基于机器学习的山洪预警系统降雨径流模型与临界雨量阈值确定相关参数及设计要求.docVIP

基于机器学习的山洪预警系统降雨径流模型与临界雨量阈值确定相关参数及设计要求

一、降雨径流模型核心参数体系构建

（一）水文气象基础参数

降雨特征参数

时段降雨量：是模型输入的核心变量，需按10分钟、30分钟、1小时、3小时、6小时、12小时、24小时等不同时间尺度采集。不同时间尺度的降雨量对径流形成的影响存在显著差异，短历时强降雨易引发快速产流，而长历时降雨则更多影响土壤含水量和地下水位变化。在机器学习模型中，多时间尺度降雨量的组合输入能够更全面地反映降雨过程的动态特性，例如采用LSTM模型时，可将不同时段降雨量作为时间序列的特征维度，捕捉降雨强度的变化趋势。

降雨强度：通常用单位时间内的降雨量表示，是衡量降雨激烈程度的关键指标。在山洪预警中，降雨强度直接决定了地表产流的速度和规模。对于机器学习模型而言，降雨强度可通过降雨量与对应时段的比值计算得到，作为模型的重要输入特征。此外，还可引入降雨强度的变化率参数，以反映降雨过程的突变性，这对于识别山洪暴发的临界降雨条件具有重要意义。

降雨时空分布：包括降雨的空间覆盖范围和时间分布均匀性。在小流域山洪预警中，降雨的空间分布不均可能导致局部区域先达到产流临界条件。为了准确模拟这种情况，可利用雷达测雨数据或多站点降雨监测数据，通过插值方法生成降雨的空间分布场，并将其作为机器学习模型的输入。例如，采用卷积神经网络（CNN）时，可将降雨的空间分布图