[发明专利]一种改进的流域汛期分期方法、系统及存储介质

权利要求书

1.一种基于多目标优化算法改进的流域汛期分期方法，其特征在于，包括以下步骤：

步骤1、获取流域数据资料，进行数据预处理，得到序列数据；

步骤2、确定所述序列数据的分布特征，进而选取确定主汛期入汛标准阈值；

步骤3、根据所述主汛期入汛标准阈值，计算经验隶属度；

步骤4、确定理论隶属度函数为目标优化模型，确定模型参数以及参数的取值范围，并确定优化指标；

步骤5、利用多目标优化算法优化理论隶属度函数模型；

步骤6、对理论隶属度函数和经验隶属度进行拟合，当优化指标的拟合程度达到预设的精度要求时，确定理论隶属度函数，对汛期进行划分。

2.根据权利要求1所述的一种基于多目标优化算法改进的流域汛期分期方法，其特征在于，所述步骤1具体为：

获取降水数据资料、流量数据资料和水位数据资料中的任意一种流域数据资料；

降水数据资料为气象站的实测数据，资料匮乏流域则采用卫星气象数据或再分析方法补充气象资料；

流量数据资料和水位数据资料使用水文站的实测数据，资料匮乏流域则采用构建水文水动力模型的方法反演流域水量和水位数据。

3.根据权利要求1所述的一种基于多目标优化算法改进的流域汛期分期方法，其特征在于，所述步骤2中使用P-Ⅲ型分布函数确定所述序列数据的分布特征，具体公式为：

式中，α为P-Ⅲ型分布的形状参数，β为尺度参数，δ为位置参数，Γ(α)为伽马函数；采用线性矩法估计P-Ⅲ型分布的参数。

4.根据权利要求1所述的一种基于多目标优化算法改进的流域汛期分期方法，其特征在于，所述步骤3中使用直接模糊统计法计算经验隶属度，具体的：

将汛期作为一年时间论域T中的一个模糊子集A，即用隶属函数U_A(t)来描述任何一个时刻t(t∈T)属于汛期特性的程度，则经验隶属度为：

式中，对于经验隶属度U_A(t)，选取λ的值，其中λ∈[0,1]，则λ的截集为：

A_λ＝{t|U_A(t)≥λ,t∈T}

式中，A_λ的物理意义为，若时间t对A的隶属度达到或超过λ，则t属于A_λ的成员，于是主汛期扩展为截集里的所有元素，A_λ中包含主汛期的开始与结束时间。

5.根据权利要求1所述的一种基于多目标优化算法改进的流域汛期分期方法，其特征在于，所述步骤4具体包括：

步骤401、确定理论隶属度函数为目标优化模型，确定模型参数以及参数的取值范围：

式中，W_A(t)为理论隶属度函数，a₁为理论隶属度函数中主汛期开始时间，a₂为理论隶属度函数中主汛期结束时间，b₁为升半正态参数，b₂为降半正态参数，参数的取值范围为a₁,a₂∈[1,365]，b₁,b₂∈[1,100]；

步骤402、确定皮尔森相关系数、纳什效率系数和均方根误差为多目标优化指标：

式中，R是皮尔森相关系数，描述的是两个变量间线性相关强弱程度，R的绝对值越接近于1表明相关性越强；Obs表示经验隶属度序列，表示经验隶属度均值，Sim表示理论隶属度序列，表示理论隶属度均值，n为样本量；

式中，NSE是纳什效率系数，用于评价模型模拟结果优劣，NSE越接近于1，表示模型质量越好，模型可信度越高；Obs表示经验隶属度序列，表示经验隶属度均值，Sim表示理论隶属度序列，表示理论隶属度均值，n为样本量；

式中，RMSE表示均方根误差，指经验值与理论值偏差的平方与经验值个数比值的平方根，RMSE越小表示模拟效果越好；Obs表示经验隶属度序列，Sim表示理论隶属度序列，n为样本量。