CN111914488A - 一种基于对抗神经网络的有资料地区水文参数率定方法 - Google Patents
一种基于对抗神经网络的有资料地区水文参数率定方法 Download PDFInfo
- Publication number
- CN111914488A CN111914488A CN202010820500.5A CN202010820500A CN111914488A CN 111914488 A CN111914488 A CN 111914488A CN 202010820500 A CN202010820500 A CN 202010820500A CN 111914488 A CN111914488 A CN 111914488A
- Authority
- CN
- China
- Prior art keywords
- hydrological
- parameters
- neural network
- data
- antagonistic neural
- 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
Images
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
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于对抗神经网络的有资料地区水文参数率定方法,它包括:采集土壤质地、植被覆盖度、土地利用率、地形数据、径流系数、年蒸发总量、比降和坡度数据;将率定区域划分为30平方公里以下的计算单元;确定每一个计算单元每一个参数下垫面及气象相关因子;采用对抗神经网络GAN对有资料流域水文参数的自动率定,得到每个单元最优的水文参数;采用有资料地区所有计算单元的最优水文参数,基于对抗神经网络GAN训练统一的参数生成器;通过训练好的参数生成器对无资料地区水文参数进行确定;解决了现有技术工作重复性、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
技术领域
本发明属于水文参数率定技术,尤其涉及一种基于对抗神经网络的有资料地区水文参数率定方法。
背景技术
水文模型在进行水文规律研究和解决生产实际问题中起着重要的作用,随着现代科学技术的飞速发展,以计算机和通信为核心的信息技术在水文水资源及水利工程科学领域的广泛应用,使水文模型的研究得到迅速发展,并广泛应用于水文基本规律研究、水旱灾害防治、水资源评价与开发利用、水环境和生态系统保护、气候变化及人类活动对水资源和水环境影响分析等领域。因此,研究如何提高水文模型的预测精度,具有重要的科学意义和应用价值。
任何模型均伴有误差和不确定性,模型建模工作中,误差源是大量的,其误差来源主要有以下几个方面:
(1)被排除在外的因素引起的误差
在建模过程中,水文模型需要考虑“降水——产流——汇流”整个水文过程的每个环节,每个环节都有许多影响因子,把每个因子都引入到模型中是不可能做到的。所以要对这些影响因子有所选择产生一定的预测误差。
(2)实测历史记录资料的误差
实测数据资料精度的高低、误差的大小决定于测量技术的先进和成熟程度,影响模型模拟的拟合度,从而影响模型的预测精度。这些资料不但包括传统的水文(流量)气象(降雨)资料,还包括地质、植被、土壤和土地利用等因素。
(3)参数误差
分布式水文模型参数具有比较明确的物理意义,易于估计参数的变化范围,但是参数最优值难以确定。
(4)模型结构误差
在模型设计和建立过程中采用的不正确的计算方法,不合适的时间步长,不恰当的运行次序,不完整或有偏差的模型结构等都会引起模型预测误差。
为了消除上述原因引起的模型预测误差,参数的率定是提高水文模型预测精度的一个重要环节,大部分的流域水文模型特别是中小流域的一些参数不能直接通过观测试验确定,它们的取值却与流域的下垫面特征有着一定的关系,但却不能与流域的下垫面特征建立起关系,所以对于流域水文模型来说参数的率定仍然是一个困难的问题。
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,但是对于无资料的水文模型参数的率定,采用该方法就存在率定准确率低,严重影响水文预报精确度等问题。
发明内容
本发明要解决的技术问题是:提供一种基于对抗神经网络的有资料地区水文参数率定方法,以解决以解决现有技术针对无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,采用该方法存在率定准确率低,严重影响水文预报精确度等问题。
本发明的技术方案是:
一种基于对抗神经网络的有资料地区水文参数率定方法,它包括:
步骤1、采集土壤质地、植被覆盖度、土地利用率、地形数据、径流系数、年蒸发总量、比降和坡度数据;
步骤2、将率定区域划分为30平方公里以下的计算单元;
步骤3、根据水文模型参数的物理特性,确定每一个计算单元每一个参数下垫面及气象相关因子;
步骤4、采用对抗神经网络GAN对有资料流域水文参数的自动率定,对抗神经网络GAN以噪声作为输入,通过水文模型进行参数优选,得到每个单元最优的水文参数。
步骤3所述每一个参数下垫面及气象相关因子为:
步骤4所述采用对抗神经网络GAN进行水文参数的自动率定的方法为:
步骤4.1、以正态分布的噪声作为生成器的输入生成样本;
步骤4.2、将生成的样本集输入到水文模型中进行优选得到最优参数;
步骤4.3、将水文模型输出的最优参数和生成器生成的样本输入到判别器的判别真假。
步骤4.2所述将生成的样本集输入到水文模型中进行优选得到最优参数时,是以确定性系数作为优选原则。
本发明有益效果:
本发明将优化区域划分为无数个独立的计算单元,然后采用对抗神经网络GAN进行水文参数的自动率定,实现有资料地区的参数率定,因此可以有效的解决了现代水文模型由于专业性强导致的使用困难的问题,可以在实际应用中减少了大量的专业人工参数调整与率定的繁琐步骤和工作。为各类水文模型推广应用,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。
附图说明:
图1为本发明对抗神经网络GAN对相似单元进行水文参数的自动率定流程示意图。
具体实施方式
一种基于对抗神经网络的有资料地区水文参数率定方法,它包括:
步骤1、采集土壤质地、植被覆盖度、土地利用率、地形数据、径流系数、年蒸发总量、比降和坡度数据;
步骤2、将率定区域划分为30平方公里以下的计算单元;
步骤3、根据水文模型参数的物理特性,确定每一个计算单元每一个参数下垫面及气象相关因子;
步骤4、采用对抗神经网络GAN对有资料流域水文参数的自动率定,对抗神经网络GAN以噪声作为输入,通过水文模型进行参数优选,得到每个单元最优的水文参数;
步骤3所述每一个参数下垫面及气象相关因子为:
步骤4所述采用对抗神经网络GAN进行水文参数的自动率定的方法为:
步骤4.1、以正态分布的噪声作为生成器的输入生成样本;
步骤4.2、将生成的样本集输入到水文模型中进行优选得到最优参数;
步骤4.3、将水文模型输出的最优参数和生成器生成的样本输入到判别器的判别真假。
步骤4.2所述将生成的样本集输入到水文模型中进行优选得到最优参数时,是以确定性系数作为优选原则。
对抗式生成网络(Generative Adversarial Networks,GAN)是生成模型的一个子类,可以对现有数据样本的潜在分布进行估计,构建出可以符合数据分布的模型,并生成新的数据样本,并且模型具有一定的自学习能力,可以应用在半监督学习中。
GAN的核心思想来源于博弈论的纳什均衡,它设定的参与双方分别为一个生成器和一个判别器,生成器的目的是尽量去学习真实的数据分布,而判别器的目的是尽量正确判别输入数据是来自真实数据还是来自生成器;两个模型需要同时不断优化,各自提高自己的生成能力和判别能力,当二者达到一个平衡时即完成计算。
常规对抗神经网络是不能直接实现自动参数的率定,因为没有真实的样本。因此必须在每次生成器输出生成样本时,采用水文模型进行最优参数的选择,作为下次判别器迭代计算的真实样本输入。
可以看出判别器和生成器的损失值,它们都逐渐接近于1,说明模型是收敛的。
水文模型的确定性系数,可以看到由初期的0.78提升到0.86.说明神经网络可以用于水文模型参数优化。
可以看到当确定性系数比上次优秀时,损失值会突然增大,说明更新真实值后判定器会自动重新训练,且很快收敛。因此进行优选得到最优参数时,是以确定性系数作为优选原则。
深度学习网络的学习能力相当强,当给定一个真实样本后,生成模型可以迅速的收敛到真实样本的范围,由于真实值也是需要迭代更新的,所以极容易出现过拟合问题,直接导致收敛速度慢或陷入局部最优。本发明采用用休眠局部神经元、权重正则化和调整神经元数据等方法解决这些问题。
对于本发明最核心问题就是找出有资料流域的最优参数,因此可以加入最优搜寻策略对生成样本进行优选,提高整个网络的性能。
本发明采用对抗神经网络之所以能推出最优参数,是因为它每一次迭代都是在上次最好的一个分布空间内,随机变化来而产生。
Claims (4)
1.一种基于对抗神经网络的有资料地区水文参数率定方法,它包括:
步骤1、采集土壤质地、植被覆盖度、土地利用率、地形数据、径流系数、年蒸发总量、比降和坡度数据;
步骤2、将率定区域划分为30平方公里以下的计算单元;
步骤3、根据水文模型参数的物理特性,确定每一个计算单元每一个参数下垫面及气象相关因子;
步骤4、采用对抗神经网络GAN对有资料流域水文参数的自动率定,对抗神经网络GAN以噪声作为输入,通过水文模型进行参数优选,得到每个单元最优的水文参数。
3.根据权利要求1所述的一种基于对抗神经网络的有资料地区水文参数率定方法,其特征在于:步骤4所述采用对抗神经网络GAN进行水文参数的自动率定的方法为:
步骤4.1、以正态分布的噪声作为生成器的输入生成样本;
步骤4.2、将生成的样本集输入到水文模型中进行优选得到最优参数;
步骤4.3、将水文模型输出的最优参数和生成器生成的样本输入到判别器的判别真假。
4.根据权利要求3所述的一种基于对抗神经网络的有资料地区水文参数率定方法,其特征在于:步骤4.2所述将生成的样本集输入到水文模型中进行优选得到最优参数时,是以确定性系数作为优选原则。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010820500.5A CN111914488B (zh) | 2020-08-14 | 2020-08-14 | 一种基于对抗神经网络的有资料地区水文参数率定方法 |
PCT/CN2020/123715 WO2022032874A1 (zh) | 2020-08-14 | 2020-10-26 | 一种基于对抗神经网络的有资料地区水文参数率定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010820500.5A CN111914488B (zh) | 2020-08-14 | 2020-08-14 | 一种基于对抗神经网络的有资料地区水文参数率定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914488A true CN111914488A (zh) | 2020-11-10 |
CN111914488B CN111914488B (zh) | 2023-09-01 |
Family
ID=73283208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010820500.5A Active CN111914488B (zh) | 2020-08-14 | 2020-08-14 | 一种基于对抗神经网络的有资料地区水文参数率定方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111914488B (zh) |
WO (1) | WO2022032874A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114740155B (zh) * | 2022-03-30 | 2023-10-10 | 内蒙古农业大学 | 一种森林生态系统蒸散量的检测装置及方法 |
CN116108672B (zh) * | 2023-02-17 | 2024-01-23 | 南京声远声学科技有限公司 | 一种基于地理信息系统的户外声传播预测模型构建方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050225553A1 (en) * | 2004-04-09 | 2005-10-13 | Cheng-Jan Chi | Hybrid model sprite generator (HMSG) and a method for generating sprite of the same |
KR101802455B1 (ko) * | 2016-11-16 | 2017-11-28 | 한국외국어대학교 연구산학협력단 | 강우의 공간 규모를 고려한 강우 예측 시스템 및 방법 |
CN108133292A (zh) * | 2017-12-25 | 2018-06-08 | 贵州东方世纪科技股份有限公司 | 一种基于人工智能的水土侵蚀计算方法 |
AR109623A1 (es) * | 2018-02-16 | 2019-01-09 | Pescarmona Enrique Menotti | Proceso y sistema de análisis y gestión hidrológica para cuencas |
US20190050727A1 (en) * | 2018-01-12 | 2019-02-14 | Timothy Anderson | Neural network training |
CN109493303A (zh) * | 2018-05-30 | 2019-03-19 | 湘潭大学 | 一种基于生成对抗网络的图像去雾方法 |
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 |
WO2019216404A1 (ja) * | 2018-05-10 | 2019-11-14 | パナソニックIpマネジメント株式会社 | ニューラルネットワーク構築装置、情報処理装置、ニューラルネットワーク構築方法及びプログラム |
CN110533578A (zh) * | 2019-06-05 | 2019-12-03 | 广东世纪晟科技有限公司 | 一种基于条件对抗神经网络的图像翻译方法 |
CN110598794A (zh) * | 2019-09-17 | 2019-12-20 | 武汉思普崚技术有限公司 | 一种分类对抗的网络攻击检测方法及系统 |
CN110633859A (zh) * | 2019-09-18 | 2019-12-31 | 西安理工大学 | 一种两阶段分解集成的水文序列预测方法 |
CN110796253A (zh) * | 2019-11-01 | 2020-02-14 | 中国联合网络通信集团有限公司 | 生成对抗网络的训练方法及设备 |
CN111080155A (zh) * | 2019-12-24 | 2020-04-28 | 武汉大学 | 一种基于生成对抗网络的空调用户调频能力评估方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034003B (zh) * | 2010-12-16 | 2012-11-28 | 南京大学 | 基于蓄水容量曲线和topmodel的流域水文模型的设计方法 |
CN111160430A (zh) * | 2019-12-19 | 2020-05-15 | 广东工业大学 | 一种基于人工智能算法的水资源优化配置方法 |
CN111144552B (zh) * | 2019-12-27 | 2023-04-07 | 河南工业大学 | 一种粮食品质多指标预测方法及装置 |
-
2020
- 2020-08-14 CN CN202010820500.5A patent/CN111914488B/zh active Active
- 2020-10-26 WO PCT/CN2020/123715 patent/WO2022032874A1/zh active Application Filing
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050225553A1 (en) * | 2004-04-09 | 2005-10-13 | Cheng-Jan Chi | Hybrid model sprite generator (HMSG) and a method for generating sprite of the same |
KR101802455B1 (ko) * | 2016-11-16 | 2017-11-28 | 한국외국어대학교 연구산학협력단 | 강우의 공간 규모를 고려한 강우 예측 시스템 및 방법 |
CN108133292A (zh) * | 2017-12-25 | 2018-06-08 | 贵州东方世纪科技股份有限公司 | 一种基于人工智能的水土侵蚀计算方法 |
US20190050727A1 (en) * | 2018-01-12 | 2019-02-14 | Timothy Anderson | Neural network training |
AR109623A1 (es) * | 2018-02-16 | 2019-01-09 | Pescarmona Enrique Menotti | Proceso y sistema de análisis y gestión hidrológica para cuencas |
WO2019216404A1 (ja) * | 2018-05-10 | 2019-11-14 | パナソニックIpマネジメント株式会社 | ニューラルネットワーク構築装置、情報処理装置、ニューラルネットワーク構築方法及びプログラム |
CN109493303A (zh) * | 2018-05-30 | 2019-03-19 | 湘潭大学 | 一种基于生成对抗网络的图像去雾方法 |
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 |
CN110533578A (zh) * | 2019-06-05 | 2019-12-03 | 广东世纪晟科技有限公司 | 一种基于条件对抗神经网络的图像翻译方法 |
CN110598794A (zh) * | 2019-09-17 | 2019-12-20 | 武汉思普崚技术有限公司 | 一种分类对抗的网络攻击检测方法及系统 |
CN110633859A (zh) * | 2019-09-18 | 2019-12-31 | 西安理工大学 | 一种两阶段分解集成的水文序列预测方法 |
CN110796253A (zh) * | 2019-11-01 | 2020-02-14 | 中国联合网络通信集团有限公司 | 生成对抗网络的训练方法及设备 |
CN111080155A (zh) * | 2019-12-24 | 2020-04-28 | 武汉大学 | 一种基于生成对抗网络的空调用户调频能力评估方法 |
Non-Patent Citations (5)
Title |
---|
PAULIN COULIBALY 等: "Improving extreme hydrologic events forecasting using a new criterion for ANN selection", 《HYDROLOGICAL PROCESSES》, pages 1533 * |
何丙辉;缪驰远;陈晓燕;徐霞;: "CLIGEN气候生成器模型在紫色土地区的适应性研究", 水土保持学报, no. 03 * |
尚晓三;王栋;: "两种不同类型的水文模型在贵州典型岩溶地区的应用", 南京大学学报(自然科学版), no. 03 * |
戚高晟等: "人工神经网络在水文数据模拟方向上的应用分析", 《亚热带水土保持》 * |
戚高晟等: "人工神经网络在水文数据模拟方向上的应用分析", 《亚热带水土保持》, vol. 30, no. 1, 31 March 2018 (2018-03-31), pages 67 - 70 * |
Also Published As
Publication number | Publication date |
---|---|
WO2022032874A1 (zh) | 2022-02-17 |
CN111914488B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858647B (zh) | 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法 | |
CN109272146B (zh) | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 | |
CN107145965B (zh) | 一种基于相似度匹配和极限学习机的河流洪水预测方法 | |
CN108876021B (zh) | 一种中长期径流预报方法及系统 | |
CN111915058B (zh) | 基于长短时记忆网络和迁移学习的洪水预测方法与装置 | |
CN111259522B (zh) | 一种水文模型在地理空间上多流域并行率定的方法 | |
CN109840587A (zh) | 基于深度学习的水库入库流量预测方法 | |
CN111914487B (zh) | 一种基于对抗神经网络的无资料地区水文参数率定方法 | |
CN111914488B (zh) | 一种基于对抗神经网络的有资料地区水文参数率定方法 | |
CN116796799A (zh) | 无水文资料地区中小流域洪水降雨量阈值模型创建方法 | |
CN109214591A (zh) | 一种木本植物地上生物量预测方法及系统 | |
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 | |
CN111914465B (zh) | 基于聚类及粒子群优化的无资料地区水文参数率定方法 | |
Zhao et al. | Evaluating influences of the Manwan Dam and climate variability on the hydrology of the Lancang-Mekong River, Yunnan Province, southwest China | |
CN107688702B (zh) | 一种基于狼群算法的河道洪水流量演进规律模拟方法 | |
CN117405175B (zh) | 海洋环境智能监测系统 | |
CN117993305A (zh) | 一种流域土地利用与土壤侵蚀关系动态评估方法 | |
CN113111590A (zh) | 一种基于人工神经网络的城市洪涝模型径流敏感参数识别方法 | |
CN115907178B (zh) | 一种净生态系统co2交换量的预测方法 | |
CN112699611A (zh) | 一种基于人工蚁群算法的排水管网模型参数寻优方法 | |
CN115860165A (zh) | 一种考虑初损的神经网络流域降雨径流预报方法及系统 | |
CN111914430B (zh) | 基于聚类及粒子群优化的有资料地区水文参数率定方法 | |
CN112561203B (zh) | 一种基于聚类和gru实现水位预警的方法及系统 | |
CN114519308A (zh) | 河流水沙调节影响下河水地下水相互转化滞后响应时间的确定方法 | |
Jiang et al. | Discharge estimation based on machine learning |
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 |