[发明专利]一种基于机器学习的局地降雨雨型分析方法

说明书

本发明公开了一种基于机器学习的局地降雨雨型分析方法，包括以下步骤：1）数据的收集、处理与保存；2）降雨事件的自动提取；3）生成局地降雨样本集合；4）基于GPU加速的降雨事件聚类分析；5）对生成的聚类树进行分析获得代表性雨型。本发明通过采集流域站点观测数据，自动提取降雨事件，进而采用机器学习方法分析最具代表性的降雨过程作为局地降雨代表性雨型，能够极大的节省人为分析的工作量，避免了主观判断带来的差异，同时分析结果更加具有区域的针对性，可以为山洪临界雨量的分析以及城市内涝数值模拟提供有力支撑。

技术领域

本发明属于水利工程技术领域，尤其涉及防洪预报技术领域，具体为一种基于机器学习的局地降雨雨型分析方法。

背景技术

近年来我国极端暴雨事件频发，局地暴雨突发性强、时效短，是山洪及城市内涝的主要诱发因素。对于局地暴雨，除雨量、雨强外，雨型作为对暴雨过程的描述，表现了暴雨强度在时间尺度上的分配，是暴雨事件的主要致灾特征之一，即便具有相同的雨量及雨强，不同雨型的暴雨过程，致灾性截然不同。

由于山丘区暴雨洪水过程陡涨陡落，难以实时预报，目前主要采用动态临界雨量的方法进行山洪预警。同时，我国城镇化快速发展且大多数城市采用的防洪排涝标准较低，内涝灾害频繁，目前通常采用数值模拟的方式对暴雨内涝进行影响评估。已有研究表明，暴雨雨型对山洪灾害临界雨量的确定以及城市内涝积水的最大范围和最大深度的确定有直接影响。

目前在进行山洪临界雨量确定和城市内涝数值模拟时，局地暴雨雨型主要采取同频率分析法计算或采用设计雨型，常用的设计雨型有芝加哥雨型、Huff雨型、Pilgrim雨型、YenChow雨型等。其中同频率方法需要人为干预比较多，由于专家经验不同导致的选样不同、理解不同，结果往往带有主观性。芝加哥雨型、Huff雨型、YenChow雨型等各种设计雨型均为外国学者根据某区域暴雨样本概化设计得到，与实际降雨过程存在一定差距，且目前还没有一种公认的雨型作为设计的依据，由于各地的暴雨产生机制存在差异，选取的设计雨型并不一定具有代表性。

发明内容

本发明的目的在于针对此问题，提出一种局地降雨雨型分析方法。

一种基于机器学习的局地降雨雨型分析方法，包括以下步骤：

1)数据的收集、处理与保存：收集待分析流域内的水文、气象站点的降雨数据并进行等时段处理；

2)降雨事件的自动提取：依次读取数据库中各站点的连续降雨时间序列，并将其划分为独立的场次降雨，生成多个场次的降雨时间序列；

3)生成局地降雨样本集合：利用步骤2)中提取的多个场次的降雨时间序列生成样本集合，该样本集合的元素为独立的降雨事件且经过标准化处理，集合中元素的个数与降雨场次相同；根据每个降雨事件持续时间的不同将该样本集合划分为多个子集；

4)基于GPU加速的降雨事件聚类分析：基于步骤3)生成的样本集合的各子集进行聚类分析，生成若干聚类树，聚类分析的具体步骤为：4-1.生成初始簇：将子集中的每一个元素作为一个初始簇；4-2.计算距离矩阵：矩阵大小为(N×N)，N为该子集中包含的降雨事件个数，矩阵的元素(i,j)为i簇与j簇的距离度量，表示降雨事件i与降雨事件j的相似度，使用DTW距离作为相似性度量标准，距离越小则相似性越强；采用GPU并行计算对该矩阵的计算进行加速；4-3.基于步骤4-2中的距离矩阵对簇进行合并，找出距离最近的两个簇进行合并，将聚类簇重新编号，并计算新簇与其他各簇的距离，更新距离矩阵；4-4.重复步骤4-3直至所有的聚类簇合并为一个簇，由此生成一棵聚类树；4-5.重复步骤4-2～4-4，使基于样本集合中每个子集均生成一棵对应的聚类树；