CN111445085A - 一种考虑中大型水库工程蓄水影响的中长期径流预报方法 - Google Patents

一种考虑中大型水库工程蓄水影响的中长期径流预报方法 Download PDF

Info

Publication number
CN111445085A
CN111445085A CN202010285337.7A CN202010285337A CN111445085A CN 111445085 A CN111445085 A CN 111445085A CN 202010285337 A CN202010285337 A CN 202010285337A CN 111445085 A CN111445085 A CN 111445085A
Authority
CN
China
Prior art keywords
forecasting
medium
particle
value
water
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.)
Pending
Application number
CN202010285337.7A
Other languages
English (en)
Inventor
杨明祥
林锋
王浩
蒋云钟
赵勇
冯涛
唐颖复
刘珂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Institute of Water Resources and Hydropower Research
Original Assignee
China Institute of Water Resources and Hydropower Research
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN202010285337.7A priority Critical patent/CN111445085A/zh
Publication of CN111445085A publication Critical patent/CN111445085A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种考虑中大型水库工程蓄水影响的中长期径流预报方法，涉及水文预报技术领域；该方法结合流域内中大型蓄水工程的蓄水情况，通过归一化差异水体指数计算NDWI指数，基于NDWI指数识别LandSat卫星图片中的水体，并统计水体面积变化率从而提出了工程蓄水影响因子，同时结合环流指数作为预报因子，作为SVR预报模型的输入参数，选取多年的历史径流数据作为历史样本，分为训练集和测试集对SVR模型进行训练和测试；得到最终SVR预报模型并进行预测。本发明中的方法提升了对特定流域的中长期预报方法的预报精度和实用性，所提出的方法参数设置少，全局寻优能力强，可以有效避免计算量大、耗时长、需要的样本量大、预测精度低的问题。

Description

一种考虑中大型水库工程蓄水影响的中长期径流预报方法
技术领域
本发明涉及水文预测技术领域，尤其涉及一种考虑中大型水库工程蓄水影响的中长期径流预报方法。
背景技术
受气候、气象、下垫面、人类活动等诸多因素的综合影响，流域中长期径流预报过程具有一定的时空不确定性。传统的中长期径流预报方法如物理成因法、数理统计方法、回归分析方法和现代新兴的预报方法如模糊分析法、灰色系统方法、神经网络等方法常以气象因子作为备选因子，从中为特定流域选取适合的预报因子集合，以此学习预报因子集合与流域径流之间关系。但考虑到流域内蓄水体的蓄泄过程对径流的影响，特别是中大型蓄水工程对径流具有显著的调节作用。现有的方法多以气象因子作为预报因子，多是从自然层面考虑气象、气候因素对中长期径流过程的影响，对蓄水工程蓄泄产生的影响考虑较少。此外，水体面积是反映蓄水工程蓄水程度的重要指标，现有的蓄水体面积的计算主要利用蓄水体设计时的水位面积曲线，根据水位等参数计算对应的水面面积，但某些蓄水体缺乏设计资料，无法利用传统方法计算水面面积。
发明内容
本发明的目的在于提供一种考虑中大型水库工程蓄水影响的中长期径流预报方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种考虑中大型水库工程蓄水影响的中长期径流预报方法，包括以下步骤：
S1，筛选气象预报因子：对多项大气环流指数历史数据和待预报流域历史径流数据进行相关性分析，筛选多项大气环流指数，将其作为预报因子；
S2，计算工程蓄水影响因子：通过光谱分析提取符合规定的水体，并计算水体面积，计算区域内水体面积的变化量，利用公式Rc＝ΔS/St计算计算区域内水体面积的变化率；ΔS是区域内水体面积变化量，St表示当前时刻区域内的水面面积，Rc为区域内水体面积的变化率；将计算所得的水体面积的变化率作为工程蓄水影响因子；
S3，将步骤S1得到的预报因子和步骤S2中的影响因子作为SVR模型的样本输入，并利用公式
Figure BDA0002448284840000021
对输入样本做标准化处理；
其中，yt、AVG、STD分别表示选定的时间段内某一时刻的某项预报因子值、选定时间段内所选预报因子值的平均值、选定时间段内所选预报因子值的标准差；遍历所有的预报因子，得到每个预报因子的标准化值；
S4，选定待预报流域S年的径流量数据作为历史样本，将历史样本中前N 年的径流量数据和选定的对应时间的预报因子的归一化值作为训练集，后M年的径流量数据和选定的对应时间的预报因子的归一化值作为测试集，其中M，N 的限制条件为S＝N+M，N>M，S、N、M均为正整数；
S5，利用步骤S6中的训练集对SVR模型进行训练，并利用测试集对训练获得的SVC模型进行检验，得到满足要求的SVC模型并将其作为预报模型；
S6，依据步骤S1筛选得到的预报因子和步骤S2中获得的工程蓄水影响因子，获取对应数据生成待预报年份的模型输入，利用步骤S5获得的预报模型对待预报年份中大型水库工程蓄水影响的中长期径流级别进行预测。
优选地，步骤S1中相关性分析包括：
S11，采用下式计算年径流量y和大气环流因子x之间的相关性系数：
Figure BDA0002448284840000022
S12，选取相关性系数绝对值大且有一定物理意义的环流指数作为因子作为气象预报因子。
优选地，步骤S2中所述提取水体的过程具体包括：
通过光谱分析提取水体：选取包含预报断面上游的干流和支流上对径流过程具一定影响力的中大型蓄水工程的LandSat卫星图片；利用归一化差异水体指数(NDWI)法，对绿光波段和近红外波段进行运算，采用公式
Figure BDA0002448284840000031
计算水体的NDWI指数：依据选定的阈值α，根据NDWI指数与阈值α的对比结果对水体进行提取。
优选地，步骤S2中水体面积计算具体包括：
S3，水体面积的计算：经过光谱分析提取水体后，统计LandSat卫星图像上被判定为水体的像元的个数，并结合LandSat卫星图像在绿光波段和近红外波段的空间分辨率；
利用公式S＝τ×τ×M计算水体的总面积S；其中，M为水体像元数量，τ为卫星影像的空间分辨率。
优选地，步骤S2中计算区域内水体面积的变化量利用公式ΔS＝St-St-1计算区域内水面面积的变化量；其中ΔS表示区域内水面面积的变化量，St表示当前时刻区域内的水面面积，St-1表示前一时刻区域内的水面面积。
优选地，步骤S5中具体包括：
S51，采用粒子群优化算法确定SVR模型中误差惩罚参数C、核参数σ和不敏感损失系数ε三个参数的值；使用C、σ、ε的值作为粒子群中粒子的位置的坐标值，根据设定的粒子群规模随机初始化粒子群，计算每个粒子在当前位置的适应度，通过比较适应度确定粒子的个体最佳位置和粒子群的全局最佳位置，并更新每个粒子的速度和位置，迭代至满足结束条件或者满足最优输出结果，得到位置最优的粒子，其位置的坐标值即为SVR模型参数C、σ、ε的最佳值；
S52，将PSO算法得到的C、σ、ε最佳值输入SVR模型中进行训练，得到最佳的SVR模型；
S53，用测试集进行检验，用测试集中的样本径流值对比预测结果并输出预测结果，对预测结果和当年实测结果进行对比分析，获得最终的SVR模型作为预报模型。
具体的对比分析方法如下：采用平均相对误差和距平一致率评价SVR模型，如满足精度要求，则将SVR模型作为径流预报模型。要求预报模型的平均相对误差小于40％，同时距平一致率大于70％；相对误差的计算公式为：
Figure BDA0002448284840000041
其中，yi为模型预报值，
Figure BDA0002448284840000042
为实测径流值。
距平一致率的计算公式为：
R＝Nsame/N×100％
其中，R为距平一致率，N为参与验证的总年数，Nsame为实测径流与预测径流距平符号相同的年数。
优选地，步骤S51中计算每个粒子在当前位置中的适应度的函数为：
Figure BDA0002448284840000043
式中，DC为确定性系数，yc(i)为预测值，yo(i)为实测值，
Figure BDA0002448284840000044
为多年实测值的平均值，n为训练集样本年数。
优选地，通过比较适应度确定粒子的个体最佳位置和粒子群的全局最佳位置，并更新每个粒子的速度和位置，迭代至满足结束条件或者满足最优输出结果具体包括：
1)确定每个粒子的个体最佳位置：将每个粒子当前位置的适应度与其历史最佳位置localbest的适应度值作比较，确定每个粒子当前的最佳位置localbest；
2)确定整个粒子群的全局最佳位置：将每个粒子当前最佳位置的适应度与整个群体的当前最佳位置globalbest的适应度值作比较，确定整个粒子群当前的最佳位置globalbest；
3)更新粒子的速度和位置：
根据下式更新粒子速度:
vi+1＝wvi+c1r1(localbest-xi)+c2r2(globalbest-xi)
根据式xi+1＝xi+vi+1更新粒子位置；
式中，i代表迭代次数，xi表示第i次迭代时粒子的位置，vi表示第i次迭代时粒子的速度，r1,r2表示为(0,1)之间的两个随机数，c1,c2表示的是增速因子，其值一般取为2，w为动态权重因子，其取值范围为[0.4,0.9],其根据式 w＝[(wini-wend)(G-g)]/G+wend动态更新权重w，其中wini和wend分别为动态权重因子的起始值和终止值，其值分别为0.9和0.4，G为PSO算法的迭代次数，g为当前的迭代次数。
本申请中设定的结束次数上限是1000次。
本发明的有益效果是：
本发明公开了一种考虑中大型水库工程蓄水影响的中长期径流预报方法，该方法结合流域内中大型蓄水工程的蓄水情况，通过归一化差异水体指数计算 NDWI指数，基于NDWI指数识别LandSat卫星图片中的水体，并统计区域内水体的像元数量，基于像元数量计算水体面积，而后计算水体面积变化率从而提出了工程蓄水影响因子，同时结合环流指数作为预报因子，作为SVR预报模型的输入参数，使用Z-Score方法对输入数据进行标准化处理；选取多年的历史径流数据作为历史样本，将历史样本分为为训练集和测试集，并使用训练集训练SVR 模型；训练完成后使用测试集确定模型的预测精度，分析误差得到最终SVR预报模型；采用该预报模型对中大型水利工程蓄水对于中长期径流预报的影响进行预测。相较于目前常用方法，本发明中的方法提升了对特定流域的中长期预报方法的预报精度和实用性，所提出的方法参数设置少，全局寻优能力强，可以有效避免计算量大、耗时长、需要的样本量大、预测精度低的问题。
附图说明
图1是实施例1中的考虑中大型水库工程蓄水影响的中长期径流预报方法的流程图。
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，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方式仅仅用以解释本发明，并不用于限定本发明。
实施例1
本实施例提供了一种考虑中大型水库工程蓄水影响的中长期径流预报方法，如图1所示，包括以下步骤：
S1，筛选气象预报因子：对多项大气环流指数历史数据和待预报流域历史径流数据进行相关性分析，筛选多项大气环流指数，将其作为预报因子；
S2，计算工程蓄水影响因子：通过光谱分析提取符合规定的水体，并计算水体面积，计算区域内水体面积的变化量，利用公式Rc＝ΔS/St计算计算区域内水体面积的变化率；ΔS是区域内水体面积变化量，St表示当前时刻区域内的水面面积，Rc为区域内水体面积的变化率；将计算所得的水体面积的变化率作为工程蓄水影响因子；
S3，将步骤S1得到的预报因子和步骤S2中的影响因子作为SVR模型的样本输入，并利用公式
Figure BDA0002448284840000061
对输入样本做标准化处理；
其中，yt、AVG、STD分别表示选定的时间段内某一时刻的某项预报因子值、选定时间段内所选预报因子值的平均值、选定时间段内所选预报因子值的标准差；遍历所有的预报因子，得到每个预报因子的标准化值；
S4，选定待预报流域S年的径流量数据作为历史样本，将历史样本中前N 年的径流量数据和选定的对应时间的预报因子的归一化值作为训练集，后M年的径流量数据和选定的对应时间的预报因子的归一化值作为测试集，其中M，N 的限制条件为S＝N+M，N>M，S、N、M均为正整数；
S5，利用步骤S6中的训练集对SVR模型进行训练，并利用测试集对训练获得的SVC模型进行检验，得到满足要求的SVC模型并将其作为预报模型；
S6，依据步骤S1筛选得到的预报因子和步骤S2中获得的工程蓄水影响因子，获取对应数据生成待预报年份的模型输入，利用步骤S5获得的预报模型对待预报年份中大型水库工程蓄水影响的中长期径流级别进行预测。
本实施例中，步骤S1中相关性分析具体包括：
S11，采用下式计算年径流量y和大气环流因子x之间的相关性系数：
Figure BDA0002448284840000071
S12，选取相关性系数绝对值大且有一定物理意义的环流指数作为因子作为气象预报因子。
本实施例中步骤S2中所述提取水体的过程具体包括：
通过光谱分析提取水体：选取包含预报断面上游的干流和支流上对径流过程具一定影响力的中大型蓄水工程的LandSat卫星图片；利用归一化差异水体指数(NDWI)法，对绿光波段和近红外波段进行运算，采用公式
Figure BDA0002448284840000072
计算水体的NDWI指数；其中B2代表绿光波段，B4代表近红外波段；依据选定的阈值α，α具体的取值需要通过实验来确定，对不同卫星影像，阈值也不一样。当计算式中的NDWI>α,即可在处理后的卫星影像中凸显出水体区域，从而根据 NDWI指数对水体进行提取。
本实施例中步骤S2中水体面积计算具体包括：
S3，水体面积的计算：经过光谱分析提取水体后，统计LandSat卫星图像上被判定为水体的像元的个数，并结合LandSat卫星图像在绿光波段和近红外波段的空间分辨率τ；
利用公式S＝τ×τ×M计算水体的总面积S；其中，M为水体像元数量，τ为卫星影像的空间分辨率。
步骤S2中计算区域内水体面积的变化量利用公式ΔS＝St-St-1计算区域内水面面积的变化量；其中ΔS表示区域内水面面积的变化量，St表示当前时刻区域内的水面面积，St-1表示前一时刻区域内的水面面积。
本实施例中步骤S5中具体包括：
S51，采用粒子群优化算法确定SVR模型中误差惩罚参数C、核参数σ和不敏感损失系数ε三个参数的值；使用C、σ、ε的值作为粒子群中粒子的位置的坐标值，根据设定的粒子群规模随机初始化粒子群，计算每个粒子在当前位置的适应度，通过比较适应度确定粒子的个体最佳位置和粒子群的全局最佳位置，并更新每个粒子的速度和位置，迭代至满足结束条件或者满足最优输出结果，得到位置最优的粒子，其位置的坐标值即为SVR模型参数C、σ、ε的最佳值；
S52,将PSO算法得到的C、σ、ε最佳值输入SVR模型中进行训练，得到最佳的SVR模型；
S53，用测试集中的样本径流值对比预测结果并输出预测结果，对预测结果和当年实测结果进行对比分析，获得最终的SVR模型作为预报模型。
优选地，步骤S51中计算每个粒子在当前位置中的适应度的函数为：
Figure BDA0002448284840000081
式中，DC为确定性系数，yc(i)为预测值，yo(i)为实测值，
Figure BDA0002448284840000082
为多年实测值的平均值，n为训练集样本年数。
本实施例中通过比较适应度确定粒子的个体最佳位置和粒子群的全局最佳位置，并更新每个粒子的速度和位置，迭代至满足结束条件或者满足最优输出结果具体包括：
1)确定每个粒子的个体最佳位置：将每个粒子当前位置的适应度与其历史最佳位置localbest的适应度值作比较，确定每个粒子当前的最佳位置localbest；
2)确定整个粒子群的全局最佳位置：将每个粒子当前最佳位置的适应度与整个群体的当前最佳位置globalbest的适应度值作比较，确定整个粒子群当前的最佳位置globalbest；
3)更新粒子的速度和位置:根据下式更新粒子速度:
vi+1＝wvi+c1r1(localbest-xi)+c2r2(globalbest-xi)
根据式xi+1＝xi+vi+1更新粒子位置；
式中，i代表迭代次数，xi表示第i次迭代时粒子的位置，vi表示第i次迭代时粒子的速度，r1，r2表示为(0,1)之间的两个随机数，c1，c2表示的是增速因子，其值一般取为2，w为动态权重因子，其取值范围为[0.4,0.9],其根据式
Figure BDA0002448284840000091
动态更新权重w，其中wini和wend分别为动态权重因子的起始值和终止值，其值分别为0.9和0.4,G为PSO算法的迭代次数，g为当前的迭代次数。
1)筛选气象预报因子：本具体方式中的130项环流因子从国家气候中心官方网站获取历年百项气候系统指数集(即88项大气环流指数、26项海温指数和16项其他指数)，再利用公式
Figure BDA0002448284840000092
确定年径流量y和个预报因子x的相关性系数，其中ρi表示第i个因子与年径流量y的相关系数，
Figure BDA0002448284840000093
表示该因子的多年平均值,
Figure BDA0002448284840000094
表示样本径流平均值,
Figure BDA0002448284840000095
l为径流样本年数。
将计算得到的相关性系数按绝对值从大到小进行排序，选取相关性系数大的气象指数作为初选预报因子；对初选预报因子进行物理成因分析，选取相关系数大且对预报流域有一定物理影响的气象指数作为气象预报因子。
2)光谱分析提取水体：本实例具体方式从美国地址勘探局(USGS)官方网站(https://glovis.usgs.gov/app)下载包含石泉水利枢纽和安康水库的LandSat卫星图像，针对水体在0.8μm的近红外波段往后反射率基本为0，而植被和土壤以及城市在近红外波段反射率相对都较高的特点，对LandSat图像中提供的绿光波段和近红外波段进行运算，利用公式
Figure BDA0002448284840000101
计算归一化差异水体指数 (Normalized Difference WaterIndex，NDWI)，通过人工设定的阈值α实现对水体的提取。
3)水体面积的计算：本实例通过步骤2)获取石泉水利枢纽、安康水库的历史水体影像资料，通过公式S＝τ×τ×M计算历史水体面积的时间序列，其中M为统计得到的卫星影像中水体像元的数目，τ为LandSat卫星图像的分辨率，本实例中使用的LandSat7卫星图像的分辨率为30m。
4)计算工程蓄水影响因子：本实例选取石泉水利枢纽和安康水库的水面面积时间序列，利用公式ΔS＝St-St-1计算两座水库的水面面积变化量时间序列，再利用公式Rc＝ΔS/St计算两座水库的历史水面面积变化率Rc的时间序列，将 Rc作为蓄水工程影响因子；
其中ΔS表示区域内水面面积的变化量，St表示当前时刻区域内的水面面积， St-1表示前一时刻区域内的水面面积，其中Rc为区域内水体面积的变化率。
5)把步骤1)和步骤4)得到的预报因子值作为SVR模型的样本输入，并利用公式
Figure BDA0002448284840000102
对输入样本做标准化处理；
其中，yt、AVG、STD分别表示选定的时间段内某一时刻的某项预报因子值、选定时间段内所选预报因子值的平均值、选定时间段内所选预报因子值的标准差；遍历所有的预报因子，得到每个预报因子的标准化值；
4)选定待预报流域S年的径流量数据作为历史样本，将历史样本中前N年的径流量数据和选定的对应时间的预报因子的归一化值作为训练集，后M年的径流量数据和选定的对应时间的预报因子的归一化值作为测试集，其中M，N的限制条件为S＝N+M，N>M，S、N、M均为正整数；本实施例采用丹江口水库近 15年年径流数据作为历史样本，对该样本进行分类，即将前10年的径流数据和步骤1)和步骤2)中选定的对应预报因子的对应年份标准化数据作为训练集，将历史样本后5年的径流量数据和步骤1)和步骤2)中选定的对应预报因子的对应年份标准化数据作为检验集；
5)利用步骤4)得到的训练集对SVR模型进行训练，采用粒子群优化算法确定SVR模型中误差惩罚参数C、核参数σ和不敏感损失系数ε三个参数的值；采用 C、σ、ε的值作为粒子群中粒子位置的坐标值，根据设定的粒子群规模随机初始化粒子群，计算每个粒子在当前位置的适应度，通过比较适应度分别确定粒子的个体最佳位置和粒子群的全局最佳位置，并更新每个粒子的速度和位置，迭代至满足结束条件或者满足最优输出结果，得到位置最优的粒子，其位置的坐标值即为SVR模型参数C、σ、ε的最佳值；本实施例粒子群优化算法具体步骤包括：
5-1)确定C、σ、ε三个参数的取值范围，即粒子位置和速度的取值范围。本实施例中这三个值的取值范围均采用现有方法中的相关数据，其中粒子位置的最大值设定为(100,200,100)，最小值设定为(0.01,0.01,0.01)；粒子速度的调整幅度最大值设定为(10,1,10)，最小值设定为(-10,-1,-10)。
5-2)初始化粒子群，即设定粒子群的规模、迭代次数、位置和速度等。本实施例中粒子群规模设定为300，粒子群迭代次数设定为1000，粒子的位置和速度在步骤5-1)中设定的取值范围中取随机值作为粒子的初始位置和初始速度。
5-3)确定适应度评估函数，并使用适应度函数计算每个粒子的适应度值。本实施例选取确定性系数作为适应度评估函数，使用如下所示的公式作为评价函数计算各粒子的适应度值：
Figure BDA0002448284840000111
式中，DC为确定性系数，yc(i)为预测值，yo(i)为实测值，
Figure BDA0002448284840000121
为多年实测值的平均值，n为训练集样本年数。
5-4)确定每个粒子的个体最佳位置。将每个粒子当前位置的适应度与其历史最佳位置localbest(即局部最优解)的适应度值作比较，确定当前的最佳位置 localbest。
5-5)确定整个粒子群的全局最佳位置：将每个粒子当前最佳位置的适应度与整个群体的当前最佳位置globalbest(即全局最优解)的适应度值作比较，确定当前的最佳位置globalbest。
5-6)更新粒子的速度和位置：本实施例根据式vi+1＝wvi+c1r1(localbest- xi)+c2r2(globalbest-xi)更新粒子速度，根据式xi+1＝xi+vi+1更新粒子位置；式中，i代表迭代次数，xi表示第i次迭代时粒子的位置，vi表示第i次迭代时粒子的速度，r1，r2表示为(0，1)之间的两个随机数，c1，c2表示的是增速因子，其值一般取为2，w为动态权重因子，其取值范围为[0.4，0.9]，其根据式
Figure BDA0002448284840000122
Figure BDA0002448284840000123
动态更新权重w，其中wini和wend分别为动态权重因子的起始值和终止值，其值分别为0.9和0.4，G为PSO算法的迭代次数，g为当前的迭代次数。
5-7)判断算法是否满足结束条件，不满足则转到5-3)步骤；满足则输出最优结果，此时的全局优解即是三个参数的最优解；本实施例中结束条件设定为算法的迭代次数打到上限1000次。
6)将PSO算法得到的C、σ、ε最佳值输入SVR模型中进行训练，得到最佳的 SVR模型；
7)利用测试集对训练获得的SVC模型进行检验，得到满足要求的SVC模型并将其作为预报模型；
8)，依据待预测年份的气象预报因子和工程蓄水影响因子，获取对应数据生成待预报年份的模型输入，利用获得的预报模型对待预报年份中大型水库工程蓄水影响的中长期径流级别进行预测。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明公开了一种考虑中大型水库工程蓄水影响的中长期径流预报方法，该方法结合流域内中大型蓄水工程的蓄水情况，通过归一化差异水体指数计算 NDWI指数，基于NDWI指数识别LandSat卫星图片中的水体，并统计水体的像元数量，基于像元数量计算水体面积，而后计算水体面积变化率从而提出了工程蓄水影响因子，同时结合环流指数作为预报因子，作为SVR预报模型的输入参数，使用Z-Score方法对输入数据进行标准化处理；选取多年的历史径流数据作为历史样本，将历史样本分为为训练集和测试集，并使用训练集训练SVR模型；训练完成后使用测试集确定模型的预测精度，分析误差得到最终SVR预报模型；采用该预报模型对中大型水利工程蓄水对于中长期径流预报的影响进行预测。相较于目前常用方法，提升了对特定流域的中长期预报方法的预报精度和实用性，所提出的方法参数设置少，全局寻优能力强，可以有效避免计算量大、耗时长、需要的样本量大、预测精度低的问题。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (8)

1.一种考虑中大型水库工程蓄水影响的中长期径流预报方法，其特征在于，包括以下步骤：
S1，筛选气象预报因子：对多项大气环流指数历史数据和待预报流域历史径流数据进行相关性分析，筛选多项大气环流指数，将其作为预报因子；
S2，计算工程蓄水影响因子：通过光谱分析提取符合规定的水体，并计算水体面积，计算区域内水体面积的变化量，利用公式Rc＝ΔS/St计算计算区域内水体面积的变化率；ΔS是区域内水体面积变化量，St表示当前时刻区域内的水面面积，Rc为区域内水体面积的变化率；将计算所得的水体面积的变化率作为工程蓄水影响因子；
S3，将步骤S1得到的预报因子和步骤S2中的影响因子作为SVR模型的样本输入，并利用公式
Figure FDA0002448284830000011
对输入样本做标准化处理；
其中，yt、AVG、STD分别表示选定的时间段内某一时刻的某项预报因子值、选定时间段内所选预报因子值的平均值、选定时间段内所选预报因子值的标准差；遍历所有的预报因子，得到每个预报因子的标准化值；
S4，选定待预报流域S年的径流量数据作为历史样本，将历史样本中前N年的径流量数据和选定的对应时间的预报因子的归一化值作为训练集，后M年的径流量数据和选定的对应时间的预报因子的归一化值作为测试集，其中M，N的限制条件为S＝N+M，N>M，S、N、M均为正整数；
S5，利用步骤S6中的训练集对SVR模型进行训练，并利用测试集对训练获得的SVC模型进行检验，得到满足要求的SVC模型并将其作为预报模型；
S6，依据步骤S1筛选得到的预报因子和步骤S2中获得的工程蓄水影响因子，获取对应数据生成待预报年份的模型输入，利用步骤S5获得的预报模型对待预报年份中大型水库工程蓄水影响的中长期径流级别进行预测。
2.根据权利要求1所述的考虑中大型水库工程蓄水影响的中长期径流预报方法，其特征在于，步骤S1中相关性分析包括：
S11，采用下式计算年径流量y和大气环流因子x之间的相关性系数ρi：
Figure FDA0002448284830000021
S12，选取相关性系数绝对值大且有一定物理意义的环流指数作为因子作为气象预报因子。
3.根据权利要求1所述的考虑中大型水库工程蓄水影响的中长期径流预报方法，其特征在于，步骤S2中所述提取水体的过程具体包括：
通过光谱分析提取水体：选取包含预报断面上游的干流和支流上对径流过程具一定影响力的中大型蓄水工程的LandSat卫星图片；利用归一化差异水体指数(NDWI)法，对绿光波段和近红外波段进行运算，采用公式
Figure FDA0002448284830000022
计算水体的NDWI指数，其中B2代表绿光波段，B4代表近红外波段；
依据选定的阈值α，根据NDWI指数对符合条件的水体进行提取。
4.根据权利要求1所述的考虑中大型水库工程蓄水影响的中长期径流预报方法，其特征在于，步骤S2中水体面积计算具体包括：
S3，水体面积的计算：经过光谱分析提取水体后，统计LandSat卫星图像上被判定为水体的像元的个数，并结合LandSat卫星图像在绿光波段和近红外波段的空间分辨率；
利用公式S＝τ×τ×M计算水体的总面积S；其中，M为水体像元数量，τ为LandSat卫星影像的空间分辨率。
5.根据权利要求1所述的考虑中大型水库工程蓄水影响的中长期径流预报方法，其特征在于，步骤S2中计算区域内水体面积的变化量利用公式ΔS＝St-St-1计算区域内水面面积的变化量；其中ΔS表示区域内水面面积的变化量，St表示当前时刻区域内的水面面积，St-1表示前一时刻区域内的水面面积。
6.根据权利要求1所述的考虑中大型水库工程蓄水影响的中长期径流预报方法，其特征在于，步骤S5中具体包括：
S51，采用粒子群优化算法确定SVR模型中误差惩罚参数C、核参数σ和不敏感损失系数ε三个参数的值；使用C、σ、ε的值作为粒子群中粒子的位置的坐标值，根据设定的粒子群规模随机初始化粒子群，计算每个粒子在当前位置的适应度，通过比较适应度确定粒子的个体最佳位置和粒子群的全局最佳位置，并更新每个粒子的速度和位置，迭代至满足结束条件或者满足最优输出结果，得到位置最优的粒子，其位置的坐标值即为SVR模型参数C、σ、ε的最佳值；
S52，将PSO算法得到的C、σ、ε最佳值输入SVR模型中进行训练，得到最佳的SVR模型；
S53，用测试集中的样本径流值对比预测结果并输出预测结果，对预测结果和当年实测结果进行对比分析，获得最终的SVR模型作为预报模型。
7.根据权利要求5所述的考虑中大型水库工程蓄水影响的中长期径流预报方法，其特征在于，步骤S51中计算每个粒子在当前位置中的适应度的函数为：
Figure FDA0002448284830000031
式中，DC为确定性系数，yc(i)为预测值，yo(i)为实测值，
Figure FDA0002448284830000032
为多年实测值的平均值，n为训练集样本年数。
8.根据权利要求5所述的考虑中大型水库工程蓄水影响的中长期径流预报方法，其特征在于，通过比较适应度确定粒子的个体最佳位置和粒子群的全局最佳位置，并更新每个粒子的速度和位置，迭代至满足结束条件或者满足最优输出结果具体包括：
1)确定每个粒子的个体最佳位置：将每个粒子当前位置的适应度与其历史最佳位置localbest的适应度值作比较，确定每个粒子当前的最佳位置localbest；
2)确定整个粒子群的全局最佳位置：将每个粒子当前最佳位置的适应度与整个群体的当前最佳位置globalbest的适应度值作比较，确定整个粒子群当前的最佳位置globalbest；
3)更新粒子的速度和位置：根据下式更新粒子速度:
vi+1＝wvi+c1r1(localbest-xi)+c2r2(globalbest-xi)
根据式xi+1＝xi+vi+1更新粒子位置；
式中，i代表迭代次数，xi表示第i次迭代时粒子的位置，vi表示第i次迭代时粒子的速度，r1，r2表示为(0,1)之间的两个随机数，c1，c2表示的是增速因子，其值一般取为2，w为动态权重因子，其取值范围为[0.4,0.9],其根据式w＝[(wini-wend)(G-g)]/G+wend动态更新权重w，其中wini和wend分别为动态权重因子的起始值和终止值，其值分别为0.9和0.4，G为PSO算法的迭代次数，g为当前的迭代次数。
CN202010285337.7A 2020-04-13 2020-04-13 一种考虑中大型水库工程蓄水影响的中长期径流预报方法 Pending CN111445085A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010285337.7A CN111445085A (zh) 2020-04-13 2020-04-13 一种考虑中大型水库工程蓄水影响的中长期径流预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010285337.7A CN111445085A (zh) 2020-04-13 2020-04-13 一种考虑中大型水库工程蓄水影响的中长期径流预报方法

Publications (1)

Publication Number Publication Date
CN111445085A true CN111445085A (zh) 2020-07-24

Family

ID=71657478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010285337.7A Pending CN111445085A (zh) 2020-04-13 2020-04-13 一种考虑中大型水库工程蓄水影响的中长期径流预报方法

Country Status (1)

Country Link
CN (1) CN111445085A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818608A (zh) * 2021-02-22 2021-05-18 南方电网调峰调频发电有限公司 一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法
CN114020725A (zh) * 2021-11-11 2022-02-08 中国水利水电科学研究院 一种考虑空间分布的窗口滑动gpm数据订正方法
CN114862073A (zh) * 2022-07-08 2022-08-05 长江水利委员会水文局 一种气陆库水四维耦合的中长期径流预报方法
CN115481818A (zh) * 2022-10-12 2022-12-16 大连理工大学 一种基于时序分解的中长期径流预报方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1996030784A1 (fr) * 1995-03-31 1996-10-03 Ecole Nationale Superieure Agronomique De Rennes Modelisation de la transformation de la pluie en debit
CN107463993A (zh) * 2017-08-04 2017-12-12 贺志尧 基于互信息‑核主成分分析‑Elman网络的中长期径流预报方法
CN109919362A (zh) * 2019-02-14 2019-06-21 中国水利水电科学研究院 一种考虑水利工程调度影响的中长期径流预报方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1996030784A1 (fr) * 1995-03-31 1996-10-03 Ecole Nationale Superieure Agronomique De Rennes Modelisation de la transformation de la pluie en debit
CN107463993A (zh) * 2017-08-04 2017-12-12 贺志尧 基于互信息‑核主成分分析‑Elman网络的中长期径流预报方法
CN109919362A (zh) * 2019-02-14 2019-06-21 中国水利水电科学研究院 一种考虑水利工程调度影响的中长期径流预报方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
孙新国: "水利工程影响下的洪水预报及历史暴雨洪水重现研究", 《中国博士学位论文全文数据库》 *
李文苹: "基于像元分解的内陆地表水提取方法研究——以黄河流域不同水体类型为例", 《中国优秀硕士学位论文全文数据库》 *
郑东博 等: "基于MODIS数据的水体超分辨率制图——以丹江口水库为例", 《华中师范大学学报（自然科学版）》 *
郑璞 等: "MNDWI与NDWI应用于Landsat8 OLI数据提取水体信息定性与定量对比分析", 《国家安全地球物理丛书（十）——地球物理环境与国家安全》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818608A (zh) * 2021-02-22 2021-05-18 南方电网调峰调频发电有限公司 一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法
CN114020725A (zh) * 2021-11-11 2022-02-08 中国水利水电科学研究院 一种考虑空间分布的窗口滑动gpm数据订正方法
CN114020725B (zh) * 2021-11-11 2022-04-22 中国水利水电科学研究院 一种考虑空间分布的窗口滑动gpm数据订正方法
CN114862073A (zh) * 2022-07-08 2022-08-05 长江水利委员会水文局 一种气陆库水四维耦合的中长期径流预报方法
CN114862073B (zh) * 2022-07-08 2022-10-14 长江水利委员会水文局 一种气陆库水四维耦合的中长期径流预报方法
CN115481818A (zh) * 2022-10-12 2022-12-16 大连理工大学 一种基于时序分解的中长期径流预报方法及系统
CN115481818B (zh) * 2022-10-12 2023-05-30 大连理工大学 一种基于时序分解的中长期径流预报方法及系统

Similar Documents

Publication Publication Date Title
CN111445085A (zh) 一种考虑中大型水库工程蓄水影响的中长期径流预报方法
CN111665575B (zh) 一种基于统计动力的中长期降雨分级耦合预报方法及系统
WO2021120788A1 (zh) 一种基于机器学习的水文预报精度评价方法及系统
CN106599571B (zh) 兼顾流量和蒸发的流域水文模型分期率定方法
CN111414991B (zh) 一种基于多元回归的气象锋面自动识别方法
Castro et al. Spatial estimation of daily precipitation in regions with complex relief and scarce data using terrain orientation
Song et al. Differences in extremes and uncertainties in future runoff simulations using SWAT and LSTM for SSP scenarios
CN111310968A (zh) 一种基于互信息的lstm神经网络循环水文预报方法
CN114254561A (zh) 一种内涝预测方法、系统及存储介质
CN111680870B (zh) 目标运动轨迹质量综合评估方法
CN105974495B (zh) 利用分类拟合法预判目标区域未来平均云量的方法
CN112035448A (zh) 一种综合地基gnss水汽和气象要素的神经网络短临降水预报方法
Kim et al. Uncertainties in estimating spatial and interannual variations in precipitation climatology in the India–Tibet region from multiple gridded precipitation datasets
CN113435630B (zh) 一种产流模式自适应的流域水文预报方法及系统
CN114357737B (zh) 针对大尺度水文模型时变参数的代理优化率定方法
CN113281754A (zh) 一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法
Cutore et al. Regional models for the estimation of streamflow series in ungauged basins
CN109919362B (zh) 一种考虑水利工程调度影响的中长期径流预报方法
Zhao et al. Comparison and correction of IDW based wind speed interpolation methods in urbanized Shenzhen
CN117787081A (zh) 一种基于Morris和Sobol法的水文模型参数不确定性分析方法
Amodei et al. Deterministic and fuzzy verification methods for a hierarchy of numerical models
Seong et al. Intercomparison of prediction skills of ensemble methods using monthly mean temperature simulated by CMIP5 models
Li et al. Improving multi-model ensemble probabilistic prediction of Yangtze River valley summer rainfall
Liu et al. Gridded statistical downscaling based on interpolation of parameters and predictor locations for summer daily precipitation in North China
Bakış et al. Analysis and comparison of spatial rainfall distribution applying different interpolation methods in Porsuk river basin, Turkey

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
CB03 Change of inventor or designer information

Inventor after: Wang Hao

Inventor after: Yang Mingxiang

Inventor after: Lin Feng

Inventor after: Jiang Yunzhong

Inventor after: Zhao Yong

Inventor after: Tang Yingfu

Inventor after: Liu Ke

Inventor after: Feng Tao

Inventor before: Yang Mingxiang

Inventor before: Lin Feng

Inventor before: Wang Hao

Inventor before: Jiang Yunzhong

Inventor before: Zhao Yong

Inventor before: Feng Tao

Inventor before: Tang Yingfu

Inventor before: Liu Ke

CB03 Change of inventor or designer information
RJ01 Rejection of invention patent application after publication

Application publication date: 20200724

RJ01 Rejection of invention patent application after publication