CN112163366A - 一种无资料地区水文模型参数自动率定方法 - Google Patents
一种无资料地区水文模型参数自动率定方法 Download PDFInfo
- Publication number
- CN112163366A CN112163366A CN202010819098.9A CN202010819098A CN112163366A CN 112163366 A CN112163366 A CN 112163366A CN 202010819098 A CN202010819098 A CN 202010819098A CN 112163366 A CN112163366 A CN 112163366A
- Authority
- CN
- China
- Prior art keywords
- data
- parameters
- hydrological
- model parameters
- hydrological model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 43
- 238000004458 analytical method Methods 0.000 claims description 21
- 210000000349 chromosome Anatomy 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 9
- 230000035699 permeability Effects 0.000 claims description 9
- 238000011144 upstream manufacturing Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000004836 empirical method Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 230000008595 infiltration Effects 0.000 claims 4
- 238000001764 infiltration Methods 0.000 claims 4
- 239000002689 soil Substances 0.000 claims 3
- 238000009825 accumulation Methods 0.000 claims 1
- 230000008033 biological extinction Effects 0.000 claims 1
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种无资料地区水文模型参数自动率定方法,所述方法是基于有资料地区参数率定过程中记录的计算单元的模型数据和精度数据,结合无资料地区计算单元的地理特征数据,使用机器学习中的深度神经网络回归模型建立计算单元的地理特征数据、模型数据与精度数据的关系模型,使用此关系模型来推导无资料地区的水文模型参数及率定;解决了现有技术针对无资料流域水文参数是通过有资料地区的水文模型参数来进行统计和分析最终得到无资料地区水文模型参数,采用这样的方法存在模型参数准确度太差等问题。
Description
技术领域
本发明属于水文参数率定技术,尤其涉及一种无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。在现有技术中针对无资料流域具体应用时,都是通过有资料地区的水文模型参数来进行统计和分析最终得到无资料地区水文模型参数,采用这样的方法存在模型参数准确度太差等问题。
发明内容
本发明要解决的技术问题是:提供一种无资料地区水文模型参数自动率定方法,以解决针对无资料流域水文参数是通过有资料地区的水文模型参数来进行统计和分析最终得到无资料地区水文模型参数,采用这样的方法存在模型参数准确度太差等问题。
本发明的技术方案是:
一种无资料地区水文模型参数自动率定方法,所述方法是基于有资料地区参数率定过程中记录的计算单元的模型数据和精度数据,结合无资料地区计算单元的地理特征数据,使用机器学习中的深度神经网络回归模型建立计算单元的地理特征数据、模型数据与精度数据的关系模型,使用此关系模型来推导无资料地区的模型参数。
所述基于有资料地区参数率定过程包括: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。
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。
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。
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,所述需率定的水文模型参数见表1:
表1
所述无资料地区计算单元的地理特征数据见表2:
表2
序号 | 名称 |
1 | 流域面积 |
2 | 流域平均坡度 |
3 | 流域宽度 |
4 | 流域长度 |
5 | 森林覆盖面积 |
6 | 灌木覆盖面积 |
7 | 田地覆盖面积 |
8 | 砂石覆盖面积 |
9 | 水体覆盖面积 |
10 | 不透水覆盖面积 |
11 | 浅层地质渗透系数 |
12 | 中层地质渗透系数 |
13 | 深层地质渗透系数 |
所述使用机器学习中的深度神经网络回归模型建立计算单元的地理特征数据、模型数据与精度数据的关系模型的方法为:以无资料地区每一个计算单元作为样本,每个样本由该计算单元的地理特征数据和有资料地区水文模型参数构成特征部分,将有资料地区水文模型参数对应的精度作为样本的标签建立模型训练的样本数据集;模型训练采用机器学习中的梯度提升树模型Gradient Boosted Trees,该模型作为训练分类和回归。
所述通过关系模型来推导无资料地区水文模型参数及率定的方法包括:
步骤A、建立随机的无资料地区水文模型参数集合;
步骤B、将无资料地区水文模型参数部分结合无资料地区计算单元的地理特征数据生成预测样本;
步骤C、通过关系模型预测样本的精度;
步骤D、如果达到目标要求,则停止迭代,否则更新样本中的水文模型参数后执行步骤B-C。
它还包括无资料地区汇流参数-流速V的率定,所述流速V的率定方法为:根据有资料地区计算单元推导出的汇流流速V与以下表3中无资料地区计算单元的特征建立回归模型进行推导:
名称 | |
河流上游集水区面积 | |
河流平均坡度 | |
河流基流流量 | |
是否森林 | |
是否灌木 | |
是否田地 | |
是否砂石 | |
浅层地质渗透系数 | |
中层地质渗透系数 | |
深层地质渗透系数 |
本发明有益效果:
本发明基于有资料地区参数率定过程中记录的计算单元的模型数据、精度数据,结合无资料地区计算单元的地理特征数据,使用机器学习中的深度神经网络回归模型建立计算单元的地理特征数据、模型数据与精度的关系模型,使用此关系模型来推导无资料地区的模型参数;并对其进行率定以提高无资料地区水文模型参数及率定的准确性;解决了现有技术针对无资料流域水文参数是通过有资料地区的水文模型参数来进行统计和分析最终得到无资料地区水文模型参数,采用这样的方法存在模型参数准确度太差等问题。
具体实施方式
一种无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。计算无资料地区单元地理特征数据
根据目前现有的数据对计算单元建立以下的数据表:
无资料地区汇流参数-流速V的率定
汇流参数根据有资料地区计算单元推导出的汇流流速V与以下特征建立回归模型进行推导:
精度深度神经网络回归模型ECPAR的建立
以每一个计算单元作为样本,每个样本由该计算单元的地理特征数据和最佳EC模型参数构成特征部分,将对应的精度作为样本的标签建立模型训练的样本数据集。
将样本数据保存成CSV样本文件,命名采用[ecparm_模型版本号_执行版本号_traindata.csv],模型版本号为4位,初始由1开始,执行版本号为6位,初始由1开始。
训练的模型命名采用[ecparm_模型版本号_执行版本号_训练迭代号_model]作为前缀进行模型文件的保存。
模型训练采用机器学习中的梯度提升树模型Gradient Boosted Trees,该模型可以训练分类和回归,使用该模型最大的好处就是它能够较好的发现多种有区分性的特征以及特征组合,同时又能保证模型训练的性能。
模型训练采用TensorFlow框架进行,它支持在单机和分布式环境中进行学习,首先使用单机环境进行学习,如果性能不够的话再移植到分布式环境中,实验预计需要1台稳定的服务器资源,初步定为1台16核16G的机器,如果需要再进行调整。
推断无资料地区计算单元的水文模型参数
无资料地区计算单元的水文模型参数采用ECPAR模型结合遗传算法进行模型参数的率定,具体步骤为:
1)建立随机水文模型参数集合;
2)将水文模型参数部分结合计算单元的地理特征数据生成预测样本;
3)通过ECPAR模型预测样本的精度;
4)如果达到目标要求,则停止迭代,否则更新样本中的水文模型参数部分(更新方法可借鉴上面的部分),重复执行2-4步骤。
达到目标精度的水文模型参数即为该计算单元的水文模型参数。
验证ECPAR模型的准确率
在有资料地区使用以上ECPAR模型可以推导出相关的水文模型参数,通过水文模型进行计算得到预测参数对应的精度,定义ECPAR准确率AR为:
后续通过AR评估训练的ECPAR模型的可靠性。
Claims (10)
1.一种无资料地区水文模型参数自动率定方法,其特征在于:所述方法是基于有资料地区参数率定过程中记录的计算单元的模型数据和精度数据,结合无资料地区计算单元的地理特征数据,使用机器学习中的深度神经网络回归模型建立计算单元的地理特征数据、模型数据与精度数据的关系模型,使用此关系模型来推导无资料地区的水文模型参数及率定。
2.根据权利要求1所述的一种无资料地区水文模型参数自动率定方法,其特征在于:所述基于有资料地区参数率定过程包括: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。
3.根据权利要求2所述的一种无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。
4.根据权利要求2所述的一种无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。
5.根据权利要求2所述的一种无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。
6.根据权利要求2所述的一种无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,所述需率定的水文模型参数见表1:
表1
。
8.根据权利要求1所述的一种无资料地区水文模型参数自动率定方法,其特征在于:所述使用机器学习中的深度神经网络回归模型建立计算单元的地理特征数据、模型数据与精度数据的关系模型的方法为:以无资料地区每一个计算单元作为样本,每个样本由该计算单元的地理特征数据和有资料地区水文模型参数构成特征部分,将有资料地区水文模型参数对应的精度作为样本的标签建立模型训练的样本数据集;模型训练采用机器学习中的梯度提升树模型Gradient Boosted Trees,该模型作为训练分类和回归。
9.根据权利要求1所述的一种无资料地区水文模型参数自动率定方法,其特征在于:所述通过关系模型来推导无资料地区水文模型参数及率定的方法包括:
步骤A、建立随机的无资料地区水文模型参数集合;
步骤B、将无资料地区水文模型参数部分结合无资料地区计算单元的地理特征数据生成预测样本;
步骤C、通过关系模型预测样本的精度;
步骤D、如果达到目标要求,则停止迭代,否则更新样本中的水文模型参数后执行步骤B-C。
10.根据权利要求1所述的一种无资料地区水文模型参数自动率定方法,其特征在于:它还包括无资料地区汇流参数-流速V的率定,所述流速V的率定方法为:根据有资料地区计算单元推导出的汇流流速V与以下表中无资料地区计算单元的特征建立回归模型进行推导:
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010819098.9A CN112163366B (zh) | 2020-08-14 | 2020-08-14 | 一种无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 |
---|---|---|---|
CN202010819098.9A CN112163366B (zh) | 2020-08-14 | 2020-08-14 | 一种无资料地区水文模型参数自动率定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112163366A true CN112163366A (zh) | 2021-01-01 |
CN112163366B CN112163366B (zh) | 2024-06-07 |
Family
ID=73860058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010819098.9A Active CN112163366B (zh) | 2020-08-14 | 2020-08-14 | 一种无资料地区水文模型参数自动率定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163366B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114137171A (zh) * | 2021-11-22 | 2022-03-04 | 中国水利水电科学研究院 | 一种基于水文地质和水动力学的地下水盐分分析方法 |
CN117077543A (zh) * | 2023-10-13 | 2023-11-17 | 中国水利水电科学研究院 | 基于梯度搜索洗牌复形进化算法的水文模型参数率定方法 |
CN117763970A (zh) * | 2023-12-26 | 2024-03-26 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于图像深度学习的稀缺资料地区水文模型参数重建方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140066351A (ko) * | 2012-11-23 | 2014-06-02 | 이화여자대학교 산학협력단 | 다중 물리 조합 모델과 최적화 알고리즘과의 결합을 통한 최적의 독립 모델 축출 방법 |
CN106599585A (zh) * | 2016-12-19 | 2017-04-26 | 兰州交通大学 | 基于并行蜂群算法的水文模型参数优化方法及装置 |
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 |
CN109815305A (zh) * | 2019-01-18 | 2019-05-28 | 三峡大学 | 一种无资料地区场次洪水径流过程反演的方法 |
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 |
CN111210050A (zh) * | 2019-12-09 | 2020-05-29 | 江西省气象服务中心 | 山地丘陵型中小水电站降雨来水增量预报模型与方法 |
-
2020
- 2020-08-14 CN CN202010819098.9A patent/CN112163366B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140066351A (ko) * | 2012-11-23 | 2014-06-02 | 이화여자대학교 산학협력단 | 다중 물리 조합 모델과 최적화 알고리즘과의 결합을 통한 최적의 독립 모델 축출 방법 |
CN106599585A (zh) * | 2016-12-19 | 2017-04-26 | 兰州交通大学 | 基于并行蜂群算法的水文模型参数优化方法及装置 |
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 |
CN109815305A (zh) * | 2019-01-18 | 2019-05-28 | 三峡大学 | 一种无资料地区场次洪水径流过程反演的方法 |
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 |
CN111210050A (zh) * | 2019-12-09 | 2020-05-29 | 江西省气象服务中心 | 山地丘陵型中小水电站降雨来水增量预报模型与方法 |
Non-Patent Citations (4)
Title |
---|
庄嘉祥;姜海燕;刘蕾蕾;王芳芳;汤亮;朱艳;曹卫星;: "基于个体优势遗传算法的水稻生育期模型参数优化", 中国农业科学, no. 11 * |
张健;: "中小河流洪水预报调度智能系统建设思路及关键技术", 河南水利与南水北调, no. 04 * |
解河海;郝振纯;冯杰;朱长军;史玉品;: "基于遗传算法的TOPMODEL参数优化", 三峡大学学报(自然科学版), no. 01 * |
郭太英;叶绪纲;: "遗传算法在水文预报中的应用", 中国勘察设计, no. 08 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114137171A (zh) * | 2021-11-22 | 2022-03-04 | 中国水利水电科学研究院 | 一种基于水文地质和水动力学的地下水盐分分析方法 |
CN114137171B (zh) * | 2021-11-22 | 2022-08-05 | 中国水利水电科学研究院 | 一种基于水文地质和水动力学的地下水盐分分析方法 |
CN117077543A (zh) * | 2023-10-13 | 2023-11-17 | 中国水利水电科学研究院 | 基于梯度搜索洗牌复形进化算法的水文模型参数率定方法 |
CN117077543B (zh) * | 2023-10-13 | 2024-01-09 | 中国水利水电科学研究院 | 基于梯度搜索洗牌复形进化算法的水文模型参数率定方法 |
CN117763970A (zh) * | 2023-12-26 | 2024-03-26 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于图像深度学习的稀缺资料地区水文模型参数重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112163366B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112163366A (zh) | 一种无资料地区水文模型参数自动率定方法 | |
Lu et al. | Quantifying the impacts of small dam construction on hydrological alterations in the Jiulong River basin of Southeast China | |
CN113379109B (zh) | 一种基于预测模型自适应的径流预报方法 | |
CN111125969A (zh) | 一种跨水库流域河道径流演算方法和系统 | |
CN106845771B (zh) | 一种基于前期雨量优选参数的洪水预报方法 | |
CN102819677B (zh) | 基于单场降雨类型的降雨站点相似性评价方法 | |
CN109345105B (zh) | 一种多水源灌区灌溉用水量复核方法 | |
CN110070144A (zh) | 一种湖泊水质预测方法及系统 | |
CN112149314B (zh) | 一种基于虚拟库容修正的多沙水库库容冲淤模拟方法 | |
CN112883558B (zh) | 一种水文模型参数时变形式构造方法 | |
CN111899126B (zh) | 基于水循环模拟的三条红线控制指标划分方法 | |
CN109598428A (zh) | 一种基于行政单元和水系的污染物削减分配方法 | |
CN110728062B (zh) | 一种基于swmm的农村非点源污染模拟方法 | |
CN116090625A (zh) | 基于LightGBM和水文水动力模型的滨海城市洪涝快速预测方法 | |
CN114418446A (zh) | 水资源短缺的定量评估方法 | |
CN113641733B (zh) | 一种河道断面流量实时智能推求方法 | |
CN114091277B (zh) | 一种考虑初始状态变量影响的新安江模型参数率定方法 | |
CN117172037B (zh) | 一种分布式水文预报方法、装置、计算机设备及介质 | |
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 | |
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 | |
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 | |
CN111914431B (zh) | 一种有资料地区水文模型参数自动率定方法 | |
CN112434441A (zh) | 一种水文模型参数区域化方法 | |
Theara et al. | Integrated modeling to assess flow changes due to future dam development and operation in Stung Sen River of Tonle Sap Lake Basin, Cambodia | |
Wang et al. | Multi-scale flow regimes and driving forces analysis based on different models: a case study of the Wu River basin |
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 |