CN111832810A - 洪水预报模型、信息处理方法、存储介质、计算机设备 - Google Patents

Abstract

本发明属于洪水预测技术领域，公开了一种洪水预报模型、信息处理方法、存储介质、计算机设备，时空特征抽象层，用于从地形‑降雨量时空特征中提取特征；特征融合层，用于通过Concat连接操作，将卷积网络抽象出的时空特征与历史趋势特征相结合；预测输出层，用于预测未来T个小时的流量变化情况。本发明为了解决传统模型需要大量的参数率定和数据驱动模型无法对洪水过程进行准确预测的问题，将基于二维卷积的卷积神经网络CNN引入到洪水预报领域，利用CNN的特征抽象能力，融合降雨量时空分布特征、地形地貌特征和流量变化趋势特征，构建了预见期为24个小时和36个小时的洪水预报模型。经检验，模型符合洪水预报的要求。

Description

洪水预报模型、信息处理方法、存储介质、计算机设备

技术领域

本发明属于洪水预测技术领域，尤其涉及一种洪水预报模型、信息处理方法、存储介质、计算机设备。

背景技术

目前，洪水灾害通常会造成大量的人员伤亡和财产损失，据统计，40％的经济损失通常都是由洪灾造成。因此准确预测河流水位对公共安全以及水文水资源的管理至关重要。随着防洪抗讯意识的增强和科技水平的发展，各国都投入了大量的人力财力以改善洪水预报的能力。实际上，对洪水水位的预测一直是人们关注的热点，洪水过程的形成受到如降雨、地形地貌、植被、土壤以及蒸发量等多种因素的影响，是一种复杂的非线性过程。任何单一的数学和物理模型都不能准确的描述这一过程。为减小洪水造成的损失，专家学者们进行了大量的研究。我们通常将已有的洪水预报模型分为两种类型，一种是传统水文预报模型，另一种是数据驱动的水文预报模型。Sherman等人在1932年提出了单位线模型，研究了降雨与流量的关系，其物理基础是认为一个区域任意时刻的流量与该时刻的净雨成一定的比例。1973年赵人俊等人提出了一个完整的降雨径流模型-新安江模型，被广泛的应用在湿润和半湿润地区，该方法综合考虑了当地的气候和自然地理条件，从洪水形成的原理上进行了建模。Beven和Kirkby在1979年提出了TOPMODEL(Top graph based hydrologicalMODEL)模型，该模型使用了地貌指数来反映流域的水文现象，分析径流运动的规律，是一个以地形为基础的半分布式水文模型。TOPKAPI(TOPographic Kinematic Approximate andIntegration)模型是Todini等人在1999年提出的一种分布式水文模，是一个基于运动学和流域地形学相结合的方法，被广泛的应用在无资料地区的洪水计算。英国水文研究所的Morris在1980年开发了一款具有物分布式降雨径流模型IHDM(Institute of HydrologyDistributed Model)，该模型将流域划分为多个跌落式的河道和代表坡面，并假设下游的河道对上游流域出口断面没有影响。

随着水文信息化的推进，关于水文的各种特征和数据也日渐丰富起来，部分专家学者通过对数据本身进行建模，设计了大量的基于数据驱动的洪水预报模型。Charles A等人提出了一种基于成分分析的洪水预报模型；Rudolf利用线性三角回归算法和最近邻算法实现了长期和短期洪水预报；Wahid Palash等人基于线性回归算法提出ReqSim(RequisiteSimplicity)模型。由于人工神经网络在解决非线性问题上具有良好的表现，在洪水预报领域也得到了广泛的应用。Ji Youn Sung等人利用3层ANN分别搭建了预见期为1、2、3个小时的洪水预报模型；Ramli等人在ANN输出结果的基础上引入卡尔曼滤波来修正输出的结果。覃光华等把自适应BP算法引入到单步洪水预报中，利用权重公式中的动量项，帮助模型脱离局部最优值，提高了预测结果的准确性。周雨婷等设计了基于小波分析的人工神经网络洪水预报模型，实现水情的长期预报。随着深度学习网络在图像、自然语言处理和语音上取得的巨大成功，部分学者开始尝试将深度学习中的一些算法和思想迁移到洪水预报任务中。Xuan-Hien Le等人基于LSTM(Long-Short Term Memory)构建了洪水预报模型；WuYirui等人将注意力机制引入到LSTM中，提出了一种基于上下文注意力机制的CA-LSTM(Context-aware-LSTM)洪水预报模型。

通过上述分析，现有技术存在的问题及缺陷为：

(1)传统的水文预报模型往需要具有专业背景知识和从业经验的人员进行参数率定，极大的降低了预报的效率。

(2)传统的水文预报模型不同地区的参数取值也不一样，甚至有些参数都无法直接取得，因而在实际使用过程中都采用默认参数的方式，极大的影响了预报的准确性。

(3)基于数据驱动的水文预报模型属于单点预测，即预测未来某个时刻的流量值，而不是洪水过程预测。因此这些模型无法实现对洪水峰值以及峰值到达时间的预测，不能完全满足实际的洪水预报要求。解决以上问题及缺陷的难度为：

洪水的形成受到多种因素的影响，如降雨量、地形地貌、土壤、植被覆盖和蒸发量等，要实现洪水过程的准确预测，需要引入更多、更复杂的特征。

解决以上问题及缺陷的意义为：

(1)免去了传统水文预报模型需要复杂的参数人工率定工作，提高了预报的效率；

(2)实现对洪水过程的准确预测就能得到准确的洪水峰值及其到达时间，为决策部门提供数据支持，减小洪水造成的财产损失和人员伤亡。

发明内容

针对现有技术存在的问题，本发明提供了一种洪水预报模型、信息处理方法、存储介质、计算机设备。

本发明是这样实现的，一种洪水预报模型，所述洪水预报模型包括：

时空特征抽象层，用于从地形-降雨量时空特征中提取高级特征；经过三层卷积层，得到多个特征图，这些特征图就表示地形-降雨量时空分布数据的高级抽象特征，再将这些特征图转化为一个向量；

特征融合层，用于通过Concat连接操作，将卷积网络抽象出的时空高级特征与历史趋势特征相结合；即两个向量拼接在一起；

预测输出层，用于预测未来T个小时的流量变化情况。将融合的特征即上述的拼接在一起的向量输入到两层全连接网络中，最后输出未来T个小时的流量值。

进一步，所述时空特征抽象层由三层卷积层组成的时空特征抽象层。

进一步，所述预测输出层由三层全连接层构成的预测输出层。

进一步，所述洪水预报模型卷积层的卷积核大小依次设置为8x8，5x5和3x3，且步长设置为2；卷积层和全连接层的激活函数均为ReLU，在卷积层添加Batch Normalizaiton，全连接层添加Dropout、操作以增强模型的泛化能力。

本发明的另一目的在于提供一种所述洪水预报模型的信息处理方法，所述洪水预报模型的信息处理方法包括：

第一步，利用三层卷积神经网络从地形-降雨量时空特征中提取特征；

第二步，通过Concat连接操作，将卷积网络抽象出的复杂特征与流量趋势特征连接在一起形成组合特征；

第三步，将第二步中的组合特征输入三层全连接网络预测未来T个小时的流量变化情况。

进一步，所述洪水预报模型的信息处理方法采用相关性分析定量的测定一个流域单位时段的降雨对未来流量变化影响的时间长度，用于表示两个变量之间的线性相关性，计算公式表示为：

其中W是水位数据，

是水位数据均值；R是降雨量数据，

是降雨量数据的均值；δ是降雨过程与水位过程之间的时间差，δ>0。

进一步，所述洪水预报模型的信息处理方法将流域网格化，一个雨量站所统计的降雨量只能作为某个网格内的降雨量，而其他没有雨量站统计的网格则采用反距离加权的方式进行补全，得到一个较为精确的流域降雨量空间分布图。

进一步，所述洪水预报模型的信息处理方法通过网格化的方式得到降雨量的空间分布，再将不同时刻的降雨量空间分布矩阵堆叠起来，得到降雨量时空分布张量。

本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

第一步，从地形-降雨量时空特征中提取特征；

第二步，通过Concat连接操作，将卷积网络抽象出的时空特征与历史趋势特征相结合；

第三步，预测未来T个小时的流量变化情况。

本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：

第一步，从地形-降雨量时空特征中提取特征；

第二步，通过Concat连接操作，将卷积网络抽象出的时空特征与历史趋势特征相结合；

第三步，预测未来T个小时的流量变化情况。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明基于CNN的时间序列预测方法都是基于一维卷积，研究时间序列自身存在的变化趋势，而不能考虑额外的影响因素如降雨、地形、植被和土壤等。为了解决传统模型需要大量的参数率定和数据驱动模型无法对洪水过程进行准确预测的问题，本发明将基于二维卷积的卷积神经网络CNN(Convolution Neural Network)引入到洪水预报领域，利用CNN的特征抽象能力，融合降雨量时空分布特征、地形地貌特征和流量变化趋势特征，构建了预见期为24个小时和36个小时的洪水预报模型。经检验，该模型符合洪水预报的要求。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的洪水预报模型的结构示意图；

图中：1、时空特征抽象层；2、特征融合层；3、预测输出层。

图2是本发明实施例提供的洪水预报模型的信息处理方法流程图。

图3是本发明实施例提供的息县流域雨量站与水文站分布图。

图4是本发明实施例提供的处理后的流量过程与总降雨过程土。

图5是本发明实施例提供的息县流域降雨量与流量相关系数变化的趋势图。

图6是本发明实施例提供的流域网格化示意图。

图7是本发明实施例提供的降雨量时空分布数据示意图。

图8是本发明实施例提供的数字高程数据处理示意图。

图9是本发明实施例提供的基于CNN的洪水预报模型架构示意图。

图10是本发明实施例提供的各卷积层参数在训练集和测试集上的Loss与R²示意图。

图11是本发明实施例提供的各全连接参数在训练集和测试集上的Loss与R²示意图。

图12是本发明实施例提供的不同预测时长的模型在训练集与测试集上的Loss与R²示意图。

图13是本发明实施例提供的不同预测时长的模型在历史10场洪水过程中的效果示意图。

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仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种洪水预报模型、信息处理方法、存储介质、计算机设备，下面结合附图对本发明作详细的描述。

如图1所示，本发明提供的洪水预报模型包括：

时空特征抽象层1，用于从地形-降雨量时空特征中提取特征。

特征融合层2，用于通过Concat连接操作，将卷积网络抽象出的时空特征与历史趋势特征相结合。

预测输出层3，用于预测未来T个小时的流量变化情况。

时空特征抽象层1由三层卷积层组成的时空特征抽象层。

预测输出层3由三层全连接层构成的预测输出层。

如图2所示，本发明提供的洪水预报模型的信息处理方法包括以下步骤：

S201：从地形-降雨量时空特征中提取特征；

S202：通过Concat连接操作，将卷积网络抽象出的时空特征与历史趋势特征相结合；

S203：预测未来T个小时的流量变化情况。

下面结合附图对本发明的技术方案作进一步的描述。

1、本发明作用的流域为位于中国河南省的息县流域，流域面积为10190平方公里，处于湿润气候与半干旱气候的过渡带，地形以平原和丘陵为主。受到季风影响，降雨一般在4-9月份。息县流域共有50个雨量站分布在整个流域，用于监测降雨情况，在流域出口断面，有一个水文站用于监测流域出口断面的水位及流量的变化情况，流域与水文站和雨量站的分布如图3所示。本发明基于息县流域自2010年1月1日至2018年9月7日所记录的时段降雨量数据和流域出口断面时段流量数据作为研究的依据，对缺失的降雨量数据采用反距离加权法进行补全，缺失的流量数据采用线性插值的方式进行补全。经过处理后的数据如图4所示。

从图4可以看出，流量过程与降雨量过程之间存在一定的时间间隔。在水文学中，降雨汇集到河流中存在一个汇流过程。不同流域其汇流时间也是不同的，它受到该流域面积、地形、地质、土壤及植被等原因的影响。本发明采用相关性分析来定量的研究一个流域单位时段的降雨对未来流量变化影响的时间长度。相关系数是由统计学家Carl Person提出的一个统计指标，用于表示两个变量之间的线性相关性，其计算公式可以表示为：

其中W是水位数据，

是水位数据均值；R是降雨量数据，

是降雨量数据的均值；δ(δ>0)是降雨过程与水位过程之间的时间差。通过对息县流域的降雨过程和不同时间差的流量过程之间的关系，可以得到如图5所示的降雨量与流量的相关系数变化趋势图。根据图5可以看出，息县流域降雨过程与流量过程的相关系数从间隔为1个小时时开始上升，到了第40个小时的时候相关系数达到最大，最后开始逐步下降，在间隔175个小时后达到局部最小。因此，可以推出在息县流域中，单位时段的降雨量对流量变化的影响时间长达175个小时，并在降雨后40个小时对流域断面出口流量的影响达到最大。换言之，未来一个时刻的流量值受到历史175个小时降雨过程影响因素的叠加。

2、数据集构造

本发明描述了本发明数据集的生成方法。传统方法中对降雨量的处理是采取加权求和的方式，以得到整个流域的降雨量。这种方式会导致降雨量空间分布的信息的丢失，为了解决这个问题，本发明将流域网格化，一个雨量站所统计的降雨量只能作为某个网格内的降雨量，而其他没有雨量站统计的网格则采用反距离加权的方式进行补全，这样可以得到一个较为精确的流域降雨量空间分布图如图6所示。

在本发明的流域-息县流域中，其经纬度信息如表1所示，经度的最大值为114.7325E，最小值为113.2977E；纬度的最大值为32.6176N，最小值为31.5971N。以0.01作为每个小网格大小，对流域进行划分，则息县流域经网格化后，可以得到一个长为144，宽为103的降雨量二维分布矩阵，该矩阵表示了某个单位时段内的降雨量的空间分布。

表1.息县流域降雨量与息县流域经纬度信息

通过网格化的方式可以得到降雨量的空间分布，再将不同时刻的降雨量空间分布矩阵堆叠起来，就可以得到如图7所示的降雨量时空分布张量。

根据分析，息县流域单位时段的降雨量对流量变化的影响时间长达175个小时，因此历史降雨过程时间长度选择为175个小时，而预报降雨过程时间长度与最终输出的流量过程的时间长度一致，本发明设计了预报时长分别为24、36、48小时的洪水预报模型。

此外，考虑到地形地貌对洪水的形成也有很大的影响，因此本发明将数字高程模型DEM(Digit Elevation Model)加入到训练样本中。本发明从地理空间数据云(http://www.gscloud.cn)中下载了息县流域SRTM-90米的数字高程数据，其长度为1728，宽度为1236。为了将数字高程数据加入到训练样本中，需要对原始数字高程数据进行处理，本发明采用尺寸为12x12，步进为12的平均池化，将原始的数字高程数据处理为长为144，宽为103的地形地貌特征，并将其作为一个channel加入到降雨量时空分布中。原始数字高程图像与池化后的数字高程图像如图8所示。

此外流域出口断面的流量自身变化过程也是影响未来流量变化的重要因素，因此将历史流量过程作为趋势特征加入到训练样本中，其长度与历史降雨过程长度一致。

3、模型设计

为综合考虑降雨量时空特征、地形特征和趋势特征，本发明设计了如图9所示的模型架构。它是由三个部分组成，第一个部分是由三层卷积层组成的时空特征抽象层，用于从地形-降雨量时空特征中提取特征；第二个部分是特征融合层，通过Concat连接操作，将卷积网络抽象出的时空特征与历史趋势特征相结合；第三个部分是由三层全连接层构成的预测输出层，用于预测未来T个小时的流量变化情况。在基本模型中，卷积层的卷积核大小依次设置为8x8，5x5和3x3，且步长都设置为2。卷积层和全连接层的激活函数均为ReLU，并在卷积层添加Batch Normalizaiton，全连接层添加Dropout、操作以增强模型的泛化能力。各卷积层卷积核的数量和全连接层神经元的数量作为超参数需要通过实验来确定。

下面结合实验对本发明的技术效果作详细的描述。

根据网络模型设计经验，卷积核的数量应呈现递增或递减的趋势。在本发明所提出的基于CNN的洪水预报模型卷积网络的输入为多个时段降雨量的时空分布特征和地形特征，是一个多通道的输入。而卷积神经网络的目的是为了从这些多通道表示的时空分布数据中进行特征提取和融合，因此本发明将卷积核的数量设计为逐层递减，从长、宽和通道这三个维度上缩减输入的尺寸，并利用卷积层进行特征提取和融合，最终形成包含地理信息的抽象降雨时空特征。

为了更好的确定各卷积层的卷积核数量，本发明首先固定全连接层的神经元数量为500和200，并设计了如表2所示的四种卷积核数量参数组合。设置网络的输出为72，选择优化器为Adam，设置学习率为0.005，迭代轮数为100轮，batch设置为8，误差函数设置为均方误差。

表2卷积核数量设置

经过训练后，可以得到如表3和图10所示的性能统计。从实验结果可以看出，参数组合C在训练集和测试集上都取得了最小的误差，且在确定性系数指标上都取得了最高的得分。因此本发明将卷积网络各卷积层卷积核的数量分别设置为43，21和10。

表3.各卷积层参数组合性能统计

全连接层神经元数量的确定与卷积核数量的确定方法类似，本发明通过固定各卷积层的卷积核数量为43，21和10，设计了如表4和图11所示的三种全连接层神经元数量的参数组合：

表4全连接层参数设计

表5全连接层参数组合性能统计

实验结果表明，全连接层参数组合F在训练集和测试集上都取得了最佳的性能。因此本发明将全连接层的神经元个数分别设置为500和200。

经过实验，本发明最终确定了基于CNN的洪水预报模型中超参数的参数组合，即卷积神经网络各层的卷积核数量设置为43，21和10，全连接网络各层神经元的数量为500和200。

本发明分别设置模型输出时长为24、36、48、60和72小时，以研究预测时长对洪水预报准确度的影响。经过训练，可以得到如表6所示的性能统计表。从表6和图12中可以看出，模型的性能随着预测时长的增加而逐渐降低。

为进一步验证模型的效果，本发明采用10场历史洪水过程来验证所提出的模型在预测洪水峰值、峰值的到达时间上的准确率，其效果图如图13所示。

表6.不同输出时长对模型性能的影响

根据中国2008年发布的《水文情报预报规范》中关于洪水预报许可误差的规定：洪峰预报的许可误差为实测洪峰流量的20％；洪峰出现时间预报误差为预测开始时间至实测洪峰出现时间之时距的30％。洪水峰值及峰值到达时间的准确率的统计表如表7所示。预测时长为24小时时，洪水峰值和到达时间的准确率为90％和100％；而当预测时长为36小时，准确率变化为80％和100％；当预测时长超过48小时时，洪水峰值准确率下降到70％以下，而到达时间的准确率依然能保持80％以上。因此本发明所提出的模型可以精确的预测未来24或者36小时的洪水过程，并在洪水峰值和到达时间的准确率以及确定系数这三个指标上满足预报要求。

表7模型准确率性能统计表

本发明基于息县流域近10年的历史数据，提出了一种基于CNN的洪水预报模型，该模型综合考虑降雨量时空分布特征、地形特征和趋势特征，能够实现对洪水过程的预测，从而预测洪水的峰值及其峰值的到达时间。其中降雨量时空分布特征是通过将流域网格化以得到降雨量空间分布矩阵，再将不同时间段的降雨量空间分布矩阵进行堆叠，从而得到降雨量时空分布特征。将池化操作后的流域的数字高程数据作为一个通道拼接在降雨量时空特征中，并使用卷积神经网络进行特征提取和融合；最后将流域的历史流量过程作为趋势特征与CNN抽象出的复杂特征共同输入到全连接网络中，从而预测未来多个时段的流量变化。此外，本发明设计了大量的实验以确定最佳的模型参数。最后经过10场历史洪水过程的验证，证明了本发明所提出的基于CNN的洪水预报模型满足洪水预报的要求。

本发明将CNN引入到洪水预报领域，提出了一种可以考虑多种影响因素的新的思路，未来的工作可以引入更多的特征因素如蒸发量、植被、土壤等因素，进一步提升模型的性能。

在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种洪水预报模型，其特征在于，所述洪水预报模型包括：

时空特征抽象层，用于从地形-降雨量时空特征中提取高级特征；经过三层卷积层，得到多个特征图，所述特征图就表示地形-降雨量时空分布数据的高级抽象特征，再将所述特征图转化为一个向量；

特征融合层，用于通过Concat连接操作，将卷积网络抽象出的时空高级特征与历史趋势特征相结合，两个向量拼接在一起；

预测输出层，用于预测未来T个小时的流量变化情况。将融合的特征即上述的拼接在一起的向量输入到两层全连接网络中，最后输出未来T个小时的流量值。

2.如权利要求1所述的洪水预报模型，其特征在于，所述时空特征抽象层由三层卷积层组成的时空特征抽象层。

3.如权利要求1所述的洪水预报模型，其特征在于，所述预测输出层由三层全连接层构成的预测输出层。

4.如权利要求1所述的洪水预报模型，其特征在于，所述洪水预报模型卷积层的卷积核大小依次设置为8x8，5x5和3x3，且步长设置为2；卷积层和全连接层的激活函数均为ReLU，在卷积层添加Batch Normalizaiton，全连接层添加Dropout、操作以增强模型的泛化能力。

5.一种如权利要求1所述洪水预报模型的信息处理方法，其特征在于，所述洪水预报模型的信息处理方法包括：

第一步，从地形-降雨量时空特征中提取特征；

第二步，通过Concat连接操作，将卷积网络抽象出的时空特征与历史趋势特征相结合；

第三步，预测未来T个小时的流量变化情况。

6.如权利要求5所述的水预报模型的信息处理方法，其特征在于，所述洪水预报模型的信息处理方法采用相关性分析定量的测定一个流域单位时段的降雨对未来流量变化影响的时间长度，计算公式表示为：

其中W是水位数据，

是水位数据均值；R是降雨量数据，

是降雨量数据的均值；δ是降雨过程与水位过程之间的时间差，δ>0。

7.如权利要求5所述的水预报模型的信息处理方法，其特征在于，所述洪水预报模型的信息处理方法将流域网格化，一个雨量站所统计的降雨量只能作为某个网格内的降雨量，而其他没有雨量站统计的网格则采用反距离加权的方式进行补全，得到一个较为精确的流域降雨量空间分布图。

8.如权利要求7所述的水预报模型的信息处理方法，其特征在于，所述洪水预报模型的信息处理方法通过网格化的方式得到降雨量的空间分布，再将不同时刻的降雨量空间分布矩阵堆叠起来，得到降雨量时空分布张量。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

第一步，从地形-降雨量时空特征中提取特征；

第二步，通过Concat连接操作，将卷积网络抽象出的时空特征与历史趋势特征相结合；

第三步，预测未来T个小时的流量变化情况。

10.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：

第一步，从地形-降雨量时空特征中提取特征；

第二步，通过Concat连接操作，将卷积网络抽象出的时空特征与历史趋势特征相结合；

第三步，预测未来T个小时的流量变化情况。

Images