨特征预测的小流域面雨量插值方法 | |
CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
Bailly et al. | Agrarian landscapes linear features detection from LiDAR: application to artificial drainage networks | |
Getirana et al. | Improving hydrological information acquisition from DEM processing in floodplains | |
CN116843845A (zh) | 一种应用于数字孪生城市的空间数据集成方法及*** | |
Dang et al. | A convolutional neural network for coastal classification based on ALOS and NOAA satellite data | |
CN113919226B (zh) | 基于权重的采矿植被生态累积效应扰动范围识别方法 | |
CN112329265A (zh) | 卫星遥感降水精细化空间估算方法及*** | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
CN117687416B (zh) | 河网水安全检测装置路径规划方法及*** | |
Harsa et al. | Machine learning and artificial intelligence models development in rainfall-induced landslide prediction | |
CN112668615B (zh) | 一种基于深度跨尺度外推融合的卫星云图预测方法 | |
CN113049606A (zh) | 一种大面积高精度绝缘子污秽分布评估方法 | |
Azhar et al. | A framework for multiscale intertidal sandflat mapping: A case study in the Whangateau estuary | |
Sadouki et al. | Classification of radar echoes with a textural–fuzzy approach: an application for the removal of ground clutter observed in Sétif (Algeria) and Bordeaux (France) sites | |
Tang et al. | Dynamic poverty prediction with vegetation index | |
Mihai et al. | Analyzing meteorological data using unsupervised learning techniques | |
Kato | Integrating openstreetmap data in object based landcover and landuse classification for disaster recovery | |
Essid et al. | Spatio-temporal modeling based on hidden Markov model for object tracking in satellite imagery | |
CN114063063A (zh) | 基于合成孔径雷达和点状传感器的地质灾害监测方法 | |
Prakash et al. | Assessment of Urban Built-Up Volume Using Geospatial Methods: A Case Study of Bangalore | |
Szostak et al. | Neuroevolution deep learning architecture search for estimation of river surface elevation from photogrammetric Digital Surface Models | |
Putpuek et al. | Urban Expansion Prediction using Supervised Classification and ConvLSTM | |
Shafi | Utilizing Spatio-temporal Satellite Images and Machine Learning to Examine the Impacts of Changing Land Use and Land Cover on Sohar City | |
Kaushik et al. | Flood Mapping of Amphan Disaster Using SENTINEL-1 IMAGES |
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 |