[发明专利]一种基于机器学习的平原河网地区洪水过程预报方法

说明书

本发明公开了一种基于机器学习的平原河网地区洪水过程预报方法，该方法包括利用预报目标站点历史面降雨子过程数据和相应的历史洪水子过程数据，构建包括起涨点先验判定模型、洪峰水位回归模型和峰现历时回归模型的洪水过程预报模型；并基于预报目标站点实时和预报面降雨子过程数据和相应的实时水位子过程数据，利用起涨点先验判定模型，获得计算起涨点，利用洪峰水位回归模型和峰现历时回归模型，预报目标站点洪峰水位和峰现历时，实现目标站点洪水上涨过程的预报。本发明具有操作简单、建模速度快，计算效率高，预测精度高等优点，能够实现准确有效的洪水预测，有助于洪水防御决策。

技术领域

本发明涉及洪水过程预报技术领域，具体涉及一种基于机器学习的平原河网地区洪水过程预报方法。

背景技术

随着全球气候变暖，我国受洪涝灾害的威胁日益严峻。为了防御洪水，我国已形成了一套防洪工程体系，除此之外，非工程措施也日益完善。洪水过程预报是重要的非工程措施之一，基于洪水预报结果，可事先控制水利工程(水库、闸坝)的泄洪、拦洪、削减洪峰，与下游洪水错峰等，可为防洪决策提供重要依据。

洪水预报的预见期是以上游洪水向下游传播时间或由降雨形成洪水过程的滞后时间为依据的，大中河流域的预见期较长，一般在2天以上，小流域或区间的洪水预见期相对小一些，约3～6个小时。在防洪斗争中时间就是生命，能多争取1～2个小时，可大大降低或避免伤亡，是提高防汛减灾能力和效果的重要基础。

传统的洪水预报方法，主要是依据上游已经出现的水文情况或地区降雨，基于流域和河道内的流体力学和水量平衡原理，构建水文或水动力学模型，借助土壤、地貌、河网的特性进行产流和汇流演算，计算出下游断面的水位、流量过程(包括洪峰、总量)。这种基于模型的洪水预报方法，对于缺乏用于率定模型参数的资料地区，需移植临近相似区域的模型参数，但存在主观性强、不确定性高等问题。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于机器学习的平原河网地区洪水过程预报方法。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于机器学习的平原河网地区洪水过程预报方法，包括以下步骤：

获取预报目标站点及周边降雨监测站点的历史、实时、预报降雨过程数据，并采用反距离权重插值算法计算预报目标站点的历史、实时、预报面降雨过程数据；将实时面降雨过程数据和预报面降雨过程数据进行拼接，生成实时和预报面降雨过程数据；

采用连续无降雨划分方法，将历史面降雨过程数据、实时和预报面降雨过程数据，划分为历史面降雨子过程数据、实时和预报面降雨子过程数据；

利用预报目标站点的历史面降雨子过程数据和相应的历史洪水子过程数据，构建包括起涨点先验判定模型、洪峰水位回归模型和峰现历时回归模型的洪水过程预报模型；

利用起涨点先验判定模型，基于预报目标站点的实时和预报面降雨子过程数据和相应的实时水位子过程数据，识别起涨点并修正得到计算起涨点；

利用洪峰水位回归模型，预报目标站点的洪峰水位；

利用峰现历时回归模型，识别实时和预报面降雨子过程数据中的主降雨过程数据，预报目标站点的峰现历时；

以计算起涨点为起始时刻，基于预报目标站点的预报洪峰水位和峰现历时、计算起涨点后的实时水位数据，计算预报目标站点的预报洪水上涨过程。

进一步地，所述采用连续无降雨划分方法，将历史面降雨过程数据、实时和预报面降雨过程数据，划分为历史面降雨子过程数据、实时和预报面降雨子过程数据具体包括：

将历史面降雨过程数据、实时和预报面降雨过程数据中连续24小时无降雨作为划分条件；