一种基于历史洪水学习的KNN实时校正方法技术

本发明专利技术公开了一种基于历史洪水学习的KNN实时校正方法，包括：选出与当前预报洪水总雨量或降雨强度分布在设定范围内的历史洪水；选出与当前洪水降雨中心位置在设定范围内的历史洪水；选出与当前洪水前期土壤含水量在设定范围内的历史洪水；设置一个流量比例系数，用于判断当前洪水处于涨洪或是退水阶段，利用KNN‑H方法匹配到历史洪水的相同阶段，并对历史洪水该阶段水文模型的预报值与实测值误差值进行重点学习通过匹配近邻样本，估计出水文模型的预报误差值并计算得到校正后的预报值。本发明专利技术的方法通过对历史洪水预报误差进行学习，有效提高了KNN实时校正方法对于洪水预报值的校正精度，为防洪决策提供依据。

【技术实现步骤摘要】
一种基于历史洪水学习的KNN实时校正方法
本专利技术涉及一种基于历史洪水学习的KNN实时校正方法，属于水文

技术介绍
实时校正是实时洪水预报系统中的重要组成部分，校正能力的强弱对洪水预报精度有直接影响。在洪水预报中，由于输入资料、模型结构及参数、模型状态变量等都与实际存在误差，因此水文模型预报结果不可避免会存在误差。实时校正的目的是通过对比历史预报与实测资料，判断出预报误差的来源和大小，在实时洪水预报中及时对输入资料、模型参数、状态变量或预报结果作出调整，提高洪水预报精度。最初，实时校正方法的实现是通过预报员手工修正预报值，随着计算机技术的发展和算法的进步，实时校正方法逐渐实现自动化、智能化。常用于水文预报实时校正的方法有误差自回归、人工神经网络、卡尔曼滤波、集合卡尔曼滤波等。K-最近邻(K-NearestNeighbor,KNN)实时校正法是一种利用概率统计原理进行自主学习的方法，该方法在历史资料中选择k个与当前校正样本最相似的历史样本，通过学习历史预报误差，判断出当前预报值的误差大小。KNN方法在机器学习、天气预报等领域已本文档来自技高网...

【技术保护点】
1.一种基于历史洪水学习的KNN实时校正方法，其特征在于，包括以下步骤：/n步骤1、选出与当前预报洪水总雨量或降雨强度分布在设定范围内的历史洪水；/n步骤2、选出与当前洪水降雨中心位置在设定范围内的历史洪水；/n步骤3、选出与当前洪水前期土壤含水量在设定范围内的历史洪水；/n步骤4、设置一个流量比例系数c，用于判断当前洪水处于涨洪或是退水阶段，利用KNN-H方法匹配到历史洪水的相同阶段，并对历史洪水该阶段水文模型的预报值与实测值误差值进行重点学习；/n步骤5、通过匹配近邻样本，估计出水文模型的预报误差并计算得到校正后的水文模型预报值。/n

【技术特征摘要】
1.一种基于历史洪水学习的KNN实时校正方法，其特征在于，包括以下步骤：
步骤1、选出与当前预报洪水总雨量或降雨强度分布在设定范围内的历史洪水；
步骤2、选出与当前洪水降雨中心位置在设定范围内的历史洪水；
步骤3、选出与当前洪水前期土壤含水量在设定范围内的历史洪水；
步骤4、设置一个流量比例系数c，用于判断当前洪水处于涨洪或是退水阶段，利用KNN-H方法匹配到历史洪水的相同阶段，并对历史洪水该阶段水文模型的预报值与实测值误差值进行重点学习；
步骤5、通过匹配近邻样本，估计出水文模型的预报误差并计算得到校正后的水文模型预报值。


2.根据权利要求1所述基于历史洪水学习的KNN实时校正方法，其特征在于，所述步骤1中选出历史洪水，包括：
步骤1.1、在湿润或半湿润地区选择与当前洪水总雨量在设定范围内的历史洪水，设置一个雨量相对误差值作为判断的标准；
步骤1.2、在干旱或半干旱地区选择与当前洪水降雨强度在设定范围内的历史洪水，设置一个雨强相对误差值作为判断的标准。


3.根据权利要求1所述基于历史洪水学习的KNN实时校正方法，其特征在于，所述步骤2中选出历史洪水，包括：
步骤2.1、通过流域DEM资料计算出当前洪水与历史洪水的降雨中心到流域出口断面的汇流路径长度；
步骤2.2、设置一个汇流路径长度相对误差值作为判断标准，选出符合判断标准的历史洪水。


4.根据权利要求1所述基于历史洪水学习的KNN实时校正方法，其特征在于，所述步骤3中选出历史洪水，包括：
步骤3.1、比较当前洪水前期土壤含水量与历史洪水的前期土壤含水量值，以相对误差不超过设定值作为判断标准，选出符合判断标准的历史洪水。


5.根据权利要求1所述基于历史洪水学习的KNN实时校正方法，其特征在于，所述步骤4中对历史洪水的相同阶段水文模型的预报值与实测值误差进行重点学习，包括以下步骤：
步骤4.1、计算流量比例系数c：



其中，Qs为水文模型预报值；c为当前时刻与前一时刻...

【专利技术属性】
技术研发人员：李致家，霍文博，刘志雨，姚成，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32