[0001] 本发明涉及山洪灾害预警领域，尤其涉及一种多模式山洪灾害现地预警阈值动态划定方法及系统。

[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。

[0004] 本发明提出多模式山洪灾害现地预警阈值动态划定方法及系统，解决目前存在的上述问题，提高预警准确性、增强应急反应能力、促进科学治理、助力可持续发展。

[0019] 如图1所示，提出如下技术方案。根据本申请的一个方面，提供多模式山洪灾害现地预警阈值动态划定方法，包括如下步骤：步骤S1、收集研究区资料，基于研究区地形数据设置DEM精度，将研究区网格化并自动识别研究区内河流，识别栅格异常点，将研究区划分为n个子流域，得到各个子流域的面积，n为正整数；
步骤S2、提取研究区历史降雨数据，基于历史降雨的先验分布构建降雨情景随机构造模型，生成若干个研究区降雨情景；
步骤S3、将若干个研究区降雨情景输入预构建的分布式水文模型，模拟得到若干个研究区降雨情景对应的产流过程，并计算对应的汇流时间，基于降雨笼罩范围和各个子流域的面积计算得到集雨面积；
步骤S4、构建山洪预报模型，将若干个研究区降雨情景输入构建的山洪预报模型，模拟并提取致灾情景，并输入预构建的Seq2Seq模型，分别以雨量、水位、涨速、雨量与水位、水位与涨速、雨量与涨速以及雨量与水位与涨速训练构建的Seq2Seq模型；
步骤S5、收集研究区历史山洪数据，将研究区历史山洪情景分别输入构建的七种预警组合对应的Seq2Seq模型中，分别模拟得到山洪灾害过程，计算七种预警组合的预警阈值，组合得到山洪灾害现地预警阈值。

[0020]  “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。

[0021] 根据本申请的一个方面，所述步骤S1进一步为：步骤S11、收集研究区数字高程栅格数据，基于研究区地形数据采用自适应分辨率数字高程模型构建法设置DEM精度并将研究区按DEM精度划分为若干个网格，得到研究区的数字高程栅格数据；
数字高程格栅提供了高精度的地形数据，使得河流网络的结构和形态能够被准确识别，相比于传统的手工测量或低分辨率的地形数据，数字高程格栅可以更为细致地反映地表微小的起伏；通过分析高程数据，可以考虑流域的水文过程，能够更好地模拟河流流动、径流路径和水文特征。

[0022] 步骤S12、读取研究区的数字高程栅格数据，构建监测窗口，监测得到相邻窗口高程高低关系，得到最速下降向量，并确定每个栅格的下降方向，即水流方向；最速下降向量，即空间高点指向低点的方向，也是水流方向；
步骤S13、每个栅格沿其下降方向将向量延长，直至与河流交汇，则该栅格隶属于与其交汇的第一条河流；
步骤S14、扫描所有栅格，将与周围所有栅格都不同属于同一河流的栅格识别为异常栅格，分别计算异常栅格和其周边8个栅格的下降梯度，下降梯度最大的栅格所隶属的河流即为该异常栅格隶属的河流；
步骤S15、将研究区分为n个子流域，分别计算得到每个子流域的面积，n为正整数。

[0023] 基于DEM提取数字流域河网中，不同DEM分辨率会导致数字河网的提取结果不同，选择合适的阈值对于数字河网及流域提取的准确性至关重要，较小的阈值能提取出更多的细小河流，但会增加计算量和数据存储需求；较大的阈值则更适合提取大型河流，并能够提高计算效率，在相同分辨率下，随着阈值的增大，河网变得稀疏，地形因素会对阈值的选择产生较大影响，而DEM分辨率直接影响地形因素的提取和分析，高分辨率的DEM可以提供更可靠的地形信息，从而提高结果的精度和准确性，低分辨率的DEM可能导致数字河网提取结果不够精确，但过高的分辨率也更容易受到噪声的干扰。

[0024] 根据本申请的一个方面，所述步骤S11进一步为：步骤S11a、收集研究区数字高程栅格数据并生成基础DEM；
步骤S11b、采用小波变换法分析DEM中的不同频率成分，识别研究区地形的空间特征并提取研究区地形特征；
步骤S11c、基于研究区地形的空间特征和地形特征分别设定不同区域的自适应分辨率，基于特征强度采用自适应网格生成算法生成动态网格，得到研究区的数字高程栅格数据。

[0025] 自适应分辨率数字高程模型构建法结合了多尺度分析和动态网格生成算法，通过地形特征的强度判断来调整网格分辨率，能够确保在处理不同复杂性的地形时，能够提供更精确的高程数据，在本实施例中不仅能够提高DEM数据的有效性和适应性，同时能够为后续的计算提供更为可靠的基础数据。

[0026] 根据本申请的一个方面，所述步骤S12进一步为：步骤S12a、采用GIS软件读取高程栅格数据，设置窗口大小并将窗口在DEM中滑动监测相邻栅格的高度关系；
步骤S12b、循环遍历每个栅格，并在窗口内收集周围栅格的高程值；
步骤S12c、基于栅格的高程值计算每个栅格和周围8个栅格的高度差，并基于该栅格和周围8个栅格的高度差计算得到最速下降向量；
步骤S12d、基于最速下降向量确定每个栅格的下降方向，即水流方向。

[0027] 在本实施例中，读取数字高程栅格数据并构建监测窗口，监测相邻窗口高程高低关系以确定每个栅格的水流方向，具体为：使用GIS软件读取高程栅格数据，在Python中操作时，使用rasterio库读取DEM；
选择一个合适的窗口大小，窗口将在DEM中滑动以监测相邻像素即栅格的高度关系；
循环遍历每个栅格，在窗口内获取周围栅格的高程值，使用滑动窗口技术可以计算每个像素的周围像素；
分析当前像素及其相邻像素的高程数据，计算相邻像素与当前像素之间的高度差；
比较当前栅格的高程值与相邻8个方向的高程值，找到下降最快的方向，下降方向用角度或矢量表示；
根据从8个相邻像素中得到的下降方向，计算最终的流向矢量，每个方向用一个二维数组表示；
将计算得到的流向结果存储为新的栅格数据。

[0028] 根据本申请的一个方面，所述步骤S2进一步为：步骤S21、收集研究区降雨资料，采用改进的荟萃分析法循环识别降雨指标并筛选，构建降雨的定量指标集；
步骤S22、基于研究区历史降雨资料，分别计算每个历史降雨事件中每个降雨的定量指标值，基于每个历史降雨事件中每个降雨的定量指标值拟合各个降雨的定量指标的概率分布；
步骤S23、基于各个降雨的定量指标的概率分布构建所有降雨的定量指标的多维联合分布，随机抽样得到若干个降雨情景。

[0029] 在本实施例中，首先采用荟萃分析法识别初始指标，在筛选掉不敏感的指标后，采用敏感指标的关键词再次进行荟萃分析，并对比新识别的指标和筛选后的指标，将相同的指标作为降雨的定量指标，并计算新出现的指标的敏感度，将敏感度大于阈值的指标也作为降雨的定量指标。根据本申请的一个方面，所述步骤S21进一步为：步骤S21a、收集研究区降雨资料，采用改进的荟萃分析法识别出降雨指标，构建初始降雨指标集；
步骤S21b、统计每个初始降雨指标出现次数计算出现频率和平均频率，将出现频率高于平均频率的初始降雨指标识别为降雨指标，采用K‑means算法识别相似的降雨指标并进行聚类，构建降雨指标集；
步骤S21c、提取降雨指标集的关键词并基于关键词再次采用改进的荟萃分析法识别新的降雨指标，并耦合降雨指标集构建降雨的定量指标集。

[0030] 在本实施例中，通过计算初始降雨指标出现次数得到初始降雨指标的频率，计算平均频率，将出现频率远低于平均频率的初始降雨指标去除，得到降雨的定量指标集。

[0031] 根据本申请的一个方面，所述步骤S21a进一步为：步骤S21a1、收集研究区降雨资料，采用关键字和数据库搜索筛选文献，基于筛选的文献提取出与降雨相关的指标；
步骤S21a2、采用贝叶斯模型估计每个与降雨相关的指标的效应，并设置置信区间；
步骤S21a3、将筛选的文献中每个文献识别的降雨指标的山洪风险概率视为一个先验分布，采用马尔可夫链蒙特卡洛法进行后验推断，得到每个文献识别的降雨指标的后验分布并基于置信区间筛选出降雨指标，构建初始降雨指标集。

[0032] 根据本申请的一个方面，所述步骤S21c进一步为：步骤S21c1、依次计算降雨指标集中每个降雨指标的TF‑IDF值，并将TF‑IDF值转换为数值特征，基于数值特征将降雨指标集分为M类，每一类有各自的分类关键词，M为大于2的正整数；
TF‑IDF是一种常用于文本挖掘和信息检索的加权技术，旨在评估一个词汇在一篇文档集合或语料库中的重要性，由词频和逆文档频率组成，在本实施例中，通过计算每个指标的TF‑IDF值并将TF‑IDF值转换为数值特征，采用词嵌入技术将相似的指标映射到接近的向量空间，再采用层次聚类法将相似的降雨指标分为同一类，得到带有关键词的降雨指标分类。

[0033] 步骤S21c2、基于M类的分类关键词再次采用改进的荟萃分析法识别得到新的降雨指标，并计算新的降雨指标的频率值；步骤S21c3、依次对比每个新出现的降雨指标和频率值最小的降雨指标之间的频率值大小，将不小于降雨指标集中降雨指标频率值最小值的新降雨指标归类到降雨指标集中，得到的新的降雨指标集即为降雨的定量指标集。

[0034] 根据本申请的一个方面，所述步骤S3进一步为：步骤S31、构建分布式水文模型；
步骤S32、将若干个研究区降雨情景输入分布式水文模型，模拟得到若干个研究区降雨情景对应的产流过程和汇流时间；
步骤S33、计算若干个降雨情景对应的降雨笼罩范围，并分别与每个子流域面积求并集，得到的并集即为若干个降雨情景对应的集雨面积。

[0035] 根据本申请的一个方面，所述步骤S4进一步为：步骤S41、构建一、二维水动力模型，并耦合已构建的分布式水文模型，得到山洪预报模型；
步骤S42、将若干个研究区降雨情景输入山洪预报模型，模拟得到山洪灾害预报；
步骤S43、基于山洪灾害预报提取致灾情景并输入预构建的基于Attention机制优化的LSTM模型，以雨量、水位、涨速、雨量与水位组合、水位与涨速组合、雨量与涨速组合以及雨量与水位与涨速组合共七种预警组合分别训练构建的LSTM模型，得到七种LSTM模型。

[0036] 根据本申请的一个方面，所述步骤S43进一步为：步骤S43a、基于山洪灾害预报提取致灾情景，收集雨量和水位数据，基于水位变化计算涨速，得到雨量、水位和涨速各自的数据集；
步骤S43b、构建Seq2Seq模型，生成雨量、水位和涨速各自的序列数据，将雨量、水位和涨速两两组合以及三者组合，得到雨量与水位组合、水位与涨速组合、雨量与涨速组合以及雨量与水位与涨速组合对应的序列数据；
步骤S43c、依次将雨量、水位、涨速、雨量与水位、水位与涨速、雨量与涨速以及雨量与水位与涨速共七种预警组合各自的序列数据按照时间顺序划分为训练集和验证集，其中前70%为训练集，后30%为验证集；
步骤S43d、依次采用雨量、水位、涨速、雨量与水位、水位与涨速、雨量与涨速以及雨量与水位与涨速各自的训练集分别训练Seq2Seq模型，得到预测结果并反标准化后将预测值映射回原始数据范围，绘制预测值和验证集的对比图，评估模型性能并基于预测值和验证集的对比结果优化模型参数和超参数直至预测值和验证集的差别小于阈值，停止迭代，得到七种预警组合对应的Seq2Seq模型。

[0037] 所述步骤S43b进一步为：步骤S43b1、采用Keras构建Seq2Seq模型，包括编码器和解码器，设置模型参数，引入Attention机制；
步骤S43b2、提取雨量、水位和涨速各自的数据集输入解码器，依次采用滑动窗口生成雨量、水位和涨速各自的序列数据；
步骤S43b3、将雨量、水位和涨速两两组合以及三者组合，得到雨量与水位组合、水位与涨速组合、雨量与涨速组合以及雨量与水位与涨速组合对应的序列数据，共计七种预警组合。

[0038] 在本实施例中，采用结合LSTM和Attention的Seq2Seq模型能够有效捕捉到输入和输出之间复杂的非线性关系，对于山洪灾害这一复杂的气象现象尤为重要，可以提高模型的预测性能，同时该模型可以灵活支持变长的输入和输出序列，在处理山洪灾害过程中，由于降雨量、水位和涨速具有不规则的时间间隔，该模型能够适应多种不同类型的时间序列，能加契合该场景。

[0039] 通过Attention机制，模型能自动判断哪些特征在不同时间点上对预测有较大影响，有助于减少过度拟合，提高模型在未见数据上的泛化能力，同时Attention权重能够提供关于模型决策过程的可视化，增加了模型的可解释性，这在气候灾害预警中尤为重要。

[0040] 根据本申请的一个方面，所述步骤S5进一步为：步骤S51、收集研究区历史山洪数据，包括：历史山洪情景数据、汇流时间、集雨面积和山洪灾害过程；
步骤S52、将研究区历史山洪情景分别输入构建的七种预警组合对应的Seq2Seq模型中，分别模拟得到山洪灾害过程；
步骤S53、设置模型拟合置信区间，分别计算七种预警组合对应的Seq2Seq模型模拟得到的山洪灾害过程与真实研究区历史山洪灾害过程相似度，对七种Seq2Seq模型分别提取相似度在置信区间内的研究区历史山洪情景，则该Seq2Seq模型对应的预警组合为所提取的研究区历史山洪情景的最佳预警组合；
步骤S54、分别统计每个Seq2Seq模型所提取的研究区历史山洪情景对应的汇流时间和集雨面积，以其中的最大值作为该Seq2Seq模型对应的预警组合的预警阈值，得到山洪灾害现地预警阈值即为七种预警组合的预警阈值。

[0041] 如图2所示，本发明还提供了一种多模式山洪灾害现地预警阈值动态划定系统，其特征在于，该系统包括以下单元：划分研究区单元：收集研究区资料，基于研究区地形数据设置DEM精度，将研究区网格化并自动识别研究区内河流，识别栅格异常点，将研究区划分为n个子流域，得到各个子流域的面积，n为正整数；
生成降雨情景单元：提取研究区历史降雨数据，基于历史降雨的先验分布构建降雨情景随机构造模型，生成若干个研究区降雨情景；
构建分布式水文模型单元：将若干个研究区降雨情景输入预构建的分布式水文模型，模拟得到若干个研究区降雨情景对应的产流过程，并计算对应的汇流时间，基于降雨笼罩范围和各个子流域的面积计算得到集雨面积；
构建山洪预报模型单元：构建山洪预报模型，将若干个研究区降雨情景输入构建的山洪预报模型，模拟并提取致灾情景，作为预构建的Seq2Seq模型的目标序列，分别以雨量、水位、涨速、雨量与水位、水位与涨速、雨量与涨速、雨量与水位与涨速作为输入序列，训练Seq2Seq模型；
模拟计算预警阈值单元：收集研究区历史山洪数据，将研究区历史山洪情景分别输入构建的七种预警组合对应的Seq2Seq模型中，分别模拟得到山洪灾害过程，计算七种预警组合的预警阈值，组合得到山洪灾害现地预警阈值。

[0042] 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。