数据密集型雨型智能识别及城市降雨情景数据集构建方法

1.本发明属于城市设计雨型推求领域，具体涉及一种数据密集型雨型智能识别及城市降雨情景数据集构建方法，即通过城市场次降雨的雨型智能分类、雨型标准特征值定义、标准雨型识别、场次设计降雨过程推求等步骤获得城市降雨情景数据集的方法。


背景技术：

2.随着水文自动监测和远程传输技术的快速发展，城市降雨监测站网建设也得到大力发展，以观测站点密度大、时间分辨率高为显著特征的密集型降雨数据在一些城市正在逐步积累。密集型降雨数据相对于传统数据具有更高的空间分辨率、更精确的降雨量估算、更全面的时间序列等优势，可以帮助提升对区域降雨特征的理解和预测。
3.降雨情景数据是预测洪水发生可能性和强度的关键基础，也是数字孪生城市防洪体系建设的数据底座。利用降雨情景数据，可以模拟不同降雨情景下的洪水淹没范围和水位变化，评估现有防洪设施的有效性优化防洪水利设施的规划和建设，进行智能决策和应急响应提高城市的防洪响应能力，评估不同区域的洪水风险程度为城市规划和发展提供科学依据。
4.本发明进行了城市场次降雨的雨型智能分类、雨型标准特征值定义、标准雨型识别、场次设计降雨过程推求，所构建的城市降雨情景数据集既包括历史场次降雨也包括不同保证率的各雨型设计降雨过程，覆盖了城市可能降雨过程，可以为城市防洪体系建设提供降雨情景，作为预测洪水可能性及强度、优化防洪水利设施、提供防洪智能决策、支撑减灾应急响应的重要数据来源，有助于提高城市的防洪能力和抗洪能力。


技术实现要素：

5.本发明提出一种数据密集型雨型智能识别及城市降雨情景数据集构建方法，所构建的城市降雨情景数据集既包括历史场次降雨也包括不同保证率的各雨型设计降雨过程，可以为城市防洪体系建设提供降雨情景。
6.为实现上述目的，本发明采用如下技术方案：
7.数据密集型雨型智能识别及城市降雨情景数据集构建方法，包括以下步骤：
8.步骤1，城市场次降雨样本数据集生成：基于城市雨量站自动监测数据进行降雨事件自动提取和人工审核，获得城市各雨量站场次降雨数据系列；用场次降雨数据生成雨量站二维降雨样本数据集，各雨量站形成城市三维降雨样本数据集；
9.步骤2，城市雨型智能识别与雨型数据集生成：基于城市各雨量站二维场次降雨样本集，采用自组织映射算法(self-organizingmap，som)进行无监督智能分类，完成雨型划分，生成城市各雨量站雨型数据集；
10.步骤3，城市各雨量站标准雨型识别：统计各雨量站每种雨型的场次降雨历时、峰现历时、时段最大降雨量、时段平均降雨量、场次总降雨量，形成雨型统计特征样本集，进行频率分析获得不同保证率的雨型特征值，将50％保证率雨型特征值作为标准雨型特征值，
进而识别标准雨型特征值的历史相似降雨过程作为标准雨型；
11.步骤4，场次设计降雨过程推求：基于标准雨型场次降雨过程，针对时段最大降雨量采用同倍比放大方法推求场次降雨过程，获得各雨量站不同保证率的场次降雨过程；
12.步骤5，城市降雨情景数据集生成：基于雨量站历史监测数据提取成的场次降雨监测数据和不同保证率的各类雨型降雨过程数据集共同组成了城市降雨情景数据集。
13.本发明技术方案，具有如下优点：
14.(1)由于密集型监测数据通常具有更高的空间和时间分辨率，因此产生的数据量较大，处理和管理大规模数据需要强大的计算和存储能力，增加了数据处理的复杂性，传统方法难以抽象其特征性规律，智能聚类方法更适宜数据密集型场次降雨型分类及其雨型特征提取；
15.(2)定义50％保证率为雨型标准特征值，并识别其历史相似降雨过程作为各雨型的标准降雨过程，因此，标准雨型从实测降雨过程中遴选而非人为构造生成，保证了标准雨型的客观性；
16.(3)城市降雨情景数据集既包括历史场次降雨，也包括不同保证率下各雨型的设计场次降雨过程，覆盖了城市可能降雨情景，可以为城市防洪体系建设提供降雨情景。
附图说明
17.图1分5类雨型i场次降雨过程。
18.图2分5类雨型ii场次降雨过程。
19.图3分5类雨型iii场次降雨过程。
20.图4分5类雨型iv场次降雨过程。
21.图5分5类雨型v场次降雨过程。
22.图6分4类雨型i场次降雨过程。
23.图7分4类雨型ii场次降雨过程。
24.图8分4类雨型iii场次降雨过程。
25.图9分4类雨型iv场次降雨过程。
26.图10分3类雨型i场次降雨过程。
27.图11分3类雨型ii场次降雨过程。
28.图12分3类雨型iii场次降雨过程。
29.图13标准雨型i的场次降雨过程柱状图。
30.图14标准雨型ii的场次降雨过程柱状图。
31.图15标准雨型iii的场次降雨过程柱状图。
32.图16标准雨型iv的场次降雨过程柱状图。
具体实施方式
33.通过以下实施例进一步举例描述本发明，并不以任何方式限制本发明，在不背离本发明的技术解决方案的前提下，对本发明所作的本领域普通技术人员容易实现的任何改动或改变都将落入本发明的权利要求范围之内。
34.下面结合附图对本发明作进一步详细说明。
35.本发明实施例一种数据密集型雨型智能识别及城市降雨情景数据集构建方法，所述方法包括以下步骤：
36.1、根据权利要求1所述的数据密集型雨型智能识别及数字孪生城市防洪降雨情景数据集构建方法，其特征在于，所述步骤1对城市场次降雨样本集生成的方法包括：
37.步骤1.1，降雨数据的收集、处理与保存：收集城市雨量站fh站2019～2020两年连续降雨监测数据，将年降雨数据处理成等时段δt＝1h的连续降雨数据；
38.步骤1.2，场次降雨的自动提取：依次读取数据库中fh站6～9月连续降雨时间序列，并将其划分为独立的场次降雨；将时段降雨大于等于2mm且连续降雨历时大于3h的降雨过程视为有效场次降雨，即p'＝2mm、δt＝3h，挑选出有效场次降雨；
39.步骤1.3，场次降雨人工审核：将场次降雨间隔时间小于2h两个场次降雨视为同一场次降雨，即δt'＝2h，并将间隔时段降雨量设定为2mm/h，即等于有效时段降雨p'，例如，将2019/8/1611:00～2019/8/171:00自动提取场次降雨和2019/8/174:00～2019/8/188:00自动提取场次降雨，合并为2019/8/1611:00～2019/8/188:00一场降雨，如表1所示：
40.表1场次降雨合并
41.[0042][0043]
步骤1.4，fh站经场次降雨自动提取、场次降雨人工审核，获得33场降雨，时间最长
场次降雨有46个时段，因此，fh站生成场次降雨33*46的二维样本数据集同理，各雨量站都按fh站相同步骤和方法生成各雨量站二维场次降雨样本数据集；城市所有雨量站形成城市场次降雨三维样本数据集，此处略；
[0044]
2、根据权利要求1所述的数据密集型雨型智能识别及城市降雨情景数据集构建方法，其特征在于，所述步骤2雨型智能识别及雨型数据集生成的方法包括：
[0045]
步骤2.1，基于雨量站k的场次降雨过程二维样本数据集采用som算法进行α个场次降雨类型分类，初设分5类，即α＝5，形成各类雨型场次降雨数据集其中，雨型序号i＝i、ii、iii、iv、v，各雨型场次降雨过程见图1～图5；同理，分4类各雨型场次降雨过程见图6～图9；分3类各雨型场次降雨过程见图10～图12；
[0046]
步骤2.2，目测评估不同分类数量的聚类效果，同类雨型场次降雨过程具有相似性、不同类雨型降雨过程具有明显差异性，综合评价分4类更为合理；
[0047]
步骤2.3，城市各雨量站重复以上步骤，获得城市各雨量站各雨型场次降雨数据样本集
[0048]
3、根据权利要求1所述的数据密集型雨型智能识别及城市降雨情景数据集构建方法，其特征在于，所述步骤3标准雨型识别方法包括：
[0049]
步骤3.1，基于fh站雨型i的场次降雨数据集m
fh,1
、n
fh,1
分别代表fh站雨型i的场次降雨数为6、最大场次降雨时段数为36；统计各场次降雨的降雨历时、峰现历时、时段最大降雨量、时段平均降雨量、场次总降雨量，形成雨型i统计特征样本集l＝tt、ppt、pp、mp、tp，分别代表场次降雨的历时、峰现历时、时段最大降雨量、时段平均降雨量、场次总降雨量，见表2；同理，其他各雨型场次降雨特征值见表3～表5；
[0050]
表2雨型i各场次降雨系列特征值
[0051][0052]
表3雨型ii各场次降雨系列特征值
[0053][0054]
[0055]
表4雨型iii各场次降雨系列特征值
[0056][0057]
表5雨型iv各场次降雨系列特征值
[0058][0059]
步骤3.2，基于fh站的雨型i的场次降雨统计特征数据集采用箱型图法进行频率计算，获得超过制5％、25％、50％、75％和95％保证率的雨型特征值以50％保证率下雨型特征值作为标准雨型特征值结果见表6；同理，其它雨型见表7～表9；
[0060]
表6雨型i场次降雨特征保证率的特征值
[0061][0062]
[0063]
表7雨型ii场次降雨特征保证率的特征值
[0064][0065]
表8雨型iii场次降雨特征保证率的特征值
[0066][0067]
表9雨型iv场次降雨特征保证率的特征值
[0068][0069]
步骤3.3，基于样本集采用动态时间弯曲法识别标准雨型特征值的历史相似雨型特征值，其对应场次降雨过程作为标准雨型雨型i标准雨型过程见图13；同理，其它雨型的标准雨型过程见图14～图16；
[0070]
4、根据权利要求1所述的数据密集型雨型智能识别及数字孪生城市防洪降雨情景数据集构建方法，其特征在于，所述步骤4设计场次降雨过程推求方法包括：
[0071]
步骤4.1，基于标准雨型计算各保证率p的时段最大降雨量与标准雨型时段最大降雨量之比β，采用同倍比放大法获得给定设计保证率对应场次降雨过程计算超过制特征保证率5％、25％、75％和95％对应特征值，计算结果见表10；同理，可以计算出任意保证率p的场次降雨过程，此处略；
[0072]
表10雨型i特征保证率场次降雨过程
[0073]
[0074]
步骤4.2，fh站雨量重复以上步骤，获得各雨型设计雨型数据集计算结果见表11～表13；城市各雨量站重复以上步骤，获得城市设计雨型数据集
[0075]
表11雨型ii特征保证率场次降雨过程
[0076][0077]
表12雨型iii特征保证率场次降雨过程
[0078][0079]
表13雨型iv特征保证率场次降雨过程
[0080]
[0081][0082]
5、根据权利要求1所述的数据密集型雨型智能识别及城市降雨情景数据集构建方法，其特征在于，所述步骤5城市防洪降雨情景数据集生成包括：
[0083]
步骤5.1，fh站实测场次降雨共33场；同理，将城市各雨量站实测降雨数据提取的城市场次降雨样本数据集作为历史场次降雨数据；
[0084]
步骤5.2，fh站各雨型特征保证率场次降雨过程见表10～表13；同理，城市各雨量站推求不同保证率设计雨型数据；将城市设计雨型数据集作为可能降雨情景数据集；
[0085]
步骤5.3，将和作为数据源构建城市降雨情景数据库。
[0086]
综上所述，本发明提出一种数据密集型雨型智能识别及城市降雨情景数据集构建方法，本算例只是针对本专利所述方法进行示例，随着监测数据的不断积累，当样本容量充分性得当满足时，雨型分类和标准雨型推求结果的合理性和可靠性会得到提高。
[0087]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

技术特征：
1.数据密集型雨型智能识别及城市降雨情景数据集构建方法，其特征在于，包括以下步骤：步骤1，城市场次降雨样本数据集生成：基于城市雨量站自动监测数据进行降雨事件自动提取和人工审核，获得城市各雨量站场次降雨数据系列；用场次降雨数据生成雨量站二维降雨样本数据集，各雨量站形成城市三维降雨样本数据集；步骤2，城市雨型智能识别与雨型数据集生成：基于城市各雨量站二维场次降雨样本集，采用自组织映射算法(self-organizingmap，som)进行无监督智能分类，完成雨型划分，生成城市各雨量站雨型数据集；步骤3，城市各雨量站标准雨型识别：统计各雨量站每种雨型的场次降雨历时、峰现历时、时段最大降雨量、时段平均降雨量、场次总降雨量，形成雨型统计特征样本集，进行频率分析获得不同保证率的雨型特征值，将50％保证率雨型特征值作为标准雨型特征值，进而识别标准雨型特征值的历史相似降雨过程作为标准雨型；步骤4，场次设计降雨过程推求：基于标准雨型场次降雨过程，针对时段最大降雨量采用同倍比放大方法推求场次降雨过程，获得各雨量站不同保证率的场次降雨过程；步骤5，城市降雨情景数据集生成：基于雨量站历史监测数据提取成的场次降雨监测数据和不同保证率的各类雨型降雨过程数据集共同组成了城市降雨情景数据集。2.根据权利要求1所述的数据密集型雨型智能识别及城市降雨情景数据集构建方法，其特征在于，所述步骤1对城市场次降雨样本集生成的方法包括：步骤1.1，降雨数据的收集、处理与保存：收集城市各雨量站自动监测数据，将降雨监测数据处理成等时段δt降雨数据并保存于数据库，时段δt大小可以根据城市防洪要求或城市产汇流条件而定；步骤1.2，场次降雨过程的自动提取：依次读取降雨监测数据库中各雨量站6～9月连续降雨时间序列，将各雨量站时段降雨大于时段有效降雨量p'，且连续降雨历时大于有效降雨历时δt的降雨过程视为有效场次降雨，挑选出各雨量站有效场次降雨；有效场次降雨的以上两个阈值p'和δt可以根据防洪任务要求和城市实际产汇流条件设定；步骤1.3，场次降雨人工审核：对自动提取的有效场次降雨进行人工审核，将场次降雨间隔时间小于δt'的场次降雨视为同一场次降雨，并将间隔时段降雨量设定为p'，δt'可以根据具体情况而定；步骤1.4，基于各雨量站有效场次降雨过程数据生成场次降雨过程二维样本数据集，各雨量站形成城市场次降雨过程三维样本数据集；以雨量站k为例，场次降雨序号m＝1、2、
……
、m，m为雨量站k的场次降雨数；场次降雨时段数n＝1、2、
……
、n，n为m场降雨最大时段数，场次降雨时段小于n时，无降雨时段记降雨量为0；生成场次降雨m行、n列的二维场次降雨样本数据集如表1所示，雨量站k场次2、时段4的降雨量为3mm，时段7无降雨；最终形成k*m*n三维城市场次降雨过程样本数据集其中，雨量站序号k＝1、2、
……
、k，k为雨量站个数；表1雨量站k的场次降雨二维样本集(时段降雨量单位，mm)
3.根据权利要求1所述的数据密集型雨型智能识别及城市降雨情景数据集构建方法，其特征在于，所述步骤2雨型智能识别及雨型数据集生成的方法包括：步骤2.1，基于雨量站k的场次降雨过程二维样本数据集初设分类个数α，采用som算法将场次降雨分α类，形成各类雨型场次降雨数据集其中，雨型序号i＝1、2、
……
、α，生成雨量站k的α类雨型对应的雨型场次降雨数据样本集步骤2.2，比较各雨型场次降雨过程，评估不同分类个数的聚类效果，目估原则为：1)同类场次降雨过程具有很好的相似性；2)不同类别场次降雨具有明显差异性；选择合适分类来划分雨型；步骤2.3，城市各雨量站重复以上步骤，获得城市各雨型场次降雨数据样本集4.根据权利要求1所述的数据密集型雨型智能识别及城市降雨情景数据集构建方法，其特征在于，所述步骤3标准雨型识别方法包括：步骤3.1，基于雨量站k的雨型i的场次降雨数据集m
k,i
、n
k,i
分别代表雨量站k雨型i的场次降雨数和最大场次降雨时段数；统计各场次降雨样本的降雨历时、峰现历时、时段最大降雨量、时段平均降雨量、场次总降雨量，形成雨型i的降雨特征样本集l＝tt、ppt、pp、mp、tp，分别代表场次降雨的历时、峰现历时、时段最大降雨量、时段平均降雨量、场次总降雨量；步骤3.2，基于雨量站k雨型i的场次降雨特征数据集对各特征指标进行频率分析，计算各保证率p的雨型特征值以50％保证率的雨型特征值作为标准雨型特征值步骤3.3，基于样本集采用动态时间弯曲法识别标准雨型特征值的历史相似雨型特征值，其对应降雨过程作为标准雨型5.根据权利要求1所述的数据密集型雨型智能识别及城市降雨情景数据集构建方法，其特征在于，所述步骤4设计场次降雨过程推求包括：步骤4.1，基于标准雨型计算各保证率p的时段最大降雨量与标准雨型时段最大降雨量之比β，采用同倍比放大法获得给定设计保证率p对应场次降雨过程步骤4.2，雨量站k各雨型重复以上步骤，获得各雨型设计雨型数据集城市各雨量站重复以上步骤，获得城市设计雨型数据集6.根据权利要求1所述的数据密集型雨型智能识别及城市降雨情景数据集构建方法，
其特征在于，所述步骤5城市降雨情景数据集生成包括：步骤5.1，将基于城市雨量站实测降雨数据提取的城市场次降雨样本数据集作为历史场次降雨数据；步骤5.2，将推求的城市设计雨型数据集作为可能降雨情景数据集；步骤5.3，将和作为场次降雨数据源构建城市降雨情景数据库。

技术总结
本发明提供了一种数据密集型雨型智能识别及城市降雨情景数据集构建方法。构建方法的主要步骤为：1)城市场次降雨样本数据集生成；2)城市雨型智能分类与雨型数据集生成；3)城市各雨量站标准雨型识别；4)场次设计降雨过程推求；5)城市降雨情景数据集生成。本发明所构建的城市降雨情景数据集既包括历史场次降雨也包括不同保证率的各雨型设计降雨，覆盖了城市可能降雨过程，可以为数字孪生城市防洪体系建设提供降雨情景。设提供降雨情景。设提供降雨情景。


技术研发人员：杨子昕 李鸿雁
受保护的技术使用者：吉林大学
技术研发日：2023.08.29
技术公布日：2023/10/20