CN110442937B - 一种融合卫星遥感和机器学习技术的流域水文模拟方法 - Google Patents
一种融合卫星遥感和机器学习技术的流域水文模拟方法 Download PDFInfo
- Publication number
- CN110442937B CN110442937B CN201910670559.8A CN201910670559A CN110442937B CN 110442937 B CN110442937 B CN 110442937B CN 201910670559 A CN201910670559 A CN 201910670559A CN 110442937 B CN110442937 B CN 110442937B
- Authority
- CN
- China
- Prior art keywords
- runoff
- series
- model
- data
- long
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004088 simulation Methods 0.000 title claims abstract description 41
- 238000005516 engineering process Methods 0.000 title claims abstract description 24
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 28
- 230000015654 memory Effects 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 9
- 230000006403 short-term memory Effects 0.000 claims abstract description 7
- 230000007787 long-term memory Effects 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 12
- 238000001556 precipitation Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000006386 memory function Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 13
- 238000007726 management method Methods 0.000 abstract description 3
- 238000013439 planning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000012546 transfer Methods 0.000 description 5
- 238000003973 irrigation Methods 0.000 description 4
- 230000002262 irrigation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002054 transplantation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007261 regionalization Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种融合卫星遥感和机器学习技术的流域水文模拟方法,包括以下步骤:利用稀缺资料地区地面气象站的有限观测数据与卫星遥感的大尺度栅格数据建立统计降尺度模型,得到长系列气象观测资料;基于稀缺资料地区的短系列径流观测数据和降尺度后的气象资料,建立流域水文模型,实现初步径流模拟;构建长短期记忆神经网络模型对初步的模拟径流进行校正,从而减小人类活动和水利工程造成的模拟误差;将得到的长系列气象观测资料,输入建立的流域水文模型和长短期记忆神经网络模型,模拟出长系列径流过程。本发明能实现稀缺资料地区的长系列径流模拟,可为流域水资源管理和规划提供重要且可操作性强的参考依据。
Description
技术领域
本发明涉及流域水文模拟技术领域,尤其涉及一种融合卫星遥感和机器学习技术的流域水文模拟方法。
背景技术
水文气象数据是工程规划、设计、建设和运行管理的基本依据,也是评估流域水利工程防洪风险的重要资料,关系到流域水资源综合管理和水安全保障,对国民经济和社会发展具有重要意义。但是,我国大多数地区水文气象数据极度匮乏,有些地区仅有少量实测水文气象资料,因此如何做好稀缺资料地区的流域水文模拟是水文工作者所面临的重大挑战。
流域水文模型是水文科学中最重要的分支之一,是研究水文自然规律和解决水文实践问题的主要工具,在解决稀缺资料地区径流模拟问题中扮演着重要的角色。气象数据是流域水文模型的重要输入,但是我国现有的气象站点仍然较少,资料观测长度普遍较短,而且气象站分布不均衡,在经济欠发达地区的地面气象观测数据严重匮乏,严重制约了流域水文模拟技术的实际应用。
为了解决稀缺资料地区的流域水文模拟难题,国内外学者提出了水文模型参数区域化方法,对有资料地区建立水文模型,通过参数回归法或参数移植法的方式,将构建的水文模型移用到稀缺资料流域。例如,刘昌明等通过雅鲁藏布江一级支流拉萨河率定的HIMS模型,分析了由大流域向其子流域进行参数移植的可行性,并模拟了拉萨站和更张站的日径流过程。张玲等提出了一种基于水文与水动力模型耦合的未控区径流预报方法,用于解决未控区径流模拟和水文预报问题。但是以上方法受限于参考流域的气象数据质量和长度,稀缺资料地区往往难以获得完整的气象观测资料,难以实现长系列的径流模拟。
卫星遥感主要通过气象卫星的搭载传感器,实现对气象数据的测量,但是卫星遥感技术存在栅格尺度较大、空间分辨率低的问题,难以直接满足实际要求,如何合理地利用卫星遥测数据成为资料稀缺地区流域水文模拟的关键。同时,水文模型适用于模拟天然状态下的径流过程,大坝、水库、农业灌溉、引水和跨流域调水等工程措施往往会破坏下垫面的一致性,造成流域水文模型存在较大误差,制约了水文模拟精度。现有文献未能充分利用卫星遥测气象信息,未能考虑人类活动干扰对径流模拟造成的误差,不能解决稀缺资料地区的长系列径流模拟难题。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种融合卫星遥感和机器学习技术的流域水文模拟方法。
本发明解决其技术问题所采用的技术方案是:
本发明提供一种融合卫星遥感和机器学习技术的流域水文模拟方法,该方法包括以下步骤:
步骤1、利用稀缺资料地区地面气象站的有限观测数据与卫星遥感的大尺度栅格数据建立统计降尺度模型,得到长系列气象观测资料;
步骤2、基于稀缺资料地区的短系列径流观测数据和降尺度后的气象资料,建立流域水文模型,实现初步径流模拟;
步骤3、采用机器学习技术对初步的模拟径流进行校正,从而减小人类活动和水利工程造成的模拟误差,构建长短期记忆神经网络模型;
步骤4、将步骤1得到的长系列气象观测资料,输入步骤2和步骤3建立的流域水文模型和长短期记忆神经网络模型,模拟出长系列径流过程。
进一步地,本发明的步骤1的具体方法为:
步骤1.1、基于稀缺资料地区的有限观测资料,逐月计算卫星遥感的大尺度栅格数据与地面实测日降水、气温序列经验分布函数;
步骤1.2、逐月计算经验分布各概率下日降水与日气温的校正因子;
步骤1.3、逐月内插并外延根据经验分布计算的日降水与日气温校正因子:
步骤1.4、将处理后的校正因子应用于设计时期模拟长系列日降水与日气温,得到统计降尺度后的长系列日降水、气温系列。
进一步地,本发明的步骤2的具体方法为:
步骤2.1、采用稀缺资料地区的短系列径流观测数据与同一时期统计降尺度后的气象数据,构建GR4J水文模型,并率定模型参数;
步骤2.2、基于率定好的GR4J水文模型,模拟得到日径流过程;模拟的径流系列表示为:
Qsim=FGR4J[Prep,Tmean,Latitude,BasinArea,ParameterX]
式中,Qsim表示模拟的径流系列,Prep表示降尺度后的降雨系列,Tmean表示降尺度后的日均气温系列,Latitude表示流域所处的纬度均值,BasinArea表示流域面积,ParameterX表示步骤2.1中率定得到的模型参数,FGR4J表示GR4J模型。
进一步地,本发明的步骤2.1中构建的水文模型具体为:
GR4J水文模型为包括4个参数的集总式概念性水文模型,该模型由两个非线性水库构成,分别为产流水库和汇流水库。
进一步地,本发明的步骤3的具体方法为:
步骤3.1、通过对稀缺资料地区模拟的日径流过程、实测的日径流过程进行统计分析,确定影响日实测径流的滞时;
步骤3.2、采用长短期记忆神经网络模型,记作LSTM模型,对步骤2模拟的日径流过程进行校正,减小人类活动造成的水文模型误差。
进一步地,本发明的步骤3.2中进行模型校正的方法具体为:
在长短期记忆神经网络模型中,将NARX动态神经网络中的每个隐藏层换成具有记忆功能的存储单元,简称LSTM单元,而其输入层和输出层与NARX动态神经网络相同;
校正后的模拟径流系列表示为:
Qcor(t)=FLSTM[Qsim(t),Qsim(t-1),Qsim(t-2),…,Qsim(t-N)
式中,Qcor(t)表示t时刻校正后的径流,Qsim(t)表示水文模型在t时刻的模拟径流,Qsim(t-1)表示水文模型在t-1时刻的模拟径流,N表示LSTM模型确定的滞时;FLSTM表示LSTM模型。
进一步地,本发明的步骤4的具体方法为:
利用步骤1建立的统计降尺度模型,采用卫星遥测的大尺度栅格气象数据获得流域尺度的长系列气象系列;然后将该长系列数据输入步骤2率定的GR4J水文模型,得到长系列径流过程,然后采用步骤3率定的LSTM模型对模拟的径流进行校正,从而获得流域模拟的长系列径流过程。
本发明产生的有益效果是:本发明的融合卫星遥感和机器学习技术的流域水文模拟方法:1、科学合理、贴近工程实际;本发明充分发挥卫星遥感观测数据和地面气象站点资料的优势,克服卫星观测空间分辨率低、地面观测站系列较短的不足,通过数据融合和统计降尺度技术,获得了长系列气象数据。2、可为流域水文模拟和水资源规划提供重要且可操作性强的参考依据;利用仅有四个参数的GR4J水文模型,模拟得到日径流过程,考虑到大坝、水库、农业灌溉、引水和跨流域调水等工程措施往往会造成流域水文模型存在较大误差,采用机器学习技术实现对模拟径流的校正。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明方法的具体流程图;
图2为GR4J水文模型结构的示意图;
图3为地面气象站观测、卫星遥感数据与径流数据资料情况的示意图;
图4为日实测径流与不同滞时下模拟径流相关性系数变化的示意图;
图5为长短期记忆神经网络(LSTM)模型记忆单元的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例的融合卫星遥感和机器学习技术的流域水文模拟方法,首先利用稀缺资料地区地面气象站的有限观测数据与卫星遥感的大尺度栅格数据建立统计降尺度模型,从而获得长系列气象观测资料;基于稀缺资料地区的短系列径流观测数据和降尺度后的气象资料,建立流域水文模型,实现径流初步模拟,再采用机器学习技术对模拟径流进行校正,以减小大坝、水库、农业灌溉、引水和跨流域调水等工程措施造成的模拟误差;最后利用降尺度后的长系列气象数据、率定好的流域水文模型和人工神经网络模型,实现稀缺资料地区的长系列径流过程模拟,其具体流程详见图1。
下面通过实施例,并结合附图,对本发明的技术方案做进一步具体说明:
步骤1,利用稀缺资料地区地面气象站的有限观测数据与卫星遥感的大尺度栅格数据建立统计降尺度模型,从而获得长系列的气象观测资料;
如图2所示,给出了地面气象站观测、卫星遥感数据与径流数据资料情况的示意图,对于实施例的流域,地面气象数据和径流数据存在不匹配的问题,不能直接用来率定水文模型;故需要采用较为完整的卫星遥测数据和统计降尺度模型,获得校正后的长系列卫星遥测数据,才能与稀缺的径流观测系列建立水文模型,最终实现流域水文模拟。
步骤1进一步包括以下子步骤:
步骤1.1、基于稀缺资料地区的有限观测资料,逐月计算卫星遥感的大尺度栅格数据与地面实测日降水(包含无降水日)、气温序列经验分布函数:
其中,d表示月份;G表示卫星遥感的观测数据;ref表示地面气象站有资料的时期,本实施例记为“地面观测期”;ecdf表示累积分布函数;PG,ref,d、TG,ref,d分别为地面观测期各月(1、2、3、…12月)降水、气温经验累积分布函数;和分别表示卫星遥测的大尺度栅格降水、气温系列。
进一步地,为了获得观测区域的大尺度降雨数据,可使用本领域常规技术提取卫星由美国宇航局和日本航空探测署研发的TRMM降水卫星数据或GPM(全球降水观测计划)的降水卫星数据。
步骤1.2、逐月计算经验分布各概率下日降水(地面观测序列与卫星遥测栅格序列比值)与日气温(地面观测序列与卫星遥测栅格序列差值)的校正因子:
其中,CFPG,ref,d、CFTG,ref,d分别为历史时段各月降水、气温校正因子。
步骤1.3、逐月内插并外延根据经验分布计算的日降水与日气温校正因子:
其中,CFPG,des,d、CFTG,des,d分别为处理后应用于待推求的设计时期(des)的降水、气温校正因子;
步骤1.4、将处理后的校正因子应用于设计时期模拟长系列日降水与日气温:
步骤2,基于稀缺资料地区的短系列径流观测数据和降尺度后的气象资料,建立流域水文模型,实现初步径流模拟;
步骤2进一步包括以下子步骤:
步骤2.1、采用稀缺资料地区的短系列径流观测数据与同一时期统计降尺度后的气象数据,构建GR4J水文模型,并率定模型参数。
GR4J水文模型是一种仅有4个参数的集总式概念性水文模型,该模型具备结构简单、参数较少、精度高等特点,已经被广泛使用,该模型主要由两个非线性水库构成,分别为产流水库和汇流水库,模型结构如图2所示。
步骤2.2、基于率定好的GR4J水文模型,模拟得到日径流过程;模拟的径流系列表示为:
Qsim=FGR4J[Prep,Tmean,Latitude,BasinArea,ParameterX] (9)
式中,Qsim表示模拟的径流系列,Prep表示降尺度后的降雨系列,Tmean表示降尺度后的日均气温系列,Latitude表示流域所处的纬度均值,BasinArea表示流域面积,ParameterX表示步骤2.1中率定得到的模型参数,FGR4J表示GR4J模型。
步骤3,采用机器学习技术对模拟径流进行校正,从而减小人类活动和水利工程造成的模拟误差,构建长短期记忆模型;
步骤3进一步包括以下子步骤:
步骤3.1、通过对稀缺资料地区步骤2模拟的日径流过程、实测的日径流过程进行统计分析,确定影响日实测径流的滞时;
如图4所示,给出了日实测径流与不同滞时下模拟径流相关性系数变化的示意图;模拟径流与实测径流的相关系数,一般随着滞时的延长,而逐渐下降;进一步地,选取合适的相关性阈值,来确定与实测径流建立机器学习模型的模拟径流时长;例如,可取0.5。
步骤3.2、采用长短期记忆神经网络(LSTM)模型,对步骤2模拟的日径流过程进行校正,减小人类活动造成的水文模型误差;
本实施例构建具有三层神经网络架构的长短期记忆神经网络(LSTM)模型,用于概化大坝、水库或调水工程对流域的调蓄作用,提高水文模拟精度;本实施例使用神经网络区间模拟均值法,独立运行多次神经网络模型,取平均值作为最终模拟结果,以减少不确定性。
为解决非线性自回归外因输入模式(NARX)动态神经网络在深度学习过程(隐含层数≥2层)中引发的梯度爆炸和梯度消失问题,LSTM长短期记忆神经网络通过在NARX神经网络的隐藏层中引入存储单元,即输入门、忘记门、内部回馈连结、和输出门来选择记忆当前信息或遗忘过去记忆信息(如降雨–径流映射关系),以增强NARX神经网络的长期记忆能力。简而言之,LSTM长短期记忆神经网络是将NARX动态神经网络中的每个隐藏层换成了具有记忆功能的存储单元,简称LSTM单元,而其输入层和输出层与NARX动态神经网络相同。
如图5所示,给出了本实施例构建的长短期记忆神经网络(LSTM)模型记忆单元的示意图;校正后的模拟径流系列可表示为:
Qcor(t)=FLSTM[Qsim(t),Qsim(t-1),Qsim(t-2),…,Qsim(t-N)] (10)
式中,Qcor(t)表示t时刻校正后的径流,Qsim(t)表示水文模型在t时刻的模拟径流,Qsim(t-1)表示水文模型在t-1时刻的模拟径流,N表示LSTM模型确定的滞时;FLSTM表示LSTM模型。
进一步地,采用本领域的常规技术最小批量梯度下降法对LSTM模型进行训练。
步骤4,将步骤1获得的长系列气象观测资料,输入步骤2和步骤3建立的水文模型和长短期记忆神经网络模型,模拟出长系列径流过程;
利用步骤1建立的统计降尺度模型,采用卫星遥测的大尺度栅格气象数据获得流域尺度的长系列气象系列;然后将该长系列数据输入步骤2率定的GR4J水文模型,得到长系列径流过程,然后采用步骤3率定的LSTM模型对模拟的径流进行校正,从而获得流域模拟的长系列径流过程。
本实施例的发明思路为:首先利用稀缺资料地区地面气象站的有限观测数据与卫星遥感的大尺度栅格数据建立统计降尺度模型,从而获得长系列气象观测资料;基于稀缺资料地区的短系列径流观测数据和降尺度后的气象资料,建立流域水文模型,实现初步径流模拟,再采用机器学习技术对模拟径流进行校正,以减小大坝、水库、农业灌溉、引水和跨流域调水等工程措施造成的模拟误差;最后利用降尺度后的长系列气象数据、率定好的流域水文模型和长短期记忆神经网络模型,实现稀缺资料地区的长系列径流过程模拟。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (4)
1.一种融合卫星遥感和机器学习技术的流域水文模拟方法,其特征在于,该方法包括以下步骤:
步骤1、利用稀缺资料地区地面气象站的有限观测数据与卫星遥感的大尺度栅格数据建立统计降尺度模型,得到长系列气象观测资料;
步骤2、基于稀缺资料地区的短系列径流观测数据和降尺度后的气象资料,建立流域水文模型,实现初步径流模拟;
步骤3、采用机器学习技术对初步的模拟径流进行校正,从而减小人类活动和水利工程造成的模拟误差,构建长短期记忆神经网络模型;
步骤4、将步骤1得到的长系列气象观测资料,输入步骤2和步骤3建立的流域水文模型和长短期记忆神经网络模型,模拟出长系列径流过程;
步骤3的具体方法为:
步骤3.1、通过对稀缺资料地区模拟的日径流过程、实测的日径流过程进行统计分析,确定影响日实测径流的滞时;
步骤3.2、采用长短期记忆神经网络模型,记作LSTM模型,对步骤2模拟的日径流过程进行校正,减小人类活动造成的水文模型误差;
步骤3.2中进行模型校正的方法具体为:
在长短期记忆神经网络模型中,将NARX动态神经网络中的每个隐藏层换成具有记忆功能的存储单元,简称LSTM单元,而其输入层和输出层与NARX动态神经网络相同;
校正后的模拟径流系列表示为:
Qcor(t)=FLSTM[Qsim(t),Qsim(t-1),Qsim(t-2),…,Qsim(t-N)
式中,Qcor(t)表示t时刻校正后的径流,Qsim(t)表示水文模型在t时刻的模拟径流,Qsim(t-1)表示水文模型在t-1时刻的模拟径流,N表示LSTM模型确定的滞时;FLSTM表示LSTM模型。
2.根据权利要求1所述的融合卫星遥感和机器学习技术的流域水文模拟方法,其特征在于,步骤1的具体方法为:
步骤1.1、基于稀缺资料地区的有限观测资料,逐月计算卫星遥感的大尺度栅格数据与地面实测日降水、气温序列经验分布函数;
步骤1.2、逐月计算经验分布各概率下日降水与日气温的校正因子;
步骤1.3、逐月内插并外延根据经验分布计算的日降水与日气温校正因子:
步骤1.4、将处理后的校正因子应用于设计时期模拟长系列日降水与日气温,得到统计降尺度后的长系列日降水、气温系列。
3.根据权利要求1所述的融合卫星遥感和机器学习技术的流域水文模拟方法,其特征在于,步骤2的具体方法为:
步骤2.1、采用稀缺资料地区的短系列径流观测数据与同一时期统计降尺度后的气象数据,构建GR4J水文模型,并率定模型参数;
步骤2.2、基于率定好的GR4J水文模型,模拟得到日径流过程;模拟的径流系列表示为:
Qsim=FGR4J[Prep,Tmean,Latitude,BasinArea,ParameterX]
式中,Qsim表示模拟的径流系列,Prep表示降尺度后的降雨系列,Tmean表示降尺度后的日均气温系列,Latitude表示流域所处的纬度均值,BasinArea表示流域面积,ParameterX表示步骤2.1中率定得到的模型参数,FGR4J表示GR4J模型。
4.根据权利要求1所述的融合卫星遥感和机器学习技术的流域水文模拟方法,其特征在于,步骤4的具体方法为:
利用步骤1建立的统计降尺度模型,采用卫星遥测的大尺度栅格气象数据获得流域尺度的长系列气象系列;然后将该长系列数据输入步骤2率定的GR4J水文模型,得到长系列径流过程,然后采用步骤3率定的LSTM模型对模拟的径流进行校正,从而获得流域模拟的长系列径流过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910670559.8A CN110442937B (zh) | 2019-07-24 | 2019-07-24 | 一种融合卫星遥感和机器学习技术的流域水文模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910670559.8A CN110442937B (zh) | 2019-07-24 | 2019-07-24 | 一种融合卫星遥感和机器学习技术的流域水文模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110442937A CN110442937A (zh) | 2019-11-12 |
CN110442937B true CN110442937B (zh) | 2023-01-24 |
Family
ID=68431269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910670559.8A Active CN110442937B (zh) | 2019-07-24 | 2019-07-24 | 一种融合卫星遥感和机器学习技术的流域水文模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110442937B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898660B (zh) * | 2020-07-17 | 2022-10-04 | 武汉大学 | 一种基于贝叶斯模式平均融合多源数据的水文模拟方法 |
CN112380781B (zh) * | 2020-11-30 | 2022-10-18 | 中国人民解放军国防科技大学 | 基于再分析资料和不平衡学习的卫星观测补全方法 |
CN112715322B (zh) * | 2020-12-22 | 2022-08-09 | 广东省科学院广州地理研究所 | 一种农业灌溉用水获取方法和装置 |
CN112700068B (zh) * | 2021-01-15 | 2022-04-29 | 武汉大学 | 基于机器学习融合多源遥感数据的水库调度规则优化方法 |
CN113627465B (zh) * | 2021-06-30 | 2022-12-13 | 东南大学 | 基于卷积长短期记忆神经网络的降水数据时空动态融合方法 |
CN114386334B (zh) * | 2022-01-19 | 2022-09-13 | 浙江大学 | 一种基于分布式水文径流模拟替代模型的径流滚动预报方法 |
CN115115111A (zh) * | 2022-06-28 | 2022-09-27 | 中国水利水电科学研究院 | 一种基于lstm的中长期径流预报智能方法 |
CN115392077B (zh) * | 2022-08-16 | 2023-07-25 | 中国人民解放军军事科学院国防科技创新研究院 | 基于深度学习的卫星物理场级数字孪生模型构建方法 |
CN115221800B (zh) * | 2022-09-20 | 2022-12-02 | 武汉大学 | 天气发生器和深度学习融合的延伸期径流集合预测方法 |
CN115617935A (zh) * | 2022-10-18 | 2023-01-17 | 中国水利水电科学研究院 | 一种基于融合模型的地下水储量偏差降尺度方法 |
CN116822185B (zh) * | 2023-06-20 | 2024-07-16 | 河南科技大学 | 基于hasm的日降水数据空间模拟方法和系统 |
CN116562176B (zh) * | 2023-07-11 | 2023-10-03 | 成都理工大学 | 一种基于耦合神经网络与水文物理模型的径流模拟方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7136756B1 (en) * | 2004-11-02 | 2006-11-14 | Vieux And Associates, Inc. | Method for determining runoff |
CN102034001A (zh) * | 2010-12-16 | 2011-04-27 | 南京大学 | 一种以栅格为模拟单元的分布式水文模型设计方法 |
US20150019262A1 (en) * | 2013-07-11 | 2015-01-15 | Corelogic Solutions, Llc | Method and system for generating a flash flood risk score |
CN105740991B (zh) * | 2016-02-26 | 2020-04-03 | 河海大学 | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 |
CN105912836B (zh) * | 2016-03-25 | 2019-03-15 | 环境保护部卫星环境应用中心 | 一种纯遥感数据驱动的流域水循环模拟方法 |
CN107316095B (zh) * | 2016-09-23 | 2020-09-11 | 武汉大学 | 一种耦合多源数据的区域气象干旱等级预测方法 |
CN109615011A (zh) * | 2018-12-14 | 2019-04-12 | 河海大学 | 一种基于lstm的中小河流短期洪水预报方法 |
CN109711617B (zh) * | 2018-12-25 | 2022-08-19 | 河海大学 | 一种基于blstm深度学习的中长期径流预测方法 |
CN109816167A (zh) * | 2019-01-18 | 2019-05-28 | 昆仑(重庆)河湖生态研究院(有限合伙) | 径流预报方法及径流预报装置 |
CN109840873A (zh) * | 2019-02-02 | 2019-06-04 | 中国水利水电科学研究院 | 一种基于机器学习的无资料地区水文模型参数区域化方法 |
-
2019
- 2019-07-24 CN CN201910670559.8A patent/CN110442937B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110442937A (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110442937B (zh) | 一种融合卫星遥感和机器学习技术的流域水文模拟方法 | |
CN115507822B (zh) | 水文循环变异驱动下的洪水风险预测方法 | |
CN107316095B (zh) | 一种耦合多源数据的区域气象干旱等级预测方法 | |
CN109978235B (zh) | 一种基于样本学习的积涝水位预测方法 | |
CN111898660B (zh) | 一种基于贝叶斯模式平均融合多源数据的水文模拟方法 | |
Todini | The ARNO rainfall—runoff model | |
Vaze et al. | Rainfall-runoff modelling across southeast Australia: datasets, models and results | |
CN105243435B (zh) | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 | |
CN108875161A (zh) | 基于卷积神经网络深度学习的流量等级预测方法 | |
Liang et al. | Application of Bayesian model averaging approach to multimodel ensemble hydrologic forecasting | |
CN112700068B (zh) | 基于机器学习融合多源遥感数据的水库调度规则优化方法 | |
CN116485584B (zh) | 高寒区大底坡河流wee协同调控方法及系统 | |
Chea et al. | Flow simulation in an ungauged catchment of Tonle Sap Lake Basin in Cambodia: Application of the HEC-HMS model | |
CN114861840B (zh) | 一种多源降水数据融合方法 | |
CN113158542A (zh) | 适用于缺资料地区的多变量设计洪水估计方法 | |
CN112052559A (zh) | 一种基于月水量平衡的三参数水文模型及其构建方法 | |
CN114970377A (zh) | 基于新安江与深度学习耦合模型的场次洪水预报方法和系统 | |
Ndhlovu et al. | Use of gridded climate data for hydrological modelling in the Zambezi River Basin, Southern Africa | |
US20240256746A1 (en) | Scheduling method and system for operation of reservoirs to recharge freshwater for repelling saltwater intrusion under changing conditions | |
CN115238947A (zh) | 气候变化下旱涝急转事件的社会经济暴露度预估方法 | |
CN116502739A (zh) | 水库来水量的雨洪耦合预报方法、系统及电子设备 | |
CN118095034B (zh) | 基于水文模型与lstm双重耦合的取用水活动影响下的水文预报方法及系统 | |
Herath et al. | Evaluation of HEC-HMS model for water resources management in Maha Oya Basin in Sri Lanka | |
CN117273200B (zh) | 一种基于卷积优化算法和Pyraformer神经网络的径流区间预报方法 | |
CN117493476A (zh) | 一种融合物理机制和人工智能的径流回溯模拟方法及系统 |
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 |