[发明专利]一种水文气象数据集成处理系统

说明书

本发明公开了一种水文气象数据集成处理系统，包括基于系统架构的水文气象数据预处理模块、水文气象数据分解模块、水文气象数据趋势分析模块、水文气象数据预测模块和流域径流的归因分析及潜在蒸发计算模块。本发明与现有技术相比的优点在于：本方案的系统及生成模型基于python语言，包含水文气象数据预处理模块、水文气象数据分解模块、水文气象数据趋势分析模块、水文气象数据预测模块，对水文气象数据进行合理分配和再处理，模型贴合行业作业需要，大大提高了水文气象模型的成型效率和精度，适用性好，便于推广。

技术领域

本发明涉及水文气象模型设计，具体是指一种水文气象数据集成处理系统。

背景技术

水文气象学(hydrometeorology)，属于地理学、水文学，它运用气象学与水文学的原理和方法来研究水份循环和水份平衡中跟降水、蒸发、径流、土壤含水量和蒸腾等水文气象要素的关系问题，主要研究对象是发生在地球大气系统中的诸如暴雨洪水、干旱、洪涝等水文气象事件的时空变化规律及其在水利工程建设、防汛抗旱、水资源的利用与管理等工作中的应用。

发明内容

本发明要解决的技术问题是目前的水文气象数据处理及模型设计上，存在诸多不足，存在模型架构不够合理、数据处理不够高效的问题，不满足目前行业需要。

为解决上述技术问题，本发明提供的技术方案为：一种水文气象数据集成处理系统，包括基于系统架构的水文气象数据预处理模块、水文气象数据分解模块、水文气象数据趋势分析模块、水文气象数据预测模块和流域径流的归因分析及潜在蒸发计算模块，水文气象数据预处理模块采用EMD-多元回归算法进行数据的插补延长，利用相关性将时序不一致的序列转化为时序一致的水文气象序列；水文气象数据分解模块将长时间序列进行分解，对于时间序列来说，传统的时间序列预测模型对于不平稳的数据是不能进行处理的，需要对时间序列进行分解，使得时间序列区域平稳，才可以进行时间序列的模拟预测，也可以进一步分析时间序列所包含的趋势项、季节项、周期项等分量；水文气象数据趋势分析模块采用MK+Sen趋势分析进行水文气象数据的趋势检验；水文气象数据预测模块用均生函数-最优子集回归-主成分分析-BP神经网络/长短期记忆网络(MGF-OSR-PCA-BP/LSTM)预测模型，新的水文气象预测模型加入了PCA提升了模型计算效率，同时添加了长短期记忆网络，以期更精确的结果；流域径流的敏感性分析及潜在蒸发计算模块主要采用质量平衡模型、布迪克水热平衡理论、FAO推荐的Penmen-Montieth公式以及弹性系数进行流域潜在蒸发和径流的敏感性分析。

本发明与现有技术相比的优点在于：本方案的系统及生成模型基于python语言，包含水文气象数据预处理模块、水文气象数据分解模块、水文气象数据趋势分析模块、水文气象数据预测模块，对水文气象数据进行合理分配和再处理，模型贴合行业作业需要，大大提高了水文气象模型的成型效率和精度，适用性好，便于推广。

进一步的，水文气象数据预处理模块利用EMD-多元回归算法做缺失数据的插补与延长，首先找到完整的水文气象序列，利用相关系数判断完整数据与缺失数据之间的相关性，将相关性最好的完整序列进行 EMD分解，并取贡献最大的分量作为自变量，缺失序列作为因变量构建多元回归模型，最终实现数据的插补延长，将不完整的数据序列整合为完整一致的数据序列。

进一步的，水文气象数据预处理模块的经验模态分解方法如下：1)找到信号x(t)所有的极值点；

2)用3次样条曲线拟合出上下极值点的包络线emax(t)和emin(t)，并求出上下包络线的平均值m (t)，在x(t)中减去它，即h(t)＝x(t)-m(t)；

3)根据预设判据判断h(t)是否为IMF；

4)如果不是，则以h(t)代替x(t)，重复以上步骤直到h(t)满足判据，则h(t)就是需要提取的 IMFCK(t)；

5)每得到一阶IMF，就从原信号中扣除它，重复以上步骤，直到信号最后剩余部分m就只是单调序列或者常值序列。