[发明专利]基于泊松回归和空间滤值的洪水预警分析方法及系统

说明书

本发明提出一种基于泊松回归和空间滤值的洪水预警分析方法及系统，包括对一定流域内的水文站点的历史观测数据进行洪水预警事件的频次统计；选取流域内的致灾因子和孕灾因子数据，对水文站点坐标点构建泰森多边形得到空间，进行特征值和特征向量分解；在满足空间自相关的显著性检验的情况下，进行前向选择回归，建立基于空间滤值的泊松回归模型；将筛选的特征向量作为自变量和致灾、孕灾因子一起加入到泊松回归模型中，构建基于空间滤值的洪水警戒事件频次泊松回归模型，支持实现洪水警戒事件频次的拟合预测。本发明可以解决现有技术拟合精度较低的缺陷，用于全流域各站点的洪涝溃堤溃坝的风险预测。

技术领域

本发明属于水文统计分析和空间统计分析范畴，使用泊松回归和空间滤值方法来分析实现水文站洪水预警。

背景技术

洪水引发的溃堤溃坝事件在历史上造成了极大的人民生命和财产损失，是常见的自然灾害之一。洪涝灾害的风险性评价这一块主要是基于统计学方法来进行研究。定性的方法主要是主要有采用专家观点或者数据驱动的方法对各因子或准则进行加权，比如多准则层次分析法、模糊层次分析法和监督式机器学习方法。许多学者先后使用空间多准则的(模糊)层次分析法试图对洞庭湖区域的洪涝灾害风险性和脆弱性进行建模(Yamei Wanget al.,2011，参见文献1,；Yun Chen et al.,2015，参见文献2)。层次分析法因为是定性或者半定性方法而天然具有主观性。监督式机器学习方法因为较少的主观知识介入而单纯从样本数据得到权重，相对真实可信。国内外学者(NektariosKourgialas et al.,2017，参见文献3；KhabatKhosravi et al.,2018，参见文献4；XianzheTang et al.,2018，参见文献5)使用人工神经网络、决策树、加权贝叶斯等方法进行监督式学习，并给出各个因子的影响权重排序。这些模型都因为较为简单、对数据精度要求不高而得到较为广泛的应用。定量的研究方法主要是基于对致灾因子、孕灾因子和洪水事件因果关系的数值表达，主要包括水文学和水力学模型，用来探索洪水淹没路径和高风险区域，但是它们都需要高精度的水文监测数据和复杂的计算。与其他发展中国家情况类似，在中国在洪涝灾害风险评估方面的统计数据通常十分缺乏。水文站点通常将水位高于警戒水位看作是一次洪水警戒事件，这种水位实时监测对洪涝灾害的预防起到至关重要的作用，而水文站网的布设也是水利事业的基础。在洪水预警事件发生较多的地方往往需要增加水文站的建设或者弥补空缺的水文站，曹炜(2015，参见文献6)采用灰色模型来进行水文站选址方法的研究，在这一块的研究目前还属于相对较少，亟待定量监督式的研究方法来给出合理的解释分析。另外，随着气候降雨模式的变化、地表径流和下垫面条件的相对变化，使得很多年前建设的不少水文站已经失去了往日的监测功能需要重新评价和规划。洪水警戒事件对于每个水文站来说属于极端异常事件，而在一定时期多次频发的洪水警戒事件更是一种极其异常的事件，而泊松回归在对低概率事件进行多准则因子建模时比传统的线性模型要好很多，因为那些低概率事件的累积发生频次更符合泊松分布的概率分布曲线。

地理学第一定律指出，地理事物或者属性在空间分布上通常互为相关，常常会呈现空间集聚、随机分散或者规则排列等特点，各种自然社会现象也经常是各个区域相互影响的结果，距离越近相关性越强。在普通泊松回归或者负二项回归模型中因变量或者因变量残差还存在较强的空间自相关影响，通过计算自变量或者自变量的残差的Moran’sIndex作为衡量指标，这就导致了模型的误判。