洪水过程类型相似性挖掘与快速预测方法.pdf

《洪水过程类型相似性挖掘与快速预测方法.pdf》由会员分享，可在线阅读，更多相关《洪水过程类型相似性挖掘与快速预测方法.pdf（15页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910981658.8 (22)申请日 2019.10.16 (71)申请人 中国科学院地理科学与资源研究所 地址 100101 北京市朝阳区大屯路甲11号 (72)发明人 张永勇翟晓燕陈俊旭 (74)专利代理机构 北京国林贸知识产权代理有 限公司 11001 代理人 李瑾李连生 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 30/20(2020.01) G06F 111/10(2020.01) (54)发。

2、明名称 一种洪水过程类型相似性挖掘与快速预测 方法 (57)摘要 本发明涉及一种洪水过程类型相似性挖掘 与快速预测方法， 包括以下步骤： 步骤1、 识别洪 水过程主要类型及其洪水特征； 步骤2、 确定各洪 水过程类型下各特征指标的范围及隶属度标准； 步骤3、 确定降雨决定性因子及其与洪水过程特 征指标间的定量关系； 步骤4、 依据降雨预报信息 预测未来洪水过程类型。 基于同时期实测洪水过 程， 识别了流域洪水过程特征指标和降雨决定性 因子， 确定了流域洪水过程的典型类型， 为洪水 类型早期快速识别、 洪水发展情势预估等提供技 术支撑。 权利要求书2页 说明书8页 附图4页 CN 1107284。

3、09 A 2020.01.24 CN 110728409 A 1.一种洪水过程类型相似性挖掘与快速预测方法， 其特征在于： 包括以下步骤： 步骤1)识别洪水过程主要类型及其洪水特征： 1-1.筛选洪水过程特征指标用于刻画流 域洪水过程， 所述洪水特征指标包括洪水量级、 历时、 形态、 出现时间和变率； 1-2.收集流域 多站点长序列同时期的实测降雨和洪水资料， 根据实测洪水资料， 计算其洪水过程特征指 标； 1-3.利用多元统计分析方法确定有代表性的可解释该流域洪水过程特征指标， 识别洪 水过程的主要类型及其时空分布， 所述多元统计分析方法包括降维处理和聚类方法； 1-4. 并通过对比各洪水过。

4、程类型的特征指标， 辨识主要洪水过程类型间的差异性， 确定各洪水 过程类型的特征； 步骤2)确定各洪水过程类型下各特征指标的范围及隶属度标准： 2-1.根据各洪水过程 类型的特征， 分析各特征指标在各洪水过程类型中的频率分布， 确定各洪水过程类型下各 特征指标的取值区间， 制定各指标在不同洪水过程类型中的隶属度标准； 2-2.根据实际洪 水过程类型验证和进一步优化各洪水过程类型下各特征指标的隶属度标准； 步骤3)确定降雨决定性因子及其与洪水过程特征指标间的定量关系： 3-1.参考洪水过 程特征指标， 筛选降雨特征指标用于刻画所处流域同时期的降雨过程， 所述降雨特征指标 包括降水峰值历时、 前期。

5、降水量、 降水变率、 降水峰值、 降水历时、 降水总量； 3-2.利用实测 降雨资料计算各降雨特征指标； 3-3.利用统计分析方法筛选对洪水特征指标敏感的降雨决 定性因子， 并确定各洪水过程特征指标与降雨决定性因子间的定量关系， 所述统计分析方 法包括回归分析、 神经网络； 3-4.根据实际洪水过程类型验证和进一步优化降雨决定性因 子与洪水过程特征指标之间的定量关系； 步骤4)依据降雨预报信息预测未来洪水过程类型： 4-1.根据流域未来降雨预报信息， 计算步骤3)中筛选的降雨决定性因子； 4-2.基于步骤3)构建的降雨决定性因子与洪水过程 特征指标间的定量关系， 由降雨决定因子模拟未来降雨对应。

6、场次洪水过程的特征指标； 4- 3.基于步骤2)确定的各洪水过程类型下各特征指标的隶属度标准， 预测未来的洪水过程类 型。 2.根据权利要求1所述一种洪水过程类型相似性挖掘与快速预测方法， 其特征在于： 步 骤1)中所述降维处理采用主成分分析法， 所述聚类方法采用Ward法。 3.根据权利要求1所述一种洪水过程类型相似性挖掘与快速预测方法， 其特征在于： 步 骤2)中2-2步的具体过程为； 2-2-1、 由实测洪水过程， 按照步骤1)确定其实际洪水过程类型； 2-2-2、 基于实测洪水过程的特征指标， 按照2-1步确定的各洪水过程类型下各特征指 标的隶属度标准， 计算各特征指标属于各洪水过程类。

7、型的隶属度， 分别对每场次洪水过程 的所有特征指标隶属于各洪水过程类型的程度求平均值， 即可获得该场洪水属于各洪水过 程类型的隶属度， 计算式为式(1)， 隶属度最大的洪水过程类型即为该场次洪水的模拟洪水 过程类型， 计算式为式(2)； Rmax(r1,rM) (2) 式中： 为场次洪水某一特征指标属于某一类洪水过程类型的隶属度； r为场次洪水属 权利要求书 1/2 页 2 CN 110728409 A 2 于某一洪水过程类型的隶属度， R为场次洪水最终的隶属度； N和M分别为洪水过程特征指标 总数和洪水过程类型总数； 2-2-3、 比较流域各场次洪水的模拟洪水过程类型与实际洪水过程类型， 计。

8、算模拟洪水 过程类型的合格率， 如式(3)所示； 若合格率小于60， 则优化调整各洪水过程类型下各特 征指标的隶属度标准， 直至模拟洪水过程类型的合格率达到60以上， 式中： ST为模拟洪水过程类型的合格率； K为流域洪水场次总数； Cs和Co分别为模拟和 实际洪水过程类型。 4.根据权利要求1所述一种洪水过程类型相似性挖掘与快速预测方法， 其特征在于： 步 骤3)3-3步中定量关系如式(4)所示： FRif(p1,p2,pt) (4) 式中： FRi为第i个洪水过程特征指标； p为降雨决定性因子， 共t个。 5.根据权利要求1所述一种洪水过程类型相似性挖掘与快速预测方法， 其特征在于： 步 。

9、骤3)3-4步中， 先采用相对误差、 相关性系数、 确定系数指标评估洪水过程特征指标与降雨 决定性因子间定量关系的优劣， 若评估指标不达标， 则重新选择统计分析方法构建上述定 量关系； 再根据各场次洪水的降雨决定性因子， 由3-3步确定的降雨决定性因子与洪水过程 特征指标间的定量关系， 模拟各场次洪水过程的特征指标， 通过步骤2)中确定的隶属度标 准判断各场次洪水所属的洪水过程类型， 并与实际的洪水过程类型比较， 进一步验证该定 量关系的优劣， 若模拟洪水过程类别的合格率小于60， 则重新选择统计分析方法构建上 述定量关系。 6.根据权利要求1所述一种洪水过程类型相似性挖掘与快速预测方法， 其。

10、特征在于： 步 骤4)中4-3步的具体过程为： 基于步骤2)确定的各洪水过程类型下各特征指标的隶属度标 准， 计算特征指标属于各洪水过程类型的隶属度， 分别对每场次洪水过程的所有特征指标 隶属于各洪水过程类型的程度求平均值， 即可获得本场洪水属于各洪水过程类型的隶属 度， 隶属度最大的洪水过程类型即为本场洪水的预报洪水过程类型。 权利要求书 2/2 页 3 CN 110728409 A 3 一种洪水过程类型相似性挖掘与快速预测方法 技术领域 0001 本发明涉及洪水预报技术领域， 具体为一种洪水过程类型相似性挖掘与快速预测 方法， 主要用于洪水类型早期快速识别、 洪水发展情势预估等工作。 背景。

11、技术 0002 受东亚季风气候和复杂下垫面的影响， 我国水资源时空分布极不均匀， 洪水和干 旱灾害并存且繁发。 特别是洪水灾害已成为我国各类自然灾害发生频率之首， 直接经济损 失巨大。 在全球变化与社会经济快速发展的背景下， 我国未来径流情势更加复杂， 导致水旱 灾害和水资源供需矛盾等问题愈加突出， 加强洪水灾害预警预报仍是我国水利科技发展亟 待解决的重大科学问题。 0003 洪水预报大多以流域水文系统为研究对象， 根据降雨、 蒸发和径流等水文过程在 自然界的运动规律建立降雨-径流关系， 即流域水文模型来对洪水进行预报。 水文模型通常 被分为三大类： 机理性(或物理性)模型、 概念模型和经验(。

12、黑箱)模型。 机理性模型采用能量 守恒和水量平衡等物理学原理准确刻画流域下垫面条件非均匀性及对应的各水文过程机 理等， 这类模型结构复杂， 每个过程均有明确的物理定义， 物理机制强； 但需要大量精细的 下垫面信息、 水文气象输入等， 且运算速度较慢等。 概念性模型是在一定程度上考虑径流形 成过程的物理过程， 常用一些物理和经验参数来概括径流形成的物理现象； 这类模型操作 简单， 输入资料相对较少， 但模型参数确定仍是一大难点问题， 要求使用者对水文过程概化 和模型结构均有深刻的认识。 经验模型是通过对翔实的历史资料挖掘总结出来的降雨-径 流关系方程， 该方法简单实用， 可对洪水进行准确预报； 。

13、常用的方法有最小二乘法、 卡尔曼 滤波、 回归分析、 模糊数学和神经网络等统计分析手段。 随着近年来观测手段的多元化、 大 数据分析和数据深度挖掘能力的提高等， 采用经验模型对洪水进行预报势必得到进一步的 发展和完善。 0004 此外， 目前洪水预报大多关注洪峰流量和峰现时间两大洪水特征指标， 但忽视了 洪水过程的其他特征指标， 如洪水事件发生频率、 历时、 洪水形态、 峰涨峰落速率以及洪峰 个数等。 这些指标也将为认识洪水形态特征演变、 水利工程防洪调控和提高雨洪资源利用 效率等提供重要的决策依据。 发明内容 0005 本发明的目的在于提供一种洪水过程相似性判别与预测方法， 该方法结合水文统。

14、 计技术、 数据挖掘等方法， 结合长序列洪水、 降水等观测资料， 可快速、 有效地确定流域典型 站点的洪水过程类型， 以及降水因子和洪水过程特征指标的相关关系， 为流域洪水预报和 发展态势、 雨洪资源利用等提供了技术支撑。 本发明的目的是通过以下技术方案实现的。 0006 一种洪水过程类型相似性挖掘与快速预测方法， 包括以下步骤： 0007 步骤1)识别洪水过程主要类型及其洪水特征： 1-1.筛选洪水过程特征指标用于刻 画流域洪水过程， 所述洪水特征指标包括洪水量级、 历时、 形态、 出现时间和变率； 1-2.收集 说明书 1/8 页 4 CN 110728409 A 4 流域多站点长序列同时。

15、期的实测降雨和洪水资料， 根据实测洪水资料， 计算其洪水过程特 征指标； 1-3.利用多元统计分析方法确定有代表性的可解释该流域洪水过程特征指标， 识 别流域洪水过程的主要类型及其时空分布， 所述多元统计分析方法包括降维处理和聚类方 法； 1-4.并通过对比各洪水过程类型的特征指标， 辨识主要洪水过程类型间的差异性， 确定 各洪水过程类型的特征； 0008 步骤2)确定各洪水过程类型下各特征指标的范围及隶属度标准： 2-1.根据各洪水 过程类型的特征， 分析各特征指标在各洪水过程类型中的频率分布， 确定各洪水过程类型 下各特征指标的取值区间， 制定各指标在不同洪水过程类型中的隶属度标准； 2-。

16、2.根据实 际洪水过程类型验证和进一步优化各洪水过程类型下各特征指标的隶属度标准； 0009 步骤3)确定降雨决定性因子及其与洪水过程特征指标间的定量关系： 3-1.参考洪 过程水特征指标， 筛选降雨特征指标用于刻画所处流域同时期的降雨过程， 所述降雨特征 指标包括降水峰值历时、 前期降水量、 降水变率、 降水峰值、 降水历时、 降水总量； 3-2.利用 实测降雨资料计算各降雨特征指标； 3-3.利用统计分析方法筛选对洪水特征指标敏感的降 雨决定性因子， 并确定各洪水过程特征指标与降雨决定性因子间的定量关系， 所述统计分 析方法包括回归分析、 神经网络； 3-4.根据实际洪水过程类型验证和进一。

17、步优化降雨决定 性因子与洪水过程特征指标之间的定量关系。 0010 步骤4)依据降雨预报信息预测未来洪水过程类型： 4-1.根据流域未来多源降雨预 报信息， 计算步骤3)中筛选的降雨决定性因子； 4-2.基于步骤3)构建的降雨决定性因子与 洪水过程特征指标间的定量关系， 由降雨决定因子模拟未来降雨对应场次洪水过程的特征 指标； 4-3.基于步骤2)确定的各洪水过程类型下各特征指标的隶属度标准， 预测未来的洪 水过程类型。 0011 进一步的， 步骤1)中所述降维处理采用主成分分析法， 所述聚类方法采用Ward法。 0012 进一步的， 步骤2)中2-2步的具体过程为； 0013 2-2-1、 。

18、由流域实测洪水过程， 按照步骤1)确定其实际洪水过程类型； 0014 2-2-2、 基于实测洪水过程的特征指标， 按照2-1步确定的各洪水过程类型下各特 征指标的隶属度标准， 计算各特征指标属于各洪水过程类型的隶属度， 分别对每场次洪水 过程的所有特征指标隶属于各洪水过程类型的程度(即隶属度)求平均值， 即可获得该场次 洪水属于各洪水过程类型的隶属度， 计算式为式(1)， 隶属度最大的洪水过程类型即为该场 次洪水的模拟洪水过程类型， 计算式为式(2)； 0015 0016 Rmax(r1,rM) (2) 0017 式中： 为场次洪水某一特征指标属于某一类洪水过程类型的隶属度； r为场次洪 水属。

19、于某一洪水过程类型的隶属度， R为场次洪水最终的隶属度； N和M分别为洪水过程特征 指标总数和洪水过程类型总数； 0018 2-2-3、 比较流域各场次洪水的模拟洪水过程类型与实际洪水过程类型， 计算模拟 洪水过程类型的合格率， 如式(3)所示； 若合格率小于60， 则优化调整各洪水过程类型下 各特征指标的隶属度标准， 直至模拟洪水过程类型的合格率达到60以上， 说明书 2/8 页 5 CN 110728409 A 5 0019 0020 式中： ST为模拟洪水过程类型的合格率； K为流域洪水场次总数； Cs和Co分别为模 拟和实际洪水过程类型。 0021 进一步的， 步骤3)3-3步中定量关。

20、系如式(4)所示： 0022 FRif(p1,p2,pt) (4) 0023 式中： FRi为第i个洪水过程特征指标； p为降雨决定性因子， 共t个。 0024 进一步的， 步骤3)3-4步中， 先采用相对误差、 相关性系数、 确定系数指标评估洪水 过程特征指标与降雨决定性因子间定量关系的优劣， 若评估指标不达标， 则重新选择统计 分析方法构建上述定量关系； 再根据各场次洪水的降雨决定性因子， 由3-3步确定的降雨决 定性因子与洪水过程特征指标间的定量关系， 模拟各场次洪水过程的特征指标， 通过步骤 2)中确定的隶属度标准判断各场次洪水所属的洪水过程类型， 并与实际的洪水过程类型比 较， 进一。

21、步验证该定量关系的优劣， 若模拟洪水过程类别的合格率小于60， 则重新选择统 计分析方法构建上述定量关系。 0025 进一步的， 步骤4)中4-3步的具体过程为： 基于步骤2)确定的各洪水过程类型下各 特征指标的隶属度标准， 计算特征指标属于各洪水过程类型的隶属度， 分别对各类洪水过 程的特征指标隶属于各洪水过程类型的程度(即隶属度)求平均值， 即可获得本场洪水属于 各洪水过程类型的隶属度， 隶属度最大的洪水过程类型即为本场洪水的预报洪水过程类 型。 0026 本发明的有益效果： 0027 (1)本发明引入统计聚类手段， 快速、 高效、 准确地识别洪水过程主要类型， 能够完 整揭示流域主要的洪。

22、水过程特征及其时空分布。 0028 (2)本发明采用频率分布与隶属度评估相结合， 提出各洪水过程类别对应洪水特 征指标的取值标准以及隶属度， 为洪水过程类别预测提供了判定标准和评估方法， 该方法 简便、 合理、 客观。 0029 (3)本发明提出基于多元统计分析的降雨决定性因子和洪水过程特征指标的量化 方法， 该方法融合多种分析方法， 减少了单一方法的不确定性， 提高了预测结果的可靠性， 客观合理、 实用性强， 方便推广应用。 0030 下面结合附图及具体实施方式对本发明作进一步详细说明。 附图说明 0031 图1： 本发明洪水过程类型相似性挖掘与快速预测方法流程图； 0032 图2： 本发明。

23、确定流域主要洪水过程类型及其隶属度标准的流程示意图； 0033 图3： 本发明确定降雨决定性因子及其与洪水过程特征指标间定量关系的流程示 意图； 0034 图4： 洪水过程特征指标示意图； 0035 图5： 第一类洪水过程类型下洪水总量的频率分布。 说明书 3/8 页 6 CN 110728409 A 6 具体实施方式 0036 本发明提出了一种洪水过程类型相似性挖掘与快速预测方法， 通过统计聚类和数 据挖掘手段相结合， 不仅识别了洪水过程主要类型， 提出了洪水特征指标的分类标准及隶 属度， 而且给出了降雨因子和洪水过程特征指标的多种定量关系， 为流域洪水预报和发展 态势、 雨洪资源利用等提供。

24、了技术支撑。 0037 下面将结合本发明实施例图1、 图2、 图3， 对本发明实施例中的技术方案进行完整 地描述， 本实施例选择我国淮河流域长台关水文站。 显然， 所描述的实施例仅是本发明一部 分实施例， 而不是全部的实施例。 基于本发明中的实施例， 本领域技术人员在没有创造性劳 动前提下所获得的所有其他实施例， 都属于本发明的保护范围： 0038 步骤1)识别洪水过程主要类型及其洪水特征： 筛选反映洪水量级、 历时、 形态、 出 现时间和变率等洪水过程的特征指标， 用于刻画流域洪水过程； 收集流域多站点长序列同 时期的实测降雨和洪水资料， 根据实测洪水资料， 计算其特征指标； 利用降维和聚类。

25、等多元 统计分析方法识别流域洪水过程的主要类型及其时空分布； 并通过对比各洪水过程类型的 特征指标， 确定各洪水过程类型的情势特征。 具体实现如下： 0039 1-1、 筛选反映洪水量级、 历时、 形态、 出现时间和变率等洪水过程特征指标， 用于 刻画流域洪水过程， 本实施例根据相似性和代表性原则筛选的洪水过程特指标共9个， 如表 1和图4所示： 0040 表1洪水过程特征指标 0041 0042 注： Qsum， Qt分别为洪水场次的总量(m3/s)和单位时间的洪水量(m3/s)； Qbegin， Qend分 别为洪水开始时对应的流量(m3/s)和洪水结束时对应的流量(m3/s)； A和t分。

26、别为流域面积 (km2)和时间步长(s)； tend为洪水结束时间(小时)； 和Qav分别为洪水过程标准差(m3/s)和 平均值(m3/s)。 0043 1-2、 收集淮河长台关流域长序列同时期的67场实测降雨和洪水资料， 根据实测洪 水资料， 计算1-1步中筛选的洪水过程特征指标。 0044 1-3、 利用降维和聚类等多元统计分析方法， 确定有代表性的可解释该流域洪水过 说明书 4/8 页 7 CN 110728409 A 7 程的特征指标， 识别流域洪水过程的主要类型及其时空分布； 具体实现如下： 0045 本实施例中采用主成分分析法， 对以上9个洪水特征指标进行降维处理。 0046 具体。

27、算法如下： 0047 0048 式中， X为洪水特征指标矩阵； p是洪水特征指标的数量， 本案例p9； n是洪水场次 数， 本案例n38。 为了保证主成份因子的独立性， 设定协方差矩阵为0， 即： 0049 0050其中rij是第i个指标和j指标的相关系数， 即(i,j1,2,p)。 公式(6)中的特征值( 1, 2 p)及其特征向量ai(ai1,ai2,aip) ,i1,2p可以通过 Jacobian方法计算获得。 0051如果累积方差达到一定阈值， 则前面m个主成份可以 认为抓住所有洪水特征指标的变化。 本案例将阈值设定为80， 因此9个洪水特征指标降维 成4个有代表性的主成份因子， 累计。

28、方差贡献率为82， 能够较好的反映被解释变量的情 况。 因此， 洪水特征指标矩阵X可以降维为一个新的特征矩阵P， 即： 0052 0053式中Pi是第i主成份,即 0054 进一步， 采用层次聚类的手段对67场洪水过程分为几类代表性洪水。 聚类方法主 要采用Ward算法， 而欧氏距离(ED)则用于计算各主成份之间的相似程度， 具体算法如下： 0055 0056 式中K为聚类的数量； Nk为类别k中的特征向量数目。 GoodmanKruskal指数(GKI) (Goodman and Kruskal,1954),C指标(CI)(Hubert and Schultz,1976)和各类别中的最小 说。

29、明书 5/8 页 8 CN 110728409 A 8 洪水场次数据作为评估聚类的好坏。 其中GKI越大， CI值越小， 而且所有类别中的洪水场次 数超过两场， 则认为聚类数量是可以接受的。 本案例将67场相似洪水场次聚类为四类洪水 过程类型， 其中GKI和CI指标分别为0.59和0.19， 而且每一类型的洪水场次均不低于10场， 因此每一类洪水过程类型均具有较强的代表性。 0057 1-4、 通过对比各洪水过程类型的特征指标， 辨识流域主要洪水过程类型间的差异 性， 确定各洪水过程类型的情势特征。 0058 步骤2)确定各洪水过程类型下各特征指标的范围及隶属度标准： 根据各洪水过程 类型特征。

30、， 分析各特征指标在各洪水过程类型中的频率分布， 确定各洪水过程类型下各特 征指标的取值区间， 制定各指标在不同洪水过程类型中的隶属度标准； 根据实际洪水过程 类型验证和进一步优化各洪水过程类型下各特征指标的隶属度标准。 具体实现如下： 0059 2-1、 根据各洪水过程类型特征， 分析各特征指标在各洪水过程类型中的频率分 布， 如图5所示， 确定各洪水过程类别下各特征指标的取值区间， 制定各特征指标在不同洪 水过程类型中的隶属度标准。 具体实现如下： 0060 本实施例中将场次洪水属于不同洪水过程类型的隶属度分为四个等级， 即1.00、 0.67、 0.33和0.00， 隶属度越大， 则越接。

31、近于该类型。 如图5中1类洪水过程类型所示， R取值 区间为2030mm时， 其隶属度为1.00； R取值区间为1020mm或3060mm时， 其隶属度为 0.67； R取值区间为6090mm时， 其隶属度为0.33； 其余取值区间对应的隶属度为0。 0061 2-2、 根据实际洪水过程类型验证和进一步优化各洪水过程类型下各特征指标的 隶属度标准； 0062 2-2-1、 由实测洪水过程， 按照步骤1)确定其实际洪水过程类型； 0063 2-2-2、 基于实测洪水过程的特征指标， 按照2-1步确定的各洪水过程类型下各特 征指标的隶属度标准， 计算各特征指标属于各洪水过程类型的隶属度， 分别对每。

32、场次洪水 过程的所有特征指标隶属于各洪水过程类型的程度(即隶属度)求平均值， 即可获得该场洪 水属于各洪水过程类型的隶属度， 计算式为式(1)， 隶属度最大的洪水过程类型即为该场次 洪水的模拟洪水过程类型， 计算式为式(2)； 0064 0065 Rmax(r1,rM) (2) 0066 式中： 为场次洪水某一特征指标属于某一类洪水过程类型的隶属度； r为场次洪 水属于某一洪水过程类型的隶属度， R为场次洪水最终的隶属度； N和M分别为特征指标总数 和洪水过程类型总数。 0067 2-2-3、 比较流域各场次洪水的模拟洪水过程类型与实际洪水过程类型， 计算模拟 洪水过程类型的合格率， 若合格率。

33、小于60， 则优化调整各洪水过程类型下各特征指标的 隶属度标准， 直至模拟洪水过程类型的合格率达到60以上。 本实施例中模拟洪水过程类 型的合格率达到92， 说明制定的各洪水过程类型下各特征指标的隶属度标准可以很好地 反映洪水过程类型情况。 说明书 6/8 页 9 CN 110728409 A 9 0068 0069 式中： ST为模拟洪水过程类型的合格率； K为流域洪水场次总数； Cs和Co分别为模 拟和实际洪水过程类型。 0070 步骤3)确定降雨决定性因子及其与洪水过程特征指标间的定量关系： 参考洪水过 程特征指标， 筛选反映降水量级、 历时、 峰值、 变率等降雨特征的指标， 用于刻画流。

34、域同时期 的降雨过程； 利用实测降雨资料计算各降雨特征指标； 利用回归分析、 神经网络等统计分析 方法筛选对洪水过程特征指标敏感的降雨决定性因子， 并确定各洪水过程特征指标与降雨 决定性因子间的定量关系； 根据实际洪水过程类型验证和进一步优化降雨决定性因子与洪 水过程特征之间的定量关系。 具体实现如下： 0071 3-1、 参考洪水过程特征指标， 筛选反映降水量级、 历时、 峰值、 变率等降雨特征的 指标， 用于刻画流域同时期的降雨过程。 本实施例筛选的降雨特征指标共12个， 如表2所示： 0072 表2降雨特征指标 0073 0074 3-2、 根据流域同时期的实测降雨资料， 计算3-1步中。

35、筛选的各降雨特征指标； 0075 3-3、 利用回归分析、 神经网络等统计分析方法筛选对洪水过程特征指标敏感的降 雨决定性因子， 并确定各洪水过程特征指标与降雨决定性因子间的定量关系， 定量关系如 式(4)所示： 0076 FRif(p1,p2,pt) (4) 0077 式中： FRi为第i个洪水过程特征指标； p为降雨决定性因子， 共t个。 0078 具体实现如下： 0079 本实施例中采用神经网络-径向基函数分析了降雨决定性因子对洪水过程特征指 标的影响， 各指标的重要性如表2所示， 重要性数值越大， 相应指标对洪水过程特征指标越 敏感。 分别采用线性回归和神经网络两种统计方式， 对降雨决。

36、定性因子和洪水过程特征指 标之间的关系进行量化。 构建的线性回归量化关系如式(9)所示： 0080 FRia1p1+a2p2+atpt (9) 0081 式中， ai为拟合的线性系数； 其他参数同上。 0082 采用神经网络构建降雨决定性因子与洪水过程特征指标间的量化关系时， 相应的 参数如表3所示： 0083 表3神经网络预测洪水过程特征指标各参数 说明书 7/8 页 10 CN 110728409 A 10 0084 隐含网络层数输入层节点数最小训练速率 180.1 动态参数参数SIGMOID允许误差 0.60.90.001 0085 3-4、 采用相对误差、 相关性系数、 确定系数等指标。

37、评估洪水过程特征指标与降雨 决定性因子间定量关系的优劣， 若评估指标不达标， 则重新选择统计分析方法构建上述定 量关系。 具体实现如下： 0086 本实施例采用确定系数R2评估洪水过程特征指标与降雨决定性因子间定量关系 的优劣， 取值范围为01， 越接近1说明该模型拟合程度越好， 若R2小于0.5， 则重新选择统 计分析方法构建上述定量关系。 确定系数计算公式如式(10)所示： 0087 0088式中， Yo和Ys分别为实际和模拟洪水过程特征指标； 为实际洪水过程特征指标 平均值。 0089 根据各场次洪水的降雨决定性因子， 由3-3步确定的降雨决定性因子与洪水过程 特征指标间的定量关系， 模。

38、拟各场次洪水的特征指标， 通过步骤2)中确定的隶属度标准判 断各场次洪水所属的洪水过程类型， 并与实际的洪水过程类型比较， 进一步验证该定量关 系的优劣， 若模拟洪水过程类别的合格率小于60， 则重新选择统计分析方法构建上述定 量关系。 0090 步骤4)依据降雨预报信息预测未来洪水过程类型： 根据流域未来多源降雨预报信 息， 计算步骤3)中筛选的降雨决定性因子； 基于步骤3)构建的降雨决定性因子与洪水过程 特征指标间的定量关系， 模拟未来降雨对应场次洪水过程的特征指标； 基于步骤2)确定的 各洪水过程类型下各特征指标的隶属度标准， 预测未来的洪水过程类型。 具体实现如下： 0091 4-1、。

39、 根据流域未来多源降雨预报信息， 计算3-3步中筛选的对流域洪水过程特征 指标敏感的降雨决定性因子； 0092 4-2、 基于3-3步中构建的降雨决定性因子与洪水过程特征指标间的定量关系， 由 未来降雨决定性因子模拟未来降雨对应场次洪水过程的特征指标； 0093 4-3、 基于2-1步中确定的各洪水过程类型下各特征指标的隶属度标准， 计算各特 征指标属于各洪水过程类型的隶属度， 分别对各类洪水过程的特征指标隶属度求平均值， 即可获得本次洪水属于各洪水过程类型的隶属度， 隶属度最大的洪水过程类型即为本场洪 水的预报洪水过程类型。 说明书 8/8 页 11 CN 110728409 A 11 图1 说明书附图 1/4 页 12 CN 110728409 A 12 图2 说明书附图 2/4 页 13 CN 110728409 A 13 图3 说明书附图 3/4 页 14 CN 110728409 A 14 图4 图5 说明书附图 4/4 页 15 CN 110728409 A 15 。