[发明专利]一种基于大数据统计相似分析的流域水文区划方法

说明书

本发明公开了一种基于大数据统计相似分析的流域水文区划方法，采用主成分分析方法进行综合因子的提取，将提取出来的综合因子作为K‑Means聚类分析的聚类因子，根据最小类内方差准则得到最优的聚类数，将聚类数作为水文相似分区的数目。为了验证聚类分出的水文分区与实际相吻合，引入斯米尔诺夫一致性检验的统计方法，对长序列的水文资料和气象站点的资料进行一致性检验。本发明从多元统计的角度出发，采用主成分分析生成多个综合因子来代表原来的指标，精简了计算，利用K‑Means聚类可以将因子间的相互作用以数值的形式体现出来，定量的进行分区，适合多因素影响下的水文分区。

技术领域

本发明属于流域水文分析技术领域，特别涉及了一种基于大数据统计相似分析的流域水文区划方法。

背景技术

目前，对于水文分区的相关研究，如：罗开富等根据内外流域的分水线、水流形态和含沙量为指标将全国划分为外流区和内流区，汤奇成按气候带将全国划分为6个河流水文区，M.J.Hall和张静怡应用人工神经网络和模糊聚类对英国威尔士的西南地区及中国的江西省和福建省进行水文分区，熊怡等以径流的年内分配、径流深和径流动态为主要指标将全国划分为56个水文分区，而这些分区主要关注生态或水文单方面的因素，水文分区的需求和目的存在一定差别。

对于复杂的地区，受到多因素的影响，所以分区不能用一般的显示单方面因素的水文分区方法进行划分，需要考虑影响分区的所有的因子，而影响分区的因子众多，需要精简一些因子而又不失因子所代表的信息。

发明内容

为了解决上述背景技术提出的技术问题，本发明旨在提供一种基于大数据统计相似分析的流域水文区划方法，从多元统计的角度出发，采用主成分分析生成多个综合因子来代表原来的指标，使其含有较多的信息，适用于多因素影响下的水文分区。

为了实现上述技术目的，本发明的技术方案为：

一种基于大数据统计相似分析的流域水文区划方法，包括以下步骤：

(1)将流域按照站点控制面积或者设定的流域面积标准，划分为n个子流域；

(2)选取气候因素、下垫面因素作为分区的p个相似因子；

(3)对气象站点的测量数据进行克里金插值，从而将测量数据覆盖整个流域；

(4)将p个相似因子取平均值，分别平铺在n个子流域，组成n行p列的相似因子矩阵；

(5)对相似因子矩阵进行降维和正交变换；

(6)对相似因子进行主成分分析，计算相似因子的相关系数矩阵，并得到相关系数矩阵的p个非负特征值；选出大于预设阈值的特征值，这些特征值所对应的特征向量即为主成分；

(7)将步骤(6)提取出的主成分作为K-Means聚类分析的聚类因子，根据最小类内方差准则，得到最优聚类数；

(8)将最优聚类数载入到划分的子流域中，生成水文相似性分区图；

(9)采用斯米尔诺夫一致性检验的方法，对分区结果进行验证。

进一步地，在步骤(2)中，所述气候因素包括降水、蒸发、气温和日照时数。

进一步地，在步骤(2)中，所述下垫面因素包括土地利用类型、地形因子、土壤质地。

进一步地，在步骤(3)中，对相似因子矩阵X进行标准化，得到标准化后的相似因子矩阵Y＝(y_ij)_n×p：

上式中，x_ij为相似因子矩阵X第i行第j列的元素，即第i个子流域的第j个相似因子。

进一步地，在步骤(6)中，所述预设阈值为1。