EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 5: 860 - 868

DOI: https://doi.org/10.12082/dqxxkx.2021.200343

Research on the Characteristics of Rainfall Events and Rain Pattern Zoning in Hebei based on Data Mining Technology

  • LI Yuxin , 1, 2 ,
  • WANG Ying , 1, 2, * ,
  • MA Qingyuan 1, 2 ,
  • LIU Tianxue 1, 2 ,
  • SI Lili 3 ,
  • YU Haiyang 3
Expand
  • 1. Key Laboratory of Environmental Change and Natural Disaster of Ministry of Education, Beijing Normal University, Beijing 100875, China
  • 2. Academy of Disaster Reduction and Emergency Management, Ministry of Emergency Management and Ministry of Education, Beijing 100875, China
  • 3. Hebei Meteorological Disaster Prevention Center, Shijiazhuang 050021, China
*WANG Ying, E-mail:

Received date: 2020-07-03

  Request revised date: 2020-09-18

  Online published: 2021-07-25

Supported by

National Key R&D Program of China(2017YFC1502505)

Copyright

Copyright reserved © 2021
Fold

Abstract

In-depth data mining of rainfall data and characterizing the rainfall events from meteorological records play an important role in formulation of flood disaster warning and mitigation measures. This paper analyzed a large number of hourly rainfall observations to quantify the rainfall pattern, cumulative rainfall, duration, and other indicators of rainfall events in Hebei province. First, we generated independent rainfall events based on the hourly precipitation data of 3189 stations in Hebei from 2005 to 2017. We counted the rainfall events for each station by calculating the time interval between rainfall events. Rainfall events with time interval less than 6h were counted as a single rainfall event. Otherwise, they were regarded as independent rainfall events. Then, we calculated the occurrence time, end time, duration, hourly accumulation, and total accumulation of each rainfall event. Finally, rainfall events were divided into seven types (I-Ⅶ), including three types of single-peak rainfall (i.e. single peak in the front, middle, and end), three types of double-peak rainfall, and uniform rainfall. The Dynamic Time Warping (DTW) algorithm was used for rainfall events classification. The results show that the rainfall in Hebei province was dominated by typeⅠ (single-peak rainfall in the front) and type Ⅲ (single-peak rainfall in the middle), which accounted for more than 70% of the total rainfall events with a significant spatial variation. The type Ⅳ (uniform rainfall) was the least with a proportion of less than 5%. The type Ⅱ (single-peak rainfall in the end) and three types of double-peak rainfall accounted for less than 25%. Through K-means clustering, the Hebei province was divided into 3 rain-type regions: district A, with type I and type Ⅲ rainfall mainly distributed in the Yanshan hilly climate region, the eastern Hebei plain climate region, and the piedmont plain climate region; district B, with type Ⅲ, type Ⅰ, type Ⅵ, and type Ⅶ rainfall scattered in the northern Hebei plateau climate zone and southern Chengde city; and district C, with type Ⅲ rainfall dominated in the southern part of Shijiazhuang City, Handan City, and most of Xingtai City. In this paper, the data mining method that combines DTW similarity algorithm and K-means clustering can be applied in future meteorological big data analysis.

Key words： field rain; rainfall type; data mining; DTW; K-means clustering; rainstorm disaster; zoning; Hebei

Cite this article

LI Yuxin , WANG Ying , MA Qingyuan , LIU Tianxue , SI Lili , YU Haiyang . Research on the Characteristics of Rainfall Events and Rain Pattern Zoning in Hebei based on Data Mining Technology[J]. Journal of Geo-information Science, 2021 , 23(5) : 860 -868 . DOI: 10.12082/dqxxkx.2021.200343

1 引言

降雨规律研究对于防洪减灾有着重要作用。采用什么指标可以更客观准确地描述降雨特征,是气象灾害领域长期关注的问题。目前我国的气象标准中,暴雨定级指标通常按24 h总降雨量定级,其降雨量的计算以20—20时统计,即当日20时到次日20 时累计降雨量[1]。但是对于各类降雨触发的洪水、滑坡、山洪泥石流灾害事件而言,往往是一场雨造成的,这场雨有可能是1~2 h的强降雨,也可能是数天的连绵细雨,因此,“场雨”对于自然灾害研究言更具意义。本文借鉴相关研究[2],对“场雨”进行以下定义：以6 h作为时间间隔,降雨间隔时间不足6 h的降雨为同一“场雨”,间隔时间超过或等于6 h的降雨视为两“场雨”。
雨型是研究降雨过程的主要方法之一。早在20世纪40年代,前苏联包高马佐娃等[3]就对乌克兰等地的降雨资料进行统计分析,划分了7种雨型。在此基础上,岑国平根据国内降雨过程的分析,归纳了7种模式的降雨,其中Ⅰ、Ⅱ、Ⅲ类为单峰型雨型,其峰值分别位于前部、后部和中部;Ⅳ类为均匀型雨型,其降雨过程分布差异不大;Ⅴ、Ⅵ、Ⅶ类为双峰型雨型[4]。
Knifer等[5]则提出了降雨峰值时刻的统计方法和计算峰值前后的瞬时暴雨强度的芝加哥雨型公式,并应用于雨型分类。Huff[6]将降雨过程等分为4个阶段,根据峰值出现在第几个阶段可以划分不同类型的降雨。1975年Pilgrim等[7]基于数理统计原理提出了推求暴雨雨型的级序平均法。在国内, 张兴奇等[8]在Huff雨型曲线的基础上按照累计降雨量随时间的变化将贵州省毕节市的降雨划分成前期型、中期型、后期型以及均匀型。殷水清等[9]结合Huff雨型曲线和岑国平的7种雨型定义,利用中国14个气象站点资料进行雨型特征研究。银磊等[10]采用模糊识别法,以龙溪水闸站数据为代表,进行了广州市24 h暴雨过程的雨型分类与统计结果。
上述文献一方面受限于观测站点的不完备,另一方面受限于计算机技术的限制,都仅基于部分代表性站点数据开展的研究,所涉及的数据量至多为数十个站点的日观测数据。而随着我国气象观测体系的完善,观测站点逐渐增加,所获取的气象数据日益庞大,以河北省为例,气象观测可用站点已经从20余个增加至3189个,数据由日降水数据变为小时降水数据,符合大数据的5V特点,即数据量大,种类和来源多元化、数据价值密度相对较低,数据增长速度快,数据具有准确性和可信赖度[11],传统的只针对个别数据进行趋势回归分析的方法,已不再适用。
数据挖掘作为计算机科学领域内的一种新兴技术,能够通过经验性资料自动改进算法,对高维数据的分类、聚类、特征选择十分有效[12]。采用数据挖掘技术,对气象数据进行全面的使用,而不再是个别代表性站点的方法,正在逐渐成为气象领域的重要研究方向之一,目前大数据的研究包括使用神经网络技术估算降雨量[13],使用决策树算法提取气象要素的时空分布特征[14],但在降雨雨型研究方面,尚未开展。
1960—2015年河北省年均降水量为484.5 mm,但全年降雨集中发生在6、7、8月的几次暴雨或连阴雨过程中,使得燕山和太行山区成为我国暴雨山洪灾害多发区之一。本文将探索如何采用数据挖掘技术,对河北降水大数据进行分析,总结河北场雨的雨型规律,以期为河北省暴雨山洪预报预警提供技术支撑。

2 数据来源与研究方法

2.1 研究区概况与数据来源

河北省位于中国华北地区,东临渤海湾,西倚太行山,地势西北高、东南低,为温带大陆性气候地区。河北省的自然条件具有时空分布有明显的地域特征,极端降雨和天气时间频发。
本研究采用的降雨数据和历史洪涝灾情数据库由河北省气象局提供。降雨数据经过缺测值剔除等处理,最终选取2005—2017年6—8月142个基准站和3047个区域站共3189个站点的逐时降水数据进行研究,各站点的分布见图1所示。
图1 河北省气象站点的位置

Fig. 1 Location of Hebei meteorological sitation

2.2 研究方法

本文的研究方法包括场雨划分,以及数据挖掘技术中的DTW相似度计算、K-means聚类方法,整体技术路线见图2所示。
图2 基于DTW与K-means聚类的雨型分区技术路线

Fig. 2 Technical route of rain zoning based on DTW and K-means

2.2.1 场雨的划分方法
在计算一场雨的雨型、累积降雨量、时长指标之前,首先需要划分降雨事件。Melillo等[2]根据统计情况,将发生降雨的前后6 h未检测到雨情的降雨过程,划分成一场降雨事件。本文也依此进行场雨划分。
对划分后的场雨数据进行核查,如图3为河北省场雨划分示例,图3(a)为衡水武强站（2006年7月）、图3(b)为承德宽城站（2011年7月）。图中的每根灰色柱代表着根据本文定义划分的一场雨,横轴的标尺间隔为6 h。
图3 河北省场雨划分示例

Fig. 3 Example of field rain division in Hebei

如图3(a)所示,7月9日2—23时,发生历时22 h总降雨量43 mm的降雨事件,和7月10日8时— 7月11日19时,发生历时36h总降雨量29.5 mm的另一降雨事件。如果分割时间阈值设置的过大,则这2场雨会被归为1场,持续时间将长达58 h。河北属半湿润地区,持续时间如此长的场雨和普遍的认知明显不符。如图3(b)所示,7月20日21时—21日12时,发生历时16 h的一场降雨。按照本文的划分,该场降雨量为15.2 mm,避免了将该场雨划分为2日的降雨,使得降雨量过小。同时,按照6 h间隔来划分,避免了将该场降雨划分为2场或者更多场降雨事件,低估了总降雨量。
其他站点进行同样的抽查,结论和上面相似。因此,本文以6 h为间隔进行河北省场雨划分,符合河北降雨特征,是准确的、可行的。根据上述场雨的划分,统计每场降雨的发生时间、结束时间、时长、逐小时累积雨量、总累积雨量、雨型等。
2.2.2 基于DTW的雨型分类方法
按照第2.2.1节提出的场雨划分方法,得到的每一场雨的历时长度不同,因此本文采用DTW（Dynamic Time Warping,动态时间规整）算法对所有站点观测到的降雨事件进行雨型分类。DTW算法通过对时间轴的伸缩和弯曲,来实现不同时间序列长度的数据匹配,是时间序列数据挖掘中一种重要的相似性度量方法[15]。在图像识别、语音处理、遥感技术等工程技术领域多具有广阔的应用前景[16]。
以本文的雨型分类来看,就是将图4中的7种雨型,其中Ⅰ、Ⅱ、Ⅲ类为单峰型雨型,其峰值分别位于前部、后部和中部;Ⅳ类为均匀型雨型,其降雨过程分布差异不大;Ⅴ、Ⅵ、Ⅶ类为双峰型雨型,设置为标准模板。各场雨为待测模板。通过计算待测模板（单场降雨事件）与标准模板（7种雨型模板）的匹配程度DTW的大小,栅格内为待测模板与标准模板各阶段对应属性的欧式距离,按照累加最短路径,将各场雨进行归类,具体示例见图5所示。
图4 降雨的7种主要雨型[4]

Fig. 4 7 main types of rainfall

图5 DTW算法示例

Fig. 5 Example of DTW algorithm

计算方法为：设A为雨型标准模板,即：

A i = { a 1 , a 2 , … , a j } i = 1,2 , … , I ; j = 1,2 , … , J

式中： a j 代表第j个阶段降雨量占总降雨量的比例; A i 为第i种雨型标准模板。
单场降雨的过程降雨量为待测试向量T。
T = { t 1 , t 2 , … , t g } , g = 1,2 , … , G
式中： t g 代表第g个阶段降雨量占总降雨量的比例。由于本文所用的降雨数据时间尺度只到小时,故阶段划分为1 h。
如图5所示,DTW算法可以归结为寻找一条由起点（1,1）到终点（J,G）的累积栅格值最小路径,点（j, g）对应的栅格值 d jg 为 a j - t g 2 ,DTW的计算公式如下：
DTW j , g = min DTW j - 1 , g + d jg DTW j - 1 , g - 1 + d jg DTW j , g - 1 + d jg
式中： DTW 0,0 为0。
计算每场雨的过程降雨向量与i个标准模板向量的DTW( j , g ),其中最小DTW所对应的标准模板,就是该场雨所属的雨型。
图4共7种雨型,根据苏联包高马佐娃和岑国平的雨型分类方法,每种雨型都可以分成6个阶段,因此,式（1）中,I=7,J=6,按照各个阶段降雨量占总场雨量的比例,构造7个标准向量模板,分别为[17]：
A = 7 23 6 23 4 23 3 23 2 23 1 23 1 26 2 26 3 26 6 26 8 26 6 26 1 20 4 20 7 20 5 20 2 20 1 20 3 21 4 21 3 21 4 21 3 21 4 21 5 20 3 20 1 20 2 20 5 20 4 20 4 18 2 18 3 18 5 18 3 18 1 18 2 23 3 23 7 23 4 23 2 23 5 23
2.2.3 基于K-means聚类方法的雨型分区方法
K-means是较为经典的一种非监督聚类算法,有着集群初始化策略和高计算效率的优势,在图像分割、社交网络等领域被广泛应用[18]。非监督聚类属于机器学习技术,是依据给定的相似性度量将数据划分成若干个类,使得同一类内的数据点相似度较高,而不同类间的数据点相似度较低[19]。
本文采用K-means聚类算法来分析河北雨型的区域差异,在未知河北省雨型区域特征的情况下,进行非监督聚类,通过设置不同的类别数,来获得最能清晰展现雨型分区特征的结果,以减少人工划分区域对小区域样本的分区误差。
给定数据集 A = { a 1 , a 2 , a 3 , … , a n } ,n为数据集的规模, a i 为第i个数据点,每个数据点有d个特征维度, a ir 表示第i个数据点的第r个特征值, r = 1,2 , 3 , … , d 。
数据集按照需求被划分为k个类别,聚类中心为 B = { b 1 , b 2 , b 3 , … , b k } 。
K-means聚类算法的具体过程如图2所示。
本文首先对各个站点的场雨进行雨型分类,进而计算累积降雨量位于前20%的场雨的各雨型场次占总场雨的次数比例。根据河北省历史灾情统计,每年汛期降雨量前20%事件（通常是前10%）才会致灾成害[20],因此本文只选取每个站点累积降雨量位于2005—2017年6—8月前20%的场雨进行雨型分析。再进行空间插值,得到河北省7种雨型占比分布图（图6）,以每个栅格点的7种雨型占比数值大小作为栅格点的7个特征维度,进行K-means聚类分析,因此上文的d=7。
图6 2005—2017年河北省7种雨型分布

Fig. 6 Distribution of 7 types of rain events in Hebei from 2005 to 2017

由于不同区域降雨类型不止一种,不同降雨类型在不同区域反生频次不同,本文使用K-means聚类分析方法来探索河北省各地降雨类型的区域特征。在进行K-means聚类分析时,本文分别尝试了类别数k=3、4、5、6的聚类。聚类后,4、5、6类聚类结果与3类聚类结果区别较小,为了简化,本文最终选取了类别数为3的K-means聚类结果,来展现河北省各地降雨的雨型分区,并分析了其区域特征。

3 结果及分析

3.1 河北省雨型统计

按照DTW算法判断每场降雨过程的类型,统计河北各个站点发生的7类雨型的次数,并计算其占本站点总场雨次数的比例,通过统计全省3189个站点,得到2005—2017年6—8月河北省7种雨型DTW分析结果统计表（表1）,并采用反距离插值方法,得到7种雨型分布图（图6（Ⅰ）-（Ⅶ）,依次为Ⅰ-Ⅶ型分布图）。可以看到,河北全省降雨类型以Ⅲ型即中期单峰型为主,该类降雨占降雨事件总数的53.31%,在大多数地区该型雨占25%以上。其次是Ⅰ型即前期单峰型降雨、VII型即2个峰值分别在中期和后期的双峰型降雨、Ⅵ型即2个峰值分别在前期和中期的双峰型降雨,分别占降雨事件总数的24.10%,9.78%,8.30%。Ⅱ型、V型降雨较少发生,仅在局部地区有5%~25%的比例发生。Ⅳ型的均匀型降雨最少发生,全省发生比例均不足1%。
表1 2005—2017年河北省7种雨型的场雨数量（按站点统计）

Tab. 1 Number of rain events for 7 rain types in Hebei from 2005 to 2017 (statistics by station)

雨型
Ⅰ Ⅱ Ⅲ Ⅳ Ⅴ Ⅵ Ⅶ
数量/个 58 300 7893 128 932 522 2485 20 070 23 660
比例/% 24.10 3.26 53.31 0.22 1.03 8.30 9.78
为了更好地研究河北省各地降雨的区域特征,将图6进行K-means聚类,河北各区场雨的雨型占降雨事件总数如表2所示。根据降雨的雨型,将河北各地划分成了3大区域：① 区,降雨以Ⅲ、Ⅰ型居多;② 区,降雨Ⅲ、Ⅰ、Ⅵ、Ⅶ型并重;③ 区,降雨以Ⅲ型为主。
表2 2005—2017年河北三大雨型区的雨型统计

Tab. 2 Rain type statistics of the three major areas in Hebei from 2005 to 2017

分区名称 站点数/个 雨型
Ⅰ型 Ⅱ型 Ⅲ型 Ⅳ型 Ⅴ型 Ⅵ型 Ⅶ型
① 区 1620 数量/个 33 899 4062 66 669 271 1340 10 569 11 747
比例/% 26.37 3.16 51.86 0.21 1.04 8.22 9.14
② 区 531 数量/个 9115 1607 19 086 102 535 3747 4521
比例/% 23.55 4.15 49.30 0.26 1.38 9.68 11.68
③ 区 1038 数量/个 15 195 2168 43 306 162 584 5728 7449
比例/% 20.37 2.91 58.06 0.22 0.78 7.68 9.99
不同雨型分布如图7所示。从空间分布来看,① 区,以峰值在中期和前期的单峰型降雨为主,占总场雨次数的51.86%和26.37%;主要是燕山丘陵气候区、冀东平原气候区和山前平原气候区。 ② 区,4种雨型并重,包括峰值在中期与前期的单峰型降雨,峰值在前、中与中、后的双峰型降雨,分别占总场雨次数的49.30%,23.55%,9.68%,11.68%;主要是在冀北高原气候区,承德市南部等也有分散分布。③ 区,以峰值在中部的单峰型降雨为主,占总场雨次数的58.06%,主要分布在石家庄市南部、邯郸市、邢台市大部分地区。
图7 河北场雨的三大雨型分区

Fig. 7 Three areas of Hebei based on rain types

3.2 河北省暴雨灾情对照分析

本文选择河北省2005—2017年各地灾情较严重的暴雨灾害案例进行统计,这些暴雨灾害事件造成了500万元~2亿元以上的直接经济损失,受灾面积在300~25 000 hm2范围内,有的甚至造成了人员伤亡。造成灾情的场雨雨型情况,如表3所示。这些降雨历时均小于24 h,使用以6 h为时间间隔的场雨划分方法,能避免以20—20时刻统计方法对降雨事件雨强等特征的低估。对照结果表明,给各地造成重大损失的暴雨雨型,均为本地最常见的雨型。例如：① 区,唐山市玉田县发生的2009年“7·22”降雨为Ⅰ型雨;秦皇岛市抚宁县发生的2012年“7·26”降雨为Ⅲ型雨。② 区,承德市丰宁线的2006年“6·28”降雨为Ⅶ型雨;邢台市临西县的2013年“7·15”降雨为Ⅵ型雨;③ 区,石家庄市赞皇县的2009年“8·26”降雨与衡水市武强县的2013年“7·01”降雨均为Ⅲ型雨。
表3 河北省历史暴雨的雨型与灾情对照

Tab. 3 Comparison of rain types and heavy rain disasters in Hebei

雨型分区 场雨信息 灾情信息
地市 区县 开始时间 历时/h 雨型 累积量/mm 死亡人数/人 受灾面积/hm2 直接经济损失/万元
① 保定市 定州市 2013060711 10 Ⅰ 97.2 1 3950.3 2735.1
沧州市 黄骅市 2010071811 20 Ⅲ 133.4 0 2700 3700
衡水市 冀州市 2013081403 6 Ⅰ 30.8 0 6730 21 145
秦皇岛市 抚宁县 2012072601 12 Ⅲ 52.8 2 2295 2750.5
唐山市 玉田县 2006081003 8 Ⅲ 133.1 0 22 400 2341
唐山市 玉田县 2009072218 2 Ⅰ 38.3 1 7377 2266
张家口市 赤城县 2007070314 4 Ⅰ 16.4 6 2000 568
② 承德市 丰宁县 2006062819 11 Ⅶ 32.0 0 711 746
承德市 丰宁县 2009082623 1 Ⅲ 16.2 0 1267 1160
邯郸市 武安市 2010080416 5 Ⅰ 48.2 0 343.3 210
秦皇岛市 昌黎县 2012072603 11 Ⅲ 38.2 0 9409 6082.4
石家庄市 平山县 2009080101 3 Ⅰ 24.4 0 3202 1538.4
邢台市 临西县 2013071522 4 Ⅵ 28.9 0 1413 973
③ 保定市 唐县 2011082504 10 Ⅲ 27.8 0 1128 2980
沧州市 盐山县 2010071910 20 Ⅲ 155.9 0 1100 417
衡水市 武强县 2013070113 12 Ⅲ 143.9 0 919 1000
秦皇岛市 青龙县 2012072518 15 Ⅲ 49.9 0 4000 3500
石家庄市 赞皇县 2009082600 11 Ⅲ 28.2 0 590 720
邢台市 新河县 2013070116 11 Ⅲ 136.1 0 540.6 647.1
因此,河北省在暴雨灾害风险防范时,应充分考虑图7中各地区场雨的雨型特征,有针对性地开展灾害预警、应急资源部署等工作。例如① 区,以I型雨较多,即一开始降雨,就是雨量最高值,灾害预警时间较短,降雨预报尤其重要。

4 结论

本文基于河北省2005—2017年3189个站点逐小时降雨观测数据,进行“场雨”的划定,进而提取历史上各场雨的累积雨量、时长指标,采用数据挖掘技术中的DTW相似性算法进行场雨雨型的自动归类,再通过K-means聚类,将河北地区分成3个雨型区,为各地的暴雨洪涝预警提供基础支撑。主要结论如下：
（1）本文将数据挖掘技术中的DTW相似性算法和K-means聚类技术相结合,进行河北省雨型分类和区域划分研究,是对目前呈指数性增长的气象大数据的深度应用,也可用于其他气象数据的分析。
（2）河北全省降雨过程以Ⅰ型前期单峰值降雨、Ⅲ型中期单峰值降雨居多,二者占总降雨场次的77.41%。在河北各市降雨中,Ⅲ型中期峰值降雨类型发生次数依旧最多,多地都在25%以上;其次是Ⅰ类雨型,即峰值位于前部;Ⅳ类雨型,即均匀型雨型发生次数最少,各市该雨型占比均在5%以下。Ⅱ类的后期单峰值雨型和Ⅴ类、Ⅵ类、Ⅶ类双峰值雨型占比在绝大多数地区不超过25%。
（3）利用各地降雨雨型的发生比例进行的K-means聚类分析结果表明,河北省可以划分为3个区域：① Ⅲ、Ⅰ型雨居多;② Ⅲ、Ⅰ、Ⅵ、Ⅶ型并重;③ Ⅲ型雨为主。从空间分布来看：① 类区,主要是燕山丘陵气候区、冀东平原气候区和山前平原气候区。② 类区,主要是在冀北高原气候区,承德市南部等也有分散分布。③ 类区,主要分布在石家庄市南部、邯郸市、邢台市大部分地区。
（4）河北省历年暴雨中,造成重大经济损失与人员伤亡的暴雨灾害都是当地的常见雨型：Ⅰ型、Ⅲ型、Ⅵ型和Ⅶ型降雨导致的。河北省在暴雨灾害风险防范时,应充分考虑各地区场雨的雨型特征,有针对性地开展灾害预警、应急资源部署等工作。而Ⅰ型雨的主要降雨量都集中在降雨刚刚开始阶段,在此类暴雨防治上,灾害预警时间较短,降雨预报尤其重要。
未来将收集完善更长时间段的降雨数据,对雨型的划分力求更精准;也可将本方法应用于其它地区,研究我国场雨的雨型特征,制定科学合理的预警、防灾措施。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
国家气候中心. GB/T 33680-2017,暴雨灾害等级[S]. 北京: 中国标准出版社, 2017.

[ National Climate Center. GB/T 33680-2017, Rainstorm disaster level[S]. Beijing: Standard Press of China, 2017. ]

[2]
Melillo M, Brunetti M T, Peruccacci S, et al. An algorithm for the objective reconstruction of rainfall events responsible for landslides[J]. Landslides, 2015,12(2):311-320.

DOI

[3]
莫洛科夫. 雨水道与合流水道[M]. 北京: 建筑工程出版社, 1959.

[ Mo B. The rain water and confluent channel[M]. Beijing: Architectural Engineering Press, 1959. ]

[4]
岑国平, 沈晋. 城市设计暴雨雨型研究[J]. 水科学进展, 1998,9(1):41-46.

[ Cen G P, Shen J. Research on rainfall pattern of urban design storm[J]. Advances in Water Science, 1998,9(1):41-46. ]

[5]
Keifer G J, Chu H H. Synthetic storm pattern for drainage design[J]. Journal of the Hydraulics Division, 1957,83(4):1-25.

[6]
Huff F A. Time distribution of rainfall in heavy storms[J]. Water Resources Research, 1967,3(4):1007-1019.

DOI

[7]
Pilgrim D H, Cordery I. Rainfall temporal patterns for design floods[J]. Journal of the Hydraulics Division, 1975,101(1):81-95.

DOI

[8]
张兴奇, 徐鹏程, 顾璟冉. SCS模型在贵州省毕节市石桥小流域坡面产流模拟中的应用[J]. 水土保持通报, 2017,37(3):321-328,333.

[ Zhang X Q, Xu P C, Gu J R. Application of SCS model to simulate runoff in slope field at Shiqiao small watershed in Bijie City of Guizhou Province[J]. Bulletin of Soil and Water Conservation, 2017,37(3):321-328,333. ]

[9]
殷水清, 王杨, 谢云, 等. 中国降雨过程时程分型特征[J]. 水科学进展, 2014,25(5):617-624.

[ Yin S Q, Wang Y, Xie Y, et al. Characteristics of intra-storm temporal pattern over China[J]. Advances in Water Science, 2014,25(5):617-624. ]

[10]
银磊, 陈晓宏, 陈志和, 等. 广州市典型雨量站暴雨雨型研究[J]. 水资源研究, 2013,2(6):409-414.

[ Yin L, Chen X H, Chen Z H, et al. Study on storm pattern of typical rainfall station in Guangzhou[J]. Journal of Water Resources Research, 2013,2(6):409-414. ]

[11]
Mayer-Schonberger V, Cukier K. Big data: A revolution that will transform how we live, work, and think[M]. London: John Murray, 2013.

[12]
何清, 李宁, 罗文娟, 等. 大数据下的机器学习算法综述[J]. 模式识别与人工智能, 2014,27(4):327-336.

[ He Q, Li N, Luo W J, et al. A survey of machine learning algorithms for big data[J]. Pattern Recognition and Artificial Intelligence, 2014,27(4):327-336. ]

[13]
Trafalis T B, Santosa B, Richman M B. Learning networks in rainfall estimation[J]. Computational Management Science, 2005,2(3):229-251.

DOI

[14]
李进讷. 基于DSCAN优化算法与决策树优化算法的气象时空数据挖掘技术研究[D]. 昆明:云南大学, 2018.

[ Li J N. Research on spatio-temporal meteorological data mining technology based on dscan optimization algorithm and decision tree optimization algrithm[D]. Kunming: Yunnan University, 2018. ]

[15]
李正欣, 郭建胜, 王瑛, 等. DTW距离的过滤搜索方法[J]. 控制与决策, 2018,33(7):1277-1281.

[ Li Z X, Guo J S, Wang Y, et al. Filtering search method for DTW distance[J]. Control and Decision, 2018,33(7):1277-1281. ]

[16]
Serrà J, Arcos J L. An empirical evaluation of similarity measures for time series classification[J]. Knowledge-Based Systems, 2014,67:305-314.

DOI

[17]
王彬雁, 赵琳娜, 巩远发, 等. 北京降雨过程分型特征及短历时降雨重现期研究[J]. 暴雨灾害, 2015,34(4):302-308.

[ Wang B Y, Zhao L N, Gong Y F, et al. Characteristics of temporal pattern and return period of short-duration rainfall at Beijing Observatory[J]. Torrential Rain and Disasters, 2015,34(4):302-308. ]

[18]
吴焕丽, 崔可旺, 张馨, 等. 基于改进K-means图像分割算法的细叶作物覆盖度提取[J]. 农业机械学报, 2019,50(1):42-50.

[ Wu H L, Cui K W, Zhang X, et al. Improving accuracy of fine leaf crop coverage by improved K-means algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019,50(1):42-50. ]

[19]
Jain A K, Murty M N, Flynn P J. Data clustering[J]. ACM Computing Surveys, 1999,31(3):264-323.

DOI

[20]
《河北省气象灾害风险地图集》编辑委员会. 河北省气象灾害风险地图集[M]. 北京: 科学出版社, 2018.

[ Editorial committee of the Atlas of meteorological disaster risk in Hebei province. Atlas of meteorological disaster risk in Hebei province[M]. Beijing: Science Press, 2018. ]

Options
Outlines

/

〈 〉