CN113779113A - 基于雨洪时空过程相似性挖掘的洪水动态预估方法及*** - Google Patents
基于雨洪时空过程相似性挖掘的洪水动态预估方法及*** Download PDFInfo
- Publication number
- CN113779113A CN113779113A CN202111336042.9A CN202111336042A CN113779113A CN 113779113 A CN113779113 A CN 113779113A CN 202111336042 A CN202111336042 A CN 202111336042A CN 113779113 A CN113779113 A CN 113779113A
- Authority
- CN
- China
- Prior art keywords
- flood
- time
- rainfall
- historical
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 296
- 238000009412 basement excavation Methods 0.000 title claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000011160 research Methods 0.000 claims abstract description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 17
- 238000001556 precipitation Methods 0.000 claims description 149
- 238000011161 development Methods 0.000 claims description 14
- 230000000630 rising effect Effects 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000005065 mining Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000178 monomer Substances 0.000 description 10
- 238000006424 Flood reaction Methods 0.000 description 9
- 230000008878 coupling Effects 0.000 description 9
- 238000010168 coupling process Methods 0.000 description 9
- 238000005859 coupling reaction Methods 0.000 description 9
- 230000001186 cumulative effect Effects 0.000 description 8
- 230000003203 everyday effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Alarm Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于雨洪时空过程相似性挖掘的洪水动态预估方法及***,方法如下:获取研究区历史和实时遥感反演观测降水、数值预报降水和水文站历史场次洪水信息,建立历史雨洪数据库;拼接面临时刻前期和已观测降水与数值预报降水,采用结构相似性指数和动态时间规整DTW耦合的结构相似性,检索时空过程相似的降水及对应历史洪水过程集合1;采用DTW检索时序相似的历史洪水过程集合2;合并集合1、2,以平均相似洪水过程估计后续洪水;随时间推移更新信息,实现洪水动态预估。本发明将相似性分析由一维时间序列扩展到三维时空过程,预估后续来水量精度高于传统方法。
Description
技术领域
本发明涉及G06F:电数字数据处理领域,具体涉及基于雨洪时空过程相似性挖掘的洪水动态预估方法及***。
背景技术
雨洪过程是天气***演变、流域下垫面状况等因素耦合作用的结果,这些因素虽不能完全重复,但主导一个地区的天气***并非完全无迹可寻,仍有一定的规律性,这导致不同时期发生的雨洪事件可能具有一定程度的相似性。随着气象水文事件数量的积累和对成因认识的深化,构建具有一定规模的历史雨洪数据库,在对雨洪事件相似性挖掘的基础上,利用历史相似雨洪过程预估洪水发展情势也是提高预测预报能力的另一种重要思路,对于雨洪安全高效利用具有重要意义。
目前,关于雨洪相似性挖掘的研究主要基于雨洪实时观测信息与历史数据展开,其中涉及的降水时间序列多为基于地面雨量站网观测数据计算得到的面平均降水量,缺乏了对降水空间分布及降水落区位置的考量,特别是集水面积较大的流域。另外,已有研究中的降水相似性分析仅利用了实时观测降水信息,未考虑雨情后期发展态势。
发明内容
发明目的:本发明提供一种基于雨洪时空过程相似性挖掘的洪水动态预估方法,包括历史雨洪数据库构建、基于降水时空过程相似的历史洪水过程检索、基于洪水时序过程相似的历史洪水过程检索、基于历史相似洪水的动态预估四个核心环节。该方法耦合利用观测和预报信息,针对降水和洪水,分别根据时空过程相似和时序过程相似,检索对应的历史相似洪水,通过综合降水相似和洪水相似的检索结果,可获取更全面考虑雨洪发生、发展过程的历史相似洪水,从而实现洪水未来发展情势的预估,提高洪水过程后续来水量预估的精度。
技术方案:第一方面,提出基于雨洪时空过程相似性挖掘的洪水动态预估方法,该方法步骤如下:
步骤1、获取研究区历史遥感反演降水信息、实时遥感反演降水信息、数值预报降水信息和水文站预定数量的历史场次洪水信息,匹配历史降水和洪水信息的时间尺度,构建水文站历史雨洪数据库;
步骤2、针对水文站正在发生的洪水,匹配洪水起涨时刻之前的前期遥感反演降水、洪水起涨时刻至面临时刻的已观测遥感反演降水与面临时刻之后的数值预报降水信息的时空尺度并拼接,计算面平均降水时间序列,采用时间序列相似分析方法,在步骤1建立的历史雨洪数据库中检索面平均降水时序相似的历史降水过程;采用时空信息相似性分析方法,筛选时空过程相似的历史降水过程,并提取对应的相似性历史洪水集合1;
步骤3、拼接面临时刻已观测洪水与洪水预报模型预报的有效预见期内洪水信息,采用时间序列相似分析方法,在步骤1建立的历史雨洪数据库中检索时序过程相似的相似性历史洪水集合2;
步骤4、合并步骤2、3中检索的相似性历史洪水集合1、2,得到相似性历史洪水集合3,合理确定各场相似洪水的拼接时间点,采用加权平均方法计算拼接时间点之后的平均相似洪水过程,通过平移、拼接操作,预估后续洪水过程;
步骤5、判断步骤4中预估后续洪水过程是否包含洪峰,若不包含则停止动态预估;否则,随时间推移,更新雨洪观测和预报信息,重复步骤2~4,动态预估洪水发展情势。
在第一方面进一步的实施例中,所述步骤1进一步为:
步骤1-1、综合遥感反演降水信息与历史场次洪水信息,合理确定场次洪水信息等间隔采样的时间点及步长,采用三次样条插值法获取采样时间点的洪水数据;
步骤1-2、判断历史遥感反演降水信息的时间步长与洪水数据是否一致;若不一致,通过算数平均法将降水量分配至小于洪水信息时间步长的时段上,通过累加得到与洪水数据时间点及时间步长相吻合的历史遥感反演降水信息;
步骤1-3、根据每场洪水过程起涨、结束时间,在步骤1-2得到的历史遥感反演降水信息中截取对应历史降水时空信息,记为洪水期降水信息;提取洪水起涨之前A1个时段的前期降水信息,与洪水期降水信息拼接,形成洪水过程对应的完整降水信息;由此以洪水发生日期为编号存储场次降水、洪水信息,构建历史雨洪数据库。
在第一方面进一步的实施例中,所述步骤2进一步为:
步骤2-1、针对正在发生的洪水过程,采用步骤1-2的方法获取与历史遥感反演降水信息时间点及时间步长一致的A1个时段的前期遥感反演降水信息I1、A2个时段已观测遥感反演降水信息I2;
步骤2-2、针对面临时刻之前最邻近一次数值模式预报的降水数据,采用双线性插值等方法调整预报降水信息空间分辨率与前期和已观测降水信息一致,采用联合概率分布等方法订正误差,采用步骤1-3中的方法处理得到与步骤2-1相同时间步长的数值预报降水信息;提取面临时刻之后A3个时段数值预报降水信息I3;拼接I1、I2和I3,得到面临时刻观测与预报降水信息Ptarget_st,总时段数为A1+ A2+ A3;
步骤2-3、将步骤2-2中具有三维时空属性的面临时刻观测与预报降水信息Ptarget_st转换为面平均降水时间序列Ptarget_t;计算Ptarget_t与历史雨洪数据库中各场次雨洪过程相应面平均降水序列Pdatabase_t的动态时间规整DTW指数并排序,DTW指数越小相似程度最高,筛选时序过程相似程度最高的前X1场降水;
式中:i,j分别为Ptarget_t和Pdatabase_t信息中某个时段的索引,d(Ptarget_t,i,
Pdatabase_t,j)为Ptarget_t,i和Pdatabase_t,j之间的欧式距离,DTW指数实质是从(1, 1)点出发达到
(i,j)点的最小累积欧式距离,为(i,j)点之前历遍
的最小累积欧式距离;
步骤2-4、针对具有三维时空属性的面临时刻观测与预报降水信息Ptarget_st,以研
究区平面空间各栅格为分析单元,针对栅格(u, v),在Ptarget_st对应的时间范围ST1内,以ti
时段该栅格降水为中心,以周围N×N×N时空窗口内N3个栅格的降水量为计算单体(N可取3、5、7…);对于X1场降水过程中的某场遥感反演降水Pdatabase_st,在
Pdatabase_st对应的时间范围ST2内,提取以栅格(u, v)、第tj时段降水为中心的相同时空范围
的计算单体;计算两个单体的结构相似性指数,该指数考虑了均
值、方差和协方差的综合相似度,值越大表示二者时空结构相似度越高;变换降
水时段索引序号,计算栅格(u, v)位置处,邻近范围内降水时空变化的综合相似性指数;
其中:
式中:SSIM将单体和视作两个时空图像,包括L、C、S三
个部分,分别表示图像间的亮度、对比度、结构,ɑ,β,γ为三者的指数,通常均取1;、分别为单体内降水量的均值与标准差;为单体和内降水量的协方差;c1、c2、
c3为常数,避免分母接近于0时造成的不稳定性, ,其中R
为单体内降水量最大最小值之差。
步骤2-5、依次计算各栅格位置处的,绘制研究区范围内DTW
(SSIM)栅格分布图;依次针对步骤2-3中检索的X1场雨洪过程,依次计算得到对应的DTW
(SSIM)栅格分布图;计算面临时刻观测与预报降水信息Ptarget_st各栅格的累积降水量并由
大到小排序,遴选排名前B%的栅格,按累积降水量大小赋予已选中各栅格权重wgrid,加权计
算DTW(SSIM)分布图中已选中栅格区域的平均DTW(SSIM),记为DTW(SSIM)-SCORE;DTW
(SSIM)-SCORE越小,降水时空相似程度最高,对X1场降水过程的DTW(SSIM)-SCORE由小到大
排序,选择前X2场降水作为时空过程相似程度较高的历史降水信息,取其对应的洪水过程
作为基于降水时空相似检索的相似性历史洪水集合1;
在第一方面进一步的实施例中,所述步骤3进一步为:
步骤3-1、针对水文站历史雨洪信息,将洪水起涨之前A1个时段和洪水起涨至面临时刻A2个时段的研究区面平均降水量和洪水起涨至面临时刻之间A2+1个时刻的实测流量(包含面临时刻)作为BP神经网络输入数据,预报未来v个时刻的洪水流量;以场次洪水平均(1-NSE)最小为目标函数,利用历史雨洪数据库中70%的场次雨洪信息,通过遗传算法率定BP神经网络的权重和阈值,剩余30%场次雨洪信息用作BP神经网络模型精度的测试数据;通过逐步增大BP神经网络模型输出流量的数量v,使测试数据的平均NSE不低于0.70(《水文情报预报规范 (GB/T 22482-2008)》的乙级标准),从而确定最大v,即为洪水预报有效预见期;
步骤3-2、针对水文站正在发生的洪水过程,以面临时刻之前A1+A2个时段的面平均已观测降水量和A2+1个时刻的已观测流量输入率定后的BP神经网络模型,预报未来v个时刻水文站的流量QBP,实现洪水预报;
步骤3-3、将面临时刻之前A2+1个时刻的已观测流量与v个时刻的预报流量进行拼接,生成包含已观测信息和预报信息的洪水时间序列ftarget,依次计算历史雨洪数据库中每场洪水时间序列fdatabase与ftarget的DTW指数,由小到大排序后,取前X3场次洪水作为基于洪水时序过程相似检索的相似性历史洪水集合2。
在第一方面进一步的实施例中,所述步骤4进一步为:
步骤4-1、合并基于降水时空相似检索的相似性历史洪水集合1与基于洪水时序过程相似检索的相似性历史洪水集合2,得到X2+X3场与正在发生洪水相似的历史洪水过程,记为相似性历史洪水集合3;
步骤4-2、记ftarget的长度L,滑动计算相似性历史洪水集合3中某场洪水过程不同
起点时刻I0至之后第I0+L-1个时刻之间的洪水序列fdatabase_part与ftarget的离差平方和,取最小对应的第I0,best+L-1个时刻作为该场相似洪水与正在发生洪水的拼接位置;针对
相似性历史洪水集合3中的每一场洪水分别确定拼接位置,采用等权重方法加权计算拼接
位置之后,X2+X3场相似洪水过程的平均相似洪水过程fsimilarity,fsimilarity的长度与X2+X3场
相似洪水过程拼接位置之后最短洪水时间序列的长度一致,记为Lsimilarity;
步骤4-3、在洪水预报有效预见期外,洪水预报无法提供可靠的预报流量,将平均
相似洪水过程fsimilarity上下平移,并与面临时刻之后v个时刻的预报流量进行拼接,得到
面临时刻之后完整的洪水预估结果,即:
在第一方面进一步的实施例中,步骤5的过程进一步包括:
在第一方面进一步的实施例中,重复步骤1~步骤5,得到研究区水文站洪水过程的动态预估结果。
第二方面,提出基于雨洪时空过程相似的洪水动态预估***,该***包括:
第一模块,用于获取研究区历史遥感反演降水信息、实时遥感反演降水信息、数值预报降水信息和水文站预定数量的历史场次洪水信息,匹配历史降水和洪水信息的时间尺度,构建水文站历史雨洪数据库;
第二模块,用于针对水文站正在发生的洪水,匹配面临时刻前期和已观测的遥感反演降水与数值预报降水信息的时空尺度并拼接,采用时间序列相似分析方法,在所述第一模块建立的历史雨洪数据库中检索面平均降水时序相似的历史降水过程;采用时空信息相似性分析方法,筛选时空过程相似的历史降水过程,并提取对应的相似性历史洪水集合1;
第三模块,用于拼接面临时刻已观测洪水与洪水预报模型预报的有效预见期内洪水信息,采用时间序列相似分析方法,在历史雨洪数据库中检索时序过程相似的历史洪水过程集合2;
第四模块,合并历史洪水过程集合1、2,得到相似历史洪水过程集合3,合理确定各场相似洪水的拼接时间点,采用加权平均方法计算拼接时间点之后的平均相似洪水过程,通过平移、拼接操作,预估后续洪水过程;
第五模块,判断第四模块预估后续洪水过程是否包含洪峰,若不包含则停止动态预估;否则,随时间推移,更新雨洪观测和预报信息,重复执行第二至第四模块,动态预估洪水发展情势。
有益效果:提出了一种基于雨洪时空过程相似性挖掘的洪水动态预估方法,主要包括历史雨洪数据库构建、基于降水时空过程相似的历史洪水过程检索、基于洪水时序过程相似的历史洪水过程检索、基于历史相似洪水的动态预估四个环节。在历史雨洪数据库构建阶段,利用长系列历史遥感反演降水信息,提取了历史洪水过程对应的三维时空降水过程,从而构建了反映时空演变过程的历史雨洪事件库。在基于降水时空过程相似的历史洪水过程检索阶段,耦合利用前期和已观测的遥感反演降水和数值预报降水信息,在传统仅考虑面平均降水时间序列相似性的基础上,提出了耦合结构相似性指数SSIM和动态时间规整DTW的DTW(SSIM)指数,度量了历史降水过程与观测和预报降水过程的时空相似性,从而考虑了降水落区分布对洪水过程的影响。在基于洪水时序过程相似的历史洪水过程检索阶段,通过耦合利用已观测流量信息与洪水模型预报的有效预见期内流量信息,从而在洪水时序过程相似分析中增添了可靠信息,改善了相似性历史洪水过程的检索结果。在基于历史相似洪水的动态预估阶段,通过综合降水时空相似和洪水时序相似的检索结果,可获取更全面考虑雨洪发生、发展过程的历史相似洪水,并且随着面临时刻推移、雨洪信息累积与更新,洪水预估精度逐步提高。总体上,本发明方法在信息方面综合利用了历史、实时观测和预报的降水和洪水信息,在相似性分析维度方面实现了由一维时间序列向三维时空过程的扩展,在数学方法方面提出了时空过程相似性的定量度量方法,三个方面的改进可有力推动基于雨洪过程相似性挖掘的洪水动态预估技术的发展。
附图说明
图1为本发明实施例一的流程图。
图2为本发明实施例三某流域A水库控制集水区。
具体实施方式
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。在其他的例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
实施例一:
一种基于雨洪时空过程相似性挖掘的洪水动态预估方法,包括以下步骤:
获取研究区历史遥感反演降水信息、实时遥感反演降水信息、数值预报降水信息和水文站预定数量的历史场次洪水信息,匹配历史降水和洪水信息的时间尺度,构建水文站历史雨洪数据库;针对水文站正在发生的洪水,匹配面临时刻前期和已观测的遥感反演降水与数值预报降水信息的时空尺度并拼接,采用动态时间规整DTW指数,在历史雨洪数据库中检索面平均降水时序相似的历史降水过程;采用耦合结构相似性指数SSIM和动态时间规整DTW的DTW(SSIM)指数,进一步筛选时空过程相似的历史降水过程,并提取对应历史洪水过程集合1;拼接面临时刻已观测洪水与洪水预报模型预报的有效预见期内洪水信息,采用DTW指数,在历史雨洪数据库中检索时序过程相似的历史洪水过程集合2;合并历史洪水过程集合1、2,得到相似历史洪水过程集合3,合理确定各场相似洪水的拼接时间点,采用等权重加权平均方法计算拼接时间点之后的平均相似洪水过程,通过平移、拼接操作,预估后续洪水过程;判断当前面临时刻预估的后续洪水过程是否包含洪峰,若不包含则停止动态预估,否则,随时间推移,更新雨洪观测和预报信息,动态预估洪水发展情势。
实施例二:
在实施例一的基础之上,实施例二进一步提出一种基于雨洪时空过程相似性挖掘的洪水动态预估方法的细化步骤,如下:
步骤1、获取研究区历史遥感反演降水信息、实时遥感反演降水信息、数值预报降水信息和水文站预定数量的历史场次洪水信息,匹配历史降水和洪水信息的时间尺度,构建水文站历史雨洪数据库;
步骤1-1、获取研究区历史及实时遥感反演观测降水信息、数值预报降水信息和历史场次洪水信息;
步骤1-2、综合遥感反演降水信息与历史场次洪水信息,合理确定场次洪水信息等间隔采样的时间点及步长,采用三次样条插值法获取采样时间点的洪水数据;
步骤1-3、判断历史遥感反演降水信息的时间步长与洪水数据是否一致;若不一致,通过算数平均法将降水量分配至小于洪水信息时间步长的时段上,通过累加得到与洪水数据时间点及时间步长相吻合的历史遥感反演降水信息;
步骤1-4、根据每场洪水过程起涨、结束时间,在步骤1-3得到的历史遥感反演降水信息中截取对应历史降水时空信息,记为洪水期降水信息;提取洪水起涨之前A1个时段的前期降水信息,与洪水期降水信息拼接,形成洪水过程对应的完整降水信息;由此以洪水发生日期为编号存储场次降水、洪水信息,构建历史雨洪数据库。
步骤2、针对水文站正在发生的洪水,匹配洪水起涨时刻之前的前期遥感反演降水、洪水起涨时刻至面临时刻的已观测遥感反演降水与面临时刻之后的数值预报降水信息的时空尺度并拼接,计算面平均降水时间序列,采用时间序列相似分析方法,在步骤1建立的历史雨洪数据库中检索面平均降水时序相似的历史降水过程;采用时空信息相似性分析方法,筛选时空过程相似的历史降水过程,并提取对应的相似性历史洪水集合1;
步骤2-1、针对正在发生的洪水过程,采用步骤1-2的方法获取与历史遥感反演降水信息时间点及时间步长一致的A1个时段前期遥感反演降水信息I1、A2个时段已观测遥感反演降水信息I2;
步骤2-2、针对面临时刻之前最邻近一次数值模式预报的降水数据,采用双线性插值等方法调整预报降水信息空间分辨率与前期和已观测降水信息一致,采用联合概率分布等方法订正误差,采用步骤1-3中的方法处理得到与步骤2-1相同时间步长的数值预报降水信息;提取面临时刻之后A3个时段数值预报降水信息I3;拼接I1、I2和I3,得到面临时刻观测与预报降水信息Ptarget_st,总时段数为A1+ A2+ A3;
步骤2-3、将步骤2-2中具有三维时空属性的面临时刻观测与预报降水信息Ptarget_st转换为面平均降水时间序列Ptarget_t;计算Ptarget_t与历史雨洪数据库中各场次雨洪过程相应面平均降水序列Pdatabase_t的动态时间规整DTW指数并排序,DTW指数越小相似程度最高,筛选时序过程相似程度最高的前X1场降水;
式中:i,j分别为Ptarget_t和Pdatabase_t信息中某个时段的索引,d(Ptarget_t,i,
Pdatabase_t,j)为Ptarget_t,i和Pdatabase_t,j之间的欧式距离,DTW指数实质是从(1, 1)点出发达到
(i,j)点的最小累积欧式距离,为(i,j)点之前历遍
的最小累积欧式距离;
步骤2-4、针对具有三维时空属性的面临时刻观测与预报降水信息Ptarget_st,以研
究区平面空间各栅格为分析单元,针对栅格(u, v),在Ptarget_st对应的时间范围ST1内,以ti
时段该栅格降水为中心,以周围N×N×N时空窗口内N3个栅格的降水量为计算单体(N可取3、5、7…);对于X1场降水过程中的某场遥感反演降水Pdatabase_st,在
Pdatabase_st对应的时间范围ST2内,提取以栅格(u, v)、第tj时段降水为中心的相同时空范围
的计算单体;计算两个单体的结构相似性指数,该指数考虑了均
值、方差和协方差的综合相似度,值越大表示二者时空结构相似度越高;变换降水时段索引
序号,计算栅格(u, v)位置处,邻近范围内降水时空变化的综合相似性指数;
其中:
式中:SSIM将单体和视作两个时空图像,包括L、C、S三
个部分,分别表示图像间的亮度、对比度、结构,ɑ,β,γ为三者的指数,通常均取1;、分别为单体内降水量的均值与标准差;为单体和内降水量的协方差;c1、c2、
c3为常数,避免分母接近于0时造成的不稳定性, ,其中R
为单体内降水量最大最小值之差。
步骤2-5、依次计算各栅格位置处的,绘制研究区范围内DTW
(SSIM)栅格分布图;依次针对步骤2-3中检索的X1场雨洪过程,依次计算得到对应的DTW
(SSIM)栅格分布图;计算面临时刻观测与预报降水信息Ptarget_st各栅格的累积降水量并由
大到小排序,遴选排名前B%的栅格,按累积降水量大小赋予已选中各栅格权重wgrid,加权计
算DTW(SSIM)分布图中已选中栅格区域的平均DTW(SSIM),记为DTW(SSIM)-SCORE;DTW
(SSIM)-SCORE越小,降水时空相似程度最高,对X1场降水过程的DTW(SSIM)-SCORE由小到大
排序,选择前X2场降水作为时空过程相似程度较高的历史降水信息,取其对应的洪水过程
作为基于降水时空相似检索的相似性历史洪水集合1;
步骤3、拼接面临时刻已观测洪水与洪水预报模型预报的有效预见期内洪水信息,采用时间序列相似分析方法,在步骤1建立的历史雨洪数据库中检索时序过程相似的相似性历史洪水集合2;
步骤3-1、针对水文站历史雨洪信息,将洪水起涨之前A1个时段和洪水起涨至面临时刻A2个时段的研究区面平均降水量和洪水起涨至面临时刻之间A2+1个时刻的实测流量(包含面临时刻)作为BP神经网络输入数据,预报未来v个时刻的洪水流量;以场次洪水平均(1-NSE)最小为目标函数,利用历史雨洪数据库中70%的场次雨洪信息,通过遗传算法率定BP神经网络的权重和阈值,剩余30%场次雨洪信息用作BP神经网络模型精度的测试数据;通过逐步增大BP神经网络模型输出流量的数量v,使测试数据的平均NSE不低于0.70(《水文情报预报规范 (GB/T 22482-2008)》的乙级标准),从而确定最大v,即为洪水预报有效预见期;
步骤3-2、针对水文站正在发生的洪水过程,以面临时刻之前A1+A2个时段的面平均已观测降水量和A2+1个时刻的已观测流量输入率定后的BP神经网络模型,预报未来v个时刻水文站的流量QBP,实现洪水预报;
步骤3-3、将面临时刻之前A2+1个时刻的已观测流量与v个时刻的预报流量进行拼接,生成包含已观测信息和预报信息的洪水时间序列ftarget,依次计算历史雨洪数据库中每场洪水时间序列fdatabase与ftarget的DTW指数,由小到大排序后,取前X3场次洪水作为基于洪水时序过程相似检索的相似性历史洪水集合2。
步骤4、合并步骤2、3中检索的相似性历史洪水集合1、2,得到相似性历史洪水集合3,合理确定各场相似洪水的拼接时间点,采用加权平均方法计算拼接时间点之后的平均相似洪水过程,通过平移、拼接操作,预估后续洪水过程;
步骤4-1、合并基于降水时空相似检索的相似性历史洪水集合1与基于洪水时序过程相似检索的相似性历史洪水集合2,得到X2+X3场与正在发生洪水相似的历史洪水过程,记为相似性历史洪水集合3;
步骤4-2、记ftarget的长度L,滑动计算相似性历史洪水集合3中某场洪水过程不同
起点时刻I0至之后第I0+L-1个时刻之间的洪水序列fdatabase_part与ftarget的离差平方和
,取最小对应的第I0,best+L-1个时刻作为该场相似洪水与正在发生洪水的拼接位置;
针对相似性历史洪水集合3中的每一场洪水分别确定拼接位置,采用等权重方法加权计算
拼接位置之后,X2+X3场相似洪水过程的平均相似洪水过程fsimilarity,fsimilarity的长度与X2+
X3场相似洪水过程拼接位置之后最短洪水时间序列的长度一致,记为Lsimilarity;
步骤4-3、在洪水预报有效预见期外,洪水预报无法提供可靠的预报流量,将平均
相似洪水过程fsimilarity上下平移,并与面临时刻之后v个时刻的预报流量进行拼接,得到
面临时刻之后完整的洪水预估结果,即:
步骤5、判断步骤4中预估后续洪水过程是否包含洪峰,若不包含则停止动态预估;否则,随时间推移,更新雨洪观测和预报信息,重复步骤2~4,动态预估洪水发展情势。
实施例三:
本实施例以某流域A水库为研究对象,图2为本发明实施例三某流域A水库控制集水区。提出一种基于雨洪时空过程相似性挖掘的洪水动态预估方法。某是长江中游左岸的最大支流,干流流经陕西、湖北2省,于武汉汇入长江,全长1577km。流域范围介于106°15′E~114°20′E、30°10′N~34°20′N之间,总面积约15.9万km2。流域地势复杂,呈西高东低态势,属东亚副热带季风气候区,多年平均降水量约900mm,降水时空分布不均,年降水量呈现南岸大于北岸,上、下游大,中游小的地区分布规律,且全年70%~80%的雨量集中于汛期(5~10月)。
本实施例收集了Multi-Source Weighted-Ensemble Precipitation version2.1(MSWEP V2.1)长系列遥感反演降水数据(时间范围:1979~2016,时间分辨率:3h,UTC时间;空间分辨率:0.1°×0.1°)、ECMWF(European Centre for Medium-Range WeatherForecasts)模式的控制预报降水信息(时间范围:2008~2016,时间分辨率:6h,预见期:10天,UTC时间,每天UTC00:00更新;空间分辨率0.5°×0.5°)、A水库1979~2010年间58场入库洪水数据(时间分辨率6h,北京时间08:00、14:00、20:00、02:00)。预报降水数据从2008年开始,2008~2010年之间仅有20100716号和20100722号两场洪水,本实施例以其余56场洪水及其对应MSWEP V2.1降水信息构建历史雨洪数据库,选择2010年两场入库洪水作为预估样本,应用基于雨洪时空过程相似性挖掘的洪水动态预估方法,主要步骤如下:
S1):历史雨洪数据库构建:综合MSWEP V2.1反演降水、ECMWF预报降水数据和洪水数据的时间及时空分辨率,确定雨洪的时间统一调整为北京时间,时间点分别为02:00、08:00、14:00、20:00,时间步长为6h,降水空间分辨率为0.5°×0.5°。时间方面,将MSWEP V2.1数据累加得到6h步长的降水数据,并将时间标记增加8h(北京时间与UTC时间相差8h),得到北京时间每日02:00~08:00、08:00~14:00、14:00~20:00、20:00~02:00四个时段的MSWEPV2.1降水数据,洪水数据的时间点与目标时刻一致;空间方面,采用双线性插值方法将0.1°×0.1°的MSWEP V2.1升尺度至0.5°×0.5°。从长系列MSWEP V2.1数据中提取历史场次洪水对应的降水,时间方面,截取洪水起涨之前3天(12个时段)和洪水起涨至结束时间范围内的MSWEP V2.1,空间方面,采用A水库控制集水区域边界文件对全球MSWEP V2.1数据进行掩膜处理,提取每场历史洪水对应的研究区范围的MSWEP V2.1降水时空数据。将场次MSWEPV2.1降水和洪水数据配对,以洪水起涨日期作为编号,存储雨洪数据,从而构建A水库的历史雨洪数据库。
S2):基于降水时空过程相似的历史洪水过程检索:针对正在发生的洪水过程,由于ECMWF预报降水信息在每天北京时间08:00(UTC00:00)更新,取洪水动态预估的面临时刻为每日北京时间08:00。在面临时刻,采用同步骤S1)相同方法提取研究区范围内、时间点及时间步长与历史数据库一致、洪水起涨之前3天和起涨至面临时刻的MSWEP V2.1数据,记为前期和已观测降水MP;对面临时刻之前最邻近一次的ECMWF控制预报降水数据,时间标记增加8h转换为北京时间,采用联合概率分布方法订正ECMWF控制预报降水,截取面临时刻之后8个时段(2天)预报降水数据,记为预报降水PP;按照时间拼接MP与PP,形成具有三维时空属性的面临时刻前期、已观测与预报降水MPP_ST。采用等权重加权方法将MPP转换为面平均降水时间序列MPP_T,采用DTW指数依次评价MPP_T与历史雨洪数据库中各场降水过程的时序相似程度,选出DTW指数最小的6场面平均时序过程相似的降水过程。在此基础上,利用3×3×3时空窗口,滑动计算这6场相似降水过程的DTW(SSIM)分布图。计算MPP_ST数据各栅格的累积降水量,由大到小遴选出前30%的q个栅格作为主要降水落区,以各栅格累积降水量占q个栅格总降水量的比例为权重,加权计算6场相似降水过程的DTW(SSIM)分布图的DTW(SSIM)-SCORE,由小到大排序后,取前3场作为时空相似的降水过程,将其对应的洪水过程作为基于降水时空相似检索的相似性历史洪水集合1。
S3):基于洪水时序过程相似的历史洪水过程检索:采用BP神经网络作为洪水预报模型,以面临时刻前期3天(12个时段)面平均降水量和相应面临时刻流量(1个时刻)作为BP神经网络的输入,通过逐步增加输出流量数据的个数,测试有效预见期,最终确定当模型输出未来2个时刻的洪水信息时,平均NSE不低于0.70。将洪水起涨至面临时刻洪水观测信息和BP模型预报的未来2个时刻洪水信息拼接,记为面临时刻的观测与预报洪水信息Flood_T。采用DTW指数依次评价Flood_T与历史雨洪数据库中各场洪水过程的时序相似程度,选出DTW指数最小的3场时序过程相似的洪水过程,作为基于洪水时序相似检索的相似性历史洪水集合2。
S4):基于历史相似洪水的洪水发展情势预估:合并相似性历史洪水集合1、2,形成相似性历史洪水集合3,采用滑动计算离差平方和最小的方式确定每场相似性历史洪水过程的拼接位置,采用等权重加权方法计算拼接位置之后的平均相似洪水过程,通过上下平移平均相似洪水过程,与BP神经网络模型预报的流量进行拼接,实现洪水发展情势的预估。
S5):洪水动态预估与终止条件判断:若S4)中的平均相似洪水过程若包含洪峰信息则不满足停止条件,重复步骤S2)~S5);反之,若仅包含洪水退水过程,则停止动态预估。
S6):预估洪水后续来水量精度评价:预估洪水的精度以面临时刻预估洪水的后续来水量与实测洪水的相对误差RBIAS衡量,计算公式如下:
S7):为分析本发明方法的有效性,实施例三将其与传统的考虑面平均观测降水相似、考虑面平均观测与预报降水相似的洪水动态预估两种传统方法进行对比。需要说明的是,两种传统方法与本发明方法的区别仅在于降水相似性检索部分,洪水相似性检索部分保持一致。
表1给出了BP神经网络模型对于未来第1和第2个时刻流量的预报精度。本发明将历史雨洪数据库中70%场次雨洪信息作为训练数据,以纳什效率系数NSE平均值作为目标函数,采用遗传算法率定模型参数,将30%场次雨洪信息作为验证集。训练集与验证集在第2时刻的洪水预报平均NSE高于0.70。该BP神经网络模型对20100716号、20100722号两场洪水的预报精度也较高。
表1BP神经网络模型对于未来第1和第2个时刻流量的预报精度
表2给出了基于雨洪时空过程相似性挖掘的洪水动态预估方法和传统方法预估洪水后续来水量及其相对误差。两种传统方法仅在第1次动态预估时对于两场洪水后续来水量估计精度优于本发明方法;虽然20100716号洪水在第4次动态预估时,传统方法预估的后续水量更贴近实测洪水,实则是由退水过程高估所致,对于洪水过程、洪峰和洪量的把握并不好。总体上,在动态预估试验中,随面临时刻的推移,降水和洪水观测信息逐渐累积,本发明方法预估后续来水量的相对误差趋于减小,而传统方法并未呈现预估精度升高的趋势,性能较不稳定。因此,本发明方法有效发挥了观测与预报信息耦合利用、相似性分析维度扩展的优势,除第1次和第4次滚动预报外,预估后续来水量的相对误差较传统方法相对降低了9.7~38.5%。
表2 基于雨洪时空过程相似性挖掘的洪水动态预估方法和传统方法预估洪水后续来水量及其相对误差
通过采用本发明公开的上述技术方案,得到如下有益效果:基于雨洪时空过程相似性挖掘的洪水动态预估方法耦合利用了观测和预报降水、洪水信息,采用耦合结构相似性指数SSIM和动态时间规整DTW的DTW(SSIM)指数度量雨洪时空过程相似性,实现了雨洪过程相似性分析由一维时间序列向三维时空过程的扩展,更全面考虑了洪水的发生和演化过程,改善了相似性洪水的检索效果,预估洪水后续来水量的精度高于利用面平均降水信息的传统方法。
上述实施例在信息利用方面,主要涉及遥感降水MSWEP V2.1与数值预报降水ECMWF。在洪水预报模型使用方面,主要涉及BP神经网络模型。需要说明的是,本发明具有较强的扩展性,其它遥感反演、大气再分析、数值预报降水信息与洪水预报模型均可用于本发明方法。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上做出各种变化。
Claims (8)
1.基于雨洪时空过程相似性挖掘的洪水动态预估方法,其特征在于包括如下步骤:
步骤1、获取研究区历史遥感反演降水信息、实时遥感反演降水信息、数值预报降水信息和水文站预定数量的历史场次洪水信息,匹配历史降水和洪水信息的时间尺度,构建水文站历史雨洪数据库;
步骤2、针对水文站正在发生的洪水,匹配洪水起涨时刻之前的前期遥感反演降水、洪水起涨时刻至面临时刻的已观测遥感反演降水与面临时刻之后的数值预报降水信息的时空尺度并拼接,计算面平均降水时间序列,采用时间序列相似分析方法,在步骤1建立的历史雨洪数据库中检索面平均降水时序相似的历史降水过程;采用时空信息相似性分析方法,筛选时空过程相似的历史降水过程,并提取对应的相似性历史洪水集合1;
步骤3、拼接面临时刻已观测洪水与洪水预报模型预报的有效预见期内洪水信息,采用时间序列相似分析方法,在步骤1建立的历史雨洪数据库中检索时序过程相似的相似性历史洪水集合2;
步骤4、合并步骤2、3中检索的相似性历史洪水集合1、相似性历史洪水集合2,得到相似性历史洪水集合3,确定各场相似洪水的拼接时间点,采用加权平均方法计算拼接时间点之后的平均相似洪水过程,通过平移、拼接操作,预估后续洪水过程;
步骤5、判断步骤4中预估后续洪水过程是否包含洪峰,若不包含则停止动态预估;否则,随时间推移,更新雨洪观测和预报信息,重复步骤2~4,动态预估洪水发展情势。
2.根据权利要求1所述的基于雨洪时空过程相似性挖掘的洪水动态预估方法,其特征在于,步骤1进一步包括:
步骤1-1、综合遥感反演降水信息与历史场次洪水信息,确定场次洪水信息等间隔采样的时间点及步长,采用三次样条插值法获取采样时间点的洪水数据;
步骤1-2、判断历史遥感反演降水信息的时间步长与所述洪水数据是否一致;若不一致,通过算数平均法将降水量分配至小于洪水信息时间步长的时段上,通过累加得到与洪水数据时间点及时间步长相吻合的历史遥感反演降水信息;
步骤1-3、根据每场洪水过程起涨、结束时间,在步骤1-2得到的历史遥感反演降水信息中截取对应历史降水时空信息,记为洪水期降水信息;提取洪水起涨之前A1个时段的前期降水信息,与洪水期降水信息拼接,形成洪水过程对应的完整降水信息;由此以洪水发生日期为编号存储场次降水、洪水信息,构建历史雨洪数据库。
3.根据权利要求1所述的基于雨洪时空过程相似性挖掘的洪水动态预估方法,其特征在于,步骤2进一步包括:
步骤2-1、针对正在发生的洪水过程,采用步骤1-2方法获取与历史遥感反演降水时间点及时间步长一致的A1个时段前期遥感反演降水信息I1、A2个时段已观测遥感反演降水信息I2;
步骤2-2、获取面临时刻之前最邻近一次数值模式预报的降水数据,匹配时空尺度并作误差订正,截取面临时刻之后A3个时段数值预报降水信息I3;拼接I1、I2和I3,得到面临时刻观测与预报降水信息Ptarget_st;
步骤2-3、将Ptarget_st转换为面平均降水时间序列Ptarget_t;计算Ptarget_t与历史雨洪数据库中各场雨洪过程相应面平均降水序列Pdatabase_t的动态时间规整DTW指数并排序,筛选时序过程相似程度最高的前X1场降水;
步骤2-4、对于Ptarget_st与X1场降水过程中的某场遥感反演降水Pdatabase_st,针对空间位置(u, v),分别以ti、tj两个时段栅格降水为中心,以周围N×N×N个栅格降水构建移动单体和,计算二者的结构相似性指数;沿时间轴移动,将嵌入DTW公式,计算位置的时空相似性指数;由此,针对步骤2-3中X1场降水过程,逐一绘制研究区范围内的SSIM栅格分布图;
步骤2-5、计算Ptarget_st各栅格位置的累积降水量并按降水量大小赋予权重wgrid,加权计算SSIM分布图的平均分数,选取平均分数最小的前X2场降水,对应洪水过程作为基于降水时空相似检索的相似性历史洪水集合1。
4.根据权利要求1所述的基于雨洪时空过程相似性挖掘的洪水动态预估方法,其特征在于,步骤3进一步包括:
步骤3-1、针对水文站历史雨洪信息,将洪水起涨之前A1个时段和洪水起涨至面临时刻A2个时段的研究区面平均降水量和洪水起涨至面临时刻之间A2+1个时刻的实测流量作为BP神经网络输入数据,预报未来v个时刻的洪水流量;以场次洪水平均1-NSE最小为目标函数,通过遗传算法率定BP神经网络的权重和阈值;通过逐步增大BP神经网络模型输出流量的数量v,确保测试数据的平均NSE不低于预定标准,从而确定最大v,即为洪水预报有效预见期;
步骤3-2、针对水文站正在发生的洪水过程,以面临时刻之前A1+A2个时段的面平均已观测降水量和A2+1个时刻的已观测流量输入率定后的BP神经网络模型,预报未来v个时刻水文站的流量QBP,实现洪水预报;
步骤3-3、将面临时刻之前A2+1个时刻的已观测流量与v个时刻的预报流量进行拼接,生成包含已观测信息和预报信息的洪水时间序列ftarget,依次计算历史雨洪数据库中每场洪水时间序列fdatabase与ftarget的DTW指数,由小到大排序后,取前X3场次洪水作为基于洪水时序过程相似检索的相似性历史洪水集合2。
5.根据权利要求1所述的基于雨洪时空过程相似性挖掘的洪水动态预估方法,其特征在于,步骤4进一步包括:
步骤4-1、合并基于降水时空相似检索的相似性历史洪水集合1与基于洪水时序过程相似检索的相似性历史洪水集合2,得到X2+X3场与正在发生洪水相似的历史洪水过程,记为相似性历史洪水集合3;
步骤4-2、记ftarget的长度L,滑动计算相似性历史洪水集合3中某场洪水过程不同起点时刻I0至之后第I0+L-1个时刻之间的洪水序列fdatabase_part与ftarget的离差平方和,取最小对应的第I0,best+L-1个时刻作为该场相似洪水与正在发生洪水的拼接位置;针对相似性历史洪水集合3中的每一场洪水分别确定拼接位置,在拼接位置之后,采用等权重方法加权计算X2+X3场相似洪水过程的平均相似洪水过程序列fsimilarity,fsimilarity的长度与X2+X3场相似洪水过程拼接位置之后最短洪水时间序列的长度一致,记为Lsimilarity;
步骤4-3、在洪水预报有效预见期外,洪水预报无法提供可靠的预报流量,将平均相似洪水过程fsimilarity上下平移,并与面临时刻之后v个时刻的预报流量进行拼接,得到面临时刻之后完整的洪水预估结果,即:
7.根据权利要求1所述的基于雨洪时空过程相似性挖掘的洪水动态预估方法,其特征在于,重复步骤1~步骤5,得到研究区水文站洪水过程的动态预估结果。
8.洪水动态预估***,其特征在于,包括:
第一模块,用于获取研究区历史遥感反演降水信息、实时遥感反演降水信息、数值预报降水信息和水文站预定数量的历史场次洪水信息,匹配历史降水和洪水信息的时间尺度,构建水文站历史雨洪数据库;
第二模块,用于针对水文站正在发生的洪水,匹配面临时刻前期和已观测的遥感反演降水与数值预报降水信息的时空尺度并拼接,采用时间序列相似分析方法,在所述第一模块建立的历史雨洪数据库中检索面平均降水时序相似的历史降水过程;采用时空信息相似性分析方法,筛选时空过程相似的历史降水过程,并提取对应的相似性历史洪水集合1;
第三模块,用于拼接面临时刻已观测洪水与洪水预报模型预报的有效预见期内洪水信息,采用时间序列相似分析方法,在历史雨洪数据库中检索时序过程相似的相似性历史洪水集合2;
第四模块,合并相似性历史洪水集合1、相似性历史洪水集合2,得到相似性历史洪水集合3,合理确定各场相似洪水的拼接时间点,采用加权平均方法计算拼接时间点之后的平均相似洪水过程,通过平移、拼接操作,预估后续洪水过程;
第五模块,判断第四模块预估后续洪水过程是否包含洪峰,若不包含则停止动态预估;否则,随时间推移,更新雨洪观测和预报信息,重复执行第二模块至第四模块,动态预估洪水发展情势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111336042.9A CN113779113B (zh) | 2021-11-12 | 2021-11-12 | 基于雨洪时空过程相似性挖掘的洪水动态预估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111336042.9A CN113779113B (zh) | 2021-11-12 | 2021-11-12 | 基于雨洪时空过程相似性挖掘的洪水动态预估方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113779113A true CN113779113A (zh) | 2021-12-10 |
CN113779113B CN113779113B (zh) | 2022-03-08 |
Family
ID=78957062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111336042.9A Active CN113779113B (zh) | 2021-11-12 | 2021-11-12 | 基于雨洪时空过程相似性挖掘的洪水动态预估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113779113B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116011879A (zh) * | 2023-02-01 | 2023-04-25 | 长江水利委员会长江科学院 | 生态***稳定性评估方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101864750A (zh) * | 2010-06-29 | 2010-10-20 | 西安理工大学 | 多模型综合集成洪水预报***及其预报方法 |
CN103488871A (zh) * | 2013-08-27 | 2014-01-01 | 国家电网公司 | 一种无径流资料地区的洪水预报方法 |
CN107145965A (zh) * | 2017-04-10 | 2017-09-08 | 河海大学 | 一种基于相似度匹配和极限学习机的河流洪水预测方法 |
WO2019173202A1 (en) * | 2018-03-07 | 2019-09-12 | General Electric Company | Systems and methods for decision tree ensembles for selecting actions |
CN110728409A (zh) * | 2019-10-16 | 2020-01-24 | 中国科学院地理科学与资源研究所 | 一种洪水过程类型相似性挖掘与快速预测方法 |
-
2021
- 2021-11-12 CN CN202111336042.9A patent/CN113779113B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101864750A (zh) * | 2010-06-29 | 2010-10-20 | 西安理工大学 | 多模型综合集成洪水预报***及其预报方法 |
CN103488871A (zh) * | 2013-08-27 | 2014-01-01 | 国家电网公司 | 一种无径流资料地区的洪水预报方法 |
CN107145965A (zh) * | 2017-04-10 | 2017-09-08 | 河海大学 | 一种基于相似度匹配和极限学习机的河流洪水预测方法 |
WO2019173202A1 (en) * | 2018-03-07 | 2019-09-12 | General Electric Company | Systems and methods for decision tree ensembles for selecting actions |
CN110728409A (zh) * | 2019-10-16 | 2020-01-24 | 中国科学院地理科学与资源研究所 | 一种洪水过程类型相似性挖掘与快速预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116011879A (zh) * | 2023-02-01 | 2023-04-25 | 长江水利委员会长江科学院 | 生态***稳定性评估方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113779113B (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11333796B2 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
CN108304668B (zh) | 一种结合水文过程数据和历史先验数据的洪水预测方法 | |
Boer et al. | Kriging and thin plate splines for mapping climate variables | |
Mwangi et al. | Forecasting droughts in East Africa | |
CN112800634B (zh) | 耦合干湿状态辨识与多源信息融合的降水估计方法及*** | |
CN113779113B (zh) | 基于雨洪时空过程相似性挖掘的洪水动态预估方法及*** | |
CN115271255B (zh) | 基于知识图谱和机器学习的雨洪相似性分析方法和*** | |
CN101354757A (zh) | 一种精细尺度下的动态风险及易损性预测方法 | |
CN111612055B (zh) | 天气形势的分型方法、空气污染状况的预测方法及装置 | |
CN110648014A (zh) | 一种基于时空分位数回归的区域风电预测方法及*** | |
CN112418346B (zh) | 一种数值天气预报总辐射***误差分类计算方法 | |
Chen et al. | Probabilistic forecasting of drought: a hidden Markov model aggregated with the RCP 8.5 precipitation projection | |
CN107133686A (zh) | 基于时空数据模型的城市级pm2.5浓度预测方法 | |
CN112579922B (zh) | 一种基于用户轨迹的兴趣点推荐方法 | |
CN110276477B (zh) | 一种基于分层贝叶斯网络和增量学习的洪水预报方法 | |
CN105974495A (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
CN110046756B (zh) | 基于小波去噪与Catboost的短时天气预报方法 | |
Zhao et al. | Comparison and correction of IDW based wind speed interpolation methods in urbanized Shenzhen | |
CN117332909A (zh) | 基于智能体的多尺度城市内涝道路交通暴露性预测方法 | |
CN114357737A (zh) | 针对大尺度水文模型时变参数的代理优化率定方法 | |
CN111860974B (zh) | 一种基于状态空间和联合分布的干旱多级预测方法 | |
CN117233869A (zh) | 一种基于GRU-BiTCN的站点短期风速预测方法 | |
Mukhamedjanov et al. | The use of satellite data for monitoring rivers in the Amu Darya basin | |
CN116776581A (zh) | 一种知识和数据融合驱动的洪水预报模型参数在线优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |