[发明专利]一种基于机器学习的适用于径流资料缺乏流域的洪水预报方法

权利要求书

1.一种基于机器学习的适用于径流资料缺乏流域的洪水预报方法，其特征在于：包括以下步骤：

1)样本流域特征提取与参数化：根据我国气候分区，选取位于同一分区内的有径流资料流域作为样本流域；收集各样本流域的DEM、土地利用、土壤类型以及植被覆盖数据，对流域特征进行提取并参数化；

2)流域洪水响应特性洪水响应特性分析：2-1.收集待分析流域径流、降雨数据并进行处理，获得等时段流域出口流量时间序列数据和等时段流域面雨量时间序列数据保存至数据库中，并使用流域编码进行标识；2-2.读取各流域面雨量时间序列及各流域出口流量时间序列，并划分为独立的场次降雨及独立的场次洪水；2-3.将场次降雨与场次洪水进行匹配关联，依次寻找洪水序列所关联的降雨事件，筛选掉无法找到关联事件的场次洪水事件，得到元素一一关联的降雨事件集合与洪水事件集合；2-4.生成降雨事件相似性矩阵，矩阵大小为(n×n)，n为降雨事件个数，矩阵的元素(i，j)为降雨事件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；2-5.基于降雨相似性矩阵搜索洪水事件并分析相似性：设定距离阈值Th_dis，遍历搜索降雨事件相似性矩阵中的每个元素，若元素(i，j)小于距离阈值Th_dis，认为降雨事件i与降雨事件j相似；寻找集合中与降雨事件i所关联的洪水事件i以及降雨事件j所关联的洪水事件j，计算关联洪水事件i与洪水事件j的DTW距离，设定距离阈值Th_dis′，若洪水事件的DTW距离小于阈值Th_dis′，认为洪水事件i与洪水事件j相似；查询洪水事件i与洪水事件j所发生流域的流域编码；完成遍历搜索计算，并记录各降雨、洪水事件的关联流域编码及相似性；2-6.生成流域相似性评价矩阵，矩阵大小为(N×N)，N为流域个数，该矩阵元素(i，j)表示流域i与流域j的相似度；通过该矩阵元素判断流域间的相似性并为相似的流域生成相同的洪水响应特性标记；

3)生成流域样本集合：流域样本集合包括两个部分：各流域特征向量集合及洪水响应特性标记向量；流域特征向量集合的元素为步骤1)中提取的流域特征值向量，洪水响应特性标记向量的元素为步骤2)中根据流域洪水响应特性分析得到的相似性标记；根据流域样本个数N设定值n，从流域样本集合中随机抽取n个样本作为验证集，其余N-n个样本作为训练集；

4)基于流域特征样本集合生成分类树：以训练集为基础，采用贪心策略，自顶而下构建流域洪水响应特性分类树；使用子树序列中各分类树分别对验证集进行分类预测，选取误报率最小的子树作为最优子树，以T_B表示；

5)基于树节点生成训练数据集：设步骤4)中生成的最优分类树T_B的叶子节点个数为N_B，搜索每一个节点内所包含的流域编码，根据此编码查询步骤2)2-3步中生成的降雨事件集合与洪水事件集合中属于该流域的降雨、洪水事件，将位于同一叶子节点的样本流域的降雨、洪水事件合并，成为一个训练数据集，N_B个节点即得到N_B个训练数据集；

6)基于分类树与数据驱动模型的洪水预报：对于新增流域的洪水预报，需进行该流域的流域特征提取并参数化，利用提取的流域特征生成特征向量，将特征向量输入至步骤4)中生成的分类树T_B，得到次流域所归属的叶子节点；若该流域有可用的降雨、洪水数据，则按照步骤2)中的方法进行场次划分，将划分的场次降雨、洪水加入到该叶子节点的训练数据集中，对训练数据集进行更新，利用更新后的数据集训练数据驱动模型；若该流域无可用的降雨、洪水数据，则利用该叶子节点已有的训练数据集训练数据驱动模型，以此实现对径流资料缺乏流域的洪水预报；

7)对分类树及训练集的更新：当新增流域超过生成当前分类树所采用的样本流域数量的10％时，则需要对分类树进行更新，重复步骤4)的工作，生成新的分类树及叶子节点训练数据集。

2.根据权利要求1所述的基于机器学习的适用于径流资料缺乏流域的洪水预报方法，其特征在于：步骤2)2-3步中关联匹配方法为：以场次洪水的开始时间为基准向前后延伸，设定时间窗口，若降雨事件的质心落入窗口中，则认为降雨事件与洪水事件为关联事件，视为一次雨洪事件。