CN111914431B - 一种有资料地区水文模型参数自动率定方法 - Google Patents

一种有资料地区水文模型参数自动率定方法 Download PDF

Info

Publication number
CN111914431B
CN111914431B CN202010819102.1A CN202010819102A CN111914431B CN 111914431 B CN111914431 B CN 111914431B CN 202010819102 A CN202010819102 A CN 202010819102A CN 111914431 B CN111914431 B CN 111914431B
Authority
CN
China
Prior art keywords
parameters
hydrological model
model parameters
calculation
data
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
Application number
CN202010819102.1A
Other languages
English (en)
Other versions
CN111914431A (zh
Inventor
李胜
张�荣
刘晟一
田彪
丁交亮
罗国鹏
张劲
宋超
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.)
GUIZHOU EAST CENTURY TECHNOLOGY CO LTD
Original Assignee
GUIZHOU EAST CENTURY TECHNOLOGY CO LTD
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 GUIZHOU EAST CENTURY TECHNOLOGY CO LTD filed Critical GUIZHOU EAST CENTURY TECHNOLOGY CO LTD
Priority to CN202010819102.1A priority Critical patent/CN111914431B/zh
Publication of CN111914431A publication Critical patent/CN111914431A/zh
Application granted granted Critical
Publication of CN111914431B publication Critical patent/CN111914431B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种有资料地区水文模型参数自动率定方法，它包括：步骤1、选定需要率定的水文模型参数；步骤2、采用人工智能遗传算法对有资料地区需要率定的水文模型参数进行自动率定；解决现有技术针对有资料流域水文模型参数确定采用传统的试错法，即通过人工不断调整水文模型的参数值，以达到模拟精度要求，采用该方法存在人为主观性，工作重复性、效率低和复杂度极高，不利用水文模型的应用推广等技术问题。

Description

一种有资料地区水文模型参数自动率定方法
技术领域
本发明属于水文参数率定技术，尤其涉及一种有资料地区水文模型参数自动率定方法。
背景技术
流域水文过程系统具有时变性和不确定性，决定了水文模型参数具有同样的不确定性和时变性特点，尤其当流域下垫面条件发生变化时，为获取更为准确的预报结果，需要定期或不定期对模型参数进行率定校正；水文模型模型的参数设置对水文模型模拟精度的高低至关重要。在现有技术中针对有资料流域具体应用时，水文模型的参数率定一般采用传统的试错法，即通过人工不断调整水文模型的参数值，以达到模拟精度要求，采用该方法存在人为主观性，工作重复性、效率低和复杂度极高，不利用水文模型的应用推广。
发明内容
本发明要解决的技术问题是：提供一种有资料地区水文模型参数自动率定方法，以解决现有技术针对有资料流域水文模型参数确定采用传统的试错法，即通过人工不断调整水文模型的参数值，以达到模拟精度要求，采用该方法存在人为主观性，工作重复性、效率低和复杂度极高，不利用水文模型的应用推广等技术问题。
本发明的技术方案是：
一种有资料地区水文模型参数自动率定方法，它包括：
步骤1、选定需要率定的水文模型参数；
步骤2、采用人工智能遗传算法对有资料地区需要率定的水文模型参数进行自动率定。
它还包括对率定后的参数进行合理性分析；所述合理性分析包括区域性分析和上下游邻近分析；所述区域性分析方法为：对各计算单元的相同参数根据下垫面情况进行全流域区域性分析；所述上下游邻近分析方法为：对相邻计算单元的相同参数根据河流坡度情况进行分析。
所述选定需要率定的水文模型参数的方法为：根据水文模型参数的敏感性确定需要率定的水文模型参数。
所述需要率定的水文模型参数见表1：
表1
编号 名称 说明
1 WM 最大土壤蓄水容量(mm)
2 F0 最大下渗、初始下渗(mm/h)
3 FC 稳定下渗(mm/h)
4 Fbeta 下渗曲线参数
5 PR 蓄滞面积比(指小水库、塘)
6 LLR 蓄滞系数
7 SSKG 壤中水消退系数
8 PSKG 蓄滞区地表消退系数
9 PSSKG 蓄滞区壤中消退系数
10 V 平均流速
。
在水文模型参数进行自动率定过程中，收敛速度不够或不能收敛时，降低维度进行；所述降低维度的方法为：将计算单元合并成新的计算单元进行参数率定。
在水文模型参数进行自动率定过程中，出现异参同效情况时，解决办法为：将计算的所有达标过程结果记录下来采用聚类的方法形成区域性参数；将所有可用水文站点同时参与计算解决样本不足问题，保证相同特征的单元参数一致；采用水文方法推算参数的区域规律计算单元采用区域进行率定减小维度；采用公式或经验方法直接推算参数或缩小试算区间。
步骤2所述采用人工智能遗传算法对有资料地区需要率定的水文模型参数进行自动率定的方法包括：
步骤2.1、采用人工智能遗传算法率定流域参数，设流域为W，以2-30平方公里为计算单元为C，将流域内的所有计算单元C从0开始编号，CI代表计算单元C对应的编号，WN为流域W中计算单元C的总个数，算法优化的参数个数为P，P＝10，设每个种群的个体数为SN，SN＝1000，每个个体的染色体数为AN，AN＝R*P，定义优良个体数BN，BN＝20，设置初始迭代批号为0；
步骤2.2、建立初始种群，设置每种群SN个个体，每个个体设置AN条染色体，其中每条染色体分别对应子流域上对应的水文模型参数，初始染色体的值为在对应的参数范围内随机生成；
步骤2.3、设种群更新策略为：按从优到差降序排序总群的个体，在前BN个个体中随机选择个体，然后随机加上a个该参数的最小变化量，其中-5≤a≤5；随机选择个体，然后随机选择染色体，在参数范围内随机生成新值代替；
步骤2.4、把种群转换成CSV文件，按计算单元C的编号CI的固定顺序写入该流域对应的数值；
步骤2.5、将样本数据文件带入到水文模型调用接口进行计算，采用并行计算以提高计算速度，计算完成后将计算结果保存为中间成果文件；
步骤2.6、使用确定性系数指标方法对计算的中间成果进行精度评定，将评定的结果按相同的顺序保存为对应的样本数据成果文件；
步骤2.7、根据评定结果判断是否达到目标要求，达到目标要求则停止迭代，否则将迭代批号加1，重复以上步骤2.3至步骤2.6；达到精度要求的个体所对应的参数集合即为该流域的水文模型参数集合。
本发明有益效果：
流域水文过程系统具有时变性和不确定性，决定了水文模型参数具有同样的不确定性和时变性特点，尤其当流域下垫面条件发生变化时，为获取更为准确的预报结果，需要定期或不定期对模型参数进行率定校正，本发明采用人工智能和机器学习的方法，实现有资料地区水文模型参数自动率定，模型能够根据收集的资料，自动进行“水文模型”参数的滚动优化计算；解决了现有技术针对有资料流域水文模型参数确定采用传统的试错法，即通过人工不断调整水文模型的参数值，以达到模拟精度要求，采用该方法存在人为主观性，工作重复性、效率低和复杂度极高，不利用水文模型的应用推广等技术问题。
具体实施方式
一种有资料地区水文模型参数自动率定方法，它包括：
步骤1、选定需要率定的水文模型参数；
所述选定需要率定的水文模型参数的方法为：根据水文模型参数的敏感性确定需要率定的水文模型参数。
所述需要率定的水文模型参数见表1：
表1
按以下方案实施：
1)建立初始种群，设置每种群SN个个体，每个个体设置AN条染色体，其中每条染色体分别对应子流域上对应的水文模型参数，初始染色体的值为在对应的参数范围内随机生成；
2)种群更新策略为：
·按从优到差降序排序总群的个体，在前BN个个体中随机选择个体，然后随机加上a个该参数的最小变化量，其中-5≤a≤5；
·随机选择个体，然后随机选择染色体，在该参数范围内随机生成新值代替；
3)把种群转换成CSV文件，按计算单元C的编号CI的固定顺序写入该流域对应的数值。按[OPM_流域W代码_执行版本号_迭代批号_tcdata.csv]命名保存本次样本数据文件，其中执行版本号为4位，初始为1，迭代版本号为6位，初始为1，如“opm_gzs000001_0001_000001_tcdata.csv”；
4)将样本数据文件带入到提供的水文模型调用接口进行计算，由于遗传算法需要进行大量的独立运算，所以需要采用并行计算以提高计算速度，计算完成后将计算结果保存为中间成果文件；
5)使用《洪水预报精度评定方法》中的确定性系数指标方法对计算的中间成果进行精度评定，将评定的结果按相同的顺序保存为对应的样本数据成果文件，同样按[OPM_流域W代码_执行版本号_迭代批号_trdata.csv]命名保存本次样本数据文件，如“opm_gzs000001_0001_000001_trdata.csv”；
6)根据评定成果判断是否达到目标要求，达到目标要求则停止迭代，否则将迭代批号加1，重复以上步骤；达到精度要求的个体所对应的参数集合即为该流域的水文模型参数集合。
它还包括结果合理性分析：对自动率定的参数进行合理性分析，包括区域性、一致性等。
区域性分析：对各计算单元的相同参数(如WM)，根据下垫面情况，进行全流域区域性分析，如植被条件、土地利用相似的计算单元，各计算单元WM值差距应较小。
上下游邻近分析：对相邻计算单元的相同参数(如流速)，根据河流坡度情况，一般上游流速或叶子单元流速应大于下游流速等等。
本发明方案可能存在如下问题：
(1)维数灾难。因染色体维度(计算单元数量*参数个数，如有22个计算单元，10个参数，则维度为220)过多，导致收敛速度极慢或无法收敛。
本发明解决办法：降低维度，一般上游河源或分水岭邻近区域与河谷区域，在坡度、植被覆盖、土地利用等条件存在一定差异，据此可将计算单元进一步合并成较大单元进行参数调试，如将原22个计算单元，合并4个，则维度将减少为40个。
(2)异参同效。在水文模型的参数率定中，经常出现异参同效情况，给模型应用稳定性带来不可预见的不确定性。因此次调试参数较多，极有可能出现此种情况。
本发明解决办法：1、遗传算法计算的所有达标过程结果记录下，采用聚类的方法，形成区域性参数；2、全国所有可用水文站点同时参与计算，解决样本不足问题，保证相同特征的单元参数一致，但该方法可能出现计算维灾；3、采用水文方法，推算参数的区域规律，计算单元采用区域进行率定，减小维度；4、采用公式或经验方法直接推算参数或缩小试算区间。

Claims (6)

1.一种有资料地区水文模型参数自动率定方法，它包括：
步骤1、选定需要率定的水文模型参数；
步骤2、采用人工智能遗传算法对有资料地区需要率定的水文模型参数进行自动率定；
步骤2所述采用人工智能遗传算法对有资料地区需要率定的水文模型参数进行自动率定的方法包括：
步骤2.1、采用人工智能遗传算法率定流域参数，设流域为W，以2-30平方公里为计算单元C，将流域内的所有计算单元C从0开始编号，CI代表计算单元C对应的编号，WN为流域W中计算单元C的总个数，算法优化的参数个数为P，P＝10，设每个种群的个体数为SN，SN＝1000，每个个体的染色体数为AN，AN＝R*P，定义优良个体数BN，BN＝20，设置初始迭代批号为0；
步骤2.2、建立初始种群，设置每种群SN个个体，每个个体设置AN条染色体，其中每条染色体分别对应子流域上对应的水文模型参数，初始染色体的值为在对应的参数范围内随机生成；
步骤2.3、设种群更新策略为：按从优到差降序排序总群的个体，在前BN个个体中随机选择个体，然后随机加上a个该参数的最小变化量，其中-5≤a≤5；随机选择个体，然后随机选择染色体，在参数范围内随机生成新值代替；
步骤2.4、把种群转换成CSV文件，按计算单元C的编号CI的固定顺序写入该流域对应的数值；
步骤2.5、将样本数据文件带入到水文模型调用接口进行计算，采用并行计算以提高计算速度，计算完成后将计算结果保存为中间成果文件；
步骤2.6、使用确定性系数指标方法对计算的中间成果进行精度评定，将评定的结果按相同的顺序保存为对应的样本数据成果文件；
步骤2.7、根据评定结果判断是否达到目标要求，达到目标要求则停止迭代，否则将迭代批号加1，重复以上步骤2.3至步骤2.6；达到精度要求的个体所对应的参数集合即为该流域的水文模型参数集合。
2.根据权利要求1所述的一种有资料地区水文模型参数自动率定方法，其特征在于：它还包括对率定后的参数进行合理性分析；所述合理性分析包括区域性分析和上下游邻近分析；所述区域性分析方法为：对各计算单元的相同参数根据下垫面情况进行全流域区域性分析；所述上下游邻近分析方法为：对相邻计算单元的相同参数根据河流坡度情况进行分析。
3.根据权利要求1所述的一种有资料地区水文模型参数自动率定方法，其特征在于：在水文模型参数进行自动率定过程中，收敛速度不够或不能收敛时，降低维度进行；所述降低维度的方法为：将计算单元合并成新的计算单元进行参数率定。
4.根据权利要求1所述的一种有资料地区水文模型参数自动率定方法，其特征在于：在水文模型参数进行自动率定过程中，出现异参同效情况时，解决办法为：将计算的所有达标过程结果记录下来采用聚类的方法形成区域性参数；将所有可用水文站点同时参与计算解决样本不足问题，保证相同特征的单元参数一致；采用水文方法推算参数的区域规律计算单元采用区域进行率定减小维度；采用公式或经验方法直接推算参数或缩小试算区间。
5.根据权利要求1所述的一种有资料地区水文模型参数自动率定方法，其特征在于：所述选定需要率定的水文模型参数的方法为：根据水文模型参数的敏感性确定需要率定的水文模型参数。
6.根据权利要求1所述的一种有资料地区水文模型参数自动率定方法，其特征在于：所述需要率定的水文模型参数见表1：
表1
编号 名称 说明 1 WM 最大土壤蓄水容量(mm) 2 F0 最大下渗、初始下渗(mm/h) 3 FC 稳定下渗(mm/h) 4 Fbeta 下渗曲线参数 5 PR 蓄滞面积比，指小水库、塘 6 LLR 蓄滞系数 7 SSKG 壤中水消退系数 8 PSKG 蓄滞区地表消退系数 9 PSSKG 蓄滞区壤中消退系数 10 V 平均流速
。
CN202010819102.1A 2020-08-14 2020-08-14 一种有资料地区水文模型参数自动率定方法 Active CN111914431B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010819102.1A CN111914431B (zh) 2020-08-14 2020-08-14 一种有资料地区水文模型参数自动率定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010819102.1A CN111914431B (zh) 2020-08-14 2020-08-14 一种有资料地区水文模型参数自动率定方法

Publications (2)

Publication Number Publication Date
CN111914431A CN111914431A (zh) 2020-11-10
CN111914431B true CN111914431B (zh) 2024-06-04

Family

ID=73283115

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010819102.1A Active CN111914431B (zh) 2020-08-14 2020-08-14 一种有资料地区水文模型参数自动率定方法

Country Status (1)

Country Link
CN (1) CN111914431B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113254861B (zh) * 2021-06-23 2021-09-24 中山大学 无资料地区水文模型参数率定方法、装置和终端设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682355A (zh) * 2017-01-12 2017-05-17 中国水利水电科学研究院 一种基于pso‑ga混合算法的水文模型参数率定方法
CN108021773A (zh) * 2017-12-27 2018-05-11 大连理工大学 基于dss数据库读写的分布式水文模型多场次洪水参数率定方法
CN110457737A (zh) * 2019-06-20 2019-11-15 中国地质大学（武汉） 一种基于神经网络对水污染源快速定位的方法
CN110851790A (zh) * 2019-10-29 2020-02-28 王金虎 一种基于深度学习算法的海流动力优化预报模型
CN111176865A (zh) * 2019-12-31 2020-05-19 中国科学院计算机网络信息中心 一种基于优化算法的对等模式并行处理方法及框架

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11238356B2 (en) * 2017-06-23 2022-02-01 University Of Alaska Fairbanks Method of predicting streamflow data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682355A (zh) * 2017-01-12 2017-05-17 中国水利水电科学研究院 一种基于pso‑ga混合算法的水文模型参数率定方法
CN108021773A (zh) * 2017-12-27 2018-05-11 大连理工大学 基于dss数据库读写的分布式水文模型多场次洪水参数率定方法
CN110457737A (zh) * 2019-06-20 2019-11-15 中国地质大学（武汉） 一种基于神经网络对水污染源快速定位的方法
CN110851790A (zh) * 2019-10-29 2020-02-28 王金虎 一种基于深度学习算法的海流动力优化预报模型
CN111176865A (zh) * 2019-12-31 2020-05-19 中国科学院计算机网络信息中心 一种基于优化算法的对等模式并行处理方法及框架

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于个体优势遗传算法的水稻生育期模型参数优化;庄嘉祥;姜海燕;刘蕾蕾;王芳芳;汤亮;朱艳;曹卫星;;中国农业科学(第11期);全文 *
基于遗传算法的TOPMODEL参数优化;解河海;郝振纯;冯杰;朱长军;史玉品;;三峡大学学报(自然科学版)(第01期);全文 *
贵州典型岩溶流域日降雨径流过程模拟研究;尚晓三;王栋;;中国岩溶(第01期);全文 *

Also Published As

Publication number Publication date
CN111914431A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN110728035B (zh) 一种基于控制断面水质达标的污染物总量控制方法
CN108664647B (zh) 一种集成水环境模型的流域精细化管理系统
CN107992961B (zh) 一种自适应的流域中长期径流预报模型架构方法
CN112163366B (zh) 一种无资料地区水文模型参数自动率定方法
CN110728062B (zh) 一种基于swmm的农村非点源污染模拟方法
CN108536908A (zh) 基于非点源氮磷流失风险对流域水环境安全评估的方法
CN109345105B (zh) 一种多水源灌区灌溉用水量复核方法
CN111899126B (zh) 基于水循环模拟的三条红线控制指标划分方法
US20230409670A1 (en) Method and system for analyzing driving relationship between ecosystem service and urban agglomeration development
CN117952308B (zh) 一种区域可持续发展动态监测与评估的方法及系统
CN111914431B (zh) 一种有资料地区水文模型参数自动率定方法
CN109598428A (zh) 一种基于行政单元和水系的污染物削减分配方法
CN116050831A (zh) 一种农业灌溉用水水质预警方法及系统
CN112149314A (zh) 一种基于虚拟库容修正的多沙水库库容冲淤模拟方法
CN113807545A (zh) 一种基于深度学习和物理模型的河湖生态流量预报预警方法
CN115188434A (zh) 一种流域尺度水体非点源污染分类分区识别方法
CN114723142A (zh) 一种基于非支配排序遗传算法和flus模型的多目标土地利用模拟系统与方法
CN114048432A (zh) 一种无实测径流资料地区生态流量计算方法
CN115713448A (zh) 基于汇水单元的流域水污染常规因子快速溯源方法
CN112942230B (zh) 面向水污染控制的城市人工湖水域面积值域计算方法
CN112541611B (zh) 一种雨养农用地面源污染排放量预测方法及系统
CN113449982A (zh) 基于控制性生态因子比尺的湖泊生态水文节律确定方法
CN117236552A (zh) 一种基于多层级指标体系的区域需水量预测方法
CN111415103A (zh) 一种基于psr的流域水安全度量方法
CN115453664A (zh) 一种适用于无资料地区的降雨径流预报方法

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