本发明专利技术提供了一种无水文资料地区中小流域不同重现期洪水降雨阈值模型创建方法，方法包括以下步骤：步骤1、流域数据库建立；步骤2、模型输入输出确定；步骤3、创建模型样本数据集；步骤4、模型网络构建；步骤5、样本训练集和测试集划分；步骤6、模型训练；步骤7、模型测试和评价；步骤8、最优模型。针对无水文资料地区的中小流域，应用传统水文方法估算致洪临界面雨量阈值难度大的问题，提出一种无水文资料地区中小流域不同重现期洪水降雨量阈值模型创建方法，为无资料地区中小流域水文预报提供了行之有效的技术方法。行之有效的技术方法。行之有效的技术方法。
【技术实现步骤摘要】
无水文资料地区中小流域洪水降雨量阈值模型创建方法
[0001]本专利技术涉及洪水降雨量阈值模型创建方法，尤其涉及无水文资料地区中小流域不同重现期洪水降雨量阈值模型创建方法。
技术介绍
[0002]洪涝灾害是我国最主要的气象灾害之一。洪水监测预报预警是防洪减灾重要的非工程措施。洪水致灾临界面雨量阈值是洪水灾害监测预警的重要指标，中小河流由于水文站点分布密度低，常常缺乏足够的水文信息和数据，而这些地区又往往是各地开展防洪避洪工作的重点对象。
[0003]目前对于洪水预报中确定洪水致灾临界面雨量阈值的方法主要用参数化的方法对流域建立以物理机制或者物理概念为基础的传统水文模型，但模型操作难度大，参数调整复杂，对于水文资料匮乏的中小流域，水文模型的应用更加困难。同时，中小流域的气象水文、地形高程、土地利用类型、植被类型等条件复杂多样，导致流域的产汇流过程也复杂多样，传统水文模型不再能满足目前水文预报的发展需求。随着科学信息的进步获取数据的方式逐渐多样化，基于数据驱动技术的水文过程模拟和预测方法也日益得到发展。
[0004]对于利用传统方法估算无水文资料地区中小流域洪水致灾面雨量阈值困难或误差较大的问题，利用深度学习技术可以更好地考虑流域的降水和下垫面特征的空间变异性，考虑植被、土壤等关联因子，比较准确的估算中小河流洪水致灾临界面雨量阈值。
技术实现思路
[0005]本专利技术的目的在于提出了一种无水文资料地区中小流域不同重现期洪水降雨阈值模型创建方法，可用于估算无水文资料地区中小流域不同重现期洪水致灾临界面雨量阈值。
[0006]为实现上述目的，本专利技术采用了如下技术方案：
[0007]本专利技术提供了一种无水文资料地区中小流域不同重现期洪水降雨量阈值模型创建方法，依次包括如下步骤：
[0008]步骤1、流域数据库建立：获取无水文资料地区流域的降雨量栅格数据集、不同等级子流域栅格数据、不同重现期洪水降雨量阈值数据和下垫面数据；所述不同等级子流域栅格数据集是用ArcGIS的水文分析工具箱，基于流域三级、四级、五级流域的河网汇流累积量阈值分别得到三种不同等级流域对应的子流域栅格数据集。
[0009]步骤2、模型输入输出确定：模型的输入为流域的下垫面特征包括6种因子数字高程模型DEM数据、坡度数据、坡向数据、土地利用数据、归一化植被指数和温度植被干旱指数作为的流域的特征变量X，输出为不同等级子流域各重现期洪水降雨量阈值作为目标变量Y。
[0010]步骤3、创建模型样本数据集：模型的输入为流域的下垫面特征，输出为不同等级子流域各重现期洪水降雨量阈值，对流域的样本数据集进行标准化处理后进行样本采集；
[0011]步骤4、样本训练集和测试集划分：将采集的样本数据集划分为训练集和测试集；
[0012]步骤5、模型网络构建：基于卷积神经网络Squeeze Net构建流域不同重现期洪水降雨量阈值预测模型；
[0013]步骤6、模型训练：用训练数据集训练模型得到模型参数，建立不同重现期洪水降雨量阈值预测模型；
[0014]步骤7、模型测试和评价：将测试样本输入训练后的模型，计算评价指标评价测试模型的精度；
[0015]步骤8、最优模型：根据模型评价指标，修改模型参数，通过反复训练和测试，得到流域不同重现期致洪临界面雨量模拟的最优深度学习模型。
[0016]进一步的，步骤1中，所述不同等级子流域栅格数据集是用ArcGIS的水文分析工具箱，基于流域数字高程模型，输入流域三级、四级、五级流域的河网汇流累积量阈值分别得到三种不同等级流域对应的子流域栅格数据集。
[0017]进一步的，步骤1中，所述流域不同重现期洪水降雨量阈值数据是使用GIS Flood Tool工具以流域数字高程模型和降雨量栅格数据为基础数据，通过水文分析和区域回归方程估算流域对应三种不同等级子流域的不同重现期洪水降雨量阈值数据集。
[0018]进一步的，步骤2中，所述流域下垫面数据包括流域数字高程模型DEM数据、坡度数据、坡向数据、土地利用类型数据、Landset8 OLI遥感数据，其中土地利用类型数据转化为土地利用程度，在ENVI5.3中基于Landset8 OLI数据计算得到流域的归一化植被指数NDVT和温度植被干旱指数TVDI分别来代表流域植被覆盖和土壤湿度的情况。
[0019]进一步的，步骤3中，首先对流域的6种不同因子X进行标准化处理到0
‑
100之间。然后基于流域标准化处理后的6种不同因子X、不同等级子流域栅格数据B和不同重现期洪水降雨量阈值数据Y,通过程序进行样本采集。
[0020]进一步的，步骤3中，实现三种样本采集方式：整体采样、相同流域的多重现期随机采样、不同流域的多重现期随机采样。
[0021]进一步的，步骤3中，所述样本数据集包括三种样本采集方式得到的数据集，每种采样形式下都包括单流域—单重现期、单流域—多重现期、多流域—单重现期、多流域—多重现期四种组合情况。
[0022]进一步的，步骤5中，所述构建模型采用卷积神经网络Squeeze Net构建模型，包含输入层、隐含层和输出层，所述的隐含层包括卷积层、池化层、全连接层、Softmax层、分类层，修改了网络的输入层和首个卷积层通过识别样本图像行列数作为输入网络的行列数，以确保输入层的输入大小和通道数可以根据输入图像特征进行自定义，使得首个卷积层通道数与图像波段数保持一致，并修改全连接层、Softmax层和分类层，使得全连接层输出大小为1，将Softmax层与分类层用回归层代替，然后将训练样本输入模型进行反复迭代，获得训练模型。
[0023]进一步的，步骤6中，所述模型参数包括：最大世代数、学习率、最小批量数、求解器。
[0024]进一步的，步骤7中，所述模型评价指标包括：均方根误差、相对偏差、平均绝对误差、相关系数四种指标。
[0025]本专利技术的有益效果为：基于ArcGIS和深度学习技术，提出一种无水文资料地区中
小流域不同重现期洪水降雨量阈值模型创建方法，可以更好地考虑中小流域的降水和下垫面特征的空间变异性，考虑植被、土壤等关联因子，比较准确的估算中小河流洪水致灾临界面雨量阈值。
[0026](1)本专利技术利用深度学习技术提取流域下垫面特征，综合考虑植被、土壤、土地利用程度等关联因子对不同重现期洪水降雨量阈值的影响。
[0027](2)本专利技术利用深度学习技术可以解决无资料地区中小流域数量多，数据处理速度慢和处理过程复杂等问题。
附图说明
[0028]图1：本专利技术模型创建流程图。
具体实施方式
[0029]下面结合附图对本专利技术作更进一步说明：
[0030]如图1所示，本专利技术包括如下步骤：
[0031](1)流域数据库建立：
[0032]获取无水文资料地区流域的降雨量栅格数据集、不同等级子流域栅格数据、不同重现期洪水降雨量阈值数据和下垫面数据。其中降雨量栅格数据集和下垫面数据本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种无水文资料地区中小流域洪水降雨量阈值模型创建方法，其特征在于包括以下步骤：步骤1、流域数据库建立：获取无水文资料地区流域的降雨量栅格数据集、不同等级子流域栅格数据、不同重现期洪水降雨量阈值数据和下垫面数据；步骤2、模型输入输出确定：模型的输入为流域的下垫面特征包括6种因子数字高程模型DEM数据、坡度数据、坡向数据、土地利用数据、归一化植被指数和温度植被干旱指数作为的流域的特征变量X，输出为不同等级子流域各重现期洪水降雨量阈值作为目标变量Y。步骤3、创建模型样本数据集：模型的输入为流域的下垫面特征，输出为不同等级子流域各重现期洪水降雨量阈值，对流域的样本数据集进行标准化处理后进行样本采集；步骤4、样本训练集和测试集划分：将采集的样本数据集划分为训练集和测试集；步骤5、模型网络构建：基于卷积神经网络Squeeze Net构建流域不同重现期洪水降雨量阈值预测模型；步骤6、模型训练：用训练数据集训练模型得到模型参数，建立不同重现期洪水降雨量阈值预测模型；步骤7、模型测试和评价：将测试样本输入训练后的模型，计算评价指标评价测试模型的精度；步骤8、最优模型：根据模型评价指标，修改模型参数，通过反复训练和测试，得到流域不同重现期致洪临界面雨量模拟的最优深度学习模型。2.根据权利要求1所述的一种无水文资料地区中小流域洪水降雨量阈值模型创建方法，其特征在于：步骤1中，所述不同等级子流域栅格数据集是用ArcGIS的水文分析工具箱，基于流域数字高程模型，输入流域三级、四级、五级流域的河网汇流累积量阈值分别得到三种不同等级流域对应的子流域栅格数据集。3.根据权利要求1所述的一种无水文资料地区中小流域洪水降雨量阈值模型创建方法，其特征在于：步骤1中，所述流域不同重现期洪水降雨量阈值数据是使用GIS Flood Tool工具以流域数字高程模型和降雨量栅格数据为基础数据，通过水文分析和区域回归方程估算流域对应三种不同等级子流域的不同重现期洪水降雨量阈值数据集。4.根据权利要求1所述的一种无水文资料地区中小流域洪水降雨量阈值模型创建方法，其特征在于：步骤2中，所述流域下垫面数据包括流域数字高程模型DEM数据、坡度数据、坡向数据、土地利用类型数据、Landset8 OLI遥感数据，其...
【专利技术属性】
技术研发人员：王毅勇，张金瑕，张翀，成爱芳，周超凡，
申请(专利权)人：宝鸡文理学院，
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。