[0001] 本发明涉及山洪灾害预警领域，尤其涉及一种基于多模式组合最优化的山洪灾害预警方法及系统。

[0002] 山洪灾害是指在短时间内因强降雨等气象因素导致的山地河流迅速上涨，从而引发的重大自然灾害，随着全球气候变化和水文循环发生了显著变化，山洪灾害的发生频率和强度逐渐增加，如何迅速、准确地划定山洪灾害的预警阈值对于加强灾害监测与预警，提升应对能力至关重要。

[0003] 目前大多数山洪灾害预警体系依赖于固定阈值进行监测和预警，往往受到多种因素影响导致预警效果不佳，并且现有的监测设备和技术大多依赖定点观测，无法实现对雨量、流量的实时动态监测。

[0017] 如图1所示，提出如下技术方案。根据本申请的一个方面，提供基于多模式组合最优化的山洪灾害预警方法，包括如下步骤：步骤S1、收集研究区山洪灾害资料，采用综合适应性指标筛选框架法识别山洪灾害指标，构建关键山洪灾害指标集，计算关键山洪灾害指标权重并配置预构建的山洪灾害预报模型；
步骤S2、从研究区历史山洪灾害数据中提取每场历史山洪灾害对应的集雨面积和汇流时间，分别拟合集雨面积和汇流时间的分布并构建集雨面积和汇流时间的联合分布，随机抽样得到若干个山洪情景；
步骤S3、基于雨量、水位和涨速构建若干个预警组合，对若干个山洪情景依次采用若干个预警组合分别拟合山洪致灾过程并输入预构建的预警组合最优化模型，求解模型得到每个山洪情景对应的最优化预警组合；
步骤S4、对每个山洪情景采用最优化预警组合拟合得到山洪致灾过程，计算关键山洪灾害指标值输入构建的山洪灾害预报模型，求解模型得到山洪灾害预报。

[0018] “现地”在“山洪灾害现地预警”中的意思是指在洪水发生的现场或当地。这种预警系统旨在利用实时监测和数据，及时对发生在特定地区的山洪灾害进行预警，以便迅速采取相应的措施来保护居民和财产安全，与一般的天气预警相比，现地预警更强调对具体地点的实时风险评估和响应能力。

[0019] 本发明通过对不同集雨面积和汇流时间的降雨情景分别采用不同预警组合进行山洪灾害预报，对比不同预警组合得到的山洪灾害预报与真实山洪灾害过程找到不同降雨情景的最优预警组合，划定各自的阈值，后续进行山洪灾害预警时通过计算得到的集雨面积和汇流时间数据能够直接选择预警组合进行山洪灾害预报，提高现地预警的速率，加强实时风险评估和响应能力。

[0020] 根据本申请的一个方面，所述步骤S1进一步为：步骤S11、收集研究区山洪灾害资料，包括：研究区历史山洪灾害数据和山洪灾害文献；
步骤S12、采用综合适应性指标筛选框架法识别山洪灾害指标，构建山洪灾害指标集，计算每个山洪灾害指标的权重；
步骤S13、构建山洪灾害预报模型，并采用山洪灾害指标权重配置山洪灾害预报模型。

[0021] 根据本申请的一个方面，所述步骤S12进一步为：步骤S12a、提取山洪灾害文献，识别影响山洪灾害的各类指标，构建初始山洪灾害指标集，结合专家意见采用循环反馈机制筛选初始山洪灾害指标，构建山洪灾害指标集；
步骤S12b、采用网络分析法构建山洪灾害指标之间的关系图，识别关键山洪灾害指标和相互依赖关系；
步骤S12c、基于动态反馈和山洪灾害指标之间的相互依赖关系采用自适应算法为每个山洪灾害指标分配权重，并对每个山洪灾害指标进行综合排序；
步骤S12d、计算山洪灾害指标的权重平均值，将权重远低于权重平均值的山洪灾害指标筛选出来，将剩余的山洪灾害指标构建关键山洪灾害指标集，得到关键山洪灾害指标的权重。

[0022] 综合适应性指标筛选框架法通过收集与评估指标，结合动态专家反馈，相互影响分析和权重优化，经过重要成分识别和最终评估来筛选出最有效的山洪灾害指标，在本实施例中，采用该方法不仅能够强调数据驱动的科学性，而且融入了专家的经验和对指标相互关系的理解，确保最终选出的指标即科学又符合实际应用的需求。

[0023] 综合适应性指标筛选框架法是一种系统化的方法，该方法以多维度的视角对影响因素进行综合评估并进行筛选，具体为：基于山洪文献初步确定影响山洪灾害的潜在指标；
将选择的指标分为不同的层次，构建指标体系，包括：基础数据层、特征指标层和最终评估层；
通过对指标的适应性进行评估，分析每个指标对山洪灾害的贡献程度；
基于指标的重要性，分配权重；
通过综合各指标的权重和适应性分析结果，形成指标的综合评价得分；
基于指标的综合得分，结合新收集的数据和事件反馈进行指标筛选，调整和优化指标体系。

[0024] 在本实施例中，采用综合适应性指标筛选框架法识别山洪灾害指标能够综合考虑多个因素的相互关系，避免只关注单一指标的片面性，同时可以从多个维度评价和筛选指标，使得结果更具可信度和适用性，该方法允许根据新的数据动态调整指标，可以保证指标始终反映当前的山洪灾害特征，更适用于快速变化的环境背景下。

[0025] 根据本申请的一个方面，所述步骤S2进一步为：步骤S21、从研究区历史山洪灾害数据中提取每场历史山洪灾害对应的集雨面积和汇流时间，采用核密度估计法分别拟合集雨面积和汇流时间的分布；
步骤S22、基于集雨面积和汇流时间的分布采用改进的贝叶斯网络模型构建两者的联合分布；
步骤S23、采用生成对抗网络进行随机抽样，得到若干个山洪情景。

[0026] 根据本申请的一个方面，所述步骤S21进一步为：步骤S21a、从研究区历史山洪灾害数据中提取每场历史山洪灾害对应的集雨面积和汇流时间；
步骤S21b、采用直方图查看集雨面积和汇流时间的初步分布情况，并基于初步分布情况设置核密度估计参数；
步骤S21c、采用KDE函数分别对集雨面积和汇流时间进行核密度估计，绘制拟合曲线；
步骤S21d、分析KDE结果，基于面积和汇流时间的分布特征调整带宽参数，优化拟合曲线，得到集雨面积和汇流时间各自的分布。

[0027] 核密度估计法是一种非参数统计方法，用于估计随机变量的概率密度函数，通过在数据点上放置一个核函数来生成平滑的密度估计，在水文和水资源管理中，集雨面积和汇流时间是两个重要参数，通过核密度估计可以有效地对这两个变量进行分析和建模；集雨面积是指在特定降雨事件中，能够汇集并对水流产生影响的区域，通过对历史降雨事件中集雨面积的数据进行核密度估计，可以得到集雨面积的概率密度分布，有助于识别集雨面积的常见范围，评估不同降雨事件下集雨面积的变化趋势；
汇流时间是指降雨开始到水流达到某一特定点的时间，通过对历史汇流时间数据的核密度估计，可以得到汇流时间的概率分布；
核密度估计不需要对数据分布做出任何假设，因此在处理未知分布的数据时非常有效，通过选择适当的核函数核带宽，核密度估计能够生成平滑的密度曲线，便于可视化和分析，在数据量较小或分布不均匀的情况下，核密度估计依然可以提供有效的密度估计且生成的概率密度图直观易懂，能够清晰地展示数据的分布特征，帮助决策者理解集雨面积和汇流时间的变化。

[0028] 根据本申请的一个方面，所述步骤S22进一步为：步骤S22a、构建贝叶斯网络模型，采用结构学习算法自动学习网络结构，确定节点间的依赖关系；
步骤S22b、对每个节点采用贝叶斯估计定义条件概率表，并采用交叉验证法优化参数估计；
步骤S22c、采用sample法从贝叶斯网络中生成集雨面积和汇流时间的联合分布的样本。

[0029] 根据本申请的一个方面，所述步骤S23进一步为：步骤S23a、构建生成对抗网络模型的生成器和判别器；
步骤S23b、依次训练判别器和生成器，得到训练好的生成对抗网络模型；
步骤S23c、基于集雨面积和汇流时间的联合分布采用训练好的生成对抗网络模型生成新的集雨面积和汇流时间样本，得到若干个山洪情景。

[0030] 生成对抗网络是一种深度学习模型，主要由生成器和判别器组成，生成器负责生成假数据样本，生成器接受随机噪声作为输入，通过一系列的神经网络层生成类似于真实数据的样本，判别器复杂判断输入的数据是真实或生成的，判别器通过训练学习到真实数据的分布，并尝试区分真实样本和生成样本。

[0031] 生成对抗网络模型的训练过程是一个博弈过程，生成器和判别器相互对抗，生成器试图生成越来越真实的数据，以欺骗判别器，判别器通过对比生成样本和真是样本，提高分类精度，通过生成对抗网络模型进行随机抽样的具体过程为：随机初始化生成器和判别器的参数；
进行迭代训练，通过真实样本训练判别器，生成随机噪声，并使用生成器生成相应的假样本，更新判别器；
更新生成器，通过生成的假样本对判别器的反馈来改进生成网络；
训练完成后，生成器可以接受新的随机噪声作为输入，生成多种可能的场景。

[0032] 采用生成对抗网络进行随机抽样，能够以高效、灵活且经济的方式获得大量的模拟情景数据。

[0033] 根据本申请的一个方面，所述步骤S3进一步为：步骤S31、基于雨量、水位和涨速构建七个预警组合，包括三个单一预警和四个组合预警，单一预警分别为：雨量预警、水位预警和涨速预警，组合预警分别为：雨量水位组合预警、雨量涨速组合预警、水位涨速组合预警和雨量水位涨速组合预警；
在本实施例中，根据雨量、水位和涨速以及它们之间的组合构建了七个预警组合，通过对某个情景分别计算七个预警组合模拟得到的山洪致灾过程并分别计算精度，找到各个山洪情景对应的最优的预警组合，提高后续预报的准确度。

[0034] 步骤S32、构建预警组合最优化模型，目标函数为预警组合预报精度最高；步骤S33、对若干个山洪情景依次采用七个预警组合分别拟合山洪致灾过程，得到每个山洪情景对应的七个致灾过程；
步骤S34、将每个山洪情景对应的七个致灾过程输入预警组合最优化模型，采用Enhanced MOEA/D算法求解模型得到每个山洪情景对应的最优化预警组合。

[0035] 根据本申请的一个方面，所述步骤S34进一步为：步骤S34a、随机生成种群，基于目标数自动生成权重矢量，基于当前种群特征调整领域结构；
步骤S34b、基于个体适应度动态调整学习率进行更新；
步骤S34c、基于领域个体生成新的个体，并用新的个体更新种群；
步骤S34d、反复迭代直至完全收敛，得到的预警组合即为当前山洪情景对应的最优化预警组合。

[0036] Enhanced MOEA/D算法是一种将多目标优化问题转化为多个单目标优化问题的方法，该算法通过对目标空间的分解，使得每个个体负责优化一个或多个目标，同时与其邻近个体进行协作，与常用的MOEA/D算法不同的是，Enhanced MOEA/D算法并不是固定的邻域结构，而是根据种群的分布和多样性动态调整个体在领域的分布，增加了对全局最优解的全面探索能力；同时Enhanced MOEA/D算法还根据每个目标的重要性，动态调整权重矢量，使得多目标之间的平衡更加灵活，Enhanced MOEA/D算法会根据算法的运行阶段和当前种群的表现，动态调整变异和交叉过程中的参数，避免一开始就陷入局部最优，具体为：
随机生成种群的初始个体，每个个体代表一个可能的解决方案；
为每个个体生成一个权重矢量，确保其适应目标数量；
根据个体的距离或相似性选择邻域个体；
对每个个体评估其适应度，通过目标函数计算；
选择表现较好的个体以及其邻域内的个体，采用基于非支配排序和拥挤度距离的选择机制；
使用交叉和变异操作生成新的个体；
将新生成的个体与当前种群进行合并，并使用非支配排序方法选择下一代；
重复迭代直至完全收敛。

[0037] 在某个实施例中，具体为：收集降雨数据、地形数据和历史灾害数据；
基于目标数量构建自适应权重，该实施例为三个，初始化种群，随机初始化预警系统的参数；
评估每个个体的适应度，计算三个目标的值，基于历史数据通过模拟山洪灾害响应来确定每种预警组合的表现；
采用Enhanced MOEA/D的动态邻域结构引入自适应变异率生成后代；
用新生成的个体更新种群，保留前N个优质解。

[0038] Enhanced MOEA/D算法使用自适应权重和动态领域结构，使得算法在探索时能够灵活调整，从而找到更优的解决方案，该算法可以在多个目标之间找到平衡点，确保在提高预警的准确性方面，同时又不会大幅增加预警成本，随着算法性能的提高，能够加速响应时间，因此在实际操作中，可以实现更快的决策制定，从而有效应对突发情况。

[0039] 根据本申请的一个方面，所述步骤S4进一步为：步骤S41、依次对每个山洪情景采用最优化预警组合拟合得到山洪致灾过程，基于山洪致灾过程得到关键山洪灾害指标值；
步骤S42、依次将每个山洪情景对应的关键山洪灾害指标值输入构建的山洪灾害预报模型，求解模型得到每个山洪情景对应的山洪灾害预报。

[0040] 现地预警根据不同预警时段的雨量、上下游水位、涨速检测值，计算上游面雨量，分析测算上下游成灾水位，分析面雨量与河道水位变化关系，在本实施例中，通过研究区当前集雨面积和汇流时间计算得到最优化的预警组合，然后采用最优化的预警组合进行山洪演进模拟，得到关键山洪灾害指标对应的数值并输入构建的山洪灾害预报模型中，最终得到随预警时段变化的山洪灾害预报。

[0041] 如图2所示，根据本申请的另一个方面，还提供一种基于多模式组合最优化的山洪灾害预警系统，包括以下模块：预构建山洪灾害预报模型模块：收集研究区山洪灾害资料，采用综合适应性指标筛选框架法识别山洪灾害指标，构建关键山洪灾害指标集，计算关键山洪灾害指标权重并配置预构建的山洪灾害预报模型；
构建联合分布模块：从研究区历史山洪灾害数据中提取每场历史山洪灾害对应的集雨面积和汇流时间，分别拟合集雨面积和汇流时间的分布并构建集雨面积和汇流时间的联合分布，随机抽样得到若干个山洪情景；
求解最优化模型模块：基于雨量、水位和涨速构建若干个预警组合，对若干个山洪情景依次采用若干个预警组合分别拟合山洪致灾过程并输入预构建的预警组合最优化模型，求解最优化模型得到每个山洪情景对应的最优化预警组合；
求解山洪灾害预报模型模块：对每个山洪情景采用最优化预警组合拟合得到山洪致灾过程，计算关键山洪灾害指标值输入构建的山洪灾害预报模型，求解山洪灾害预报模型得到山洪灾害预报。

[0042] 本发明还提供了一种电子设备，包括至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项所述的基于多模式组合最优化的山洪灾害预警方法。

[0043] 以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。