基于多维度的暴雨洪水相似过程判定方法

技术领域

本发明涉及水文预报领域，特别涉及一种基于多维度的暴雨洪水相似过程判定方法。

背景技术

洪水预报预测是防洪工程措施的重要组成部分。目前，基于暴雨洪水知识相似性分析的预报方法有很多，如主成分分析法、灰色关联分析法、相关系数法和加权距离系数法等。尽管大量关于降雨相似分析模型的研究已经开展，但目前相似性方法只是根据某一维的相似进行判断，不够全面。为此，本文提出了一种基于时间、空间维度和水文状态综合的暴雨洪水相似过程判定方法，它具有从多个维度考虑相似性的优点，极大的提高相似性查找的准确性。

发明内容

本发明所要解决的技术问题是提供一种基于多维度的暴雨洪水相似过程判定方法，考虑暴雨洪水多个维度的水文特征，提高相似查找的准确率。

为解决上述技术问题，本发明所采用的技术方案是：一种基于多维度的暴雨洪水相似过程判定方法，包括如下步骤：

S1、收集已知流域的暴雨洪水数据，并根据水文学原理划分场次；

S2、划分出数据集中的历史查找样本和测试样本；

S3、构建水文状态相似计算模型，获取历史查找样本的水文状态相似度；

S4、以水文状态相似为基准，构建孪生网络提取图像特征开展时间维度和空间维度相似分析，得到历史查找样本在时间维度和空间维度的相似度；

S5、基于Lasso回归进行多维度相似度的线性拟合，计算水文状态相似度、时间维度相似度和空间维度相似度的权重参数；

S6、基于拟合的权重参数，融合水文状态相似、时间维度相似和空间维度相似构建场次降雨的多维度相似过程查找模型；

S7、查找历史相似暴雨洪水场次。

优选的方案中，所述步骤S1包括如下步骤：

S101、收集已知流域的场次降雨径流数据；

S102、以统一降雨径流的时间步长为要求划分场次，划分场次要保证大、中、小场次过程尽量分布均值。

优选的方案中，所述步骤S2中，按照一定比例将数据集划分为历史查找样本和测试样本。

优选的方案中，所述S3包括如下步骤：

S301、随机在测试样本中指定一个样本；

S302、将指定的测试样本输入到程序，使用归一化将各项特征数据转换到一定数值范围内，假设X

其中，j表示某一项水文特征，i表示某一项特征的某一个数值，X

S303、将指定的测试样本C与每一个历史查找样本L的同一特征的值进行相减，返回计算结果绝对值

S304、计算每项水文特征与洪峰的相关系数w

S305、将S304中历史查找样本按相似度从小到大排序，选取最相似的数个样本。

优选的方案中，所述S4中包括如下步骤：

S401、将S305中查找的结果场次样本作为时间、空间维度的历史相似基准，再查找其与测试样本的时间维度和空间维度相似度；

S402、以降雨量为横坐标轴，降雨时间为纵坐标绘出各个场次的柱状图；

S403、提取降雨观测区域的经纬度和其观测的降雨量，绘出各个场次的色斑图；

S404、对柱状图和色斑图分别进行裁剪，对裁剪的图像进行数据增强，将图像数据集扩展；

S405、以ResNet152模型为图像特征提取器，其中每个残差块表示为：

y

x

其中，F为残差函数，f为ReLU函数，ω

h(x

残差函数F(x

F(x

其中，B(x

S406、构建ResNet152模型并迁移学习在ImageNet数据集上已经训练好的权重，在此基础上分别使用S404中的柱状图和色斑图数据集进行训练并更新保存模型参数，分别作为查找时间维度和空间维度相似度的特征提取权重参数；

S407、建立孪生网络相似性分析框架，分别载入S406中的模型参数，输入历史查找样本和测试样本对应柱状图或色斑图，计算由ResNet152模型提取的特征向量间欧氏距离，作为S401中历史相似基准的历史查找样本和测试样本在时间维度和空间维度的相似度，其中欧氏距离D

其中，D

优选的方案中，所述S5包括如下步骤：

S501、将S2划分的历史查找样本中随机选取部分样本作为线性拟合的训练样本，未选样本作为训练样本的历史查找样本；

S502、计算训练样本与历史查找样本的洪峰参数绝对差值并作为因变量y，历史查找样本对应训练样本的水文状态相似度、时间维度相似度和空间维度相似度作为自变量(x

y＝w

其中，b表示回归常数，w

优选的方案中，所述步骤S6中，基于S502得到的权重参数，将多维相似度与对应的权重系数相乘再求和，得到融合相似度S

S

其中，S

优选的方案中，所述步骤S7中，按照融合相似度大小依次排列历史查找样本，得到融合相似度最小的样本，作为最相似历史暴雨洪水场次。

本发明提供的一种基于多维度的暴雨洪水相似过程判定方法，具有以下有益效果：

1、本发明创造性的基于状态之间的相关性来挖掘场次降雨间的水文相似性，可以更加高效查找水文状态特征最相似的历史场次，查找过程具有可解释性高的优势。

2、本发明利用高层数的ResNet152模型作为图像特征提取网络，基于ResNet152模型并构建孪生网络来计算具备场次降雨时间和空间维度特征的图像相似度，深度挖掘每个历史场次与预测场次之间存在的时间维度特征和空间维度特征的相似度。

3、本发明基于Lasso回归多元线性拟合的方法，可以在权衡模型拟合数据和模型复杂度之间找到一个平衡点，生成一个更简化的模型，并将多维相似度作为自变量，对应场的洪峰预测绝对误差作为因变量，有效的分析出多维相似度在预测精准性的权重分布，得到多维相似度各自的权重参数。

4、本发明更全面考虑的暴雨洪水的多个水文特征，基于多元线性回归融合场次降雨的水文状态特征、时间维度特征和空间维度特征，查找在融合相似度上最相似历史相似暴雨洪水场次，可以有效的提高相似查找的准确率。

附图说明

下面结合附图和实施例对本发明作进一步说明：

图1是本发明的流程图；

图2是计算水文状态相似度的结果；

图3是计算时间维度和空间维度相似度的结果；

图4是基于柱状图的时间维度上查找的最相似暴雨洪水场次的柱状图对比；

图5是基于色斑图的空间维度上查找的最相似暴雨洪水场次的色斑图对比；

图6是融合水文状态相似、时间维度相似和空间维度相似的查找结果。

具体实施方式

结合图1～图5对本发明具体实施方式进一步详细说明。

如图1所示，一种基于多维度的暴雨洪水相似过程判定方法，包括如下步骤：

S1、收集已知流域的暴雨洪水数据，并根据水文学原理划分场次。

具体包括如下步骤：

S101、收集三峡区间的场次降雨径流数据，包括累计雨量、降雨历时、最大48小时降雨、万三累积雨量、前10天降雨量、起涨流量和最大洪峰等特征数据及其对应的时间。

S102、以统一降雨径流的时间步长为要求划分场次，划分场次要保证大、中、小场次过程尽量分布均匀，统一暴雨洪水的时间步长，用户可自定为1小时、3小时、6小时……等，最后划分得到262场场次降雨径流。

S2、划分出数据集中的历史查找样本和测试样本。

考虑到降雨等气象现象具有时间上连续性和关联性，划分测试样本时，选取数据集样本一端的小部分样本作为测试样本，其他部分则作为历史查找样本，本例按照8：2比例划分，选取第211至262场场次作为测试样本，前210场场次则为历史查找样本。

S3、根据构建的状态相似模型开展水文状态相似分析，获取历史场次的水文状态相似度，如图2所示。

具体包括如下步骤：

S301、随机在测试样本中指定样本为260场场次降雨径流，基于洪峰形成的水文原理，提取每一场次的累积雨量、降雨历时、最大48小时降雨、万三累计雨量、前10天降雨量和起涨流量作为水文状态特征。

S302、将指定的测试样本输入到程序，使用归一化将各项特征数据转换到一定数值范围内，假设X

其中，j表示某一项水文特征，i表示某一项特征的某一个数值，X

S303、将指定的260场测试样本与每一个历史查找样本L(L＝1～210)在对应位置的特征数据

S304、计算每项水文特征与洪峰的相关系数w

表1每项水文特征与洪峰的相关系数

逐一将历史查找样本每项水文特征的差值

S305、将S304中历史查找样本按相似度从小到大排序，选取最相似的5个样本。

S4、以水文状态相似为基准，构建孪生网络提取图像特征开展时间维度和空间维度相似分析，得到历史查找样本在时间维度和空间维度的相似度，如图3所示。

具体包括如下步骤：

S401、将S305结果5个样本场次作为时间、空间维度的历史相似基准，查找这5个历史查找样本与测试样本的时间维度和空间维度相似度。

S402、提取三峡区间降雨场次的开始时间、结束时间和降雨量，以降雨量为横坐标轴，降雨历时为纵坐标绘出262个降雨径流场次的柱状图。

S403、提取三峡区间降雨观测区域的经度、纬度和其观测的降雨量，绘出262个降雨径流场次色斑图。

S404、对柱状图和色斑图分别进行裁剪并统一图像分辨率为790×490，对裁剪的图像进行模糊和加噪声的方式数据增强，将图像数据集扩展为原来的三倍。

S405、以ResNet152模型为图像特征提取器，其中每个残差块表示为：

y

x

其中，F为残差函数，f为ReLU函数，ω

h(x

残差函数F(x

F(x

其中，B(x

S406、构建ResNet152模型并迁移学习在ImageNet数据集上已经训练好的权重，在此基础上分别使用S404中的柱状图和色斑图数据集进行训练并更新保存模型参数，分别作为查找时间维度和空间维度相似度的特征提取权重参数。

S407、建立孪生网络相似性分析框架，分别载入S406中的模型参数，输入历史查找样本和测试样本对应柱状图或色斑图，计算由ResNet152模型提取的特征向量间欧氏距离，作为S401中历史相似基准的历史查找样本和测试样本在时间维度和空间维度的相似度，其中欧氏距离D

其中，D

S408、分别将在时间维度和空间维度上最相似的历史查找样本与测试样本进行对比，直观查看相似查找效果，如图4和图5所示。

S5、基于Lasso回归进行多维度相似度的线性拟合，计算水文状态相似度、时间维度相似度和空间维度相似度的权重参数。

具体包括如下步骤：

S501、将S2划分的历史查找样本中随机选取20个样本作为线性拟合的训练样本，未选样本作为训练样本的历史查找样本，查找所有历史查找样本对应每个训练样本的水文状态相似度、时间维度相似度和空间相似度，选取每个训练样本中水文状态最相似的前5个历史查找样本，累计得到一共100个训练数据。

S502、在100个训练数据中随机选取50个数据，计算数据中训练样本与历史查找样本的洪峰参数绝对差值并作为因变量y，历史查找样本对应训练样本的水文状态相似度、时间维度相似度和空间维度相似度作为自变量(x

y＝7595.1x

S6、基于拟合的权重参数，融合水文状态相似、时间维度相似和空间维度相似构建场次降雨的多维度相似过程查找模型，计算得到的融合相似度如图6所示。

基于S502得到的权重参数，将多维相似度与对应的权重系数相乘再求和，得到融合相似度S

S

其中，S

S7、查找历史相似暴雨洪水场次。

按照融合相似度大小依次排列历史查找样本，得到融合相似度最小的样本为13，将第13场场次降雨径流作为第260场场次降雨径流最相似的历史暴雨洪水场次。