CN117408173B - 一种基于机器学习的水文流量整编智能模型构建方法 - Google Patents
一种基于机器学习的水文流量整编智能模型构建方法 Download PDFInfo
- Publication number
- CN117408173B CN117408173B CN202311731981.2A CN202311731981A CN117408173B CN 117408173 B CN117408173 B CN 117408173B CN 202311731981 A CN202311731981 A CN 202311731981A CN 117408173 B CN117408173 B CN 117408173B
- Authority
- CN
- China
- Prior art keywords
- data
- site
- hydrologic
- flow
- station
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 24
- 238000010276 construction Methods 0.000 title claims abstract description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 352
- 230000008859 change Effects 0.000 claims abstract description 125
- 238000005259 measurement Methods 0.000 claims abstract description 76
- 238000012216 screening Methods 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000004458 analytical method Methods 0.000 claims abstract description 59
- 238000011010 flushing procedure Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 230000008521 reorganization Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000011144 upstream manufacturing Methods 0.000 claims description 81
- 238000012549 training Methods 0.000 claims description 44
- 238000010586 diagram Methods 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000011156 evaluation Methods 0.000 claims description 25
- 238000012544 monitoring process Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000010219 correlation analysis Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000012800 visualization Methods 0.000 claims description 10
- 238000000926 separation method Methods 0.000 claims description 9
- 238000012876 topography Methods 0.000 claims description 8
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- 238000007493 shaping process Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 4
- 238000009434 installation Methods 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 16
- 230000000694 effects Effects 0.000 description 11
- 238000007726 management method Methods 0.000 description 9
- 238000010606 normalization Methods 0.000 description 8
- 238000007619 statistical method Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008021 deposition Effects 0.000 description 4
- 230000003628 erosive effect Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000000827 velocimetry Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及水文整编水利数值模拟技术领域,尤其涉及一种基于机器学习的水文流量整编智能模型构建方法。所述方法包括以下步骤:获取站点水文数据;对站点水文数据进行数据缺失值检测并填充,生成站点水文填充数据;对站点水文填充数据进行数据预处理,从而生成标准站点水文数据;获取测站位置分布图;通过标准站点水文数据和测站位置分布图进行主站点筛选,生成主站点测站数据;对主站点测站数据进行河段断面测验和冲淤变化分析,生成主站点冲淤变化数据;本发明通过构建AI模型实现汉口在线推流,仅利用水位等数据,无需安装传感器及比测率定,提升了模型预测和流量整编的精度,同时减少投入成本。
Description
技术领域
本发明涉及水文整编水利数值模拟技术领域,尤其涉及一种基于机器学习的水文流量整编智能模型构建方法。
背景技术
水文监测和水文资料整编是水文工作的重要职能之一。流量是特定断面径流计算的依据,在进行流域水资源评价、防洪规划、水能资源等规划以及航运、桥梁等涉水项目建设都要应用流量资料作为依据。防汛抗旱和水利工程的管理运用,要积累江河、湖库流量资料,分析径流与降水等相关水文要素的相关关系和径流要素时空变化规律,来进行水文预报和水量计算,有效增强防汛抗旱的预见性和水利工程调度的科学性。
由于水文流量的重要性,在水文测验中,流量测验测验精度要求很高。在水文工作中,通常流量有几种获得方式,其中流速和横截面积法最常见的一种方法,通过测量水流的流速和横截面积,可以计算出流量。流速通常通过浮标追踪、船载测速仪或超声波流速仪等手段测得,而横截面积则通过测量河流或沟渠的横截面形状和尺寸计算得出,亦或是利用卫星遥感技术,特别是在大范围水域监测中,可以获取水体的表面流速和水位等信息,从而估算流量。这种方法通常适用于大规模、难以直接监测的区域,并且传统的流量整编基于经验公式和统计模型,依赖于有限的水文观测数据进行流量估算和调整。对于流量的计算通常采用曼宁公式得出流速。然而目前利用人工智能算法实时推求河流流量的工作实践较少导致模型推测的精度较低,同时对于水文站在线测流,目前大多需要安装各类传感器,需较长的比测周期及较多的经费投入。
发明内容
基于此,有必要提供一种基于机器学习的水文流量整编智能模型构建方法,以解决至少一个上述技术问题。
为实现上述目的,一种基于机器学习的水文流量整编智能模型构建方法,包括以下步骤:
步骤S1:获取站点水文数据;对站点水文数据进行数据缺失值检测并填充,生成站点水文填充数据;对站点水文填充数据进行数据预处理,从而生成标准站点水文数据;
步骤S2:获取测站位置分布图;通过标准站点水文数据和测站位置分布图进行主站点筛选,生成主站点测站数据;对主站点测站数据进行河段断面测验和冲淤变化分析,生成主站点冲淤变化数据;基于主站点冲淤变化数据进行次站点筛选,生成次站点测站数据;
步骤S3:对主站点测站数据进行断面平均水深和河道宽度计算,得到主站点断面平均水深数据和主站点河道宽度数据;使用曼宁公式对主站点冲淤变化数据、主站点断面平均水深数据和主站点河道宽度数据进行过水面积计算,得到主站点过水面积数据;对主站点断面平均水深数据、主站点过水面积数据和次站点测站数据进行监督学习,从而生成站点流量概化模型;
步骤S4:对次站点测站数据进行历史站点水位收集,生成建模数据集;对建模数据集进行数据相关性分析并分离,得到标准建模数据集;基于标准建模数据集进行模型训练,生成SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型;对SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型进行模型评估筛选,得到站点流量AI智能模型;根据站点流量AI智能模型进行模型可视化,生成实时水文监测界面。
本发明通过获取原始站点水文数据,这可能包括流量、降雨、水位等信息,提供了分析的基础数据,作为后续处理的起点,检测数据中的缺失值,并采取合适的方法进行填充,以保证数据的连续性,可以确保数据的完整性,防止由于缺失值引起的分析误差,并为后续处理提供更可靠的数据。在填充缺失值后生成完整的站点水文数据集,提供了一个可用于进一步分析和建模的完整数据集,增加了数据的可用性。对填充数据进行预处理,可能包括去除异常值、平滑数据、标准化等操作,可以提高数据的质量和稳定性,使得后续分析和建模更加可靠。将填充数据标准化,以确保不同站点或不同时间的数据具有一致的尺度和格式,使得数据更易比较,方便跨站点、跨时间的分析和建模。获取测站的地理位置分布图提供了站点在地理空间上的分布情况,集中关注主要的测站,减少了后续分析的复杂性,提高了分析的重要性和代表性,对主站点测站数据进行河段断面测验和冲淤变化分析,提供了河段断面的水文特征和变化趋势,为水文***的理解提供了更深层次的信息。基于河段断面测验和冲淤变化分析,生成主站点的冲淤变化数据,提供了关键站点的冲淤变化趋势,为水文模型或决策支持提供了重要的输入。基于主站点冲淤变化数据,筛选出次要但有代表性的次站点,生成次站点测站数据,扩展了分析的范围,使得模型或决策支持更全面。计算主站点的断面平均水深和河道宽度,提供了主站点水文特征的更详细描述,为后续的水文模型提供了更准确的输入。通过机器学习技术,模型能够学习站点之间的复杂关系,从而更准确地推断流量。这提高了流量估算的准确性,使得模型能够更好地适应不同条件下的水文变化。对建模数据集进行相关性分析,筛选出与水文流量相关性较高的数据,形成标准建模数据集,可以提高模型的训练效果,确保输入数据与输出数据之间的关联性,减少模型的过拟合。对训练好的模型进行评估,筛选性能较好的模型,选择性能最佳的模型,提高水文流量预测的准确性和可靠性。将选择的站点流量AI智能模型进行可视化,同时生成实时水文监测界面,使得水文数据的监测和预测结果更直观、易理解,方便决策者和利益相关者实时了解水文状况。因此,本发明通过构建 AI 模型实现汉口在线推流,仅利用水位等数据,无需安装传感器及比测率定,提升了模型预测和流量整编的精度,同时减少投入成本。
本发明的有益效果在于通过获取站点水文数据提供了原始的水文数据,为后续分析提供了基础,通过对数据的缺失值进行检测和填充,提高了数据的完整性和可用性,生成了标准站点水文数据,为后续分析提供了一致和可靠的输入。通过该图,更好地理解了测站的分布情况,为主站点和次站点的筛选提供了依据,通过标准站点水文数据和测站位置信息,选取了主站点,有助于集中精力进行深入的分析和建模。对主站点进行河段断面测验和冲淤变化分析,为后续的建模提供了关键的冲淤数据,基于主站点的冲淤变化数据,筛选了次站点,进一步细化了建模范围。通过对主站点测站数据进行计算,得到了主站点的断面平均水深数据和河道宽度数据,为后续过水面积计算提供了依据,使用曼宁公式,结合主站点冲淤变化数据,得到了主站点的过水面积数据,为建模提供了关键的水文特征。利用主站点的断面平均水深、过水面积数据以及次站点测站数据,进行监督学习,生成了站点流量概化模型,有助于更全面地理解水文流量的变化规律。历史站点水位数据收集 提供了用于建模的历史水位数据,为模型训练提供了基础,通过数据相关性分析和分离,得到了标准建模数据集,提高了模型的训练效果,通过训练了不同的水文流量预测模型,并通过评估筛选,选取了性能较好的模型,提高了预测的准确性。通过可视化呈现了模型的工作情况,生成了实时水文监测界面,方便用户直观地了解水文状况。因此,本发明通过构建 AI 模型实现汉口在线推流,仅利用水位等数据,无需安装传感器及比测率定,提升了模型预测和流量整编的精度,同时减少投入成本。
附图说明
图1为一种基于机器学习的水文流量整编智能模型构建方法的步骤流程示意图;
图2为图1中步骤S2的详细实施步骤流程示意图;
图3为图2中步骤S24的详细实施步骤流程示意图;
图4为图1中步骤S3的详细实施步骤流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,一种基于机器学习的水文流量整编智能模型构建方法,包括以下步骤:
步骤S1:获取站点水文数据;对站点水文数据进行数据缺失值检测并填充,生成站点水文填充数据;对站点水文填充数据进行数据预处理,从而生成标准站点水文数据;
步骤S2:获取测站位置分布图;通过标准站点水文数据和测站位置分布图进行主站点筛选,生成主站点测站数据;对主站点测站数据进行河段断面测验和冲淤变化分析,生成主站点冲淤变化数据;基于主站点冲淤变化数据进行次站点筛选,生成次站点测站数据;
步骤S3:对主站点测站数据进行断面平均水深和河道宽度计算,得到主站点断面平均水深数据和主站点河道宽度数据;使用曼宁公式对主站点冲淤变化数据、主站点断面平均水深数据和主站点河道宽度数据进行过水面积计算,得到主站点过水面积数据;对主站点断面平均水深数据、主站点过水面积数据和次站点测站数据进行监督学习,从而生成站点流量概化模型;
步骤S4:对次站点测站数据进行历史站点水位收集,生成建模数据集;对建模数据集进行数据相关性分析并分离,得到标准建模数据集;基于标准建模数据集进行模型训练,生成SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型;对SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型进行模型评估筛选,得到站点流量AI智能模型;根据站点流量AI智能模型进行模型可视化,生成实时水文监测界面。
本发明通过获取原始站点水文数据,这可能包括流量、降雨、水位等信息,提供了分析的基础数据,作为后续处理的起点,检测数据中的缺失值,并采取合适的方法进行填充,以保证数据的连续性,可以确保数据的完整性,防止由于缺失值引起的分析误差,并为后续处理提供更可靠的数据。在填充缺失值后生成完整的站点水文数据集,提供了一个可用于进一步分析和建模的完整数据集,增加了数据的可用性。对填充数据进行预处理,可能包括去除异常值、平滑数据、标准化等操作,可以提高数据的质量和稳定性,使得后续分析和建模更加可靠。将填充数据标准化,以确保不同站点或不同时间的数据具有一致的尺度和格式,使得数据更易比较,方便跨站点、跨时间的分析和建模。获取测站的地理位置分布图提供了站点在地理空间上的分布情况,集中关注主要的测站,减少了后续分析的复杂性,提高了分析的重要性和代表性,对主站点测站数据进行河段断面测验和冲淤变化分析,提供了河段断面的水文特征和变化趋势,为水文***的理解提供了更深层次的信息。基于河段断面测验和冲淤变化分析,生成主站点的冲淤变化数据,提供了关键站点的冲淤变化趋势,为水文模型或决策支持提供了重要的输入。基于主站点冲淤变化数据,筛选出次要但有代表性的次站点,生成次站点测站数据,扩展了分析的范围,使得模型或决策支持更全面。计算主站点的断面平均水深和河道宽度,提供了主站点水文特征的更详细描述,为后续的水文模型提供了更准确的输入。通过机器学习技术,模型能够学习站点之间的复杂关系,从而更准确地推断流量。这提高了流量估算的准确性,使得模型能够更好地适应不同条件下的水文变化。对建模数据集进行相关性分析,筛选出与水文流量相关性较高的数据,形成标准建模数据集,可以提高模型的训练效果,确保输入数据与输出数据之间的关联性,减少模型的过拟合。对训练好的模型进行评估,筛选性能较好的模型,选择性能最佳的模型,提高水文流量预测的准确性和可靠性。将选择的站点流量AI智能模型进行可视化,同时生成实时水文监测界面,使得水文数据的监测和预测结果更直观、易理解,方便决策者和利益相关者实时了解水文状况。因此,本发明通过构建 AI 模型实现汉口在线推流,仅利用水位等数据,无需安装传感器及比测率定,提升了模型预测和流量整编的精度,同时减少投入成本。
本发明实施例中,参考图1所述,为本发明一种基于机器学习的水文流量整编智能模型构建方法的步骤流程示意图,在本实例中,所述一种基于机器学习的水文流量整编智能模型构建方法包括以下步骤:
步骤S1:获取站点水文数据;对站点水文数据进行数据缺失值检测并填充,生成站点水文填充数据;对站点水文填充数据进行数据预处理,从而生成标准站点水文数据;
本发明实施例中,通过确定水文数据的来源,可能是气象局、水文局、或其他相关机构提供的实测数据或遥感数据,利用API、文件下载或其他途径获取站点水文数据。数据可能包括水位、流量、降雨等信息,具体依赖于应用场景。对获取的水文数据进行缺失值检测,识别哪些数据点存在缺失,采用合适的方法填充缺失值。可能的方法包括使用插值技术(如线性插值、多项式插值)、统计方法(均值、中位数、众数填充)、机器学习方法等。检测并处理异常值,避免异常值对后续分析产生负面影响,如果数据是时间序列数据,进行时间格式的统一,确保数据的连续性和一致性,根据具体需求,进行特征工程,可能包括数据的归一化、标准化,或者提取一些与问题相关的统计特征。将处理后的数据集合成为标准的站点水文数据集,确保数据的一致性和可用性。
步骤S2:获取测站位置分布图;通过标准站点水文数据和测站位置分布图进行主站点筛选,生成主站点测站数据;对主站点测站数据进行河段断面测验和冲淤变化分析,生成主站点冲淤变化数据;基于主站点冲淤变化数据进行次站点筛选,生成次站点测站数据;
本发明实施例中,通过获取包含测站位置的地理信息***数据,可能包括经度、纬度、海拔等信息,利用GIS软件或其他地理信息处理工具,将测站位置信息转化为可用于地图显示的格式,生成测站位置分布图。将标准站点水文数据与测站位置信息进行关联,根据特定的筛选标准,比如流域面积、水流量、地理位置等,选择主站点。这可以是基于业务需求、水文学原理或其他专业判断,提取主站点的水文数据,形成主站点测站数据集。根据主站点位置,选择相应的河段断面。使用水文学或地理信息工具进行断面测验,获取断面的地貌、横截面面积等信息,基于主站点测站数据,分析河段断面的冲淤变化。这可以包括水位变化、流速变化、河道横截面变化等,将冲淤变化的结果整理成数据集,包括时间、位置、水位变化等信息。利用主站点冲淤变化数据,确定需要进一步关注的次站点,可能是在主站点上下游或其他相关位置,提取次站点的水文数据,形成次站点测站数据集。
步骤S3:对主站点测站数据进行断面平均水深和河道宽度计算,得到主站点断面平均水深数据和主站点河道宽度数据;使用曼宁公式对主站点冲淤变化数据、主站点断面平均水深数据和主站点河道宽度数据进行过水面积计算,得到主站点过水面积数据;对主站点断面平均水深数据、主站点过水面积数据和次站点测站数据进行监督学习,从而生成站点流量概化模型;
本发明实施例中,通过从主站点测站数据中提取水位信息,根据主站点位置和河道特征,确定需要计算断面平均水深和河道宽度的位置,利用测得的水位数据,计算断面上各个点的水深,并求取平均值,得到断面平均水深数据,根据实地调查或地理信息数据,获取主站点附近河道的宽度信息。使用曼宁公式(通常为Manning's equation)计算主站点的过水面积。曼宁公式表示为:其中,( Q ) 是流量,( n ) 是曼宁粗糙系数,( A ) 是过水面积,( R ) 是水力半径,( S ) 是水流坡度。确定曼宁粗糙系数 ( n ),水力半径 ( R ) 的计算需要使用主站点断面平均水深数据和主站点河道宽度数据,利用曼宁公式,计算主站点的过水面积。将主站点断面平均水深数据、主站点过水面积数据以及次站点测站数据整理成训练数据集。每个样本应包括输入特征(断面平均水深、过水面积)和输出标签(流量),选择适当的监督学***均水深和过水面积数据。
步骤S4:对次站点测站数据进行历史站点水位收集,生成建模数据集;对建模数据集进行数据相关性分析并分离,得到标准建模数据集;基于标准建模数据集进行模型训练,生成SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型;对SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型进行模型评估筛选,得到站点流量AI智能模型;根据站点流量AI智能模型进行模型可视化,生成实时水文监测界面。
本发明实施例中,通过从次站点测站中获取历史水位数据,确保数据的完整性和准确性,将历史站点水位数据整理为建模数据集,每个数据点包括水位信息和相应的时间戳。对建模数据集进行相关性分析,确定与水文流量预测相关的特征,根据相关性分析的结果,选择与水文流量预测相关的特征,形成标准建模数据集。使用支持向量回归(SVR)算法,基于标准建模数据集进行模型训练,使用岭回归(Ridge Regression)算法,同样基于标准建模数据集进行模型训练,使用其他适用的机器学习算法,例如神经网络等,基于标准建模数据集进行模型训练。对训练好的SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型进行评估,使用验证数据集来检验模型的性能。选择性能最好的模型,可能需要考虑预测精度、泛化能力等指标,将经过筛选的SVR、Ridge或水文流量整编智能模型作为最终的站点流量AI智能模型。利用合适的工具(如Matplotlib、Seaborn等)对模型进行可视化,例如绘制预测结果与实际流量的对比图、误差分析等。基于站点流量AI智能模型,开发实时水文监测界面,可以使用Web开发框架(如Django、Flask等)或其他可视化工具,展示实时水位、预测流量等信息。
优选的,步骤S1包括以下步骤:
步骤S11:利用云平台获取站点水文数据;
步骤S12:对站点水文数据进行数据缺失比例检测,当站点水文数据的缺失比例大于缺失判断阈值时,则返回步骤S11重新获取站点水文数据;
步骤S13:当站点水文数据的缺失比例小于缺失判断阈值时,对站点水文数据进行数据类型判断,当站点水文数据的数据类型为连续型时,则对站点水文数据进行均值填充,生成站点水文填充数据;
步骤S14:当站点水文数据数据类型为离散型时,则对站点水文数据进行哑变量填充,生成站点水文填充数据;
步骤S15:对站点水文填充数据进行数据预处理,从而生成标准站点水文数据。
本发明通过云平台获取站点水文数据,确保数据的可远程获取性,提高数据获取的效率,降低数据获取的成本,便于实时数据的使用。检测站点水文数据的缺失情况,以便在缺失超过阈值时采取相应的补救措施,确保数据的完整性,防止缺失数据对后续分析和建模产生负面影响。根据站点水文数据的数据类型采取不同的填充策略。对于连续型数据,使用均值填充,保持数据的连续性,减小因数据缺失而引入的偏差,确保数据的可用性。针对离散型数据采取相应的填充策略,通常使用哑变量进行填充,处理离散型数据的缺失,确保后续建模对这些数据的需求,提高模型的可解释性。对填充后的数据进行进一步处理,可能包括归一化、标准化等,以便更好地适应模型的需求,提高建模的效果,确保输入数据的一致性和合理性。
本发明实施例中,通过使用云平台提供的API或工具,通过网络请求获取站点水文数据,确保数据的安全传输和存储,可能需要采用加密等手段。统计数据缺失的比例,并与预设的阈值进行比较,如果缺失比例超过阈值,触发重新获取数据的流程,返回到步骤S11。判断数据类型可以通过统计特征、数据分布等方式进行,对于连续型数据,计算均值并将缺失值用均值进行填充。使用合适的算法判断数据是否为离散型,例如通过判断唯一值的数量,对于离散型数据,采用哑变量(独热编码)进行填充。对站点水文填充数据进行数据预处理,其中数据预处理包括数据清洗、去除异常值、归一化、标准化等预处理步骤,以确保数据的质量和一致性,从而生成标准站点水文数据。
优选的,步骤S2包括以下步骤:
步骤S21:获取测站位置分布图;
步骤S22:基于标准站点水文数据和测站位置分布图进行测站主站点筛选,生成主站点测站数据;
步骤S23:对主站点测站数据进行河段断面测验,得到主站点大断面套绘图;根据主站点大断面套绘图对主站点测站数据进行河段冲淤变化分析,生成主站点冲淤变化数据;
步骤S24:根据主站点冲淤变化数据对测站位置分布图进行次站点筛选,生成次站点测站数据,其中次站点测站数据包括支流上游次站点数据、干流上游次站点数据和干流下游次站点数据。
本发明通过获取测站位置分布图,可以帮助理解各测站在地理空间上的分布,为后续步骤提供空间信息参考。基于标准站点水文数据和测站位置分布图进行主站点的筛选,优选出代表性高、数据质量好的主站点数据,为后续分析提供可靠数据基础。通过对主站点数据进行河段断面测验,生成大断面套绘图,用于展示河道的截面特征,提供河道横截面的图形化描述,帮助理解河道的地形结构和特征。根据主站点的大断面套绘图进行河段冲淤变化分析,生成相关数据,提供河道冲淤变化的数据化描述,帮助分析河道水文动态及演变趋势。根据主站点的冲淤变化数据对测站位置分布图进行次站点筛选,生成次站点测站数据,包括支流上游、干流上游和干流下游的次站点数据,可以为主站点提供补充,覆盖更多不同位置的数据,更全面地反映整个河流***的水文状况。从主站点到次站点的选择涵盖了河流***中不同地理位置的数据,有助于全面理解河道水文情况及其变化,生成的数据和图形化描述有助于水文、环境或基础设施管理等方面做出更有根据的决策。筛选主站点有助于使用更可靠、更具代表性的数据进行分析,提高分析和决策的准确性。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S2包括:
步骤S21:获取测站位置分布图;
本发明实施例中,通过收集测站的地理坐标数据,包括经度和纬度。这些数据可能来自水文调查、测站设备记录或者地理信息***数据库,获取与测站相关的地理信息,如河流、湖泊、水库等的边界和地形。使用GIS软件,如ArcGIS、QGIS等,导入测站地理坐标数据,在GIS中创建地图图层,将测站位置标识在地图上,设计地图布局,选择合适的地图投影和比例尺。将测站位置标记在地图上,使用符号或颜色区分不同类型的测站(可能有主站点和次站点)。生成地图输出文件,可以是图像文件(如JPEG、PNG)或打印文件(如PDF),即测站位置分布图。
步骤S22:基于标准站点水文数据和测站位置分布图进行测站主站点筛选,生成主站点测站数据;
本发明实施例中,通过确定标准站点的选择标准,这可能包括数据记录的完整性、时空分布等因素,收集标准站点的水文数据,包括水位、流量、降雨等相关数据。将测站位置分布图导入到水文信息***或地理信息***中,以便与水文数据进行关联。利用地理信息***的空间分析功能,将标准站点的水文数据与测站位置进行关联,确保关联的准确性,可以基于测站的空间邻近性或其他相关因素。制定主站点筛选的标准,这可能包括与标准站点数据的相似性、时空分布的一致性等,考虑站点密度、水文特征等因素,确保选出的主站点能够代表整个区域的水文状况。基于制定的标准,对测站进行筛选,选出主站点,可以利用数据挖掘、统计分析等方法进行自动化筛选,也可以结合专家经验进行手动筛选。从原始测站数据中提取主站点的水文数据,形成主站点测站数据集,可以通过计算平均值、加权平均值等方式生成主站点的代表性水文数据。
步骤S23:对主站点测站数据进行河段断面测验,得到主站点大断面套绘图;根据主站点大断面套绘图对主站点测站数据进行河段冲淤变化分析,生成主站点冲淤变化数据;
本发明实施例中,通过根据地形特征,在主站点上下游选择多个代表性位置,利用测量工具(如GPS、全站仪等),测量每个位置的河道横截面,绘制大断面套图,展示不同断面的河床形态、横截面积、河宽等信息。将主站点测站数据与相应断面的位置进行关联,确保测站数据与特定断面对应,利用主站点测站数据中的流量、水位等信息,结合大断面套图数据。运用河流动力学理论和沉积物运移模型,分析河段中的冲淤变化,着重关注不同断面的输沙量、河床高程变化等参数。根据分析结果,整理和计算每个断面的冲淤情况,生成主站点冲淤变化数据,可能包括河床高程变化、横截面积变化、输沙量变化等信息。
步骤S24:根据主站点冲淤变化数据对测站位置分布图进行次站点筛选,生成次站点测站数据,其中次站点测站数据包括支流上游次站点数据、干流上游次站点数据和干流下游次站点数据。
本发明实施例中,通过制作主站点及其周围区域的地图,标明主站点位置和其它地理特征,将主站点冲淤变化数据绘制到地图上,以直观了解主站点周围不同区域的变化情况。根据主站点冲淤变化的程度、趋势等因素,制定筛选标准,通过地理信息***(GIS)等工具,在地图上标识出符合筛选标准的次站点位置,考虑包括支流上游、干流上游和干流下游在内的不同位置。针对筛选出的次站点位置,收集相应的测站数据。这可能包括流量、水位、河床高程等信息,确保次站点测站数据的时空分辨率足够,以便进行详细的冲淤变化分析。针对支流上游的次站点,收集相关的水文和地形数据。这些站点对于了解支流的贡献和变化情况至关重要。针对干流上游的次站点,同样进行水文和地形数据的收集。这有助于理解主流水体的来源和受影响程度。对于干流下游的次站点,同样进行水文和地形数据的收集。这可以提供有关主站点影响范围的信息。将收集到的次站点测站数据整理并存储,生成次站点测站数据。
优选的,步骤S24包括以下步骤:
步骤S241:通过主站点冲淤变化数据对测站位置分布图进行第一次干流上游站点筛选,生成第一干流上游站点分布数据;
步骤S242:对第一干流上游站点分布数据进行上游洪水涨落程度计算,得到上游洪水涨落程度数据;根据上游洪水涨落程度数据对第一干流上游站点分布数据进行第二次干流上游次站点筛选,生成干流上游次站点数据;
步骤S243:根据干流上游次站点数据和主站点测站数据进行第一次干流下游站点筛选,得到第一干流下游站点分布数据;
步骤S244:对第一干流下游站点分布数据进行下游水文顶托影响计算,得到下游水文顶托影响程度数据;根据下游水文顶托影响程度数据对第一干流下游站点分布数据进行第二次干流下游次站点筛选,生成干流下游次站点数据;
步骤S245:利用主站口测站数据和测站位置分布图进行支流选取,得到若干的支流水文数据;对支流水文数据和主站点测站数据进行最近距离计算,从而得到最近支流水文数据;
步骤S246:根据最近支流水文数据对测站位置分布图进行支流上游次站点筛选,生成支流上游次站点数据;将支流上游次站点数据、干流上游次站点数据和干流下游次站点数据进行数据整合,生成次站点测站数据。
本发明通过多次筛选步骤,***地选择了干流上游和下游站点,考虑了上游洪水涨落程度和下游水文顶托影响程度等因素,确保了站点的细致选择.考虑了上游洪水涨落程度,同时考虑了下游水文顶托影响程度,这些都是考虑不同维度的水文变化因素,使得生成的次站点测站数据更为全面。通过虑了支流的影响,通过最近距离计算和支流上游次站点筛选,使得支流水文数据得以整合。这有助于了解支流对主站点和次站点的影响,为综合河流管理提供更全面的信息。将支流上游次站点数据、干流上游次站点数据和干流下游次站点数据整合,形成了次站点测站数据。这种***性的整合为后续的数据分析和综合研究提供了基础。生成的次站点测站数据可以用于更深入的水文分析、模型建立,为水资源管理、防洪规划等决策提供有力支持。通过对多个站点的数据综合考虑,决策者可以更全面地了解河流***的状态。将生成的次站点测站数据可视化,例如绘制地图、制作图表等,可以使复杂的水文数据更容易理解,同时有助于与利益相关者分享信息。
作为本发明的一个实例,参考图3所示,在本实例中所述步骤S24包括:
步骤S241:通过主站点冲淤变化数据对测站位置分布图进行第一次干流上游站点筛选,生成第一干流上游站点分布数据;
本发明实施例中,通过将主站点的冲淤变化数据与测站位置分布图进行匹配,确保数据的对应关系,定义用于筛选干流上游站点的标准。这可能涉及到冲淤变化的幅度、方向、频率等方面的考虑。标准的选择应该与具体研究问题和数据特点相匹配,根据制定的标准,对主站点的冲淤变化数据进行筛选,识别出位于干流上游的测站,结合筛选出的测站与测站位置分布图,生成第一干流上游站点分布数据。
步骤S242:对第一干流上游站点分布数据进行上游洪水涨落程度计算,得到上游洪水涨落程度数据;根据上游洪水涨落程度数据对第一干流上游站点分布数据进行第二次干流上游次站点筛选,生成干流上游次站点数据;
本发明实施例中,通过获取与第一干流上游站点分布数据相关的洪水数据,包括洪峰流量、洪水过程的时空变化等,根据获取的洪水数据,计算每个上游站点的洪水涨落程度。这可以通过比较每个站点在洪水过程中的水位变化来实现。可以考虑使用洪水峰值、洪水时段内的平均水位等指标。根据上游洪水涨落程度数据,制定用于第二次筛选的标准。这可能涉及到洪水涨落的幅度、频率、时空分布等方面的考虑。根据制定的第二次筛选标准,对第一干流上游站点分布数据进行第二次筛选,识别出干流上游次站点,结合上游洪水涨落程度数据,确保筛选结果与洪水涨落程度有关,生成干流上游次站点数据。
步骤S243:根据干流上游次站点数据和主站点测站数据进行第一次干流下游站点筛选,得到第一干流下游站点分布数据;
本发明实施例中,通过收集干流上游次站点数据和主站点测站数据。这可能包括水位、流量、降雨等数据,具体取决于研究的对象和目的,根据研究的要求,建立筛选条件,以确定哪些干流上游次站点将被考虑在第一次干流下游站点的筛选中。这可能涉及到阈值设定、统计分析等。应用建立的筛选条件,对干流上游次站点进行筛选,得到第一干流下游站点的分布数据。这可能包括确定下游站点的位置、水文特性等。
步骤S244:对第一干流下游站点分布数据进行下游水文顶托影响计算,得到下游水文顶托影响程度数据;根据下游水文顶托影响程度数据对第一干流下游站点分布数据进行第二次干流下游次站点筛选,生成干流下游次站点数据;
本发明实施例中,水文顶托是指在河流中,上游水文事件(如降雨、径流等)对下游水文的影响。这可以通过水文模型、统计分析等方法来计算,使用第一干流下游站点分布数据和可能需要的其他水文数据,如流量、水位、降雨等,以及下游流域的特征数据。确保数据的质量和完整性。选择适当的水文模型或方法来计算下游水文顶托影响。这可能包括水文模型(如HEC-HMS、SWMM等)、统计分析、水文学公式等。如果使用水文模型,设置模型的参数,包括流域特性、地形、土壤类型、降雨数据等,运行水文模型或进行相关的统计分析,以计算上游水文事件对下游站点的影响程度。根据计算得到的下游水文顶托影响程度数据,制定筛选条件。这可能涉及确定影响程度的阈值或其他相关指标。应用制定的筛选条件,对第一干流下游站点分布数据进行第二次筛选,得到干流下游次站点数据。
步骤S245:利用主站口测站数据和测站位置分布图进行支流选取,得到若干的支流水文数据;对支流水文数据和主站点测站数据进行最近距离计算,从而得到最近支流水文数据;
本发明实施例中,通过获取主站口测站的水文数据,包括水位、流量等,获取测站位置分布图,以地理信息***(GIS)数据为例,包括各测站的地理坐标。定义支流选取的标准,这可能涉及到距离、流域面积、流量等方面的考虑。标准的选择应该与具体研究问题和数据特点相匹配。根据制定的标准,利用测站位置分布图对支流进行选取,得到若干支流的水文数据。对于每个支流,利用主站口测站的地理坐标和支流测站的地理坐标,计算它们之间的最近距离。这可以使用地理信息***(GIS)工具或数学计算方法进行。对于每个支流,找到距离最近的主站口测站,提取该主站口测站的水文数据作为最近支流的水文数据。
步骤S246:根据最近支流水文数据对测站位置分布图进行支流上游次站点筛选,生成支流上游次站点数据;将支流上游次站点数据、干流上游次站点数据和干流下游次站点数据进行数据整合,生成次站点测站数据。
本发明实施例中,通过利用前面步骤得到的最近支流水文数据,包括水位、流量等,获取包括主站口测站、支流上游次站点、干流上游次站点和干流下游次站点在内的测站位置分布图,以地理信息***(GIS)数据为例。对于每个最近支流,根据其水文数据和测站位置分布图,筛选出支流上游的次站点。这可能涉及到流域面积、距离等考虑因素,根据筛选出的支流上游次站点,提取其水文数据,生成支流上游次站点数据。获取干流上游次站点和干流下游次站点的水文数据,可以通过相同的筛选和提取方法。将支流上游次站点数据、干流上游次站点数据和干流下游次站点数据进行整合。这可能包括数据合并、去重等操作,以确保生成的次站点测站数据具有一致性。根据整合后的数据,生成最终的次站点测站数据,包括水文数据和地理位置信息。
优选的,步骤S3包括以下步骤:
步骤S31:对主站点冲淤变化数据进行断面平均水深计算,生成主站点断面平均水深数据;根据主站点断面平均水深数据对主站点测站数据进行河道平均宽度计算,生成主站点河道宽度数据;
步骤S32:通过曼宁公式对主站点冲淤变化数据进行第一过水面积计算,生成主站点第一过水面积数据;
步骤S33:根据主站点断面平均水深数据和主站点河道宽度数据进行第二过水面积计算,生成主站点第二过水面积数据;
步骤S34:对主站点第一过水面积数据和主站点第二过水面积数据进行数据拟合,生成主站点过水面积数据;利用站点水文流量概化公式对主站点断面平均水深数据、主站点过水面积数据和次站点测站数据进行站点水文流量计算,得到站点水文流量数据;
步骤S35:基于机器学习算法对站点水文流量数据进行监督学习,从而生成站点流量概化模型;
本发明通过计算断面平均水深和河道宽度,可以更好地理解主站点的水文特征。这为后续步骤提供了基础数据,有助于更准确地模拟水流和形态变化。第一过水面积是水文建模中的关键参数,它反映了水流通过断面的能力。计算第一过水面积有助于了解水体在该位置的水力条件。第二过水面积计算考虑了水深和河道宽度的影响,提供了更精细的关于水体通过主站点的空间分布信息。通过对第一过水面积和第二过水面积数据的拟合,生成主站点的过水面积数据。这是水文模型中的关键参数,用于估算水文流量。利用过水面积数据和其他水文数据,通过站点水文流量概化公式进行计算,得到主站点的水文流量数据。这为进一步的分析和模型建设提供了基础。利用机器学习算法进行监督学习,可以更准确地捕捉主站点水文流量的复杂关系。生成的流量概化模型可以用于预测未来的水文流量,为水文管理和规划提供有力的工具。
其中曼宁公式具体如下:
式中,表示为主站点过水面积计算数据,/>表示为曼宁粗糙系数,/>表示为河道横截面的湿周数值,/>表示为主站点河道的水面坡度,/>表示为断面水深流速。
曼宁公式是水力学中用于计算河道流速和水流过水面积的经验公式,通常用于估算自然河流和渠道中的水力条件,表示主站点的过水面积,是曼宁公式计算的结果。该值对于水文模型和水资源管理具有重要意义,因为过水面积直接关联到水流量和流速。曼宁粗糙系数/>是描述河道底床摩擦阻力的参数。该系数反映了河流底床的粗糙程度,对流速和水深的关系有重要影响。准确选择曼宁粗糙系数可以提高公式的适用性和计算结果的准确性。湿周/>是指横截面中湿面积与湿周之比。湿周的值影响着水体通过断面的流通能力。通过/>的引入,曼宁公式考虑了河道形状对流速和水深的影响,提高了公式的适用性。水面坡度/>是河流沿程的水位变化与水流方向长度之比。水面坡度的引入使得曼宁公式能够考虑到地形的影响,尤其是在不同高程上的主站点。这有助于更真实地模拟水流行为。断面水深流速/>是水流通过断面的速度。通过引入流速,曼宁公式考虑了水体运动的动能,提高了对实际流动情况的模拟准确性。
作为本发明的一个实例,参考图4所示,在本实例中所述步骤S3包括:
步骤S31:对主站点冲淤变化数据进行断面平均水深计算,生成主站点断面平均水深数据;根据主站点断面平均水深数据对主站点测站数据进行河道平均宽度计算,生成主站点河道宽度数据;
本发明实施例中,通过获取主站点的冲淤变化数据,这可能包括水深、河床高程等信息,对这些数据进行处理,可以采用统计学方法或空间插值方法来获得断面上各点的水深数据。将处理后的主站点冲淤变化数据应用到相应的断面上,对每个断面上的水深数据进行平均,得到断面平均水深。计算可以采用简单的平均或加权平均,取决于数据的分布和权重的考虑。获取主站点的测站数据,这可能包括流量、流速等信息,对这些数据进行处理,以确保与冲淤变化数据对应,可能需要进行时间同步或者空间对应。利用主站点断面平均水深数据,结合主站点测站数据,计算每个时段或每个断面上的流量,使用流量信息和水深数据,可以采用河道横截面积与流量之比的关系来计算河道平均宽度。具体计算方法可能包括使用曼宁公式或其他适用的水动力学公式。将计算得到的河道平均宽度数据整理并存储,形成主站点河道宽度数据。
步骤S32:通过曼宁公式对主站点冲淤变化数据进行第一过水面积计算,生成主站点第一过水面积数据;
本发明实施例中,通过获取主站点的冲淤变化数据,包括水深、底床高程等信息。这些数据可以是时序数据,覆盖一定时间范围。曼宁公式一般表示为Q = A * v,其中Q是流量,A是过水面积,v是水流速。在这里,关注的是过水面积的计算,所以需要将曼宁公式改写为A = Q / v。选择适当的曼宁系数和水流速计算方式。利用主站点冲淤变化数据,结合流速计算方法(可能需要考虑涡度等因素),计算水流速。水流速的计算可能需要使用流体力学方程或其他水动力学模型,将计算得到的水流速和流量代入修改后的曼宁公式中,计算主站点的第一过水面积。公式为 A = Q / v。将计算得到的第一过水面积数据整理并存储,形成主站点第一过水面积数据。这些数据可用于后续的水文和水力分析。
步骤S33:根据主站点断面平均水深数据和主站点河道宽度数据进行第二过水面积计算,生成主站点第二过水面积数据;
本发明实施例中,通过收集或测量主站点的断面平均水深数据和河道宽度数据。这些数据通常需要在河道横截面上进行测量或估算,以获得不同位置的水深和宽度信息。第二过水面积通常是指在较高水位条件下的水面面积。这可以通过将断面平均水深和河道宽度结合起来计算得到。通常,第二过水面积(A2)可以使用简单的公式进行计算,公式为A2 = 平均水深 × 河道宽度。可能需要对数据进行单位转换以确保公式中的单位一致性。将计算得到的第二过水面积数据整理并存储,形成主站点第二过水面积数据。这些数据可用于水文建模、水力学分析以及洪水预测等领域。
步骤S34:对主站点第一过水面积数据和主站点第二过水面积数据进行数据拟合,生成主站点过水面积数据;利用站点水文流量概化公式对主站点断面平均水深数据、主站点过水面积数据和次站点测站数据进行站点水文流量计算,得到站点水文流量数据;
本发明实施例中,通过收集主站点的第一过水面积数据和第二过水面积数据,选择合适的数据拟合方法,如线性回归、多项式拟合、指数拟合等。选择的方法应该能够较好地描述第一过水面积和第二过水面积之间的关系。应用选择的拟合方法对第一过水面积和第二过水面积数据进行拟合。拟合过程将生成一个拟合方程或拟合系数,描述两者之间的关系。利用拟合方程或系数,对主站点的其他水深数据计算相应的过水面积。这将生成主站点的过水面积数据。收集主站点的断面平均水深数据、主站点的过水面积数据以及次站点测站数据,包括水位、流量等。选择适当的水文流量概化公式,这个公式通常是一个经验公式,将水位、过水面积等参数结合起来估算流量。将选定的水文流量概化公式应用于主站点的断面平均水深数据和拟合得到的主站点过水面积数据,以及次站点测站数据。这将产生对应的站点水文流量数据。
步骤S35:基于机器学习算法对站点水文流量数据进行监督学习,从而生成站点流量概化模型;
本发明实施例中,通过收集充足且具有代表性的站点水文流量数据,包括输入特征(如水位、过水面积等)和对应的实际流量数据。确保数据质量和一致性。对数据进行清洗,处理缺失值和异常值。进行特征工程,可能包括标准化、归一化、添加新特征等,以提高模型的性能。根据问题的性质,选择适当的机器学***均绝对误差(MAE)等。根据评估结果,对模型进行调整和优化。这可能包括调整算法参数、增加训练数据量、尝试不同的特征工程等。一旦模型在测试集上表现良好,可以将其应用于实际的站点水文流量数据,以进行流量预测和概化。
优选的,步骤S34中的站点水文流量概化公式具体如下:
式中,表示为站点水文流量,/>表示为水力半径,/>表示为水力能面比降,/>表示为断面平均水深,/>表示为干流第/>个站点水位流速变化系数,/>表示为干流第/>个站点的水位变化系数,/>表示为干流第/>个站点的水位,/>表示为支流第/>个站点水位流速变化系数,/>表示为支流第/>个站点的水位变化系数,/>表示为支流第/>个站点的水位,/>的取值为,/>的取值为/>。
本发明构建了一种站点水文流量概化公式,公式中的函数表示一个综合函数,用于将干流和支流站点的水文流量进行加权求和,参数/>、/>、/>表示干流站点的水位流速变化系数、水位和水位变化系数的组合,用于描述干流站点的水文流量。参数/>、/>、/>表示支流站点的水位流速变化系数、水位和水位变化系数的组合,用于描述支流站点的水文流量。公式中的加权求和项:/>
表示干流和支流站点水文流量的综合计算结果,通过上述公式中的参数之间的作用,结合水力半径、水力能面比降、干流和支流站点的水位流速变化系数、水位变化系数以及水位等信息,可以对站点的水文流量进行概化估算。这样的模型可以考虑多个因素对水文流量的影响,提供对站点水文特征的综合描述,有助于水文学研究和水资源管理。
优选的,步骤S33包括以下步骤:
步骤S331:利用站点水位信息分析公式对主站点断面平均水深数据和主站点河道宽度数据进行平均水位计算,从而获得主站点水文流量数据和主站点水位数据;
步骤S332:利用数字高程模型对主站点测站数据进行地形信息收集,得到主站点地形数据;
步骤S333:对主站点水文流量数据和主站点水位数据进行历史数据收集,得到历史水文流量数据和历史水位数据;将历史水文流量数据和历史水位数据进行关系可视化,生成流量-水位曲线;对流量-水位曲线进行水位峰值提取,得到水位峰值数据;
步骤S334:将水位峰值数据和预设的临界水位阈值进行数据对比,当水位峰值数据等于临界水位阈值时,则将对应的水位峰值数据标记为临界水位数据;当水位峰值数据不等于临界水位阈值时,则返回步骤S333;
步骤S335:根据临界水位数据和主站点地形数据进行洪水扩展地图绘制,得到站点地势图像;利用GIS工具对点地势图像进行过水面积评估,从而生成主站点第二过水面积数据。
本发明通过利用站点水位信息分析公式计算主站点断面平均水深,结合主站点河道宽度数据进行平均水位计算。利用数字高程模型对主站点进行测站数据的地形信息收集,得到主站点地形数据,提供了关键的地形信息,有助于理解洪水过程中地形的影响,为后续洪水扩展模拟提供输入。对主站点水文流量数据和水位数据进行历史数据收集,并生成流量-水位曲线。提取曲线中的水位峰值数据,建立了水位与流量之间的关系模型,为了解洪水特征和趋势提供了重要的数据。将水位峰值数据与预设的临界水位阈值进行比较,标记符合条件的水位峰值数据为临界水位数据,标记临界水位数据有助于识别可能的洪水事件,为后续的洪水扩展分析提供关键输入。基于临界水位数据和主站点地形数据,绘制洪水扩展地图,通过GIS工具进行过水面积评估,生成主站点第二过水面积数据,提供了洪水在地理空间上的扩展图像,同时定量评估了过水面积,为灾害管理和规划提供重要信息。
本发明实施例中,通过获取主站点断面平均水深数据和主站点河道宽度数据,使用站点水位信息分析公式,将水深和河道宽度数据代入,计算平均水位,输出主站点水文流量数据和主站点水位数据。获取主站点的数字高程模型(DEM)数据,利用DEM数据对主站点测站数据进行地形信息提取,得到主站点地形数据。获取主站点水文流量和水位的历史数据,将历史水文流量数据和水位数据进行关系可视化,生成流量-水位曲线,从生成的流量-水位曲线中提取水位峰值数据。将水位峰值数据与预设的临界水位阈值进行对比,当水位峰值数据等于临界水位阈值时,标记对应的水位峰值数据为临界水位数据。利用标记的临界水位数据和主站点地形数据,根据临界水位数据和地形数据,绘制洪水扩展地图,利用GIS工具对绘制的地势图像进行过水面积评估,生成主站点第二过水面积数据。
优选的,步骤S331中的站点水位信息分析公式具体如下:
式中,表示为主站点的水文流量数据,/>表示为河道的起点位置坐标向量,/>表示为河道的终点位置坐标向量,/>表示为观测时间,/>表示为河道的水位高度,/>表示为河道的水平方向上的位置,/>表示为水位随时间的变化率,/>表示为单位面积流量随河道位置的变化率。
本发明构建了一种站点水位信息分析公式,公式中的表示河道水位高度随时间的变化率,用于描述水位随时间的动态变化。该项考虑了水位的变化对主站点水文流量的影响,可以捕捉到水位变化造成的流量变化。/>表示单位面积流量随河道位置的变化率,描述了单位面积流量在河道水平方向上的变化。该项考虑了单位面积流量在河道长度方向上的变化对主站点水文流量的贡献,考虑了流量分布的空间变化。公式中的积分操作对河道水平方向上的变化率进行累积求和,从起点位置/>到终点位置/>进行积分,通过积分操作,可以将河道长度方向上的变化率转化为主站点的水文流量数据。积分操作可以考虑河道整体的水文特征,将多个位置的水文流量贡献进行综合计算。公式通过考虑水位随时间的变化率和单位面积流量随河道位置的变化率,并进行积分操作,可以估算主站点的水文流量数据。该模型综合考虑了水位和流量在时间和空间上的变化,有助于理解主站点水文流量的动态特征和流量分布的空间变化。通过该公式,可以提供对主站点水文流量的定量分析和预测,对水资源管理和水灾风险评估等方面具有重要意义。
优选的,步骤S4包括以下步骤:
步骤S41:对次站点测站数据进行历史站点水位收集,生成历史次站点水位数据;将历史次站点水位数据、主站点断面平均水深数据和主站点过水面积数据进行数据样本分离,生成建模数据集;
步骤S42:对建模数据集进行相关性分析,从而得到标准建模数据集,其中标准建模数据集包括训练数据集和验证数据集;
步骤S43:通过SVM模型对训练数据集进行模型训练,生成SVR水文流量预模型;利用Ridge模型对训练数据集进行模型训练,生成Ridge水文流量预模型;根据站点流量概化模型对训练数据集进行模型训练,生成水文流量整编预模型;
步骤S44:通过网格搜索方法和交叉验证方法对SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型进行模型超参数调节,从而输出SVR水文流量预测数据、Ridge水文流量预测数据和水文流量整编智能数据;
步骤S45:根据验证数据集对SVR水文流量预测数据、Ridge水文流量预测数据和水文流量整编智能数据进行数据集验证,从而生成SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型;
步骤S46:基于预设的定线精度指标对SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型进行泛化能力评价,从而生成模型泛化对比图;对SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型进行模型精度评价,生成模型精度评价对比图;
步骤S47:根据模型泛化对比图和模型精度评价对比图对SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型进行最优模型筛选,得到站点流量AI智能模型;根据站点流量AI智能模型进行模型可视化,生成实时水文监测界面。
本发明通过对次站点测站数据的历史水位收集,生成历史次站点水位数据。这有助于了解次站点的水文情况, 将历史次站点水位数据与主站点的断面平均水深数据和过水面积数据分离,形成建模数据集。这为模型的训练提供了样本数据。 通过对建模数据集进行相关性分析,得到标准建模数据集。这有助于筛选出对模型训练和验证最有用的特征变量,提高模型的性能,使用不同的模型(SVM、Ridge、水文流量整编模型)对训练数据集进行模型训练。这样可以得到不同算法的水文流量预测模型,增加模型的多样性。通过网格搜索和交叉验证方法对模型进行超参数调节,提高模型的泛化能力和性能。这有助于调整模型以适应不同的水文条件,使用验证数据集对训练好的模型进行验证。这有助于评估模型在新数据上的性能,确保模型的泛化能力。通过定线精度指标对模型的泛化能力进行评价,生成模型泛化对比图。这有助于选择最适合实际应用的模型。生成模型精度评价对比图,帮助比较不同模型的性能,选择最优的水文流量预测模型。 根据泛化对比图和模型精度评价对比图,选择最优的水文流量预测模型。这有助于确保在实际应用中选择了性能最佳的模型。将最优模型进行可视化,以便更好地理解模型的工作原理和结果。这对用户和决策者理解模型输出是至关重要的。
本发明实施例中,通过从次站点的测站数据中获取历史站点水位数据,将历史次站点水位数据、主站点断面平均水深数据和主站点过水面积数据进行样本分离,生成建模数据集。对建模数据集进行相关性分析,以了解变量之间的关系,通过相关性分析得到标准建模数据集,包括训练数据集和验证数据集。使用支持向量回归(SVR)模型对训练数据集进行模型训练,生成SVR水文流量预模型,利用Ridge模型对训练数据集进行模型训练,生成Ridge水文流量预模型,根据站点流量概化模型对训练数据集进行模型训练,生成水文流量整编预模型。使用网格搜索方法和交叉验证方法对SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型进行模型超参数调节。输出经过超参数调节的SVR水文流量预测数据、Ridge水文流量预测数据和水文流量整编智能数据。使用验证数据集对SVR水文流量预测数据、Ridge水文流量预测数据和水文流量整编智能数据进行验证。根据验证结果生成SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型。基于预设的定线精度指标对SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型进行泛化能力评价,生成模型泛化对比图。对SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型进行模型精度评价,生成模型精度评价对比图。根据模型泛化对比图和模型精度评价对比图进行最优模型筛选,得到站点流量AI智能模型。对站点流量AI智能模型进行可视化,生成实时水文监测界面。
优选的,步骤S42包括以下步骤:
步骤S421:对建模数据集进行散点图绘制,生成建模数据集分析散点图;
步骤S422:对建模数据集进行相关系数统计,得到建模数据集相关系数统计表;
步骤S423:根据建模数据集分析散点图和建模数据集相关系数统计表对建模数据集进行相关系数热力图绘制,生成建模数据集相关系数热力图;对建模数据集相关系数热力图进行相关系数变化范围数据提取,生成相关系数变化数据;
步骤S425:通过正态分布判别公式对相关系数变化数据进行正态分布判别,当相关系数变化数据不符合正态分布时,则对相关系数变化数据所对应的建模数据集进行正态化变换,生成标准建模数据集;当相关系数变化数据符合正态分布时,则直接将相关系数变化数据所对应的建模数据集标记为标准建模数据集。
本发明通过对建模数据集进行散点图绘制,散点图是一种用于展示两个变量之间关系的图表,每个点代表数据集中的一个观测值。通过绘制散点图,可以观察到变量之间的趋势、离群值等信息。对建模数据集进行相关系数统计,相关系数是衡量两个变量之间关联程度的统计指标。通过计算相关系数,可以了解变量之间的线性关系的强度和方向。相关系数的范围在-1到1之间,其中-1表示完全负相关,1表示完全正相关,0表示无相关性。根据建模数据集分析散点图和建模数据集相关系数统计表对建模数据集进行相关系数热力图绘制,相关系数热力图是一种通过颜色来表示不同变量之间相关性的图表,更深的颜色通常表示更高的相关性。通过分析相关系数热力图,可以更直观地了解变量之间的关系。提取相关系数变化范围数据可能有助于进一步的分析,例如寻找关键的相关性变化点。正态分布是一种常见的统计分布,具有对称的钟形曲线。通过正态分布判别公式,可以检验相关系数变化数据是否符合正态分布。如果不符合,可能需要进行正态化变换,以确保建模数据集的数据符合正态分布的假设。这有助于在一些统计方法中的应用,因为一些方法基于对数据分布的特定假设。
其中正态分布判别公式具体如下:
;
式中,表示为相关系数变化数据的偏度,/>表示为相关系数变化数据的二阶中心矩,/>表示为相关系数变化数据的三阶中心矩,/>表示为标准差。
公式中的偏度是判断数据分布对称性的重要指标。如果偏度等于0,表示数据分布完全对称。当/>大于0时,表示数据右偏,也就是分布的尾部在正方向延伸得更长,数据分布呈现右侧的偏斜。而当/>小于0时,数据左偏,分布的尾部在负方向延伸得更长,数据分布呈现左侧的偏斜。应用这个公式,可以通过偏度判断相关系数变化数据是否符合正态分布。如果偏度接近于0,数据可能较为对称;如果偏度远离0,可能需要进一步考虑对数据进行变换或纠正,以满足正态分布的假设。
本发明实施例中,通过使用建模数据集中的变量进行散点图的绘制。每个点的坐标可以表示两个变量之间的关系。这有助于可视化数据的分布和可能存在的模式。使用合适的工具或编程语言,比如Python中的matplotlib库或R语言,来创建这些散点图。计算建模数据集中各变量之间的相关系数。常见的相关系数包括Pearson相关系数、Spearman等。相关系数反映了两个变量之间的线性关系强度和方向。将计算结果整理成一个相关系数统计表。使用前两个步骤得到的信息,生成相关系数热力图。相关系数热力图以颜色的形式展示相关系数的大小,可以更直观地看出不同变量之间的关系。提取相关系数变化范围数据,可以通过确定颜色梯度或数值范围来量化相关性的强度。使用正态分布判别公式来判断相关系数变化数据是否符合正态分布。如果不符合,对相应的建模数据集进行正态化变换,使其更接近正态分布。如果符合,直接标记为标准建模数据集。
本发明的有益效果在于通过获取站点水文数据提供了原始的水文数据,为后续分析提供了基础,通过对数据的缺失值进行检测和填充,提高了数据的完整性和可用性,生成了标准站点水文数据,为后续分析提供了一致和可靠的输入。通过该图,更好地理解了测站的分布情况,为主站点和次站点的筛选提供了依据,通过标准站点水文数据和测站位置信息,选取了主站点,有助于集中精力进行深入的分析和建模。对主站点进行河段断面测验和冲淤变化分析,为后续的建模提供了关键的冲淤数据,基于主站点的冲淤变化数据,筛选了次站点,进一步细化了建模范围。通过对主站点测站数据进行计算,得到了主站点的断面平均水深数据和河道宽度数据,为后续过水面积计算提供了依据,使用曼宁公式,结合主站点冲淤变化数据,得到了主站点的过水面积数据,为建模提供了关键的水文特征。利用主站点的断面平均水深、过水面积数据以及次站点测站数据,进行监督学习,生成了站点流量概化模型,有助于更全面地理解水文流量的变化规律。历史站点水位数据收集 提供了用于建模的历史水位数据,为模型训练提供了基础,通过数据相关性分析和分离,得到了标准建模数据集,提高了模型的训练效果,通过训练了不同的水文流量预测模型,并通过评估筛选,选取了性能较好的模型,提高了预测的准确性。通过可视化呈现了模型的工作情况,生成了实时水文监测界面,方便用户直观地了解水文状况。因此,本发明通过构建 AI 模型实现汉口在线推流,仅利用水位等数据,无需安装传感器及比测率定,提升了模型预测和流量整编的精度,同时减少投入成本。
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,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
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 (4)
1.一种基于机器学习的水文流量整编智能模型构建方法,其特征在于,包括以下步骤:
步骤S1:获取站点水文数据;对站点水文数据进行数据缺失值检测并填充,生成站点水文填充数据;对站点水文填充数据进行数据预处理,从而生成标准站点水文数据;
步骤S2:获取测站位置分布图;通过标准站点水文数据和测站位置分布图进行主站点筛选,生成主站点测站数据;对主站点测站数据进行河段断面测验和冲淤变化分析,生成主站点冲淤变化数据;基于主站点冲淤变化数据进行次站点筛选,生成次站点测站数据;
步骤S3:对主站点测站数据进行断面平均水深和河道宽度计算,得到主站点断面平均水深数据和主站点河道宽度数据;使用曼宁公式对主站点冲淤变化数据、主站点断面平均水深数据和主站点河道宽度数据进行过水面积计算,得到主站点过水面积数据;对主站点断面平均水深数据、主站点过水面积数据和次站点测站数据进行监督学习,从而生成站点流量概化模型;步骤S3包括以下步骤:
步骤S31:对主站点冲淤变化数据进行断面平均水深计算,生成主站点断面平均水深数据;根据主站点断面平均水深数据对主站点测站数据进行河道平均宽度计算,生成主站点河道宽度数据;
步骤S32:通过曼宁公式对主站点冲淤变化数据进行第一过水面积计算,生成主站点第一过水面积数据;其中曼宁公式具体如下:
式中,表示为主站点过水面积计算数据,/>表示为曼宁粗糙系数,/>表示为河道横截面的湿周数值,/>表示为主站点河道的水面坡度,/>表示为断面水深流速;
步骤S33:根据主站点断面平均水深数据和主站点河道宽度数据进行第二过水面积计算,生成主站点第二过水面积数据;步骤S33包括以下步骤:
步骤S331:利用站点水位信息分析公式对主站点断面平均水深数据和主站点河道宽度数据进行平均水位计算,从而获得主站点水文流量数据和主站点水位数据;
步骤S331中的站点水位信息分析公式如下所示:
式中,表示为主站点的水文流量数据,/>表示为河道的起点位置坐标向量,/>表示为河道的终点位置坐标向量,/>表示为观测时间,/>表示为河道的水位高度,/>表示为河道的水平方向上的位置,/>表示为水位随时间的变化率,/>表示为单位面积流量随河道位置的变化率;
步骤S332:利用数字高程模型对主站点测站数据进行地形信息收集,得到主站点地形数据;
步骤S333:对主站点水文流量数据和主站点水位数据进行历史数据收集,得到历史水文流量数据和历史水位数据;将历史水文流量数据和历史水位数据进行关系可视化,生成流量-水位曲线;对流量-水位曲线进行水位峰值提取,得到水位峰值数据;
步骤S334:将水位峰值数据和预设的临界水位阈值进行数据对比,当水位峰值数据等于临界水位阈值时,则将对应的水位峰值数据标记为临界水位数据;当水位峰值数据不等于临界水位阈值时,则返回步骤S333;
步骤S335:根据临界水位数据和主站点地形数据进行洪水扩展地图绘制,得到站点地势图像;利用GIS工具对点地势图像进行过水面积评估,从而生成主站点第二过水面积数据;
步骤S34:对主站点第一过水面积数据和主站点第二过水面积数据进行数据拟合,生成主站点过水面积数据;利用站点水文流量概化公式对主站点断面平均水深数据、主站点过水面积数据和次站点测站数据进行站点水文流量计算,得到站点水文流量数据;步骤S34中的站点水文流量概化公式如下所示:
式中,表示为站点水文流量,/>表示为水力半径,/>表示为水力能面比降,/>表示为断面平均水深,/>表示为干流第/>个站点水位流速变化系数,/>表示为干流第/>个站点的水位变化系数,/>表示为干流第/>个站点的水位,/>表示为支流第/>个站点水位流速变化系数,/>表示为支流第/>个站点的水位变化系数,/>表示为支流第/>个站点的水位,/>的取值为,/>的取值为/>;
步骤S35:基于机器学习算法对站点水文流量数据进行监督学习,从而生成站点流量概化模型;
步骤S4:对次站点测站数据进行历史站点水位收集,生成建模数据集;对建模数据集进行数据相关性分析并分离,得到标准建模数据集;基于标准建模数据集进行模型训练,生成SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型;对SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型进行模型评估筛选,得到站点流量AI智能模型;根据站点流量AI智能模型进行模型可视化,生成实时水文监测界面;步骤S4包括以下步骤:
步骤S41:对次站点测站数据进行历史站点水位收集,生成历史次站点水位数据;将历史次站点水位数据、主站点断面平均水深数据和主站点过水面积数据进行数据样本分离,生成建模数据集;
步骤S42:对建模数据集进行相关性分析,从而得到标准建模数据集,其中标准建模数据集包括训练数据集和验证数据集;步骤S42包括以下步骤:
步骤S421:对建模数据集进行散点图绘制,生成建模数据集分析散点图;
步骤S422:对建模数据集进行相关系数统计,得到建模数据集相关系数统计表;
步骤S423:根据建模数据集分析散点图和建模数据集相关系数统计表对建模数据集进行相关系数热力图绘制,生成建模数据集相关系数热力图;对建模数据集相关系数热力图进行相关系数变化范围数据提取,生成相关系数变化数据;
步骤S425:通过正态分布判别公式对相关系数变化数据进行正态分布判别,当相关系数变化数据不符合正态分布时,则对相关系数变化数据所对应的建模数据集进行正态化变换,生成标准建模数据集;当相关系数变化数据符合正态分布时,则直接将相关系数变化数据所对应的建模数据集标记为标准建模数据集;其中正态分布判别公式具体如下:
;
式中,表示为相关系数变化数据的偏度,/>表示为相关系数变化数据的二阶中心矩,表示为相关系数变化数据的三阶中心矩,/>表示为标准差;
步骤S43:通过SVM模型对训练数据集进行模型训练,生成SVR水文流量预模型;利用Ridge模型对训练数据集进行模型训练,生成Ridge水文流量预模型;根据站点流量概化模型对训练数据集进行模型训练,生成水文流量整编预模型;
步骤S44:通过网格搜索方法和交叉验证方法对SVR水文流量预模型、Ridge水文流量预模型和水文流量整编预模型进行模型超参数调节,从而输出SVR水文流量预测数据、Ridge水文流量预测数据和水文流量整编智能数据;
步骤S45:根据验证数据集对SVR水文流量预测数据、Ridge水文流量预测数据和水文流量整编智能数据进行数据集验证,从而生成SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型;
步骤S46:基于预设的定线精度指标对SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型进行泛化能力评价,从而生成模型泛化对比图;对SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型进行模型精度评价,生成模型精度评价对比图;
步骤S47:根据模型泛化对比图和模型精度评价对比图对SVR水文流量预测模型、Ridge水文流量预测模型和水文流量整编智能模型进行最优模型筛选,得到站点流量AI智能模型;根据站点流量AI智能模型进行模型可视化,生成实时水文监测界面。
2.根据权利要求1所述的基于机器学习的水文流量整编智能模型构建方法,其特征在于,步骤S1包括以下步骤:
步骤S11:利用云平台获取站点水文数据;
步骤S12:对站点水文数据进行数据缺失比例检测,当站点水文数据的缺失比例大于缺失判断阈值时,则返回步骤S11重新获取站点水文数据;
步骤S13:当站点水文数据的缺失比例小于缺失判断阈值时,对站点水文数据进行数据类型判断,当站点水文数据的数据类型为连续型时,则对站点水文数据进行均值填充,生成站点水文填充数据;
步骤S14:当站点水文数据数据类型为离散型时,则对站点水文数据进行哑变量填充,生成站点水文填充数据;
步骤S15:对站点水文填充数据进行数据预处理,从而生成标准站点水文数据。
3.根据权利要求2所述的基于机器学习的水文流量整编智能模型构建方法,其特征在于,步骤S2包括以下步骤:
步骤S21:获取测站位置分布图;
步骤S22:基于标准站点水文数据和测站位置分布图进行测站主站点筛选,生成主站点测站数据;
步骤S23:对主站点测站数据进行河段断面测验,得到主站点大断面套绘图;根据主站点大断面套绘图对主站点测站数据进行河段冲淤变化分析,生成主站点冲淤变化数据;
步骤S24:根据主站点冲淤变化数据对测站位置分布图进行次站点筛选,生成次站点测站数据,其中次站点测站数据包括支流上游次站点数据、干流上游次站点数据和干流下游次站点数据。
4.根据权利要求3所述的基于机器学习的水文流量整编智能模型构建方法,其特征在于,步骤S24包括以下步骤:
步骤S241:通过主站点冲淤变化数据对测站位置分布图进行第一次干流上游站点筛选,生成第一干流上游站点分布数据;
步骤S242:对第一干流上游站点分布数据进行上游洪水涨落程度计算,得到上游洪水涨落程度数据;根据上游洪水涨落程度数据对第一干流上游站点分布数据进行第二次干流上游次站点筛选,生成干流上游次站点数据;
步骤S243:根据干流上游次站点数据和主站点测站数据进行第一次干流下游站点筛选,得到第一干流下游站点分布数据;
步骤S244:对第一干流下游站点分布数据进行下游水文顶托影响计算,得到下游水文顶托影响程度数据;根据下游水文顶托影响程度数据对第一干流下游站点分布数据进行第二次干流下游次站点筛选,生成干流下游次站点数据;
步骤S245:利用主站口测站数据和测站位置分布图进行支流选取,得到若干的支流水文数据;对支流水文数据和主站点测站数据进行最近距离计算,从而得到最近支流水文数据;
步骤S246:根据最近支流水文数据对测站位置分布图进行支流上游次站点筛选,生成支流上游次站点数据;将支流上游次站点数据、干流上游次站点数据和干流下游次站点数据进行数据整合,生成次站点测站数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311731981.2A CN117408173B (zh) | 2023-12-16 | 2023-12-16 | 一种基于机器学习的水文流量整编智能模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311731981.2A CN117408173B (zh) | 2023-12-16 | 2023-12-16 | 一种基于机器学习的水文流量整编智能模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117408173A CN117408173A (zh) | 2024-01-16 |
CN117408173B true CN117408173B (zh) | 2024-03-01 |
Family
ID=89493032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311731981.2A Active CN117408173B (zh) | 2023-12-16 | 2023-12-16 | 一种基于机器学习的水文流量整编智能模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117408173B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117889943B (zh) * | 2024-03-13 | 2024-05-14 | 浙江维度仪表有限公司 | 基于机器学习的气体超声波流量计检验方法及*** |
CN118152990B (zh) * | 2024-05-13 | 2024-08-06 | 山东省水文计量检定中心 | 一种水文塔用在线测流*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101912627B1 (ko) * | 2017-05-30 | 2018-10-30 | 에스지에이블록체인 주식회사 | Gis 기반의 수문-수리모형 분석결과의 통합 가시화 방법 |
CN108896117A (zh) * | 2018-05-10 | 2018-11-27 | 北京师范大学 | 一种遥感水文站监测河流径流的方法 |
CN109711095A (zh) * | 2019-01-18 | 2019-05-03 | 三峡大学 | 一种基于水文模型获取河段区间入流的方法 |
CN110046469A (zh) * | 2019-05-13 | 2019-07-23 | 水利部交通运输部国家能源局南京水利科学研究院 | 多约束条件下水电站坝前河床冲淤变形的计算方法 |
CN111753965A (zh) * | 2020-06-30 | 2020-10-09 | 长江水利委员会水文局 | 一种基于深度学习的河流流量自动整编方法及*** |
CN113379262A (zh) * | 2021-06-18 | 2021-09-10 | 武汉大学 | 河道内水草影响电站发电的风险预警方法及*** |
CN113723024A (zh) * | 2021-08-30 | 2021-11-30 | 浙江大学 | 一种适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法 |
WO2022016931A1 (zh) * | 2020-08-20 | 2022-01-27 | 中国长江三峡集团有限公司 | 一种基于多点并行校正的分布式水文模型参数率定方法 |
CN114781766A (zh) * | 2022-06-22 | 2022-07-22 | 长江水利委员会长江科学院 | 水文站点的水文信息预测方法、装置、设备及存储介质 |
CN115310362A (zh) * | 2022-08-16 | 2022-11-08 | 长江航道勘察设计院(武汉)有限公司 | 一种基于深度学习的航道内无站点处水位预报方法 |
CN115983483A (zh) * | 2023-01-06 | 2023-04-18 | 长江水利委员会长江科学院 | 耦合循环神经网络与河道水位流量关系反算建库前来水情景下河道水位的预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AR109623A1 (es) * | 2018-02-16 | 2019-01-09 | Pescarmona Enrique Menotti | Proceso y sistema de análisis y gestión hidrológica para cuencas |
US11519146B2 (en) * | 2018-04-17 | 2022-12-06 | One Concern, Inc. | Flood monitoring and management system |
US20230281493A1 (en) * | 2022-03-02 | 2023-09-07 | University Of Iowa Research Foundation | Forecasting method for flood crest magnitude and arrival time |
CN114970171B (zh) * | 2022-05-31 | 2023-03-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 考虑产流结构不确定性的水文模型及对地表地下水文过程影响的量化方法 |
-
2023
- 2023-12-16 CN CN202311731981.2A patent/CN117408173B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101912627B1 (ko) * | 2017-05-30 | 2018-10-30 | 에스지에이블록체인 주식회사 | Gis 기반의 수문-수리모형 분석결과의 통합 가시화 방법 |
CN108896117A (zh) * | 2018-05-10 | 2018-11-27 | 北京师范大学 | 一种遥感水文站监测河流径流的方法 |
CN109711095A (zh) * | 2019-01-18 | 2019-05-03 | 三峡大学 | 一种基于水文模型获取河段区间入流的方法 |
CN110046469A (zh) * | 2019-05-13 | 2019-07-23 | 水利部交通运输部国家能源局南京水利科学研究院 | 多约束条件下水电站坝前河床冲淤变形的计算方法 |
CN111753965A (zh) * | 2020-06-30 | 2020-10-09 | 长江水利委员会水文局 | 一种基于深度学习的河流流量自动整编方法及*** |
WO2022016931A1 (zh) * | 2020-08-20 | 2022-01-27 | 中国长江三峡集团有限公司 | 一种基于多点并行校正的分布式水文模型参数率定方法 |
CN113379262A (zh) * | 2021-06-18 | 2021-09-10 | 武汉大学 | 河道内水草影响电站发电的风险预警方法及*** |
CN113723024A (zh) * | 2021-08-30 | 2021-11-30 | 浙江大学 | 一种适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法 |
CN114781766A (zh) * | 2022-06-22 | 2022-07-22 | 长江水利委员会长江科学院 | 水文站点的水文信息预测方法、装置、设备及存储介质 |
CN115310362A (zh) * | 2022-08-16 | 2022-11-08 | 长江航道勘察设计院(武汉)有限公司 | 一种基于深度学习的航道内无站点处水位预报方法 |
CN115983483A (zh) * | 2023-01-06 | 2023-04-18 | 长江水利委员会长江科学院 | 耦合循环神经网络与河道水位流量关系反算建库前来水情景下河道水位的预测方法 |
Non-Patent Citations (1)
Title |
---|
河道洪水流量预测方法研究;滕凯;;中国防汛抗旱;20141215(第06期);36-39 * |
Also Published As
Publication number | Publication date |
---|---|
CN117408173A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117408173B (zh) | 一种基于机器学习的水文流量整编智能模型构建方法 | |
CN113837450B (zh) | 基于深度学习的河网密集流域水情趋势预测方法及其应用 | |
Mehta et al. | Improving flood forecasting in Narmada river basin using hierarchical clustering and hydrological modelling | |
CN117010726B (zh) | 用于城市防洪的智慧预警方法及*** | |
Esch et al. | Urban remote sensing–how can earth observation support the sustainable development of urban environments? | |
KR101912628B1 (ko) | 수문-수리모형 분석결과의 진단 방법 | |
CN110059870A (zh) | 基于bim和gis的航道整治建筑物维护分析方法 | |
Yang et al. | Bank gully extraction from DEMs utilizing the geomorphologic features of a loess hilly area in China | |
CN118094196B (zh) | 基于数据分析的土地利用规划方法及规划*** | |
CN117520718B (zh) | 一种感潮河流水文数据的处理方法及*** | |
Khan et al. | Semi-automating the calculation of catchment scale geomorphic controls on river diversity using publically available datasets | |
CN117688844A (zh) | 一种基于深度神经网络的城市内涝实时模拟方法及*** | |
Chourushi et al. | A critical review of hydrological modeling practices for flood management | |
Chandrasekar et al. | Computer application on evaluating beach sediment erosion and accretion from profile survey data | |
Rettelbach et al. | From images to hydrologic networks-understanding the arctic landscape with graphs | |
Downs | System design for catchment-scale approaches to studying river channel adjustments using a GIS | |
Kherde et al. | Integrating Geographical Information Systems (GIS) with Hydrological Modelling—Applicability and Limitations | |
CN117556643B (zh) | 一种洪水预警预报方法及预报*** | |
CN117934746B (zh) | 基于国土整治与生态修复数据可视化方法和*** | |
Aristizabal et al. | Reducing Horton-Strahler stream order can enhance flood inundation mapping skill with applications for the US National Water Model | |
Sayed et al. | Deep Learning Approach for Detecting Digital Elevation Model (DEM) Uncertainty to Enhance Assessment of Water Resources | |
Udovyk | GIS for integrated water resources management | |
Oñate-Valdivieso | Check for updates Development of a Distributed Hydrological Model of Continuous Generation, in a GIS | |
Hawamdeh et al. | Deep Neural Networks Hydrologic and Hydraulic Modeling in Flood Hazard Analysis | |
Christensen | Comparing Scaling Approaches to Estimate Unimpaired Streamflow Timeseries and Seasonal Flow Metrics at Ungauged Streams |
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 |