[发明专利]一种基于QR-BC-ELM的洪涝灾害预测预警方法

说明书

本发明公开了一种基于QR‑BC‑ELM的洪涝灾害预测预警方法，涉及洪涝预警技术领域，考虑多种洪水成因，基于极限学习机与地理信息系统建立洪水模型，以模拟黄河流域洪水易发区，并验证极限学习机相对于人工神经网络的效率与精度优势。本发明提供的改进极限学习模型的学习速度是人工神经网络的32倍，是传统极限学习模型的1.2倍。而且，所提出的正交三角分解极限学习模型和满秩分解极限学习模型的噪音处理能力都要大大优于人工神经网络，BC‑ELM和QR‑ELM在预测精度与预测效率方面具有很大的优势，是洪水预报模型较为合适的选择。

技术领域

本发明涉及洪涝预警技术领域，特别涉及一种基于QR-BC-ELM的洪涝灾害预测预警方法。

背景技术

如今，洪水灾害治理已经迈向智能时代，特别是数据科学的发展给专家供了及时、准确与丰富的灾害信息及决策支持。当前形式下，以智能算法为主导的洪水模型已经取得了相当大的进展，类似聚类分析，协同过滤，回归预测等方案都被广泛的应用到洪水模型中。以神经网络为主导的智能算法被广泛的应用在水文预报中，相对于传统方案而更加具有科学性，信息性，时效性，准确性。聚类分析，协同过滤等思想更是打破了高纬度大数据下内存消耗高，计算复杂的问题，给洪水预报中特征提取，风险等级划定提供了科学的支持。随着智能算法的发展，如今已经迈入了深度学习时代，深度学习以其极强的表现力已经为了洪水模型中十分广泛的应用工具，使得洪水模型更加具有表现力，精度相对与传统智能算法也有了相当程度的提高。

洪水灾害一直都以复杂的时序特征而存在，而面对洪水这种极具破坏力的自然灾害，这就必然要求洪水模型必须具有精度高，实效性强等特点。基于传统方案的洪水模型存在着主观因素干预，特征反应片面，预测精度低，计算复杂等问题。

本发明针对现有模型存在的问题，立足于计算机智能算法，构建精确、稳定、高效的洪水预测预警方法，在深入研究现存算法的工作原理与核心思想的基础上，指出现有算法的不足，并根据洪水监测参数的分布特征，提出新的基于智能计算方法的洪水预测预警方案，成功应用于洪涝预测预警中。

发明内容

本发明的目的在于提供一种基于QR-BC-ELM的洪涝灾害预测预警方法，立足于计算机智能算法，构建精确、稳定、高效的洪水预测预警方法，根据洪水监测参数的分布特征，提出新的基于智能计算方法的洪水预测预警方案，成功应用于洪涝预测预警中。

本发明提供了一种基于QR-BC-ELM的洪涝灾害预测预警方法，包括以下步骤：

S1：基于主成因分析，提取多因素指标；

S2：构建洪水灾害风险评价体系；

S3：改进极限学习模型，构建QR分解极限学习模型和BC分解极限学习模型，将BC分解极限学习模型与地理信息系统相结合建立洪水模型，模拟洪水易发区；

S4：将多因素指标的特征工程提取后，以时序数据的形式输入到改进极限学习模型中进行各个指标对洪水的贡献程度的计算，基于改进极限学习模型得出洪水预测结果与分析；

S5：根据风险等级进行洪水风险分级预警与分析。

进一步地，所述步骤S1中的所述多因素指标包括两个准则层和三个指标层内共49个计算指标。

进一步地，所述步骤S2的风险评价体系评价步骤包括：

S201：采集不同水文站的最大为期三天的降水量、地形湿度指数、河流功率指数和归一化植被指数作为模型的输入，获得不同水文站之间的关联程度；

S202：根据自变观测站的指标变化情况预测因变观测站的水位变化情况；

S203：非时序数据以各自变站点的数字高程模型、土壤质地指数、坡度指数和土地利用模式作为模型的输入，以因变站点的相同指标作为输出，计算高度关联点的指标特征；