(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210925487.9 (22)申请日 2022.08.03 (71)申请人 西安理工大 学 地址 710048 陕西省西安市碑林区金花 南 路5号 (72)发明人 周聂　侯精明　陈光照　李轩　 杨露　李丙尧　杨少雄　 (74)专利代理 机构 西安弘理专利事务所 61214 专利代理师 曾庆喜 (51)Int.Cl. G06F 30/20(2020.01) G06K 9/62(2022.01) G06F 111/10(2020.01) G06F 119/02(2020.01) (54)发明名称 基于物理过程数值模 型与K近邻算法的洪水 灾害快速预报方法 (57)摘要 本发明公开了一种基于物理过程数值模型 与K近邻算法的洪水灾害快速预报方法， 包括基 础地理水文资料获取； 建立基于物理过程的水文 水动力数值模型； 构建设计降雨资料； 进行暴雨 致洪事件数据构建； 进行洪水演进数据整合； 提 取降雨特征参数并进行相关性分析； 划分训练 集、 验证集与测试集； 基于 K近邻算法搭建快速预 报模型进行训练； 检验模 型性能； 输出最终模型； 进行洪水预报。 本发明利用数值模型与K近邻算 法实现对流 域洪水灾害的快速预报。 权利要求书3页 说明书7页 附图3页 CN 115221725 A 2022.10.21 CN 115221725 A 1.一种基于物理过程数值模型与K近邻算法的洪水灾害快速预报方法， 其特征在于， 具 体按照如下步骤实施： 步骤1， 基础地理水文资料获取； 获取目标区域的下垫面数字高程数据、 土地利用类型分布、 土壤类型分布、 历史降雨资 料与洪水事 件资料， 即得到目标区域 地理水文资料； 步骤2， 建立基于物理过程的水文水动力数值模型； 根据目标区域 地理水文资料， 构建并率定基于物理过程的水文水动力数值模型； 步骤3， 构建 设计降雨资料； 构建不同重现期及不同类型的若干设计降雨资料； 步骤4， 进行暴 雨致洪事件数据构建； 以构建的设计降雨资料为输入条件， 驱动步骤2中所构建的水文水动力数值模型， 模拟 计算获得 各类型降雨条件下的洪水演进过程数据； 步骤5， 进行洪水演进数据整合； 将不同场次设计降雨事件模拟 获得的洪水演进数据， 按一定顺序根据同时刻标识进行 合并， 并记录其各位置水深、 流速、 最大淹没水量及最大淹没面积数据； 步骤6： 提取降雨特 征参数并进行相关性分析； 对设计降雨资料进行处理得到降雨特征参数， 同时计算降雨特征参数与最大淹没水 量、 最大淹没面积数据间的相关性， 筛除冗余参数， 并将降雨特征参数和步骤5所获得的洪 水演进数据进行整合； 步骤7， 划分训练集、 验证集与测试集； 对步骤6所得到的降雨特征参数和洪水演进整合数据进行数据切片， 将其划分为训练 集、 验证集与测试集； 步骤8， 基于K近邻算法搭建快速预报模型进行训练； 基于Windows系统与Python语言搭建基于K近邻算法搭建快速预报模型， 并以步骤6所 构建的设计降雨资料特征参数为输入条件， 以步骤7所获得洪水演进切片数据为 目标结果 进行洪水 快速预报模型训练， 直至模型输出目标 结果时停止训练， 并储 存其对应的模型； 步骤9， 检验 模型性能； 以测试集降雨资料作为输入条件， 驱动洪水快速预报模型获得快速预报结果， 将其与 水文水动力模型模拟结果进行对比分析， 检验快速预报模型 预报性能； 步骤10， 输出最终模型； 若步骤9中洪水快速预报模型可满足洪水灾害预报精度需求， 则输出并储存为最终洪 水快速预报模 型； 反之重复步骤8 至步骤9， 重新调整模型参数进 行训练， 保证模 型的准确性 与泛化性能； 步骤11， 进行洪水 预报； 输入预报降雨数据， 驱动最终洪水 快速预报模型， 实现对洪水的快速预报功能。 2.根据权利要求1所述的一种基于物理过程数值模型与K近邻算法的洪水灾害快速预 报方法， 其特 征在于， 所述 步骤2具体为： 根据目标区域地理水文资料， 建立目标区域基于物理过程的水文水动力模型， 并通过 实测降雨 致洪事件对所建模型进行调整率定， 保证所建水文水动力数值模型的可靠性。权　利　要　求　书 1/3 页 2 CN 115221725 A 23.根据权利要求1所述的一种基于物理过程数值模型与K近邻算法的洪水灾害快速预 报方法， 其特 征在于， 所述 步骤3具体为： 查询目标区域的水文资料文件， 查找目标区域的水文气候特征、 典型暴雨类型及其暴 雨公式， 进而根据暴雨公式构建各重现期及各类型典型降雨设计资料， 使其可基本覆盖目 标区域内各类型降雨。 4.根据权利要求1所述的一种基于物理过程数值模型与K近邻算法的洪水灾害快速预 报方法， 其特 征在于， 所述 步骤6具体为： 步骤6.1， 对设计降雨资料进行处理： 提取整理逐小时降雨量， 最大1小时降雨量， 最大3 小时降雨量， 最大5小时降雨， 累计降雨量， 峰值前累计降雨量和降雨历时特征参数， 即为降 雨特征参数； 步骤6.2， 根据皮尔逊相关系数法计算降雨特征参数与步骤5所记录的最大淹没水量及 最大淹没面积数据间的相关性， 皮尔逊相关系数表示 为： 式(1)中， ρxy为皮尔逊相关系数； cov(x,y)是系数x和y的协方差； σx, σy分别为x和y的方 差； 根据皮尔逊相关系数， 筛除相关性小于 0.2的参数， 得到 筛选出的降雨特 征参数； 步骤6.3， 将筛 选出的降雨特 征参数和步骤5中获得的洪水演进数据进行 数据整合。 5.根据权利要求1所述的一种基于物理过程数值模型与K近邻算法的洪水灾害快速预 报方法， 其特 征在于， 所述 步骤7具体为： 步骤7.1， 在W indows系统中下 载和安装Anaco nda软件， 并完成编译环境设置； 步骤7.2， 通过Anaco nda控制台， 下 载并安转Sklearn扩展包； 步骤7.3， 在程序中导入Sklearn扩展包中的train_test_split功能模块， 通过train_ test_split模块先按0.1的分割系数将步骤6.3中获得的整合数据随机划分成9:1的训练数 据与测试 数据； 步骤7.4， 再次使用train_test_split模块按1/9的分割系数将步骤7.3中的训练数据 划分为训练集与验证集， 最终按8 :1:1确定最终的训练集、 验证集与测试集数据。 6.根据权利要求1所述的一种基于物理过程数值模型与K近邻算法的洪水灾害快速预 报方法， 其特 征在于， 所述 步骤8具体为： 步骤8.1， 通过Anaco nda控制台， 下 载并安装Numpy、 Sk learn、 Pandas、 jso n扩展包； 步骤8.2， 在Spyder 中构建Train.py， 基于Numpy、 Sklearn、 Pandas和json扩展包运用K 近邻算法进行快速预报模型训练程序搭建， 具体为使用距离公式筛选出与目标数据最接近 的K组数据， 据此进行 预报， 距离公式表示 为 式(2)中xi， xj为两个样本； xil， xjl分别为xi和xj的第l个特征值； Lp(xi， xj)为样本xi和xj 之间的距离， p为大于等于1的实数， 当p＝1时， L1(xi， xj)为曼哈顿距离， 当p＝2时， L2(xi， xj) 为欧式距离， 当p＝ ∞时， L∞(xi， xj)为各距离坐标的最大值；权　利　要　求　书 2/3 页 3 CN 115221725 A 3