CN118259377B - 一种暴雨雨型识别方法、装置、电子设备及存储介质 - Google Patents
一种暴雨雨型识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN118259377B CN118259377B CN202410693649.XA CN202410693649A CN118259377B CN 118259377 B CN118259377 B CN 118259377B CN 202410693649 A CN202410693649 A CN 202410693649A CN 118259377 B CN118259377 B CN 118259377B
- Authority
- CN
- China
- Prior art keywords
- rainfall
- information
- diffusion
- converted
- amount
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000009792 diffusion process Methods 0.000 claims abstract description 109
- 238000004088 simulation Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 230000007423 decrease Effects 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 230000002265 prevention Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Environmental & Geological Engineering (AREA)
- Biodiversity & Conservation Biology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Environmental Sciences (AREA)
- Health & Medical Sciences (AREA)
- Ecology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种暴雨雨型识别方法、装置、电子设备及存储介质，该方法包括：将待测区域原始降雨量分别转化到预设的时间序列上，得到每场历史暴雨事件在时间序列中各个时间子段对应的转化降雨量；根据所有转化降雨量对任一参考降雨量的扩散信息量，计算得到各个参考降雨量的扩散信息总量；根据参考降雨量的扩散信息总量和参考降雨量，计算得到各个参考降雨量的超越信息量；扩散信息总量和超越信息量用于确定重现期在时间序列的第一分布关系；第一分布关系用于构建暴雨雨型，对待测区域进行风险管理模拟。本申请通过考虑暴雨信息的扩散，克服历史暴雨事件不足的问题，能够得到更加准确的暴雨雨型，为城市内涝灾害模拟和暴雨灾害防范提供技术支撑。
Description
技术领域
本申请涉及雨型识别技术领域，具体而言，涉及一种暴雨雨型识别方法、装置、电子设备及存储介质。
背景技术
暴雨灾害容易诱发城市内涝、山体滑坡及泥石流等地质灾害。暴雨过程的降雨特征对暴雨致灾危险性有重要影响。一方面，暴雨降雨量、暴雨历时、暴雨过程的降雨强度影响了暴雨致灾后果。长历时大量降雨可能引发山洪地质灾害，短时强降雨也容易诱发城市内涝等灾害。另一方面，暴雨雨型也是影响暴雨致灾后果的另一重要因素。所谓暴雨雨型是指降雨量在不同降雨历时内在时间尺度上的分配过程，也就是暴雨强度随时间演变曲线，暴雨雨型设计是城市内涝模拟的基础依据，影响应急措施制定和工程控制设计。
目前国内外学者在暴雨雨型识别方面已开展了许多探索工作，研发了多种暴雨雨型识别技术和方法，这些研究整体可以归纳为五类：1）通过主观判断；2）芝加哥雨型，通过采用降雨强度—持续时间-频率（IDF）关系以及假定的时间模式；3）PC法，通过相对排名的无级序平均；4）Huff法，将降雨历时划分为四等分，根据最大雨强发生的时间将雨型分为四类；5）Yen and Chow法，采用三角型对雨型进行概化，从而确定设计雨型的时程分配比例。由于每个暴雨事件的降雨雨型都是独特的，单次暴雨过程显然无法客观表现研究区域暴雨雨量随时间的分配过程，因而可以使用综合合成的暴雨雨型进行水系统设计和分析。然而目前对于综合暴雨雨型的研究尚有不足。目前多采用的暴雨雨型多是基于1957年Keifer和Chu提出针对于短历时降雨的芝加哥雨型。由于实际中暴雨过程并不局限于短历时降雨，因而得到雨型结果是有局限性的。暴雨发生频率较低，在很多地区为小概率事件，暴雨历史小样本问题为雨型曲线的综合合成带来诸多困难，然而目前的研究中并未考虑进行暴雨雨型曲线综合时样本量不足问题，为此，本申请提出采用信息分配技术克服暴雨超越概率计算时样本量影响，该方法同时适用于样本量不足及样本量充足情况。
发明内容
有鉴于此，本申请的目的在于提供一种暴雨雨型识别方法、装置、电子设备及存储介质，以克服现有技术中的问题。
第一方面，本申请实施例提供了一种暴雨雨型识别方法，所述方法包括：
根据降雨历时，将待测区域各场历史暴雨事件的原始降雨量分别转化到预设的时间序列上，得到每场历史暴雨事件在所述时间序列中各个时间子段对应的转化降雨量；其中，所述时间子段还对应设置一参考降雨量；
根据所有所述转化降雨量对任一所述参考降雨量的扩散信息量，计算得到各个所述参考降雨量的扩散信息总量；
根据所述参考降雨量的扩散信息总量和所述参考降雨量，计算得到各个所述参考降雨量的超越信息量；其中，所述超越信息量表征大于等于该参考降雨量的其他参考降雨量的扩散信息总量之和；所述扩散信息总量和所述超越信息量用于确定重现期在所述时间序列的第一分布关系；
从所述第一分布关系中确定出任一目标重现期对应的目标降雨量；其中，所述目标降雨量在所述时间序列的分布用于构建暴雨雨型，对所述待测区域进行风险管理模拟。
在本申请一些技术方案中，上述根据降雨历时，将待测区域历史暴雨事件的原始降雨量转化到预设的时间序列上，得到所述时间序列中各个时间子段对应的转化降雨量，包括：
根据所述时间序列包括的时间间隔对各个所述历史暴雨事件的降雨历时进行划分，并将各个时间间隔对应的降雨量作为各个时间子段对应的转化降雨量。
在本申请一些技术方案中，上述方法还包括：
在所述降雨历时的划分结果少于所述时间子段时，根据已对应有转化降雨量的时间子段对未对应有转化降雨量的时间子段进行补充。
在本申请一些技术方案中，上述方法通过以下方式计算各个所述转化降雨量对所述参考降雨量的扩散信息量：
根据所述转化降雨量与所述参考降雨量之间的差值和预设的扩散半径，确定所述转化降雨量与所述参考降雨量之间的扩散关系；
将所述转化降雨量与所述参考降雨量代入到所述扩散关系中，得到所述转化降雨量对所述参考降雨量的扩散信息量。
在本申请一些技术方案中，在所述转化降雨量与所述参考降雨量之间的差值小于等于所述扩散半径的时候，随着所述转化降雨量与所述参考降雨量之间的差值增大，所述扩散信息量减小；在所述转化降雨量与所述参考降雨量之间的差值大于所述扩散半径的时候，所述扩散信息量为零。
在本申请一些技术方案中，上述扩散信息总量和所述超越信息量用于确定重现期在所述时间序列的第一分布关系，包括：
根据所述扩散信息总量和所述超越信息量，确定出各个所述参考降雨量的超越概率；
根据所述超越概率与所述重现期的对应关系，对所述各个参考降雨量的超越概率进行换算，得到各个所述参考降雨量的重现期；
根据各个所述参考降雨量对应的时间子段，确定所述重现期在所述时间序列的第一分布关系。
在本申请一些技术方案中，上述方法通过以下方式识别出待测区域的历史暴雨事件：
对待测区域的目标历史天气数据进行筛选，确定出目标降雨事件；
根据预设的暴雨筛选要求，从目标降雨事件中筛选出历史暴雨事件。
第二方面，本申请实施例提供了一种暴雨雨型识别的装置，所述装置包括：
转化模块，用于根据降雨历时，将待测区域各场历史暴雨事件的原始降雨量分别转化到预设的时间序列上，得到每场历史暴雨事件在所述时间序列中各个时间子段对应的转化降雨量；其中，所述时间子段还对应设置一参考降雨量；
第一计算模块，用于根据所有所述转化降雨量对任一所述参考降雨量的扩散信息量，计算得到各个所述参考降雨量的扩散信息总量；
第二计算模块，用于根据所述参考降雨量的扩散信息总量和所述参考降雨量，计算得到各个所述参考降雨量的超越信息量；其中，所述超越信息量表征大于等于该参考降雨量的其他参考降雨量的扩散信息总量之和；所述扩散信息总量和所述超越信息量用于确定重现期在所述时间序列的第一分布关系；
模拟模块，用于从所述第一分布关系中确定出任一目标重现期对应的目标降雨量；其中，所述目标降雨量在所述时间序列的分布用于构建暴雨雨型，对所述待测区域进行风险管理模拟。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的暴雨雨型识别方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述的暴雨雨型识别方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请方法包括根据降雨历时，将待测区域各场历史暴雨事件的原始降雨量分别转化到预设的时间序列上，得到每场历史暴雨事件在所述时间序列中各个时间子段对应的转化降雨量；其中，所述时间子段还对应设置一参考降雨量；根据所有所述转化降雨量对任一所述参考降雨量的扩散信息量，计算得到各个所述参考降雨量的扩散信息总量；根据所述参考降雨量的扩散信息总量和所述参考降雨量，计算得到各个所述参考降雨量的超越信息量；其中，所述超越信息量表征大于等于该参考降雨量的其他参考降雨量的扩散信息总量之和；所述扩散信息总量和所述超越信息量用于确定重现期在所述时间序列的第一分布关系；从所述第一分布关系中确定出任一目标重现期对应的目标降雨量；其中，所述目标降雨量在所述时间序列的分布用于构建暴雨雨型，对所述待测区域进行风险管理模拟。本申请通过考虑暴雨信息的扩散，克服了历史暴雨事件不足的问题，能够得到更加准确的暴雨雨型，为城市内涝灾害模拟和暴雨灾害防范提供技术支撑。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍， 应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种暴雨雨型识别方法的流程示意图；
图2示出了本申请实施例所提供的一种降雨过程示意图；
图3本申请实施例所提供的一种重现期与降雨量对应关系示意图；
图4示出了本申请实施例所提供的一种暴雨雨型示意图；
图5示出了本申请实施例所提供的一种暴雨雨型识别装置示意图；
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其他的特征。
暴雨灾害容易诱发城市内涝、山体滑坡及泥石流等地质灾害。暴雨过程的降雨特征对暴雨致灾危险性有重要影响。一方面，暴雨降雨量、暴雨历时、暴雨过程的降雨强度影响了暴雨致灾后果。长历时大量降雨可能引发山洪地质灾害，短时强降雨也容易诱发城市内涝等灾害。另一方面，暴雨雨型也是影响暴雨致灾后果的另一重要因素。所谓暴雨雨型是指降雨量在不同降雨历时内在时间尺度上的分配过程，也就是暴雨强度随时间演变曲线，暴雨雨型设计是城市内涝模拟的基础依据，影响应急措施制定和工程控制设计。
目前国内外学者在暴雨雨型识别方面已开展了许多探索工作，研发了多种暴雨雨型识别技术和方法，这些研究整体可以归纳为五类：1）通过主观判断；2）芝加哥雨型，通过采用降雨强度—持续时间-频率（IDF）关系以及假定的时间模式；3）PC法，通过相对排名的无级序平均；4）Huff法，将降雨历时划分为四等分，根据最大雨强发生的时间将雨型分为四类；5）Yen and Chow法，采用三角型对雨型进行概化，从而确定设计雨型的时程分配比例。暴雨发生频率较低，在很多地区为小概率事件，暴雨历史小样本问题为雨型曲线的综合合成带来诸多困难，然而目前的研究中并未考虑进行暴雨雨型曲线综合时样本量不足问题，为此，本研究提出采用信息分配技术克服暴雨超越概率计算时样本量影响，该分布同时适用于样本量不足及样本量充足情况。
由于每个暴雨事件的降雨雨型都是独特的，单次暴雨过程显然无法客观表现研究区域暴雨雨量随时间的分配过程，因而可以使用综合合成的暴雨雨型进行水系统设计和分析。然而目前对于综合暴雨雨型的研究尚有不足。目前国内城市多采用的暴雨雨型多是基于1957年Keifer和Chu提出针对于短历时降雨的芝加哥雨型。由于实际中暴雨过程并不局限于短历时降雨，因而得到雨型结果是有局限性的。
基于此，本申请实施例提供了一种暴雨雨型识别方法、装置、电子设备及存储介质，采用信息扩散技术解决暴雨综合雨型曲线计算中的小样本问题。下面通过实施例进行描述。
图1示出了本申请实施例所提供的一种暴雨雨型识别方法的流程示意图，其中，该方法包括步骤S101-S104；具体的：
S101、根据降雨历时，将待测区域各场历史暴雨事件的原始降雨量分别转化到预设的时间序列上，得到每场历史暴雨事件在所述时间序列中各个时间子段对应的转化降雨量；其中，所述时间子段还对应设置一参考降雨量；
S102、根据所有所述转化降雨量对任一所述参考降雨量的扩散信息量，计算得到各个所述参考降雨量的扩散信息总量；
S103、根据所述参考降雨量的扩散信息总量和所述参考降雨量，计算得到各个所述参考降雨量的超越信息量；其中，所述超越信息量表征大于等于该参考降雨量的其他参考降雨量的扩散信息总量之和；所述扩散信息总量和所述超越信息量用于确定重现期在所述时间序列的第一分布关系；
S104、从所述第一分布关系中确定出任一目标重现期对应的目标降雨量；其中，所述目标降雨量在所述时间序列的分布用于构建暴雨雨型，对所述待测区域进行风险管理模拟。
本申请通过考虑暴雨信息的扩散，克服了历史暴雨事件不足的问题，能够得到更加准确的暴雨雨型，为城市内涝灾害模拟和暴雨灾害防范提供技术支撑。
下面对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
本申请实施例通过对待测区域的目标历史天气数据进行分析，得到暴雨雨型，基于暴雨雨型对该待测区域进行风险管理模拟。这里的待测区域为指定的某个区域或某个观测点，例如待测区域为某个城市等。在确定好待测区域后，本申请实施例需要获取该待测区域的目标历史天气数据。为了得到目标历史天气数据，本申请实施例先获取所述待测区域的初始历史天气数据；其中，所述初始历史天气数据包括多个第一单位时间内的历史天气数据；这里的初始历史天气数据可以通过监测仪器监测得到，例如雨量监测器等。具体的初始历史天气数据可以使用降雨量表示，降雨量为0时表示晴天，降雨量不为0时表示雨天等。对所述初始历史天气数据进行整合得到待检历史天气数据；其中，所述待检历史天气数据包括多个第二单位时间内的历史天气数据，所述第二单位时间大于所述第一单位时间；对所述待检历史天气数据进行异常排查，得到所述目标历史天气数据。
在具体实施时，这里的第一单位时间一般选择为一分钟，第二单位时间一般选择为五分钟，也可以根据实际需要选择其他时间如三分钟、十分钟等。即本申请实施例基于逐1分钟的降雨数据（初始历史天气数据），进行5分钟降雨累积（待检历史天气数据），对逐5分钟降雨数据进行质控，剔除5分钟累积雨量的奇异值，之后得到目标历史天气数据。
在得到了目标历史天气数据之后，本申请实施例要从目标历史天气数据中识别出历史暴雨事件。在进行历史暴雨事件识别时，为了提高识别效率，本申请实施例先识别出了目标降雨事件，然后再对目标降雨事件进行识别，得到历史暴雨事件。
在识别目标降雨事件时，本申请实施例预先识别出了初始降雨事件，然后对初始降雨事件进行合并之后，得到目标降雨事件。对于初始降雨事件的识别为将目标历史天气数据与预设的降雨要求进行对比，满足降雨要求时，识别为初始降雨事件。这里的降雨事件要求可以为预设时间段内达到预设的降雨量阈值。例如，连续2小时雨量大于0.1mm。在识别出初始降雨事件之后，本申请实施例还对初始降雨事件进行了合并，合并的依据为两次初始降雨事件之间的时间间隔。如果两次初始降雨事件之间的时间间隔小于预设的时间间隔阈值的话，将这两次初始降雨事件合并为一目标降雨事件。
在具体实施时，通过对逐5分钟的降雨时间序列（目标历史天气数据）进行滚动循环，滚动地检测出满足条件（预设时间段内达到预设的降雨量阈值）的独立降雨过程（初始降雨事件）。如果两个初始降雨事件之间连续2小时雨量小于等于0.1mm，将这两次初始降雨事件合并为一目标降雨事件。
在得到了目标降雨事件之后，本申请实施例还需要对目标降雨事件进行识别，确定出目标降雨事件中包含的历史暴雨事件。对于历史暴雨事件的识别的依据为目标降雨事件是否满足预设的暴雨筛选要求，满足暴雨筛选要求的目标降雨事件为历史暴雨事件。这里的暴雨筛选要求包括第一筛选要求、第二筛选要求、第三筛选要求和第四筛选要求，满足其一即可。这里的筛选要求中的筛选时间和筛选阈值根据待测区域的气象标准确定。例如，第一筛选要求为降雨过程中有连续1小时降雨量达20毫米以上，第二筛选要求为有连续3小时降雨量达30毫米以上，第三筛选要求为有连续12小时降雨量达50毫米以上，第四筛选要求为有连续24小时降雨量达到70毫米以上。对每个目标降雨事件进行滚动判断，根据降雨过程中1小时最大降雨量、连续3小时最大降雨量、连续12小时最大降雨量或24小时最大降雨量，找到阈值达到暴雨量级的降雨过程，确定为历史暴雨事件。在得到了历史暴雨事件之后，本申请实施例还需要确定出历史暴雨事件的降雨历时和对应的原始降雨量。
在一可选的实施方式中，如图2所示的降雨过程，横坐标为降雨历时，纵坐标为原始降雨量，持续时间10小时51分钟，过程累积降雨量49.5mm，其中该过程连续1小时降雨量超过20mm，因而将该降雨过程识别成暴雨过程。
在确定出待测区域中的历史暴雨事件之后，为了便于统计本申请实施例需要将所有的历史暴雨事件统一在预设的时间序列上。在该时间序列中包括了多个预设的时间子段，所有时间子段的间隔相同（使用表示）。也就是说，本申请实施例使用该时间间隔对各场历史暴雨事件的降雨历时进行了划分，将各个时间间隔对应的降雨量作为各个时间子段对应的转化降雨量。
例如，每场暴雨过程是时间的降雨量（如相关要求为5分钟）在时间序列上排列的一维向量，每个为1个时间子段。对于多场暴雨事件过程，由于暴雨的降雨历时不同，需要对多次暴雨事件过程的降雨历时的时间序列进行统一。令为暴雨历时在时间尺度划分的子段集合，其中m为子段总数量，降雨历时在使用小时表示的时候，m=历史暴雨事件的降雨历时*60/，例如，取5时，3小时短历时暴雨的子段数量m为36，12小时中历时暴雨的子段数量m为144，24小时长历时暴雨的子段数量m为288。
在将历史暴雨事件向预设的时间序列进行转化的时候，由于每场暴雨的降雨历时不同，降雨历时较短时存在对于降雨历时的划分结果大于或者少于时间子段的情况。对于这种情况，需要转化后未对应有转化降雨量的时间子段进行补充。
在具体实施的时候，设置时间子段集合T后，进一步生成每场历时暴雨事件过程在时间子段集合T上的转化降雨量。如所设时间子段数量与按照时间间隔对降雨历时的划分结果数量不完全一致（大于或小于），通过采用线性插值对未对应有转化降雨量的时间子段进行补充。假设一次历时暴雨事件过程在时间子段上的降雨量为，时间子段上的降雨量为，时间子段上的降雨量未知，且假设，的方法如下：
在实际的降雨过程中，暴雨发生频率较低，历史暴雨事件的数量较少，在计算超越概率的时候，为了避免历史暴雨事件数量对计算准确率的影响。本申请实施例在各个时间子段上均设置了一参考降雨量。为了方便描述，本申请实施例将转化降雨量在时间序列上，使用降雨量样本点表示，参考降雨量在时间序列上时，可以使用降雨量控制点表示。
在确定了转化降雨量和参考降雨量之后，需要计算出各个转化降雨量对各个参考降雨量的扩散信息量。在具体计算的时候，本申请实施例设置了一扩散半径，根据所述转化降雨量与所述参考降雨量之间的差值和扩散半径，确定所述转化降雨量与所述参考降雨量之间的扩散关系；将所述转化降雨量与所述参考降雨量代入到所述扩散关系中，得到所述转化降雨量对所述参考降雨量的扩散信息量。在所述转化降雨量与所述参考降雨量之间的差值小于等于所述扩散半径的时候，随着所述转化降雨量与所述参考降雨量之间的差值增大，所述扩散信息量减小；在所述转化降雨量与所述参考降雨量之间的差值大于所述扩散半径的时候，所述扩散信息量为零。
在具体实施时，扩散半径设置为，假设为场暴雨在任意时间子段t上所对应的降雨量样本集合， 进一步令所对应的降雨量控制点空间是：
假设是在上的一维线性信息分配函数，采用上述一维线性信息分配公式，计算降雨量样本点能够给到降雨量控制点上所扩散的到信息量如下：
其中，。是以降雨量控制点作为中心点的三角函数。含义为：降雨量样本点对于降雨量控制点（即三角函数的中心点）的影响程度随着半径距离衰减，当样本点距控制点越远时，降雨量样本点对于降雨量控制点的影响越小，超过半径距离以后影响程度为0。降雨量样本点越靠近降雨量控制点其影响控制点程度越大、从而分配给降雨量控制点的信息量越多。当降雨量样本点与降雨量控制点（函数中心点相同时，分配给降雨量控制点的信息量为最大值1，也表示此时降雨量样本点完全归属于降雨量控制点（归属程度为1，1为最大归属程度）。因此通过上式可以计算获得每个降雨量样本点对于每个降雨量控制点的归属影响程度，并代表对于降雨量控制点分配的信息量，一个降雨量样本点可以不同程度影响多个降雨量控制点，同样一个降雨量控制点可以获得多个位于扩散半径区间内样本点的信息量。
例如：假设={50,55,60},={50,51,…59,60}, 则样本=51，分配给=50的信息为0.8（即对影响程度为0.8），分配给=55的信息为0.2（对于的影响程度为0.2）。
在得到了各个转化降雨量对各个参考降雨量的扩散信息量之后，还需要计算出确定出各个所述参考降雨量的超越概率。这里的超越概率是由扩散信息总量和超越信息量决定的。其中，扩散信息总量表征所有转化降雨量对任一参考降雨量的扩散信息量之和，超越信息量表征大于等于该参考降雨量的其他参考降雨量的扩散信息总量之和。
在具体实施时，利用降雨量控制点附近的多个降雨量样本点对同一个降雨量控制点信息进行累积求和，获得在上的扩散信息总量：
其中，代表降雨量样本集合中的所有样本点在降雨量控制点上扩散的信息量。例如，控制点=50上的信息是所有降雨量样本点={50,51,…59,60}分配的信息之和。
进一步，计算降雨量大于或等于的超越信息量为：
上式代表的是阈值超过的所有降雨量控制点能够接受到的所有样本点的扩散信息之和。
为计算控制点上的超越概率，进一步计算在上的信息总量（扩散信息总量之和）：
那么，对于超越阈值的超越概率计算如下：
其中代表第个时间子段下，降雨量超过的概率。
因而可进一步估计得到暴雨降雨量超越概率分布如下：
通过以上述信息分配过程，实现样本量不足情况下暴雨降雨量超越概率分布计算。值得说明的是，信息分配方法不仅适用暴雨样本量不足情况的超越概率计算，也同样适用于降雨量样本量充足的情况。
例如：={50,55,60},={50,51,…59,60},的计算结果如下表所示：
。
在确定出超越概率在时间序列的第二分布关系之后，还需要对超越概率进行换算，得到重现期在所述时间序列的第一分布关系。具体为由上文可知是时间子段的暴雨降雨量的超越概率分布，对暴雨超越概率分布进一步转换为重现期分布，降雨量超越概率与降雨重现期的对应关系为：
其中表示重现期水平所对应的降雨量值；b是调节系数，可采用暴雨样本次数与发生年数的比值进行计算。通过上式可以将超越概率在时间序列的第二分布关系转化为重现期在所述时间序列的第一分布关系。在同一时间子段上，重现期与转化降雨量的对应关系如图3所示。
确定了第一分布关系之后，通过在第一分布关系上进行取值，即可得到任一目标重现期对应的目标降雨量，目标降雨量在所述时间序列的分布用于构建暴雨雨型，对所述待测区域进行风险管理模拟。
具体的，令暴雨重现期取，那么对于时间子段的降雨重现期，年一遇的暴雨降雨量为，因而：
则通过进一步计算年一遇暴雨子段集合的降雨量，形成所对应的降雨量空间从而形成综合暴雨雨型。如图4所示，某地50年一遇24小时的暴雨雨型曲线示意图。
图5示出了本申请实施例所提供的一种暴雨雨型识别的装置的结构示意图，所述装置包括：
转化模块，用于根据降雨历时，将待测区域各场历史暴雨事件的原始降雨量分别转化到预设的时间序列上，得到每场历史暴雨事件在所述时间序列中各个时间子段对应的转化降雨量；其中，所述时间子段还对应设置一参考降雨量；
第一计算模块，用于根据所有所述转化降雨量对任一所述参考降雨量的扩散信息量，计算得到各个所述参考降雨量的扩散信息总量；
第二计算模块，用于根据所述参考降雨量的扩散信息总量和所述参考降雨量，计算得到各个所述参考降雨量的超越信息量；其中，所述超越信息量表征大于等于该参考降雨量的其他参考降雨量的扩散信息总量之和；所述扩散信息总量和所述超越信息量用于确定重现期在所述时间序列的第一分布关系；
模拟模块，用于从所述第一分布关系中确定出任一目标重现期对应的目标降雨量；其中，所述目标降雨量在所述时间序列的分布用于构建暴雨雨型，对所述待测区域进行风险管理模拟。
所述根据降雨历时，将待测区域历史暴雨事件的原始降雨量转化到预设的时间序列上，得到所述时间序列中各个时间子段对应的转化降雨量，包括：
根据所述时间序列包括的时间间隔对各个所述历史暴雨事件的降雨历时进行划分，并将各个时间间隔对应的降雨量作为各个时间子段对应的转化降雨量。
在所述降雨历时的划分结果少于所述时间子段时，根据已对应有转化降雨量的时间子段对未对应有转化降雨量的时间子段进行补充。
通过以下方式计算各个所述转化降雨量对所述参考降雨量的扩散信息量：
根据所述转化降雨量与所述参考降雨量之间的差值和预设的扩散半径，确定所述转化降雨量与所述参考降雨量之间的扩散关系；
将所述转化降雨量与所述参考降雨量代入到所述扩散关系中，得到所述转化降雨量对所述参考降雨量的扩散信息量。
在所述转化降雨量与所述参考降雨量之间的差值小于等于所述扩散半径的时候，随着所述转化降雨量与所述参考降雨量之间的差值增大，所述扩散信息量减小；在所述转化降雨量与所述参考降雨量之间的差值大于所述扩散半径的时候，所述扩散信息量为零。
所述扩散信息总量和所述超越信息量用于确定重现期在所述时间序列的第一分布关系，包括：
根据所述扩散信息总量和所述超越信息量，确定出各个所述参考降雨量的超越概率；
根据所述超越概率与所述重现期的对应关系，对所述各个参考降雨量的超越概率进行换算，得到各个所述参考降雨量的重现期；
根据各个所述参考降雨量对应的时间子段，确定所述重现期在所述时间序列的第一分布关系。
通过以下方式识别出待测区域的历史暴雨事件：
对待测区域的目标历史天气数据进行筛选，确定出目标降雨事件；
根据预设的暴雨筛选要求，从目标降雨事件中筛选出历史暴雨事件。
如图6所示，本申请实施例提供了一种电子设备，用于执行本申请中的暴雨雨型识别方法，该设备包括存储器、处理器、总线及存储在该存储器上并可在该处理器上运行的计算机程序，其中，上述处理器执行上述计算机程序时实现上述的暴雨雨型识别方法的步骤。
具体地，上述存储器和处理器可以为通用的存储器和处理器，这里不做具体限定，当处理器运行存储器存储的计算机程序时，能够执行上述的暴雨雨型识别方法。
对应于本申请中的暴雨雨型识别方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述的暴雨雨型识别方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述的暴雨雨型识别方法。
在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其他的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory， ROM）、随机存取存储器（Random Access Memory ，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种暴雨雨型识别方法，其特征在于，所述方法包括：
根据降雨历时，将待测区域各场历史暴雨事件的原始降雨量分别转化到预设的时间序列上，得到每场历史暴雨事件在所述时间序列中各个时间子段对应的转化降雨量；其中，所述时间子段还对应设置一参考降雨量；
根据所有所述转化降雨量对任一所述参考降雨量的扩散信息量，计算得到各个所述参考降雨量的扩散信息总量；
根据所述参考降雨量的扩散信息总量和所述参考降雨量，计算得到各个所述参考降雨量的超越信息量；其中，所述超越信息量表征大于等于该参考降雨量的其他参考降雨量的扩散信息总量之和；所述扩散信息总量和所述超越信息量用于确定重现期在所述时间序列的第一分布关系；
从所述第一分布关系中确定出任一目标重现期对应的目标降雨量；其中，所述目标降雨量在所述时间序列的分布用于构建暴雨雨型，对所述待测区域进行风险管理模拟；
所述转化降雨量对应一降雨量样本点，所述参考降雨量对应一降雨量控制点；
所述方法通过以下方式计算各个所述转化降雨量对所述参考降雨量的扩散信息量：
根据所述转化降雨量与所述参考降雨量之间的差值和预设的扩散半径，确定所述转化降雨量与所述参考降雨量之间的扩散关系；
将所述转化降雨量与所述参考降雨量代入到所述扩散关系中，得到所述转化降雨量对所述参考降雨量的扩散信息量；
具体为：
其中，qtij表示扩散信息量，表示所述降雨量样本点，表示所述降雨量控制点；；是以所述降雨量控制点作为中心点的三角函数；t表示时间子段；i表示降雨量样本，j表示降雨量控制点；r表示扩散半径；
所述根据所述参考降雨量的扩散信息总量和所述参考降雨量，计算得到各个所述参考降雨量的超越信息量，包括：
其中，表示超越信息量；代表降雨量样本中的所有样本点在降雨量控制点上扩散信息量；
进一步计算在上的扩散信息总量之和：
对于超越阈值的超越概率计算如下：
其中代表第个时间子段下，降雨量超过的概率；
暴雨降雨量超越概率分布如下：
所述扩散信息总量和所述超越信息量用于确定重现期在所述时间序列的第一分布关系，包括：
根据所述扩散信息总量和所述超越信息量，确定出各个所述参考降雨量的超越概率；
根据所述超越概率与所述重现期的对应关系，对各个参考降雨量的超越概率进行换算，得到各个所述参考降雨量的重现期；
根据各个所述参考降雨量对应的时间子段，确定所述重现期在所述时间序列的第一分布关系；
具体为：
其中，表示重现期水平所对应的降雨量值；b是调节系数；是时间子段的暴雨降雨量的超越概率分布；表示所述重现期在所述时间序列的第一分布关系。
2.根据权利要求1所述的方法，其特征在于，所述根据降雨历时，将待测区域历史暴雨事件的原始降雨量转化到预设的时间序列上，得到所述时间序列中各个时间子段对应的转化降雨量，包括：
根据所述时间序列包括的时间间隔对各个所述历史暴雨事件的降雨历时进行划分，并将各个时间间隔对应的降雨量作为各个时间子段对应的转化降雨量。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在所述降雨历时的划分结果与所述时间子段的数量不相同时，根据已对应有转化降雨量的时间子段对未对应有转化降雨量的时间子段进行补充。
4.根据权利要求1所述的方法，其特征在于， 在所述转化降雨量与所述参考降雨量之间的差值小于等于所述扩散半径的时候，随着所述转化降雨量与所述参考降雨量之间的差值增大，所述扩散信息量减小；在所述转化降雨量与所述参考降雨量之间的差值大于所述扩散半径的时候，所述扩散信息量为零。
5.根据权利要求1所述的方法，其特征在于，所述方法通过以下方式识别出待测区域的历史暴雨事件：
对待测区域的目标历史天气数据进行筛选，确定出目标降雨事件；
根据预设的暴雨筛选要求，从目标降雨事件中筛选出历史暴雨事件。
6.一种暴雨雨型识别的装置，其特征在于，所述装置包括：
转化模块，用于根据降雨历时，将待测区域各场历史暴雨事件的原始降雨量分别转化到预设的时间序列上，得到每场历史暴雨事件在所述时间序列中各个时间子段对应的转化降雨量；其中，所述时间子段还对应设置一参考降雨量；
第一计算模块，用于根据所有所述转化降雨量对任一所述参考降雨量的扩散信息量，计算得到各个所述参考降雨量的扩散信息总量；
第二计算模块，用于根据所述参考降雨量的扩散信息总量和所述参考降雨量，计算得到各个所述参考降雨量的超越信息量；其中，所述超越信息量表征大于等于该参考降雨量的其他参考降雨量的扩散信息总量之和；所述扩散信息总量和所述超越信息量用于确定重现期在所述时间序列的第一分布关系；
模拟模块，用于从所述第一分布关系中确定出任一目标重现期对应的目标降雨量；其中，所述目标降雨量在所述时间序列的分布用于构建暴雨雨型，对所述待测区域进行风险管理模拟；
所述转化降雨量对应一降雨量样本点，所述参考降雨量对应一降雨量控制点；
所述装置通过以下方式计算各个所述转化降雨量对所述参考降雨量的扩散信息量：
根据所述转化降雨量与所述参考降雨量之间的差值和预设的扩散半径，确定所述转化降雨量与所述参考降雨量之间的扩散关系；
将所述转化降雨量与所述参考降雨量代入到所述扩散关系中，得到所述转化降雨量对所述参考降雨量的扩散信息量；
具体为：
其中，qtij表示扩散信息量，表示所述降雨量样本点，表示所述降雨量控制点；；是以所述降雨量控制点作为中心点的三角函数；t表示时间子段；i表示降雨量样本，j表示降雨量控制点；r表示扩散半径；
所述根据所述参考降雨量的扩散信息总量和所述参考降雨量，计算得到各个所述参考降雨量的超越信息量，包括：
其中，表示超越信息量；代表降雨量样本中的所有样本点在降雨量控制点上扩散信息量；
进一步计算在上的扩散信息总量之和：
对于超越阈值的超越概率计算如下：
其中代表第个时间子段下，降雨量超过的概率；
暴雨降雨量超越概率分布如下：
所述扩散信息总量和所述超越信息量用于确定重现期在所述时间序列的第一分布关系，包括：
根据所述扩散信息总量和所述超越信息量，确定出各个所述参考降雨量的超越概率；
根据所述超越概率与所述重现期的对应关系，对各个参考降雨量的超越概率进行换算，得到各个所述参考降雨量的重现期；
根据各个所述参考降雨量对应的时间子段，确定所述重现期在所述时间序列的第一分布关系；
具体为：
其中，表示重现期水平所对应的降雨量值；b是调节系数；是时间子段的暴雨降雨量的超越概率分布；表示所述重现期在所述时间序列的第一分布关系。
7.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至5任一所述的暴雨雨型识别方法的步骤。
8.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至5任一所述的暴雨雨型识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410693649.XA CN118259377B (zh) | 2024-05-31 | 2024-05-31 | 一种暴雨雨型识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410693649.XA CN118259377B (zh) | 2024-05-31 | 2024-05-31 | 一种暴雨雨型识别方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118259377A CN118259377A (zh) | 2024-06-28 |
| CN118259377B true CN118259377B (zh) | 2024-09-13 |
Family
ID=91613543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410693649.XA Active CN118259377B (zh) | 2024-05-31 | 2024-05-31 | 一种暴雨雨型识别方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118259377B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118569005B (zh) * | 2024-08-05 | 2024-10-11 | 南昌工程学院 | 暴雨模拟方法、表征暴雨均匀性方法及暴雨模拟系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978239A (zh) * | 2019-03-11 | 2019-07-05 | 广州杰赛科技股份有限公司 | 一种设备寻回方法、装置及系统 |
| CN113111486A (zh) * | 2021-03-08 | 2021-07-13 | 郑州大学 | 一种城市短历时暴雨概率雨型构建方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3370128B2 (ja) * | 1993-02-27 | 2003-01-27 | 雅之 井上 | 豪雨災害予測システム |
| KR101161781B1 (ko) * | 2010-10-19 | 2012-07-03 | 부산대학교 산학협력단 | 위성영상을 이용한 호우의 정량적 산출 시스템 및 방법 |
| CN113344305B (zh) * | 2021-08-05 | 2021-10-29 | 中国水利水电科学研究院 | 一种暴雨内涝事件的快速预测方法 |
| CN114547009A (zh) * | 2022-02-22 | 2022-05-27 | 上海市城市排水有限公司 | 一种利用p＆c法推求设计雨型的方法及系统 |
-
2024
- 2024-05-31 CN CN202410693649.XA patent/CN118259377B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978239A (zh) * | 2019-03-11 | 2019-07-05 | 广州杰赛科技股份有限公司 | 一种设备寻回方法、装置及系统 |
| CN113111486A (zh) * | 2021-03-08 | 2021-07-13 | 郑州大学 | 一种城市短历时暴雨概率雨型构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118259377A (zh) | 2024-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Song et al. | Advances in CMIP6 INM-CM5 over CMIP5 INM-CM4 for precipitation simulation in South Korea | |
| Harrigan et al. | Designation and trend analysis of the updated UK Benchmark Network of river flow stations: The UKBN2 dataset | |
| CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
| Wang et al. | Trends and low frequency variability of extra-tropical cyclone activity in the ensemble of twentieth century reanalysis | |
| Girons Lopez et al. | Location and density of rain gauges for the estimation of spatial varying precipitation | |
| CN118259377B (zh) | 一种暴雨雨型识别方法、装置、电子设备及存储介质 | |
| CN116680658B (zh) | 一种基于风险评价的热浪监测站选址方法及系统 | |
| Booth et al. | Hydrologic metrics for status‐and‐trends monitoring in urban and urbanizing watersheds | |
| CN112347652B (zh) | 基于水文气象地区线性矩频率分析的暴雨高风险区划方法 | |
| Requena et al. | Pooled frequency analysis for intensity–duration–frequency curve estimation | |
| Leahy et al. | Short duration rainfall extremes in Ireland: influence of climatic variability | |
| CN116972820A (zh) | 基于地理空间信息数据测绘的数据采集系统 | |
| CN103093044B (zh) | 输电线路覆冰舞动分布图测绘方法 | |
| Barton et al. | On the temporal clustering of European extreme precipitation events and its relationship to persistent and transient large-scale atmospheric drivers | |
| Yin et al. | A comparison of statistical methods for benchmarking the threshold of daily precipitation extremes in the Shanghai metropolitan area during 1981–2010 | |
| Hegdahl et al. | Streamflow forecast sensitivity to air temperature forecast calibration for 139 Norwegian catchments | |
| Ponjiger et al. | Evaluation of rainfall erosivity in the Western Balkans by mapping and clustering ERA5 reanalysis data | |
| CN116543528A (zh) | 一种基于降雨阈值的区域滑坡危险性预警方法 | |
| CN113506000B (zh) | 一种计算城市汇水区域暴雨溢流风险的方法 | |
| CN115453664A (zh) | 一种适用于无资料地区的降雨径流预报方法 | |
| CN115329610A (zh) | 一种基于土壤水分的旱涝急转事件识别方法、装置及设备 | |
| Heineman | Trends in precipitation maxima at US Historical Climatology Network Stations: 1893-2010 | |
| Hubbard et al. | Toward a Better Quality Control of Weather Data | |
| Yerdelen et al. | Estimation of standard duration maximum rainfall by using regression models | |
| CN115563439B (zh) | 一种龙舟水强度指数的计算方法及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |