CN109086245A - 一种基于替代模型的vic参数多目标优选新方法 - Google Patents
一种基于替代模型的vic参数多目标优选新方法 Download PDFInfo
- Publication number
- CN109086245A CN109086245A CN201810701205.0A CN201810701205A CN109086245A CN 109086245 A CN109086245 A CN 109086245A CN 201810701205 A CN201810701205 A CN 201810701205A CN 109086245 A CN109086245 A CN 109086245A
- Authority
- CN
- China
- Prior art keywords
- model
- vic
- sample
- parameter
- stage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Abstract
本发明涉及一种基于替代模型的VIC参数多目标优选新方法,是基于ε‑NSGAII多目标优化方法和替代模型针对VIC模型的参数率定方法,包括:(1)利用ε‑NSGAII多目标优化算法收敛VIC模型参数以选取神经网络训练样本;(2)以生成的样本,采用Adaboost‑BPNN方法构造替代模型;(3)利用ε‑NSGAII多目标优化算法优化对替代模型参数进行优化,所得结果即最终模型率定结果。本发明方法考虑了ε‑NSGAII多目标优化方法快速收敛的特性以及Adaboost‑BPNN算法计算快速且稳定的特点,加速了VIC模型的参数率定速度,显著地缩短了VIC模型(Variable Infiltration Capacity Macroscale Hydrologic Model)参数率定所需的时间,极大地节省了在VIC模型参数率定时所需的算力。
Description
技术领域
本发明属于水文模型领域,涉及一种VIC水文模型参数率定的新方法,尤其涉及一种基于替代模型的VIC参数多目标优选新方法。
背景技术
VIC模型(Variable Infiltration Capacity Macroscale Hydrologic Model)是一种大尺度分布式水文模型,由华盛顿大学、加利福尼亚大学伯克利分校以及普林斯顿大学共同开发。VIC模型将流域划分为网格形式,在网格内以水量平衡和能量平衡的原理进行水文模拟,具有较好的模拟性能。
在水文模型建立时,模型中有些参数往往无法进行实际测量,因此需要根据实际流量等数据对水文模型中这些无法测量的参数进行率定。VIC模型作为大尺度分布式水文模型,其格点计算量很大,单次运行时间较长。在采用优化算法进行自动参数率定时常常需要进行数万次的模型调用,尤其随着率定参数和率定目标函数个数的增加,VIC模型调用次数也会随之增加,这在模型建立过程中造成了极高的计算代价。
发明内容
为解决现有技术不足,本发明的目的在于提供一种基于替代模型的VIC参数多目标优选新方法,以提高VIC模型参数率定的效率,在算力条件较低的情况下高效、准确地对VIC模型参数进行自动率定,有效地降低计算代价。
为实现上述目标,一种基于替代模型的VIC参数多目标优选新方法,包括如下步骤:
1)利用ε-NSGAII算法选取样本,利用Adaboost-BPNN方法构造二阶段VIC水文模型替代模型。
2)采用ε-NSGAII算法率定替代模型参数。
上述技术方案中,步骤1)中二阶段替代模型的具体定义为:
1)根据模型率定的特征参数,替代模型可以表示为待率定参数与纳西效率系数(NSE)和偏离度(Bias)的函数关系,如下所示:
NSE=g1(x)
Bias=g2(x)
2)优化算法最终会将序列的纳西效率系数(NSE)最终集中到1附近,通常取0.8-1,偏离度(Bias)集中在0附近,通常为0-0.2,因此将该范围定义为较优范围。在较优范围内,希望替代模型的计算结果更加精确。
3)第一阶段替代模型,主要是在全局范围内进行低精度(Poor-FidelitySimulation)模拟,并将落在较优范围内部分的结果从所有的结果中筛选出来。
4)第二阶段替代模型,将较优范围内部分采用高精度(High-FidelitySimulation)模式,使得模拟结果具有较小误差。
构建替代模型的具体过程为:
1)采用ε-NSGAII算法对VIC模型进行参数优化。优化算法每计算完一代结果后,提取样本结果并去除其中的重复结果,作为替代模型训练和验证的样本。
2)提取较优范围内的样本,随机抽取其中70%作为第二阶段的模型训练样本,30%作为第二阶段的验证样本。如果第二阶段替代模型的验证结果小于给定误差,则终止优化,第二阶段替代模型建立成功,进入3)步骤;如果替代模型的验证结果未达到要求,则回到1)步骤ε-NSGAII算法进入下一代优化,继续循环。
3)进行第一阶段模型训练。利用1)步骤中产生的样本进行训练和验证,抽取其中70%作为第一阶段的模型训练样本以及30%作为第一阶段的模型验证样本,如果第一阶段替代模型的验证结果小于给定误差,则模型完成;如果第一阶段替代模型的验证结果不满足要求,则通过蒙特卡洛统计方法产生N组样本,随机选取其中70%加入训练样本,剩余30%加入验证样本,再一次训练并验证模型,如此重复直至模型验证通过为止。
二阶段模型效果的验证方式具体为:
1)第一阶段模型的评估将以分类的错误率来判断,公式如下所示:
其中e1表示将非较优范围内的结果判断为较优范围内结果的次数,e2表示将较优范围内的结果判断为非较优范围内结果的次数,Ne为落在较优范围内的样本长度。
2)第二阶段模型训练结果优劣以标准误差判断,公式如下所示:
其中,n为序列长度,Si为替代模型计算的纳西效率系数/偏离度,即模拟值;Oi为同一参数条件下VIC模拟序列与实际观测序列的纳西效率系数/偏离度,即真实值。
通过采用上述技术手段,本发明的有益效果为:
(1)其采用新方法得到的模型率定结果与传统方法直接对VIC模型率定所得的结果基本一致;
(2)在率定结果没有明显差异的情况下,新方法的率定效率得到了大幅度提升。
(3)采用新方法进行参数率定可以极大地节省计算机算力。
附图说明
图1为本发明的一个流程示意图;
图2为A站率定期流量过程线。
图3为A站验证期流量过程线。
图4为B站率定期流量过程线。
图5为B站验证期流量过程线。
具体实施方式
下面通过实例,并结合附图,对本发明的技术方案做进一步详细说明。
如图1所示为整个计算流程。
将某流域B站以上流域划分为0.25°×0.25°网格,结合SRTM3数字地形高程模型、WESTDC系列土地覆盖数据产品、HWSD世界土壤数据库等地理信息,该流域及周围的27个气象站点降雨、辐射、湿度、气压、温度等气象数据,建立VIC模型。将其中B站和以及上游A站1998-2004年日径流量序列用于模型参数率定,2010年-2015年日径流量序列用作模型参数验证。模型中待率定的参数主要有7个参数,包括:基流分割比(Ds)、基流最大速度(Dsmax)、非线性基流发生时的最大土壤蓄水容量因子(Wx)、下渗参数(binfil)、第二层土壤深度(d2)、第三层土壤深度(d3)、雪糙率(Sr)。率定的目标函数共有四个,分别为A站和B站的模拟径流序列与实际径流序列的纳西效率系数(NSE)和偏离度(Bias)。
将BP神经网络作为弱预测器,采用经典的三层式(7-10-1)结构,并将10个弱预测器耦合成强预测器。将ε-NSGAII优化算法每代的初始样本数设定为24。提取较优范围内的样本,随机抽取其中70%作为第二阶段的模型训练样本,30%作为第二阶段的验证样本。不断增加代数,直至模型算的纳西效率系数标准误差小于样本均值的1%,偏离度的标准误差小于样本均值的10%。根据计算,当优化算法至25代时,满足条件。
将25代样本构建第一阶段模型,第一阶段模型依然将BP神经网络作为弱预测器,采用经典的三层式(7-10-1)结构,并将10个弱预测器耦合成强预测器。随机抽取样本中70%作为模型训练样本,30%作为模型验证样本。根据计算,25代样本训练的模型分类错误率小于5%,可以满足分类要求,不需要补充样本。
构造的二阶段模型计算结果如表1所示,放入ε-NSGAII优化算法进行参数率定。在测试中,VIC模型均在CentOS6系统下,以Intel Xeon CPU E5-4620v2@2.60GHz下24核并行运行(I运行条件);替代模型在Ubuntu 16.04系统下,以Intel Core CPU i7-4620@3.40GHz下单核运行(II运行条件)。如表2所示为分别利用ε-NSGAII算法对VIC模型和替代模型进行参数率定的运算效率比较;如表3所示为分别利用ε-NSGAII算法对VIC模型和替代模型进行率定所得参数的比较;如表4所示为为分别利用ε-NSGAII算法对VIC模型和替代模型进行率定所得目标函数的比较。
将替代模型率定所得参数,放入VIC模型进行计算。图2为A站率定期流量过程线,图3为A站验证期流量过程线,图4为B站率定期流量过程线,图5为B站验证期流量过程线。表5为A、B两站率定期和验证期实际计算所得的目标函数。
表1替代模型计算结果
表2 VIC模型和替代模型自动率定运算效率
表3 VIC模型和替代模型率定所得参数
表4 VIC模型和替代模型率定所得目标函数
表5 A、B站率定期和验证期目标函数
以上所述仅对本发明的实例实施而已,并不用于限制本发明。本发明中对待率定参数、率定目标函数也可根据不同的研究问题具体制定。对于本领域的研究者来说,本发明可以有各种更改和变化。凡是在本发明的权利要求限定范围内,所做的任何修改、等同替换、改进等,均应在本发明的保护范围之内。
Claims (6)
1.一种基于替代模型的VIC参数多目标优选新方法,其特征在于,包含以下步骤:
(1)利用ε-NSGAII多目标优化算法收敛VIC模型参数以选取神经网络训练样本;
(2)以生成的样本,采用Adaboost-BPNN方法构造替代模型;
(3)利用ε-NSGAII多目标优化算法优化对替代模型参数进行优化,所得结果即最终模型率定结果。
2.据权利要求1所述的基于替代模型的VIC参数多目标优选新方法,其特征在于,步骤1)中所述的选取神经网络训练样本具体为:采用ε-NSGAII算法对VIC模型进行参数优化,优化算法每计算完一代结果后,提取样本结果并去除其中的重复结果,作为替代模型训练和验证的样本。
3.根据权利要求1所述的基于替代模型的VIC参数多目标优选新方法,其特征在于,步骤2)中采用Adaboost-BPNN方法构造替代模型,具体为:
在获得样本后,提取较优范围内的样本,随机抽取其中70%作为第二阶段的模型训练样本,30%作为第二阶段的验证样本;如果第二阶段替代模型的验证结果小于给定误差,则终止优化,第二阶段替代模型建立成功,进入第一阶段模型训练;如果替代模型的验证结果未达到要求,则回到步骤(1)采用ε-NSGAII算法对VIC模型进行下一代优化,继续循环;
利用步骤(1)中产生的样本,抽取其中70%作为第一阶段的模型训练样本以及30%作为第一阶段的模型验证样本,如果第一阶段替代模型的验证结果小于给定误差,则模型完成;如果第一阶段替代模型的验证结果不满足要求,则通过蒙特卡洛统计方法产生N组样本,随机选取其中70%加入训练样本,剩余30%加入验证样本,再一次训练并验证模型,如此重复直至模型验证通过为止。
4.根据权利要求3所述的基于替代模型的VIC参数多目标优选新方法,其特征在于,所述的较优范围是指:序列的纳西效率系数(NSE)集中在0.8-1范围内,偏离度(Bias)集中在0-0.2范围内。
5.根据权利要求3所述的基于替代模型的VIC参数多目标优选新方法,其特征在于,第二阶段替代模型的验证方式,具体为:
第二阶段模型训练结果优劣以标准误差判断,公式如下所示:
其中n为序列长度,Si为替代模型计算的纳西效率系数/偏离度,即模拟值;Oi为同一参数条件下VIC模拟序列与实际观测序列的纳西效率系数/偏离度,即真实值。
6.根据权利要求3所述的基于替代模型的VIC参数多目标优选新方法,其特征在于,第一阶段替代模型的验证方式,具体为:
第一阶段模型的评估将以分类的错误率来判断,公式如下所示:
其中e1表示将非较优范围内的结果判断为较优范围内结果的次数,e2表示将较优范围内的结果判断为非较优范围内结果的次数,Ne为落在较优范围内的样本长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810701205.0A CN109086245B (zh) | 2018-06-29 | 2018-06-29 | 一种基于替代模型的vic参数多目标方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810701205.0A CN109086245B (zh) | 2018-06-29 | 2018-06-29 | 一种基于替代模型的vic参数多目标方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109086245A true CN109086245A (zh) | 2018-12-25 |
CN109086245B CN109086245B (zh) | 2020-09-04 |
Family
ID=64836844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810701205.0A Active CN109086245B (zh) | 2018-06-29 | 2018-06-29 | 一种基于替代模型的vic参数多目标方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086245B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113407939A (zh) * | 2021-06-17 | 2021-09-17 | 电子科技大学 | 面向黑盒攻击的替代模型自动选取方法、存储介质及终端 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040138815A1 (en) * | 2003-01-10 | 2004-07-15 | Weimin Li | Method and system to flexibly calculate hydraulics and hydrology of watersheds automatically |
CN101824807A (zh) * | 2010-04-16 | 2010-09-08 | 同济大学 | 一种潮汐河流地区取水口咸潮短期预测方法 |
CN102955863A (zh) * | 2011-08-17 | 2013-03-06 | 长江水利委员会长江科学院 | 一种基于分布式水文模拟的旱情评估和预报模型方法 |
CN103049671A (zh) * | 2013-01-21 | 2013-04-17 | 武汉大学 | 一种自适应气候变化的水库多目标优化调度图编制方法 |
CN105868534A (zh) * | 2016-03-24 | 2016-08-17 | 大连理工大学 | 一种基于多目标优化抽样的水文模型不确定性分析方法 |
CN106709181A (zh) * | 2016-12-23 | 2017-05-24 | 浙江大学 | 一种基于并行编程和模块法的分布式水文模型率定方法 |
CN107274031A (zh) * | 2017-06-29 | 2017-10-20 | 华中科技大学 | 一种耦合神经网络和分布式vic模型的水文预报方法及系统 |
-
2018
- 2018-06-29 CN CN201810701205.0A patent/CN109086245B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040138815A1 (en) * | 2003-01-10 | 2004-07-15 | Weimin Li | Method and system to flexibly calculate hydraulics and hydrology of watersheds automatically |
CN101824807A (zh) * | 2010-04-16 | 2010-09-08 | 同济大学 | 一种潮汐河流地区取水口咸潮短期预测方法 |
CN102955863A (zh) * | 2011-08-17 | 2013-03-06 | 长江水利委员会长江科学院 | 一种基于分布式水文模拟的旱情评估和预报模型方法 |
CN103049671A (zh) * | 2013-01-21 | 2013-04-17 | 武汉大学 | 一种自适应气候变化的水库多目标优化调度图编制方法 |
CN105868534A (zh) * | 2016-03-24 | 2016-08-17 | 大连理工大学 | 一种基于多目标优化抽样的水文模型不确定性分析方法 |
CN106709181A (zh) * | 2016-12-23 | 2017-05-24 | 浙江大学 | 一种基于并行编程和模块法的分布式水文模型率定方法 |
CN107274031A (zh) * | 2017-06-29 | 2017-10-20 | 华中科技大学 | 一种耦合神经网络和分布式vic模型的水文预报方法及系统 |
Non-Patent Citations (5)
Title |
---|
HAITING GU: "Parameter Uncertainty and Nonstationarity in Regional", 《WEB OF SCIENCE》 * |
朱文龙: "基于遗传算法的BP神经网络在多目标优化中的应用研究", 《中国优秀硕士学位论文全文数据库》 * |
杨光等: "考虑未来径流变化的丹江口水库多目标调度", 《水力发电学报》 * |
路艳雪: "NSGA-Ⅱ多目标优化算法的改进及应用研究", 《中国优秀硕士学位论文全文数据库》 * |
顾海挺等: "非一致性水文频率计算的基因途径Ⅱ: 水文基因", 《应用生态学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113407939A (zh) * | 2021-06-17 | 2021-09-17 | 电子科技大学 | 面向黑盒攻击的替代模型自动选取方法、存储介质及终端 |
CN113407939B (zh) * | 2021-06-17 | 2022-08-05 | 电子科技大学 | 面向黑盒攻击的替代模型自动选取方法、存储介质及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN109086245B (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Integrating the system dynamic and cellular automata models to predict land use and land cover change | |
CN108875161A (zh) | 基于卷积神经网络深度学习的流量等级预测方法 | |
Dumedah et al. | Selecting model parameter sets from a trade-off surface generated from the non-dominated sorting genetic algorithm-II | |
CN109472004A (zh) | 气候变化和人类活动对水文干旱影响的综合评估方法、装置及系统 | |
Zaman et al. | Evaluating climate adaptation strategies on agricultural production in the Siminehrud catchment and inflow into Lake Urmia, Iran using SWAT within an OECD framework | |
Wu et al. | Quantification of uncertainty propagation effects during statistical downscaling of precipitation and temperature to hydrological modeling | |
CN101480143A (zh) | 一种预测灌区作物单产量的方法 | |
Chen et al. | Intercomparison of ten ISI-MIP models in simulating discharges along the Lancang-Mekong River basin | |
CN103839113A (zh) | 基于租房与购房两类选择者住房选择模型的微观仿真方法 | |
CN109086245A (zh) | 一种基于替代模型的vic参数多目标优选新方法 | |
CN106128103B (zh) | 一种基于逐级递归控制的道路交叉口转向交通量分配方法及装置 | |
Nasonova et al. | Projecting changes in Russian northern river runoff due to possible climate change during the 21st century: a case study of the Northern Dvina, Taz and Indigirka rivers | |
CN103870699B (zh) | 基于双层异步迭代策略的水动力学洪水演进模拟方法 | |
Wang et al. | Two-dimension monthly river flow simulation using hierarchical network-copula conditional models | |
Kanchanamala et al. | Impact of catchment scale on rainfall runoff modeling: Kalu Ganga river catchment upto Ratnapura | |
Fujihara et al. | Hydrologic analysis of rainfed rice areas using a simple semi-distributed water balance model | |
Hamidon et al. | Prediction of future climate change for rainfall in the upper Kurau River Basin, Perak using statistical downscaling model (SDSM) | |
CN108829990B (zh) | 一种区域降雨人工模拟系统的降雨过程设计方法 | |
Goh et al. | Assessment of future water availability under the changing climate: case study of Klang River Basin, Malaysia | |
CN115965243A (zh) | 一种用于土地利用变化下洪涝风险动态评价的模型链 | |
CN113435630B (zh) | 一种产流模式自适应的流域水文预报方法及系统 | |
Kuok et al. | Particle swarm optimization for calibrating and optimizing Xinanjiang model parameters | |
CN105354385B (zh) | 一种半导体工艺仿真中的网格排序实现方法 | |
Yao et al. | Evaluation of the effects of underlying surface change on catchment hydrological response using the HEC-HMS model | |
Ali et al. | Statistical downscaling of precipitation and temperature using gene expression programming |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |