CN116881860A - 基于数理统计分析的中小河流洪水预报方法及装置 - Google Patents
基于数理统计分析的中小河流洪水预报方法及装置 Download PDFInfo
- Publication number
- CN116881860A CN116881860A CN202311146979.9A CN202311146979A CN116881860A CN 116881860 A CN116881860 A CN 116881860A CN 202311146979 A CN202311146979 A CN 202311146979A CN 116881860 A CN116881860 A CN 116881860A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- data
- flood
- water level
- representing
- 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 65
- 238000004458 analytical method Methods 0.000 title description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 220
- 239000011159 matrix material Substances 0.000 claims abstract description 86
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000007619 statistical method Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 238000006424 Flood reaction Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 6
- 238000004904 shortening Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 18
- 238000013277 forecasting method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 3
- 230000003466 anti-cipated effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001970 hydrokinetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Hydrology & Water Resources (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及洪水预报领域，揭露一种基于数理统计分析的中小河流洪水预报方法及装置，所述方法包括：对降雨数据进行数据标准化处理，得到标准降雨数据，对水位数据进行数据标准化处理，得到标准水位数据；利用标准降雨数据计算中小河流域的降雨特征，并利用标准水位数据计算中小河流域的水位特征，构建中小河流域的降雨‑洪水关系矩阵；从降雨特征与标准水位数据中选取中小河流域的洪水预报因子；构建洪水预报因子与水位特征之间的关系模型，计算关系模型的损失值，基于损失值，利用关系模型确定中小河流域的洪水预报模型；基于洪水预报因子，利用洪水预报模型构建中小河流域的洪水预报结果。本发明可以在无辅助设备支撑时实现洪水作业预报。
Description
技术领域
本发明涉及洪水预报领域，尤其涉及一种基于数理统计分析的中小河流洪水预报方法及装置。
背景技术
中小河流由于产汇流非线性特质显著，防洪基础设施薄弱，短历时强降雨极易诱发流域洪水灾害，并具有突发性强、历时短、破坏力大等特点，一直是防洪减灾工作的重难点，中小河流洪水灾害预报的关键是延长灾害的预见期以及制定简易、推广性强的洪水预报模型，从而实现“早介入、早行动、早预防”。
目前，已有的中小河流域洪水预报模型主要以机器学习模型及水文水动力模型为主，机器学习模型预报精度较高，但预报结果不具备可解释性；水文水动力模型建模复杂，对流域水情初始场掌握要求高，预报计算过程繁琐，且在实际作业预报过程中，两种模型皆需要依托计算机设备进行辅助计算。因此，当缺乏计算机、手机应用端等辅助设备支撑时，则无法实现洪水作业预报。
发明内容
为了解决上述问题，本发明提供了一种基于数理统计分析的中小河流洪水预报方法及装置，可以在无手机、计算机等辅助设备支撑时实现洪水作业预报。
第一方面，本发明提供了一种基于数理统计分析的中小河流洪水预报方法，包括：
采集中小河流域内雨量站的降雨数据与水位数据，对所述降雨数据进行数据标准化处理，得到标准降雨数据，对所述水位数据进行数据标准化处理，得到标准水位数据；
利用所述标准降雨数据计算所述中小河流域的降雨特征，并利用所述标准水位数据计算所述中小河流域的水位特征，基于所述降雨特征、所述水位特征及所述标准水位数据，构建所述中小河流域的降雨-洪水关系矩阵；
基于所述降雨-洪水关系矩阵，从所述降雨特征与所述标准水位数据中选取所述中小河流域的洪水预报因子；
构建所述洪水预报因子与所述水位特征之间的关系模型，计算所述关系模型的损失值，基于所述损失值，利用所述关系模型确定所述中小河流域的洪水预报模型；
基于所述洪水预报因子，利用所述洪水预报模型构建所述中小河流域的洪水预报结果。
在第一方面的一种可能实现方式中，所述对所述降雨数据进行数据标准化处理，得到标准降雨数据，包括：
基于所述降雨数据的时间戳，对所述降雨数据进行数据横向拼接，得到拼接降雨数据；
构建所述拼接降雨数据对应的洪水预见期时长与整编时间戳步长；
在所述拼接降雨数据中每个降雨数据之间的时间间隔大于所述洪水预见期时长时，利用上采样方法缩短所述拼接降雨数据中每个降雨数据之间的时间间隔，得到缩短时间间隔的拼接降雨数据；
在所述缩短时间间隔的拼接降雨数据中每个降雨数据之间的时间步长与所述整编时间戳步长不一致时，识别所述缩短时间间隔的拼接降雨数据中的空缺时间戳；
检测所述缩短时间间隔的拼接降雨数据中的异常数据，并将所述异常数据替换为空缺数据；
对所述空缺时间戳与所述空缺数据进行空缺插补处理，得到空缺插补的拼接降雨数据；
对所述空缺插补的拼接降雨数据进行指数平滑处理，得到所述标准降雨数据。
在第一方面的一种可能实现方式中，所述利用所述标准降雨数据计算所述中小河流域的降雨特征，包括：
基于所述标准降雨数据，利用下述公式计算所述中小河流域的时段累计降雨量：
其中，表示所述时段累计降雨量，h表示所述标准降雨数据中降雨量历史追溯时间步长数，/>表示所述标准降雨数据中预见期时间步长数，t表示时间步长的序号，/>表示第t个时间步长内的中小河流域面的降雨总量，由中小河流域内各雨量站对应的所述标准降雨数据中的第t个时间步长内降雨总量加权平均求得，/>表示第/>个时间步长内的中小河流域面的降雨总量，/>表示第/>个时间步长内的中小河流域面的降雨总量，/>表示权重系数，/>、/>、......、/>表示中小河流域内各雨量站对应的所述标准降雨数据中的降雨总量，/>表示雨量站的序号；
基于所述标准降雨数据与所述时段累计降雨量，利用下述公式计算所述中小河流域的时段面平均降雨量：
其中，表示所述时段面平均降雨量，/>表示所述时段累计降雨量，h表示所述标准降雨数据中降雨量历史追溯时间步长数，/>表示所述标准降雨数据中预见期时间步长数，表示时间步长；
将所述时段累计降雨量与所述时段面平均降雨量作为所述降雨特征。
在第一方面的一种可能实现方式中，所述利用所述标准水位数据计算所述中小河流域的水位特征，包括：
基于所述标准水位数据，利用下述公式计算所述中小河流域的预见期内水位变幅：
其中，表示所述预见期内水位变幅，/>表示所述标准水位数据中的预报洪水时的起始水位，/>表示所述标准水位数据中的预见期水位；
将所述标准水位数据中的预见期水位与所述预见期内水位变幅作为所述水位特征。
在第一方面的一种可能实现方式中，所述基于所述降雨特征、所述水位特征及所述标准水位数据，构建所述中小河流域的降雨-洪水关系矩阵，包括：
构建所述降雨特征、所述水位特征及所述标准水位数据中的数据矩阵；
利用下述公式对所述数据矩阵进行矩阵标准化，得到标准化矩阵：
其中，表示所述标准化矩阵，/>表示所述数据矩阵，/>表示所述数据矩阵中每列的均值，/>表示所述数据矩阵中每列的标准差；
利用下述公式计算所述标准化矩阵的协方差矩阵：
其中，表示所述协方差矩阵，/>表示所述标准化矩阵，/>表示转置符号，/>表示所述标准化矩阵的列总数；
基于所述协方差矩阵利用下述公式计算所述标准化矩阵的降雨-洪水关系矩阵：
其中，表示所述降雨-洪水关系矩阵，/>表示所述协方差矩阵中的第i行第j列元素，/>表示所述协方差矩阵中第i行的标准差，/>表示所述协方差矩阵中第j列的标准差。
在第一方面的一种可能实现方式中，所述构建所述洪水预报因子与所述水位特征之间的关系模型，包括：
利用下述公式计算所述洪水预报因子与所述水位特征中的预见期水位之间的第一一元一次多项式：
其中，表示所述第一一元一次多项式，/>表示所述标准水位数据中的预见期水位，/>、/>表示需要优化的常数参数，/>表示第u个洪水预报因子；
利用下述公式计算所述洪水预报因子与所述水位特征中的预见期内水位变幅之间的第二一元一次多项式：
其中，表示所述第二一元一次多项式，/>、表示需要优化的常数参数，/>表示第u个洪水预报因子，/>表示所述预见期内水位变幅；
基于所述洪水预报因子，利用下述公式对所述第一一元一次多项式进行多项式调整，得到第一调整多项式：
其中，表示所述第一调整多项式，、/>、/>表示需要优化的常数参数，/>表示第u个洪水预报因子，/>表示第k个洪水预报因子；
基于所述洪水预报因子，利用下述公式对所述第二一元一次多项式进行多项式调整，得到第二调整多项式：
其中，表示所述第二调整多项式，/>表示第u个洪水预报因子，/>表示第k个洪水预报因子，/>、/>、/>表示需要优化的常数参数；
将所述第一调整多项式与所述第二调整多项式作为所述关系模型。
在第一方面的一种可能实现方式中，所述计算所述关系模型的损失值，包括：
利用下述公式计算所述关系模型中的第一调整多项式的第一损失值：
其中，表示所述第一损失值，/>表示所述标准水位数据中的预见期水位，表示所述标准水位数据中的第l个预见期水位，L表示l的总数；
利用下述公式计算所述关系模型中的第二调整多项式的第二损失值：
其中，表示所述第二损失值，/>表示所述预见期内水位变幅，/>表示所述标准水位数据中的第l个预见期内水位变幅，L表示l的总数。
在第一方面的一种可能实现方式中，所述基于所述损失值，利用所述关系模型确定所述中小河流域的洪水预报模型，包括：
基于所述损失值，对所述关系模型进行参数优化，得到优化参数的关系模型；
在所述优化参数的关系模型的第二损失值中选取最小损失值，并将所述最小损失值对应的优化参数的关系模型作为所述洪水预报模型。
在第一方面的一种可能实现方式中，所述基于所述洪水预报因子，利用所述洪水预报模型构建所述中小河流域的洪水预报结果，包括：
在所述洪水预报因子的总数不大于预设阈值时，构建所述洪水预报模型的洪水预报数值与所述洪水预报因子之间的回归曲线；
识别所述洪水预报因子的数值范围，对所述数值范围进行区间划分，得到划分区间；
利用所述划分区间的左起始值与所述洪水预报模型的洪水预报数值构建所述中小河流域的第一洪水预报速查表；
将所述回归曲线与所述第一洪水预报速查表作为所述中小河流域的第一洪水预报结果；
在所述洪水预报因子的总数大于所述预设阈值时，构建所述洪水预报模型的洪水预报数值与所述洪水预报因子之间的散点图；
利用所述划分区间的左起始值与所述洪水预报模型的洪水预报数值构建所述中小河流域的第二洪水预报速查表；
将所述回归曲线与所述第一洪水预报速查表作为所述中小河流域的第二洪水预报结果。
第二方面，本发明提供了一种基于数理统计分析的中小河流洪水预报装置，所述装置包括：
数据标准化模块，用于采集中小河流域内雨量站的降雨数据与水位数据，对所述降雨数据进行数据标准化处理，得到标准降雨数据，对所述水位数据进行数据标准化处理，得到标准水位数据；
矩阵构建模块，用于利用所述标准降雨数据计算所述中小河流域的降雨特征，并利用所述标准水位数据计算所述中小河流域的水位特征，基于所述降雨特征、所述水位特征及所述标准水位数据，构建所述中小河流域的降雨-洪水关系矩阵；
因子选取模块，用于基于所述降雨-洪水关系矩阵，从所述降雨特征与所述标准水位数据中选取所述中小河流域的洪水预报因子；
模型确定模块，用于构建所述洪水预报因子与所述水位特征之间的关系模型，计算所述关系模型的损失值，基于所述损失值，利用所述关系模型确定所述中小河流域的洪水预报模型；
结果构建模块，用于基于所述洪水预报因子，利用所述洪水预报模型构建所述中小河流域的洪水预报结果。
与现有技术相比，本方案的技术原理及有益效果在于：
本发明实施例首先通过对所述降雨数据和所述水位数据进行数据标准化处理，以用于对异常数据、噪声数据、空缺数据、无序数据进行处理，本发明实施例通过利用所述标准降雨数据计算所述中小河流域的降雨特征，以用于基于基础的降雨量数据计算得到更具有地域特征与时间特征的降雨量数据，进一步地，本发明实施例通过利用所述标准水位数据计算所述中小河流域的水位特征，以用于从基础的高低水位数据中提取附带时间跨度的水位特征，进一步地，本发明实施例通过基于所述降雨特征、所述水位特征及所述标准水位数据，构建所述中小河流域的降雨-洪水关系矩阵，以用于从所述降雨特征与所述标准水位数据中选取与所述水位特征强关联的数据与特征，本发明实施例通过构建所述洪水预报因子与所述水位特征之间的关系模型，以用于通过由多项式构建的简易关系模型实现洪水预报，这样可以保障在没有网络的情况下依然可以使用所述关系模型实现洪水预报，进一步地，本发明实施例通过计算所述关系模型的损失值，以用于对所述第一调整多项式与所述第二调整多项式中常数参数进行参数优化，保障所述关系模型的洪水预报准确率，进一步地，本发明实施例通过基于所述损失值，利用所述关系模型确定所述中小河流域的洪水预报模型，以用于利用所述损失值对所述关系模型进行优化，从而可以提升所述关系模型的洪水预报准确率，本发明实施例通过基于所述洪水预报因子，利用所述洪水预报模型构建所述中小河流域的洪水预报结果，以用于将所述洪水预报模型的预报结果进行整理汇总，这样方便后续快速简易查询。因此，本发明实施例提出的一种基于数理统计分析的中小河流洪水预报方法及装置，可以在无手机、计算机等辅助设备支撑时实现洪水作业预报。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种基于数理统计分析的中小河流洪水预报方法的流程示意图；
图2为本发明一实施例中图1提供的一种基于数理统计分析的中小河流洪水预报方法的水位数据空缺值填充的示意图；
图3为本发明一实施例中图1提供的一种基于数理统计分析的中小河流洪水预报方法的水位数据周期性分析的示意图；
图4为本发明一实施例中图1提供的一种基于数理统计分析的中小河流洪水预报方法的回归曲线图；
图5为本发明一实施例中图1提供的一种基于数理统计分析的中小河流洪水预报方法的散点图；
图6为本发明一实施例中图1提供的一种基于数理统计分析的中小河流洪水预报方法的第一洪水预报速查表；
图7为本发明一实施例中图1提供的一种基于数理统计分析的中小河流洪水预报方法的第二洪水预报速查表；
图8为本发明一实施例提供的一种基于数理统计分析的中小河流洪水预报装置的模块示意图。
具体实施方式
应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种基于数理统计分析的中小河流洪水预报方法，所述基于数理统计分析的中小河流洪水预报方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，所述基于数理统计分析的中小河流洪水预报方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参阅图1所示，是本发明一实施例提供的基于数理统计分析的中小河流洪水预报方法的流程示意图。其中，图1中描述的基于数理统计分析的中小河流洪水预报方法包括：
S1、采集中小河流域内雨量站的降雨数据与水位数据，对所述降雨数据进行数据标准化处理，得到标准降雨数据，对所述水位数据进行数据标准化处理，得到标准水位数据。
本发明实施例中，所述雨量站是指用于收集和记录降雨量数据的设施；所述降雨数据包括降雨量大小、降雨时间、每日降雨量、每时降雨量等等；所述水位数据是指所述中小河流域内水位的高低数据。
进一步地，本发明实施例通过对所述降雨数据和所述水位数据进行数据标准化处理，以用于对异常数据、噪声数据、空缺数据、无序数据进行处理。
本发明的一实施例中，所述对所述降雨数据进行数据标准化处理，得到标准降雨数据，包括：基于所述降雨数据的时间戳，对所述降雨数据进行数据横向拼接，得到拼接降雨数据；构建所述拼接降雨数据对应的洪水预见期时长与整编时间戳步长；在所述拼接降雨数据中每个降雨数据之间的时间间隔大于所述洪水预见期时长时，利用上采样方法缩短所述拼接降雨数据中每个降雨数据之间的时间间隔，得到缩短时间间隔的拼接降雨数据；在所述缩短时间间隔的拼接降雨数据中每个降雨数据之间的时间步长与所述整编时间戳步长不一致时，识别所述缩短时间间隔的拼接降雨数据中的空缺时间戳；检测所述缩短时间间隔的拼接降雨数据中的异常数据，并将所述异常数据替换为空缺数据；对所述空缺时间戳与所述空缺数据进行空缺插补处理，得到空缺插补的拼接降雨数据；对所述空缺插补的拼接降雨数据进行指数平滑处理，得到所述标准降雨数据。
其中，所述预见期时长是指当前时刻至预报的洪水时间之间的时长，例如半小时级、小时级等，进一步地，所述整编时间戳步长与所述预见期时长一致。
可选地，所述基于所述降雨数据的时间戳，对所述降雨数据进行数据横向拼接，得到拼接降雨数据的过程为：按照数据采样时间为每个数据点标记相应的时间戳，并按照时间戳，将标记好时间戳的数据进行横向拼接，即按照时间序列进行排列；所述在所述拼接降雨数据中每个降雨数据之间的时间间隔大于所述洪水预见期时长时，利用上采样方法缩短所述拼接降雨数据中每个降雨数据之间的时间间隔，得到缩短时间间隔的拼接降雨数据的过程为：若数据采样时间间隔大于洪水预报预见期，则采用数据上采样的方式，缩小各数据的采样时间间隔，确保数据采样时间间隔小于等于洪水预报预见期，所述上采样方法为插值法，即在两个相邻时间戳的数据点之间***其他数据；所述在所述缩短时间间隔的拼接降雨数据中每个降雨数据之间的时间步长与所述整编时间戳步长不一致时，识别所述缩短时间间隔的拼接降雨数据中的空缺时间戳的过程为：对于时间步长存在异常的相邻数据点，判定两条数据间存在数据丢失，需对空缺的时间戳进行插补，此时对空缺的时间戳位置处的数据暂时保持空值，以确保时间序列数据的完整性；所述检测所述缩短时间间隔的拼接降雨数据中的异常数据的过程为：通过原则对雨量数据进行异常值检测，/>原则又称为拉依达准则，该准则具体来说，就是先假设一组检测数据只含有随机误差，对原始数据进行计算处理得到标准差，然后按一定的概率确定一个区间，认为误差超过这个区间的就属于异常值；所述对所述空缺时间戳与所述空缺数据进行空缺插补处理，得到空缺插补的拼接降雨数据的过程为：采用填零法填补空缺数据，即将空缺数据的值用0值表示；所述对所述空缺插补的拼接降雨数据进行指数平滑处理，得到所述标准降雨数据的过程为：采用移动平均或指数平滑方法对所述空缺插补的拼接降雨数据进行指数平滑处理。
可选地，所述对所述水位数据进行数据标准化处理，得到标准水位数据的过程与上述对所述降雨数据进行数据标准化处理，得到标准降雨数据的原理类似，需要说明的是，在对所述水位数据的异常数据进行空缺插补处理时，采用线性插值填补异常数据。
参阅图2所示，为本发明一实施例中图1提供的一种基于数理统计分析的中小河流洪水预报方法的水位数据空缺值填充的示意图。
参阅图3所示，为本发明一实施例中图1提供的一种基于数理统计分析的中小河流洪水预报方法的水位数据周期性分析的示意图。需要说明的是，在对数据进行指数平滑时需要进行周期性分析。
S2、利用所述标准降雨数据计算所述中小河流域的降雨特征，并利用所述标准水位数据计算所述中小河流域的水位特征，基于所述降雨特征、所述水位特征及所述标准水位数据，构建所述中小河流域的降雨-洪水关系矩阵。
本发明实施例通过利用所述标准降雨数据计算所述中小河流域的降雨特征，以用于基于基础的降雨量数据计算得到更具有地域特征与时间特征的降雨量数据。
本发明的一实施例中，所述利用所述标准降雨数据计算所述中小河流域的降雨特征，包括：基于所述标准降雨数据，利用下述公式计算所述中小河流域的时段累计降雨量：
其中，表示所述时段累计降雨量，h表示所述标准降雨数据中降雨量历史追溯时间步长数，/>表示所述标准降雨数据中预见期时间步长数，t表示时间步长的序号，/>表示第t个时间步长内的中小河流域面的降雨总量，由中小河流域内各雨量站对应的所述标准降雨数据中的第t个时间步长内降雨总量加权平均求得，/>表示第/>个时间步长内的中小河流域面的降雨总量，/>表示第/>个时间步长内的中小河流域面的降雨总量，/>表示权重系数，/>、/>、......、/>表示中小河流域内各雨量站对应的所述标准降雨数据中的降雨总量，/>表示雨量站的序号；
基于所述标准降雨数据与所述时段累计降雨量，利用下述公式计算所述中小河流域的时段面平均降雨量：
其中，表示所述时段面平均降雨量，/>表示所述时段累计降雨量，h表示所述标准降雨数据中降雨量历史追溯时间步长数，/>表示所述标准降雨数据中预见期时间步长数，表示时间步长；
将所述时段累计降雨量与所述时段面平均降雨量作为所述降雨特征。
进一步地，本发明实施例通过利用所述标准水位数据计算所述中小河流域的水位特征，以用于从基础的高低水位数据中提取附带时间跨度的水位特征。
本发明的一实施例中，所述利用所述标准水位数据计算所述中小河流域的水位特征，包括：基于所述标准水位数据，利用下述公式计算所述中小河流域的预见期内水位变幅：
其中，表示所述预见期内水位变幅，/>表示所述标准水位数据中的预报洪水时的起始水位，/>表示所述标准水位数据中的预见期水位；
将所述标准水位数据中的预见期水位与所述预见期内水位变幅作为所述水位特征。
进一步地，本发明实施例通过基于所述降雨特征、所述水位特征及所述标准水位数据，构建所述中小河流域的降雨-洪水关系矩阵，以用于从所述降雨特征与所述标准水位数据中选取与所述水位特征强关联的数据与特征。
本发明的一实施例中，所述基于所述降雨特征、所述水位特征及所述标准水位数据，构建所述中小河流域的降雨-洪水关系矩阵，包括：构建所述降雨特征、所述水位特征及所述标准水位数据中的数据矩阵；利用下述公式对所述数据矩阵进行矩阵标准化，得到标准化矩阵：
其中，表示所述标准化矩阵，/>表示所述数据矩阵，/>表示所述数据矩阵中每列的均值，/>表示所述数据矩阵中每列的标准差；
利用下述公式计算所述标准化矩阵的协方差矩阵：
其中，表示所述协方差矩阵，/>表示所述标准化矩阵，/>表示转置符号，/>表示所述标准化矩阵的列总数；
基于所述协方差矩阵利用下述公式计算所述标准化矩阵的降雨-洪水关系矩阵：
其中，表示所述降雨-洪水关系矩阵，/>表示所述协方差矩阵中的第i行第j列元素，/>表示所述协方差矩阵中第i行的标准差，/>表示所述协方差矩阵中第j列的标准差。
可选地，所述构建所述降雨特征、所述水位特征及所述标准水位数据中的数据矩阵的过程为：将所述降雨特征与所述标准水位数据中初始水位作为输入特征，将所述水位特征作为输出特征，将所述输入特征及所述输出特征表示为一个n行m列的矩阵X，其中，n表示输入输出特征总个数，m表示每个特征的样本数。
S3、基于所述降雨-洪水关系矩阵，从所述降雨特征与所述标准水位数据中选取所述中小河流域的洪水预报因子。
可选地，所述基于所述降雨-洪水关系矩阵，从所述降雨特征与所述标准水位数据中选取所述中小河流域的洪水预报因子的过程为：所述降雨-洪水关系矩阵的对角线上的元素都是1，表示每个变量与自身的相关性为1，其他位置的元素则表示对应特征变量之间的线性相关程度，确定筛选阈值，选择与输出特征之间的相关系数大于阈值的输入特征作为预报因子。
S4、构建所述洪水预报因子与所述水位特征之间的关系模型，计算所述关系模型的损失值，基于所述损失值，利用所述关系模型确定所述中小河流域的洪水预报模型。
本发明实施例通过构建所述洪水预报因子与所述水位特征之间的关系模型，以用于通过由多项式构建的简易关系模型实现洪水预报，这样可以保障在没有网络的情况下依然可以使用所述关系模型实现洪水预报。
本发明的一实施例中，所述构建所述洪水预报因子与所述水位特征之间的关系模型，包括：利用下述公式计算所述洪水预报因子与所述水位特征中的预见期水位之间的第一一元一次多项式：
其中，表示所述第一一元一次多项式，/>表示所述标准水位数据中的预见期水位，/>、/>表示需要优化的常数参数，/>表示第u个洪水预报因子；
利用下述公式计算所述洪水预报因子与所述水位特征中的预见期内水位变幅之间的第二一元一次多项式：
其中，表示所述第二一元一次多项式，/>、表示需要优化的常数参数，/>表示第u个洪水预报因子，/>表示所述预见期内水位变幅；
基于所述洪水预报因子，利用下述公式对所述第一一元一次多项式进行多项式调整，得到第一调整多项式：
其中，表示所述第一调整多项式，、/>、/>表示需要优化的常数参数，/>表示第u个洪水预报因子，/>表示第k个洪水预报因子；
基于所述洪水预报因子，利用下述公式对所述第二一元一次多项式进行多项式调整，得到第二调整多项式：
其中，表示所述第二调整多项式，/>表示第u个洪水预报因子，/>表示第k个洪水预报因子，/>、/>、/>表示需要优化的常数参数；
将所述第一调整多项式与所述第二调整多项式作为所述关系模型。
进一步地，本发明实施例通过计算所述关系模型的损失值，以用于对所述第一调整多项式与所述第二调整多项式中常数参数进行参数优化，保障所述关系模型的洪水预报准确率。
本发明的一实施例中，所述计算所述关系模型的损失值，包括：利用下述公式计算所述关系模型中的第一调整多项式的第一损失值：
其中，表示所述第一损失值，/>表示所述标准水位数据中的预见期水位，表示所述标准水位数据中的第l个预见期水位，L表示l的总数；
利用下述公式计算所述关系模型中的第二调整多项式的第二损失值：
其中，表示所述第二损失值，/>表示所述预见期内水位变幅，/>表示所述标准水位数据中的第l个预见期内水位变幅，L表示l的总数。
进一步地，本发明实施例通过基于所述损失值，利用所述关系模型确定所述中小河流域的洪水预报模型，以用于利用所述损失值对所述关系模型进行优化，从而可以提升所述关系模型的洪水预报准确率。
本发明的一实施例中，所述基于所述损失值，利用所述关系模型确定所述中小河流域的洪水预报模型，包括：基于所述损失值，对所述关系模型进行参数优化，得到优化参数的关系模型；在所述优化参数的关系模型的第二损失值中选取最小损失值，并将所述最小损失值对应的优化参数的关系模型作为所述洪水预报模型。
S5、基于所述洪水预报因子，利用所述洪水预报模型构建所述中小河流域的洪水预报结果。
本发明实施例通过基于所述洪水预报因子，利用所述洪水预报模型构建所述中小河流域的洪水预报结果，以用于将所述洪水预报模型的预报结果进行整理汇总，这样方便后续快速简易查询。
本发明的一实施例中，所述基于所述洪水预报因子，利用所述洪水预报模型构建所述中小河流域的洪水预报结果，包括：在所述洪水预报因子的总数不大于预设阈值时，构建所述洪水预报模型的洪水预报数值与所述洪水预报因子之间的回归曲线；识别所述洪水预报因子的数值范围，对所述数值范围进行区间划分，得到划分区间；利用所述划分区间的左起始值与所述洪水预报模型的洪水预报数值构建所述中小河流域的第一洪水预报速查表；将所述回归曲线与所述第一洪水预报速查表作为所述中小河流域的第一洪水预报结果；在所述洪水预报因子的总数大于所述预设阈值时，构建所述洪水预报模型的洪水预报数值与所述洪水预报因子之间的散点图；利用所述划分区间的左起始值与所述洪水预报模型的洪水预报数值构建所述中小河流域的第二洪水预报速查表；将所述回归曲线与所述第一洪水预报速查表作为所述中小河流域的第二洪水预报结果。
其中，所述预设阈值设置为1。
可选地，所述利用所述划分区间的左起始值与所述洪水预报模型的洪水预报数值构建所述中小河流域的第一洪水预报速查表的过程为：将每个划分区间的左区间数作为代表值，创建一个表格，将离散化后的特征各代表值作为表格的行，下一行填写基于洪水预报模型计算得出的预见期水位值或涨幅值；所述利用所述划分区间的左起始值与所述洪水预报模型的洪水预报数值构建所述中小河流域的第二洪水预报速查表的过程为：将离散化后的各特征的代表值分别作为表格的行和列，表格的交叉点将用于填写基于预报模型计算得出的预见期水位值或涨幅值。
参阅图4所示，为本发明一实施例中图1提供的一种基于数理统计分析的中小河流洪水预报方法的回归曲线图。
参阅图5所示，为本发明一实施例中图1提供的一种基于数理统计分析的中小河流洪水预报方法的散点图。
参阅图6所示，为本发明一实施例中图1提供的一种基于数理统计分析的中小河流洪水预报方法的第一洪水预报速查表。
参阅图7所示，为本发明一实施例中图1提供的一种基于数理统计分析的中小河流洪水预报方法的第二洪水预报速查表。
可以看出，本发明实施例首先通过对所述降雨数据和所述水位数据进行数据标准化处理，以用于对异常数据、噪声数据、空缺数据、无序数据进行处理，本发明实施例通过利用所述标准降雨数据计算所述中小河流域的降雨特征，以用于基于基础的降雨量数据计算得到更具有地域特征与时间特征的降雨量数据，进一步地，本发明实施例通过利用所述标准水位数据计算所述中小河流域的水位特征，以用于从基础的高低水位数据中提取附带时间跨度的水位特征，进一步地，本发明实施例通过基于所述降雨特征、所述水位特征及所述标准水位数据，构建所述中小河流域的降雨-洪水关系矩阵，以用于从所述降雨特征与所述标准水位数据中选取与所述水位特征强关联的数据与特征，本发明实施例通过构建所述洪水预报因子与所述水位特征之间的关系模型，以用于通过由多项式构建的简易关系模型实现洪水预报，这样可以保障在没有网络的情况下依然可以使用所述关系模型实现洪水预报，进一步地，本发明实施例通过计算所述关系模型的损失值，以用于对所述第一调整多项式与所述第二调整多项式中常数参数进行参数优化，保障所述关系模型的洪水预报准确率，进一步地，本发明实施例通过基于所述损失值，利用所述关系模型确定所述中小河流域的洪水预报模型，以用于利用所述损失值对所述关系模型进行优化，从而可以提升所述关系模型的洪水预报准确率，本发明实施例通过基于所述洪水预报因子，利用所述洪水预报模型构建所述中小河流域的洪水预报结果，以用于将所述洪水预报模型的预报结果进行整理汇总，这样方便后续快速简易查询。因此，本发明实施例提出的一种基于数理统计分析的中小河流洪水预报方法可以在无手机、计算机等辅助设备支撑时实现洪水作业预报。
如图8所示，是本发明基于数理统计分析的中小河流洪水预报装置功能模块图。
本发明所述基于数理统计分析的中小河流洪水预报装置800可以安装于电子设备中。根据实现的功能，所述基于数理统计分析的中小河流洪水预报装置可以包括数据标准化模块801、矩阵构建模块802、因子选取模块803、模型确定模块804以及结果构建模块805。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本发明实施例中，关于各模块/单元的功能如下：
所述数据标准化模块801，用于采集中小河流域内雨量站的降雨数据与水位数据，对所述降雨数据进行数据标准化处理，得到标准降雨数据，对所述水位数据进行数据标准化处理，得到标准水位数据；
所述矩阵构建模块802，用于利用所述标准降雨数据计算所述中小河流域的降雨特征，并利用所述标准水位数据计算所述中小河流域的水位特征，基于所述降雨特征、所述水位特征及所述标准水位数据，构建所述中小河流域的降雨-洪水关系矩阵；
所述因子选取模块803，用于基于所述降雨-洪水关系矩阵，从所述降雨特征与所述标准水位数据中选取所述中小河流域的洪水预报因子；
所述模型确定模块804，用于构建所述洪水预报因子与所述水位特征之间的关系模型，计算所述关系模型的损失值，基于所述损失值，利用所述关系模型确定所述中小河流域的洪水预报模型；
所述结果构建模块805，用于基于所述洪水预报因子，利用所述洪水预报模型构建所述中小河流域的洪水预报结果。
详细地，本发明实施例中所述基于数理统计分析的中小河流洪水预报装置800中的所述各模块在使用时采用与上述的图1至图8中所述的基于数理统计分析的中小河流洪水预报方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
本发明还提供一种存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
采集中小河流域内雨量站的降雨数据与水位数据，对所述降雨数据进行数据标准化处理，得到标准降雨数据，对所述水位数据进行数据标准化处理，得到标准水位数据；
利用所述标准降雨数据计算所述中小河流域的降雨特征，并利用所述标准水位数据计算所述中小河流域的水位特征，基于所述降雨特征、所述水位特征及所述标准水位数据，构建所述中小河流域的降雨-洪水关系矩阵；
基于所述降雨-洪水关系矩阵，从所述降雨特征与所述标准水位数据中选取所述中小河流域的洪水预报因子；
构建所述洪水预报因子与所述水位特征之间的关系模型，计算所述关系模型的损失值，基于所述损失值，利用所述关系模型确定所述中小河流域的洪水预报模型；
基于所述洪水预报因子，利用所述洪水预报模型构建所述中小河流域的洪水预报结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于数理统计分析的中小河流洪水预报方法，其特征在于，所述方法包括：
采集中小河流域内雨量站的降雨数据与水位数据，对所述降雨数据进行数据标准化处理，得到标准降雨数据，对所述水位数据进行数据标准化处理，得到标准水位数据；
利用所述标准降雨数据计算所述中小河流域的降雨特征，并利用所述标准水位数据计算所述中小河流域的水位特征，基于所述降雨特征、所述水位特征及所述标准水位数据，构建所述中小河流域的降雨-洪水关系矩阵；
基于所述降雨-洪水关系矩阵，从所述降雨特征与所述标准水位数据中选取所述中小河流域的洪水预报因子；
构建所述洪水预报因子与所述水位特征之间的关系模型，计算所述关系模型的损失值，基于所述损失值，利用所述关系模型确定所述中小河流域的洪水预报模型；
基于所述洪水预报因子，利用所述洪水预报模型构建所述中小河流域的洪水预报结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述降雨数据进行数据标准化处理，得到标准降雨数据，包括：
基于所述降雨数据的时间戳，对所述降雨数据进行数据横向拼接，得到拼接降雨数据；
构建所述拼接降雨数据对应的洪水预见期时长与整编时间戳步长；
在所述拼接降雨数据中每个降雨数据之间的时间间隔大于所述洪水预见期时长时，利用上采样方法缩短所述拼接降雨数据中每个降雨数据之间的时间间隔，得到缩短时间间隔的拼接降雨数据；
在所述缩短时间间隔的拼接降雨数据中每个降雨数据之间的时间步长与所述整编时间戳步长不一致时，识别所述缩短时间间隔的拼接降雨数据中的空缺时间戳；
检测所述缩短时间间隔的拼接降雨数据中的异常数据，并将所述异常数据替换为空缺数据；
对所述空缺时间戳与所述空缺数据进行空缺插补处理，得到空缺插补的拼接降雨数据；
对所述空缺插补的拼接降雨数据进行指数平滑处理，得到所述标准降雨数据。
3.根据权利要求1所述的方法，其特征在于，所述利用所述标准降雨数据计算所述中小河流域的降雨特征，包括：
基于所述标准降雨数据，利用下述公式计算所述中小河流域的时段累计降雨量：
其中，表示所述时段累计降雨量，h表示所述标准降雨数据中降雨量历史追溯时间步长数，/>表示所述标准降雨数据中预见期时间步长数，t表示时间步长的序号，/>表示第t个时间步长内的中小河流域面的降雨总量，由中小河流域内各雨量站对应的所述标准降雨数据中的第t个时间步长内降雨总量加权平均求得，/>表示第/>个时间步长内的中小河流域面的降雨总量，/>表示第/>个时间步长内的中小河流域面的降雨总量，/>表示权重系数，/>、/>、......、/>表示中小河流域内各雨量站对应的所述标准降雨数据中的降雨总量，/>表示雨量站的序号；
基于所述标准降雨数据与所述时段累计降雨量，利用下述公式计算所述中小河流域的时段面平均降雨量：
其中，表示所述时段面平均降雨量，/>表示所述时段累计降雨量，h表示所述标准降雨数据中降雨量历史追溯时间步长数，/>表示所述标准降雨数据中预见期时间步长数，/>表示时间步长；
将所述时段累计降雨量与所述时段面平均降雨量作为所述降雨特征。
4.根据权利要求1所述的方法，其特征在于，所述利用所述标准水位数据计算所述中小河流域的水位特征，包括：
基于所述标准水位数据，利用下述公式计算所述中小河流域的预见期内水位变幅：
其中，表示所述预见期内水位变幅，/>表示所述标准水位数据中的预报洪水时的起始水位，/>表示所述标准水位数据中的预见期水位；
将所述标准水位数据中的预见期水位与所述预见期内水位变幅作为所述水位特征。
5.根据权利要求1所述的方法，其特征在于，所述基于所述降雨特征、所述水位特征及所述标准水位数据，构建所述中小河流域的降雨-洪水关系矩阵，包括：
构建所述降雨特征、所述水位特征及所述标准水位数据中的数据矩阵；
利用下述公式对所述数据矩阵进行矩阵标准化，得到标准化矩阵：
其中，表示所述标准化矩阵，/>表示所述数据矩阵，/>表示所述数据矩阵中每列的均值，/>表示所述数据矩阵中每列的标准差；
利用下述公式计算所述标准化矩阵的协方差矩阵：
其中，表示所述协方差矩阵，/>表示所述标准化矩阵，/>表示转置符号，/>表示所述标准化矩阵的列总数；
基于所述协方差矩阵利用下述公式计算所述标准化矩阵的降雨-洪水关系矩阵：
其中，表示所述降雨-洪水关系矩阵，/>表示所述协方差矩阵中的第i行第j列元素，/>表示所述协方差矩阵中第i行的标准差，/>表示所述协方差矩阵中第j列的标准差。
6.根据权利要求1所述的方法，其特征在于，所述构建所述洪水预报因子与所述水位特征之间的关系模型，包括：
利用下述公式计算所述洪水预报因子与所述水位特征中的预见期水位之间的第一一元一次多项式：
其中，表示所述第一一元一次多项式，/>表示所述标准水位数据中的预见期水位，/>、/>表示需要优化的常数参数，/>表示第u个洪水预报因子；
利用下述公式计算所述洪水预报因子与所述水位特征中的预见期内水位变幅之间的第二一元一次多项式：
其中，表示所述第二一元一次多项式，/>、/>表示需要优化的常数参数，/>表示第u个洪水预报因子，/>表示所述预见期内水位变幅；
基于所述洪水预报因子，利用下述公式对所述第一一元一次多项式进行多项式调整，得到第一调整多项式：
其中，表示所述第一调整多项式，/>、、/>表示需要优化的常数参数，/>表示第u个洪水预报因子，/>表示第k个洪水预报因子；
基于所述洪水预报因子，利用下述公式对所述第二一元一次多项式进行多项式调整，得到第二调整多项式：
其中，表示所述第二调整多项式，/>表示第u个洪水预报因子，/>表示第k个洪水预报因子，/>、/>、/>表示需要优化的常数参数；
将所述第一调整多项式与所述第二调整多项式作为所述关系模型。
7.根据权利要求1所述的方法，其特征在于，所述计算所述关系模型的损失值，包括：
利用下述公式计算所述关系模型中的第一调整多项式的第一损失值：
其中，表示所述第一损失值，/>表示所述标准水位数据中的预见期水位，/>表示所述标准水位数据中的第l个预见期水位，L表示l的总数；
利用下述公式计算所述关系模型中的第二调整多项式的第二损失值：
其中，表示所述第二损失值，/>表示所述预见期内水位变幅，/>表示所述标准水位数据中的第l个预见期内水位变幅，L表示l的总数。
8.根据权利要求1所述的方法，其特征在于，所述基于所述损失值，利用所述关系模型确定所述中小河流域的洪水预报模型，包括：
基于所述损失值，对所述关系模型进行参数优化，得到优化参数的关系模型；
在所述优化参数的关系模型的第二损失值中选取最小损失值，并将所述最小损失值对应的优化参数的关系模型作为所述洪水预报模型。
9.根据权利要求1所述的方法，其特征在于，所述基于所述洪水预报因子，利用所述洪水预报模型构建所述中小河流域的洪水预报结果，包括：
在所述洪水预报因子的总数不大于预设阈值时，构建所述洪水预报模型的洪水预报数值与所述洪水预报因子之间的回归曲线；
识别所述洪水预报因子的数值范围，对所述数值范围进行区间划分，得到划分区间；
利用所述划分区间的左起始值与所述洪水预报模型的洪水预报数值构建所述中小河流域的第一洪水预报速查表；
将所述回归曲线与所述第一洪水预报速查表作为所述中小河流域的第一洪水预报结果；
在所述洪水预报因子的总数大于所述预设阈值时，构建所述洪水预报模型的洪水预报数值与所述洪水预报因子之间的散点图；
利用所述划分区间的左起始值与所述洪水预报模型的洪水预报数值构建所述中小河流域的第二洪水预报速查表；
将所述回归曲线与所述第一洪水预报速查表作为所述中小河流域的第二洪水预报结果。
10.一种基于数理统计分析的中小河流洪水预报装置，其特征在于，所述装置包括：
数据标准化模块，用于采集中小河流域内雨量站的降雨数据与水位数据，对所述降雨数据进行数据标准化处理，得到标准降雨数据，对所述水位数据进行数据标准化处理，得到标准水位数据；
矩阵构建模块，用于利用所述标准降雨数据计算所述中小河流域的降雨特征，并利用所述标准水位数据计算所述中小河流域的水位特征，基于所述降雨特征、所述水位特征及所述标准水位数据，构建所述中小河流域的降雨-洪水关系矩阵；
因子选取模块，用于基于所述降雨-洪水关系矩阵，从所述降雨特征与所述标准水位数据中选取所述中小河流域的洪水预报因子；
模型确定模块，用于构建所述洪水预报因子与所述水位特征之间的关系模型，计算所述关系模型的损失值，基于所述损失值，利用所述关系模型确定所述中小河流域的洪水预报模型；
结果构建模块，用于基于所述洪水预报因子，利用所述洪水预报模型构建所述中小河流域的洪水预报结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311146979.9A CN116881860B (zh) | 2023-09-07 | 2023-09-07 | 基于数理统计分析的中小河流洪水预报方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311146979.9A CN116881860B (zh) | 2023-09-07 | 2023-09-07 | 基于数理统计分析的中小河流洪水预报方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116881860A true CN116881860A (zh) | 2023-10-13 |
| CN116881860B CN116881860B (zh) | 2023-12-19 |
Family
ID=88272061
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311146979.9A Active CN116881860B (zh) | 2023-09-07 | 2023-09-07 | 基于数理统计分析的中小河流洪水预报方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116881860B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117668773A (zh) * | 2024-02-01 | 2024-03-08 | 浙江省水利河口研究院(浙江省海洋规划设计研究院) | 强涌潮河段洪潮共同作用下古海塘堤脚冲刷高程预测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150019262A1 (en) * | 2013-07-11 | 2015-01-15 | Corelogic Solutions, Llc | Method and system for generating a flash flood risk score |
| CN108090618A (zh) * | 2017-12-25 | 2018-05-29 | 广州地理研究所 | 中小流域暴雨洪水因子与降雨强度的关系模型构建方法 |
| KR102268116B1 (ko) * | 2019-12-30 | 2021-06-22 | (주)로커스솔루션 | 선행강우를 고려한 홍수경보 시스템 |
| CN113673765A (zh) * | 2021-08-23 | 2021-11-19 | 四创科技有限公司 | 一种小流域洪水预报预警方法及终端 |
| CN114461713A (zh) * | 2022-01-12 | 2022-05-10 | 中国电建集团西北勘测设计研究院有限公司 | 一种小流域暴雨及洪水在线分析和预测方法 |
| KR20220125815A (ko) * | 2020-11-30 | 2022-09-15 | 노아에스앤씨 주식회사 | 호우 피해예측 방법 및 그 시스템 |
| CN115423163A (zh) * | 2022-08-24 | 2022-12-02 | 中国地质大学（武汉） | 一种流域短期洪水事件预测方法、装置及终端设备 |
| CN115759459A (zh) * | 2022-12-01 | 2023-03-07 | 长江水利委员会水文局 | 一种雨水工情耦合的流域洪水流量集合概率智能预报方法 |
-
2023
- 2023-09-07 CN CN202311146979.9A patent/CN116881860B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150019262A1 (en) * | 2013-07-11 | 2015-01-15 | Corelogic Solutions, Llc | Method and system for generating a flash flood risk score |
| CN108090618A (zh) * | 2017-12-25 | 2018-05-29 | 广州地理研究所 | 中小流域暴雨洪水因子与降雨强度的关系模型构建方法 |
| KR102268116B1 (ko) * | 2019-12-30 | 2021-06-22 | (주)로커스솔루션 | 선행강우를 고려한 홍수경보 시스템 |
| KR20220125815A (ko) * | 2020-11-30 | 2022-09-15 | 노아에스앤씨 주식회사 | 호우 피해예측 방법 및 그 시스템 |
| CN113673765A (zh) * | 2021-08-23 | 2021-11-19 | 四创科技有限公司 | 一种小流域洪水预报预警方法及终端 |
| CN114461713A (zh) * | 2022-01-12 | 2022-05-10 | 中国电建集团西北勘测设计研究院有限公司 | 一种小流域暴雨及洪水在线分析和预测方法 |
| CN115423163A (zh) * | 2022-08-24 | 2022-12-02 | 中国地质大学（武汉） | 一种流域短期洪水事件预测方法、装置及终端设备 |
| CN115759459A (zh) * | 2022-12-01 | 2023-03-07 | 长江水利委员会水文局 | 一种雨水工情耦合的流域洪水流量集合概率智能预报方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孟玉婧 等: "基于HBV水文模型的西拉木伦河流域洪水临界面雨量的应用分析", 内蒙古气象, no. 04, pages 16 - 19 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117668773A (zh) * | 2024-02-01 | 2024-03-08 | 浙江省水利河口研究院(浙江省海洋规划设计研究院) | 强涌潮河段洪潮共同作用下古海塘堤脚冲刷高程预测方法 |
| CN117668773B (zh) * | 2024-02-01 | 2024-04-23 | 浙江省水利河口研究院(浙江省海洋规划设计研究院) | 强涌潮河段洪潮共同作用下古海塘堤脚冲刷高程预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116881860B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113139700B (zh) | 一种河流流量预测方法、装置、设备及存储介质 | |
| CN116881860B (zh) | 基于数理统计分析的中小河流洪水预报方法及装置 | |
| CN111815043B (zh) | 一种基于暴雨特征的洪水流量预测方法及*** | |
| CN113657668A (zh) | 基于lstm网络的电力负荷预测方法及*** | |
| CN110517154A (zh) | 数据模型训练方法、***及计算机设备 | |
| CN112395179A (zh) | 一种模型训练方法、磁盘预测方法、装置及电子设备 | |
| CN108830506A (zh) | 城网供电能力的评估方法、装置和实现装置 | |
| Gupta et al. | Assessment of temporal change in the tails of probability distribution of daily precipitation over India due to climatic shift in the 1970s | |
| CN111835536A (zh) | 一种流量预测方法和装置 | |
| CN113808015A (zh) | 输电线路区域气象参数的空间插值方法、装置及设备 | |
| Zhou et al. | Real‐time prediction and ponding process early warning method at urban flood points based on different deep learning methods | |
| CN110955760B (zh) | 判决结果的评价方法和相关装置 | |
| Smith et al. | Testing probabilistic adaptive real‐time flood forecasting models | |
| CN113506000B (zh) | 一种计算城市汇水区域暴雨溢流风险的方法 | |
| CN114091357B (zh) | 交通流预测方法、装置、电子设备及存储介质 | |
| Manous et al. | Climate risk-informed decision analysis (CRIDA):‘top-down’vs ‘bottom-up’decision making for planning water resources infrastructure | |
| CN113435661B (zh) | 暴雨雨峰位置推求方法、装置、介质和设备 | |
| Ten Veldhuis et al. | Automatic classification of municipal call data to support quantitative risk analysis of urban drainage systems | |
| CN112614005B (zh) | 企业复工状态的处理方法和装置 | |
| Hoffman | The development of a daily stochastic streamflow model for probabilistic water resource management | |
| Boland et al. | Infrastructure capacity planning for reducing risks of future hydrologic extremes | |
| CN112132308B (zh) | 电网暴雨长期预测关键因子选取方法、装置及预测*** | |
| CN117454122B (zh) | 基于定点定面关系的山洪灾害雨量预警分析方法及装置 | |
| CN117354072B (zh) | 一种数据中心网络带宽流量自动计费调节方法及装置 | |
| CN117852717A (zh) | 基于遗传算法优化反向传播神经网络的台风灾害预测方法 |
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 |