【技术实现步骤摘要】
一种基于降雨滞后效应的机器学习水位预测特征构造方法
[0001]本专利技术涉及机器学习
,特别是一种基于降雨滞后效应的机器学习水位预测特征构造方法。
技术介绍
[0002]我国的中小流域分布广泛、数量众多,水文地质、气象环境复杂,由于强降水及流域地形险峻造成的突发性洪灾,破坏力强、危险性大,并常伴随泥石流出现,给人民的生活和财产安全造成很大的危害。
[0003]流域的地形、降雨、土壤、植被等自然因素,是影响洪灾预测准确性的重要因素,随着全球气候的异常变化,百年一遇的洪灾频现,传统的洪水预测机理模型针对降雨、汇流、下渗、蒸散发等洪水产生的物理过程进行建模,这些模型依赖于超过十种关键参数的设置,就是对于专业人士,这些关键参数的率定也是一个耗时耗力的工作,对于某些参数,人们还难以写出它的数学表达式,并且机理模型是经过理想化的简化的,影响到模型的模拟效果,并不能对洪水的出现进行准确预测,这会造成在洪涝灾害期间出现各类自然灾害事故。
[0004]雨水落到地表后流入河流的时间与下列因素有关:流域形状(影响集水距离)、坡度(影响流速)、植被覆盖率(下渗、流速)。流域如果是面积较大而地势低平且植被覆盖率高的,滞后性就很明显;流域狭长、坡度大、植被覆盖率低则洪峰会提早到达。土壤本身的透水性相对还是次要的,这个问题可以这样来解释:湿润的土壤植被覆盖率高,所以滞后性明显;沙质土壤易产生水土流失,植被覆盖率低,洪峰到达较早。
[0005]目前,以机器学习为技术支撑的数据驱动模型发展速度极快,基于海量的历史水文数 ...
【技术保护点】
【技术特征摘要】
1.一种基于降雨滞后效应的机器学习水位预测特征构造方法,其特征在于,在时间维度上,通过将降雨量数据往前移动的方法,并通过相关系数的计算,来决定降雨量数据往后移动的时间长度,从而构造降雨量滞后效应的机器学习水位预测特征;具体包括降雨量滞后特征构造、降雨量滞后特征数据处理、雨量序列数据与上下游水位数据的相关系数及特征选择。2.根据权利要求1所述的一种基于降雨滞后效应的机器学习水位预测特征构造方法,其特征在于,降雨量滞后特征构造具体为:流域基本水位序列W
u
、W
d
保持不动,将r
T(1)
序列整体往后移动1个时间单位,得到r
T(2)
序列,依此类推,得到r
T(N)
序列;
时间r
T(1)
r
T(2)
r
T(3)
r
T(4)
r
T(5)
rT
(6)
r
T(7)
r
T(8)
r
T(9)
r
T(10)
(上游)水位x(下游)水位yt1aw
u
(1)w
d
(1)t2baw
u
(2)w
d
(2)t3cbaw
u
(3)w
d
(3)t4dcbaw
u
(4)w
d
(4)t5edcbaw
u
(5)w
d
(5)t6fedcbaw
u
(6)w
d
(6)t7gfedcbaw
u
(7)w
d
(7)t8hgfedcbaw
u
(8)w
d
(8)t9ihgfedcbaw
u
(9)W
d
(9)t10jihgfedcbaw
u
(10)w
d
(10)t11kjihgfedcbw
u
(11)w
d
(11)t...lkjihgfedcw
u
(...)w
d
(...)tnmlkjihgfedw
u
(n)w
d
(n)
物理含义:在t1时刻的雨量a,由于自然因素,会对t2,t3,...,tn时刻的上游监测点的水位产生滞后的影响,降雨量对水位的影响具有滞后性和持续性特点,由此构造出r
T(1)
...r
T(N)
特征。3.根据权利要求1所述的一种基于降雨滞后效应的机器学习水位预测特征构造方法,其特征在于,降雨量滞后特征数据处理具体为:假设现在有三组数据:R
t
、W
u
和W
d
,R
t
(r
【专利技术属性】
技术研发人员:马森标,李思恩,黄祖海,陈友武,陈惠祥,
申请(专利权)人:福建中锐汉鼎数字科技有限公司,
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。