【技术实现步骤摘要】
基于图像特征和深度学习的相似场次降雨模式库构建方法
[0001]本专利技术涉及水文气象和图像处理技术，具体涉及一种基于图像特征和深度学习的相似场次降雨模式库构建方法。
技术介绍
[0002]暴雨洪水演变过程中各阶段间的规律，通常在历史场次暴雨洪水资料中以时空相似性模式和关联规则等形式重复出现。暴雨洪水的时空相似性规律发现对未来暴雨洪水过程的预测及防洪决策具有十分重要的借鉴价值：一方面，经过多年的水文观测与不断积累，各级水文部门已经形成了大量丰富的一手水雨情历史资料，为时空相似模式和关联规则挖掘提供了坚实的数据支撑；另一方面，大数据分析能力和机器学习、深度学习技术的发展，为历史暴雨洪水过程分级归类、历史相似暴雨洪水过程挖掘等应用提供新的技术手段和算力支撑。
[0003]降雨是产生洪水的一个重大因素，在进行评估洪水风险的时候，降雨的相似性评价是一个重要依据。在降雨的相似性方面，也有一些研究，但是这些方法基本上是从降雨的时间序列数据出发，而且研究方法相对匮乏。
[0004]例如王雍君等[王雍君，朱继鹏.淮河中游降雨...
【技术保护点】
【技术特征摘要】
1.一种基于图像特征和深度学习的相似场次降雨模式库构建方法，其特征在于：包括以下步骤：步骤S1、采集研究流域对应的历史时段日降雨量图像数据，设置单日降雨总量阈值，采用滑动窗口对历史降雨图像数据集进行分割，得到研究时段内所有场次降雨过程；步骤S2、分别定义场次降雨过程的降雨持续天数N、累积降雨量SP、降雨时间分布TD、降雨空间分布SD以及降雨中心运动轨迹C
m
特征，然后采用不同方法提取场次降雨过程的上述五个特征，并存入场次降雨过程特征数据库；步骤S3、分别使用SIM
N
、SIM
SP
、SIM
TD
、SIM
SD
和SIM
C
来表征不同场次降雨过程的降雨持续天数N、累积降雨量SP、降雨时间分布TD、降雨空间分布SD以及降雨中心运动轨迹C
m
五个特征间的相似度，以此度量场次降雨过程不同特征间的相似性；步骤S4、采用多指标加权融合方法对上述步骤S3中提取的降雨持续天数相似度SIM
N
、累积降雨量相似度SIM
SP
、日降雨量分布相似度SIM
TD
、降雨空间分布相似度SIM
SD
以及降雨中心运动轨迹相似度SIM
C
进行融合，使用基于混沌Tent映射的多族群灰狼优化算法IGWO获得最优权重系数，得到多特征融合的场次降雨之间的相似性度量方法；具体过程如下：步骤S4.1、将步骤S3中所得降雨持续天数相似度SIM
N
、累积降雨量相似度SIM
SP
、日降雨量分布相似度SIM
TD
、降雨空间分布相似度SIM
SD
、降雨中心运动轨迹相似度SIM
C
进行多元特征融合，最终得到场次降雨之间的融合相似度SIM；步骤S4.2、使用基于混沌Tent映射的多族群灰狼优化算法IGWO确定多元特征融合中的五个特征指标的权重系数ω
1~
ω5：首先从历史场次降雨数据中选取一部分作为样本集，剩余的部分作为对照集，通过使用IGWO动态调整权重系数，使得最终的搜索结果接近人为标注的结果；步骤S4.3、初始化权重系数ω
1~
ω5、灰狼α、β、 的位置以及整个灰狼群的位置；引入基于混沌Tent映射初始化整个灰狼群的位置；并引入多领导机制提高种群的多样性；步骤S4.4、使用归一化折损累计增益指标NDCG作为评估指标计算全部灰狼适应度；步骤S4.5、更新权重系数ω
1~
ω5、灰狼α、β、的位置以及灰狼群的位置；步骤S4.6、判断是否达到最大迭代数，如果没有达到最大迭代数，重复步骤S4.4至步骤S4.6，如果已经达到最大迭代数，输出最优的权重系数；并以最优权重系数对应的相似度作为最优特征融合相似性度判定相似场次降雨过程；步骤S5、基于最优特征融合相似性度量，从历史库中搜索并输出不同类别的相似场次降雨过程；并根据相似场次降雨过程对应的特征信息，构建相似降雨模式库。2.根据权利要求1所述的基于图像特征和深度学习的相似场次降雨模式库构建方法，其特征在于：所述步骤S1的详细过程为：步骤S1.1、对日降雨量图像进行规格化处理、冗余信息预处理，然后根据研究流域的子流域划分情况、降雨量等级划分标准及其在降雨图像中对应的颜色特征表示方法，采用加权颜色直方图技术提取降雨图像中各子流域(Basin1, Basin
2,
…
Basin
M
)包含的不同颜色类别及每类颜色对应的像素点数量；
M是子流域的数量，K是不同降雨等级对应的颜色类别总数；步骤S1.2 采用公式(1)计算日降雨图像中各子流域对应的日降雨量：
ꢀꢀꢀꢀꢀꢀꢀꢀ
式(1)上式中，1≤i≤M，1≤j≤K；则日降雨图像的单日降雨量P表示为其M个子流域(Basin1, Basin
2,
…
Basin
M
)的降雨量之和，如式(2)：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式(2)步骤S1.3、设置单日降雨阈值δ1，将日降雨量值P小于单日降雨阈值δ1的日期定为无雨期，具体过程为：步骤S1.3.1、以步长Step=1的滑动窗口技术遍历日降雨量图像序列，将历史降雨图像中第1个单日降雨总量P1超过δ1的降雨日定义为场次降雨过程Proc1的第1天；然后判定第2天的单日降雨总量情况；步骤S1.3.2、若第2天的单日降雨总量P2大于δ1，则将第2日并入场次降雨过程Proc1，并继续判断第3天的降雨情况是否并入场次降雨过程Proc1；步骤S1.3.3、若第2天的单日降雨总量P2小于或等于δ1，则接着判断第3天的单日降雨总量P3，若第3天单日降雨总量P3小于等于δ1，则场次降雨过程Proc1划分结束；否则将第2天和第3天加入到降雨过程Proc1；假设数据集的长度为L,直至碰到第l、l+1连续2日的单日降雨总量P
l
、P
l+1
小于等于δ1，则场次降雨过程Proc1划分结束；l＜L；步骤S1.3.4、上一个场次降雨过程Proc
d
且d≥1划分结束后，重新将其后第1个单日降雨总量超过δ1的降雨日定义为第d+1个场次降雨过程Proc
d+1
的第1天，然后采用上述步骤S1.3.1~步骤S1.3.3判断该场次降雨过程包含的降雨天数；直至遍历完日降雨量图像序列，并得到最终的场次降雨过程Proc1~Proc
w
；w是历史降雨图像中的总降雨场次，1≤d≤w。3.根据权利要求1所述的基于图像特征和深度学习的相似场次降雨模式库构建方法，其特征在于：所述步骤S2中场次降雨特征指标的提取方法如下：步骤S2.1、降雨持续天数是指第d场次降雨过程Proc
d
的总降雨天数，用N
d
表示，1≤d≤w，w历史降雨图像中的总降雨场次，通过计算该场次降雨过程中包含的降雨量图像数量得到N
d
；步骤S2.2、场次降雨总量SP是指第d场次降雨过程Proc
d
中的所有单日降雨量累积之和；设该第d场次降雨过程的持续天数为N
d
，则该场次降雨总量如式(3)：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式(3)其中P
dk
示第d场次降雨过程Proc
d
第k日的单日降雨量，1≤k≤N
d
；步骤S2.3、场次降雨过程的日降雨时间分布TD是指在场次降雨过程Proc
d
中每日的降雨量大小，具体提取方法为：假设第d场次降雨过程的降雨持续天数为N
d
，该场次降雨过程中第k日的日降雨量为P
dk
，则第d场次降雨过程的日降雨量时间分布TD
d
形式化表示为向量[P
d1
,P
d2
,
…
,P
dNd
]；步骤S2.4、场次降雨过程的降雨空间分布TD是指在场次降雨过程Proc
d
中，降落在各子
流域(Basin1, Basin
2,
…
Basin
M
)的降雨量信息；具体提取方法为：假设第d场次降雨过程的降雨持续天数为N
d
，第d场次降雨过程第k日的日降雨量P
dk
表示为其M个子流域 (Basin1, Basin
2,
…
Basin
M
)的降雨量之和；则第d场次降雨过程中子流域Basin
i
的累积降雨量SP
Bsni
由公式(4)计算得到：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式(4)上式中1≤i≤M，则第d场次降雨过程的降雨空间分布SD
d
形式化表示为向量[SP
dBsn1
, SP
dBsn2
,
…
SP
dBsnM
]：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ...
【专利技术属性】
技术研发人员：余宇峰，贺新固，万定生，朱跃龙，魏睿，杨志勇，
申请(专利权)人：河海大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。