CN113487069A - 一种基于grace日降尺度和新型dwsdi指数的区域洪涝灾害风险评估方法 - Google Patents
一种基于grace日降尺度和新型dwsdi指数的区域洪涝灾害风险评估方法 Download PDFInfo
- Publication number
- CN113487069A CN113487069A CN202110692122.1A CN202110692122A CN113487069A CN 113487069 A CN113487069 A CN 113487069A CN 202110692122 A CN202110692122 A CN 202110692122A CN 113487069 A CN113487069 A CN 113487069A
- Authority
- CN
- China
- Prior art keywords
- scale
- dwsdi
- daily
- neural network
- 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 43
- 238000012502 risk assessment Methods 0.000 title claims abstract description 23
- 230000015556 catabolic process Effects 0.000 title claims abstract description 14
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 124
- 238000011160 research Methods 0.000 claims abstract description 45
- 230000005484 gravity Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000009897 systematic effect Effects 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 57
- 210000002569 neuron Anatomy 0.000 claims description 38
- 238000012417 linear regression Methods 0.000 claims description 27
- 230000004913 activation Effects 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 239000002689 soil Substances 0.000 claims description 17
- 238000001556 precipitation Methods 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 230000006403 short-term memory Effects 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000007774 longterm Effects 0.000 claims description 2
- 230000015654 memory Effects 0.000 claims description 2
- 238000002945 steepest descent method Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims 1
- 230000009467 reduction Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000020411 cell activation Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Mathematical Optimization (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于GRACE日降尺度和新型DWSDI指数的区域洪涝灾害风险评估方法。主要步骤如下:首先获取研究流域的日尺度水文气象实测数据和月尺度水储量实测数据;然后采用不同预测模型将原始的月尺度水储量序列进行时间降尺度处理,并得到该区域日尺度水储量序列;最后依据本发明提出的日尺度水储量亏损指数DWSDI,对研究区域内的洪涝灾害风险进行系统性评估。本发明方法不仅能够通过重力卫星遥感数据和水文气象数据对研究区域内的水储量数据进行时间降尺度处理,还可以基于新提出的DWSDI指数对区域洪涝灾害风险进行深入分析和系统性评估,为不同气候环境下的极端洪涝灾害事件评估提供了新的研究思路和技术支持。
Description
技术领域
本发明涉及区域洪涝灾害风险评估领域,特别是一种基于GRACE日降尺度和新型DWSDI指数的区域洪涝灾害风险评估方法。
背景技术
我国是洪涝灾害频繁发生的国家。与其他自然灾害相比,洪涝灾害具有突发性强、危害性大、波及范围广等特点,能够显著影响整个社会的正常经济发展和生产活动,给人民群众的生命财产安全造成严重威胁。洪涝灾害的形成机理较为复杂,通常会受到人类活动和气候变化的共同影响作用,而现阶段研究中常用的洪涝灾害指数主要依靠气象站点和水文站点提供的数据构建,仅能够反映出气候变化对研究区域内洪涝灾害的影响作用,无法有效描述人类活动对洪涝灾害的影响作用。此外,由于受到不同地理环境以及气候条件的限制,对大范围区域进行持续有效的洪涝灾害监测也极为困难。因此,如何对特定研究区域尤其是大范围区域的洪涝灾害进行有效监测和准确评估逐渐成为国内外研究人员广泛关注的话题,并且对流域乃至国家的生态环境、抗洪减灾以及水资源规划都有着极其重要的意义。
发明内容
针对上述现有技术所存在的不足,本发明的目的在于提供一种基于GRACE日降尺度和新型DWSDI指数的区域洪涝灾害风险评估方法,该方法能够利用GRACE重力卫星遥感数据构建一种新的水储量亏损指数,并基于该指数的分析结果为区域洪涝灾害风险的评估提供全新的研究思路。此外,针对GRACE重力卫星数据时间分辨率低的缺点,本发明采用不同的时间降尺度方法来显著提高GRACE重力卫星原始数据的时间分辨率,大大增强了GRACE重力卫星在洪涝灾害评估方面的应用性,并显著提高基于卫星遥感数据对区域洪涝灾害风险进行评估的准确度。
本发明采用以下技术方案:
一种基于GRACE日降尺度和新型DWSDI指数的区域洪涝灾害风险评估方法,具体包括以下步骤:
Step 1:获取研究区域的日尺度水文气象实测数据和月尺度水储量实测数据;其中,所述水文气象实测数据包括降水量、温度和土壤湿度;所述的月尺度水储量实测数据是基于GRACE重力卫星得到的;将研究区域日尺度水文气象实测数据进行累加得到月尺度水文气象实测数据,并以月尺度降水量、温度和土壤湿度为预测模型输入变量,对研究区域月尺度水储量进行模拟;
Step 2:分别基于不同预测模型来模拟研究区域的月尺度水储量变化序列,然后与月尺度水储量实测数据进行对比,通过对不同预测模型参数值进行不断修正,使得各预测模型月尺度水储量模拟值与水储量实测值之间的误差达到最小,获取不同预测模型模拟月尺度水储量的最佳参数方案;
Step 3:采用贝叶斯加权平均方法对上述所有预测模型分别得到的月尺度水储量结果进行加权处理,计算所有预测模型分别对应的权重参数,依据各个预测模型对应的权重参数对各个预测模型的输出结果进行最优组合,降低模型结果的不确定性;
Step 4:分别将日尺度水文气象实测数据代入所有预测模型中,按照Step 2中确定的最佳参数方案依次求取所有预测模型对应的日尺度水储量序列;并依据Step 3中所求取的所有预测模型对应权重参数,计算研究区域的日尺度水储量集合序列;
Step 5:基于研究区域的日尺度水储量集合序列,分别求取其对应的样本均值和样本标准差值,然后对日尺度水储量序列进行标准化处理,构建该区域对应的日尺度水储量亏损指数DWSDI序列,并根据指数的计算结果对研究区域内的洪涝灾害风险进行系统性评估。
上述技术方案中,进一步地,所述的不同预测模型包括长短期记忆人工神经网络模型(LSTM,Long Short-Term Memory)、倒传递人工神经网络模型(BP,Back Propagation)和多元线性回归模型。
更进一步地,所述Step 2中的基于LSTM人工神经网络模型构建水储量预测模型,具体步骤为:
(1)确定研究区域的月尺度降水量、温度和土壤湿度为LSTM人工神经网络模型的输入变量,以月尺度水储量为LSTM人工神经网络模型的输出变量,并按照60%、20%、20%的比例划分为训练数据、验证数据和测试数据;
(2)本发明的LSTM人工神经网络回归模型包含1个输入层、3个隐藏层和1个输出层,且该模型的输出层采用identify函数执行回归,隐藏层具有64个神经元。LSTM人工神经网络回归模型的隐藏层单元采用长短期记忆单元,其输入变量有三个,即当前时刻隐藏层单元的输入量xt、上一时刻隐藏层单元的输出状态ct-1以及上一时刻隐藏层单元的隐藏状态ht-1;输入量通过隐藏层单元处理后可以产生两个输出量,即当前时刻隐藏层单元的输出状态ct以及当前时刻隐藏层单元的隐藏状态ht。
(3)在LSTM人工神经网络回归模型中,通过输入门、输出门、遗忘门以及长短期记忆单元来保留长期信息和摒弃无用信息,具体公式表示如下:
输入门(input gate):
it=g(Wxixt+Whiht-1+Wcict-1+bi)
输出门(output gate):
ot=g(Wxoxt+Whoht-1+Wcoct-1+bo)
遗忘门(forget gate):
ft=g(Wxfxt+Whfht-1+Wcfct-1+bf)
单元激活量(cell activation vectors):
ct=ftct-1+ittanh(Wxcxt+Whcht-1+bc)
隐藏层单元量(hidden layer):
ht=ottanh(ct)
式中,g为Sigmoid逻辑函数变换;Wxi、Whi和Wci分别表示输入特征向量、隐藏层单元量以及单元激活向量与输入门之间的权重矩阵;Wxo、Who、Wco分别表示输入特征向量、隐藏层单元量以及单元激活向量与输出门之间的权重矩阵;Wxf、Whf、Wcf分别表示输入特征向量、隐藏层单元量以及单元激活向量与遗忘门之间的权重矩阵;Wxc和Whc分别表示输入特征向量、隐藏层单元量与单元激活向量之间的权重矩阵;bi、bf、bc和bo分别为输入门、遗忘门、输出门以及单元激活向量的偏差值;tanh为激活函数。
(4)通过训练数据可以构建LSTM人工神经网络回归模型,然后通过验证数据和测试数据调整LSTM人工神经网络回归模型参数,通过进一步修正模型参数可以对LSTM人工神经网络回归模型不断优化,提高其对应的模型精度。当基于LSTM人工神经网络回归模型得到的水储量模拟值序列与基于GRACE重力卫星得到的水储量实测值序列之间差异值达到最小,即可确定LSTM人工神经网络回归模型的最佳参数方案,并将最终优化后的模型作为LSTM人工神经网络水储量预测模型。
进一步地,所述Step 2中的基于BP人工神经网络模型构建水储量预测模型,具体步骤为:
(1)确定研究区域的月尺度降水量、温度和土壤湿度为BP人工神经网络模型的输入变量,以月尺度水储量为BP人工神经网络模型的输出变量,并按照60%、20%、20%的比例划分为训练数据、验证数据和测试数据;
(2)本发明的BP人工神经网络回归模型采用1个输入层、1个隐藏层和1个输出层的3层结构,隐藏层具有5个神经元,且神经元激活函数采用Sigmoid函数:
其中,f(x)为隐藏层神经元对应的激活函数,x为Sigmoid函数的输入变量,a为拟合参数。
将输入变量代入BP人工神经网络回归模型的输入层,经过加权组合处理后传递至隐藏层,然后经隐藏层神经元激活函数处理后传递至输出层神经元,最后由输出层确定水储量模拟值序列。其中,隐藏层的神经元个数可以通过试错法进行确定。
在BP人工神经网络回归模型中,第n-1层神经元输出值与第n层神经元输入值之间存在非线性关系,可以表示为:
式中,为第n层第j个神经元输入值,为第n-1层第i个神经元对第n层第j个神经元的权重值;为第n-1层第i个神经元输出值;为第n层第j个神经元的偏差值;K为第n层神经元对应的总个数;为第n层第j个神经元输出值;f为第n层神经元对应的激活函数;
(3)BP人工神经网络回归模型输出层所得到的水储量模拟值序列与基于GRACE重力卫星得到的水储量实测值之间存在一定差异值,基于最陡坡降法不断优化BP人工神经网络回归模型和提高模型精度,并通过调整各层神经元个数和各层神经元之间的加权值使得上述差异值达到最小,即可确定BP人工神经网络回归模型的最佳参数方案,并将优化后的模型作为BP人工神经网络水储量预测模型。
进一步地,所述Step 2中的基于多元线性回归模型构建水储量预测模型,具体步骤为:
(1)确定研究区域的月尺度降水量、温度和土壤湿度为多元线性回归模型的输入变量,以月尺度水储量为多元线性回归模型的输出变量,并按照60%、20%、20%的比例划分为训练数据、验证数据和测试数据;
(2)基于多元线性回归模型建立输入变量与输出变量之间的拟合关系,本发明采用的多元线性回归模型包含3个自变量和4个拟合参数,表示为:
(3)基于最小二乘法不断优化多元线性回归模型,通过修正多元线性回归模型的拟合参数,使得基于多元线性回归模型得到的水储量模拟值序列与基于GRACE重力卫星得到的水储量实测值序列之间的差异值达到最小,即可确定多元线性回归模型的最佳参数方案。
进一步地,Step 2中所述的各预测模型水储量模拟值与实测值之间的误差大小可以采用均方根误差(RMSE,Root Mean Square Error)来表示:
式中,TWSAi表示预测模型对应第i个月的水储量模拟值,TWSA′i表示第i个月的水储量实测值,N为研究期间的水储量总月数。
进一步地,Step 3中所述的贝叶斯加权平均法如下:
式中,Y为预测模型的输出变量,即水储量模拟数据;X为实测数据集,包括水文气象实测数据和水储量实测数据;fq(=f1,f2,…,fN)是N个模型预测的集合;P(fq|X)表示第q个预测模型输出结果fq的后验概率,能够有效反映预测模型输出结果fq与水储量实测值序列之间的匹配度,也是该模型在贝叶斯加权平均法所采用的所有预测模型中所占的权重值;Pq(Y|fq,X)是第q个预测模型在实测数据集下得到的有关输出变量Y的条件概率方程。
进一步地,Step 5中所构建的日尺度水储量亏损指数(DWSDI)包括以下步骤:
(1)基于不同预测模型集合估算的研究区域日尺度水储量序列,分别求取其对应的样本均值和标准差值,然后对日尺度水储量序列进行标准化处理,构建该区域对应的日尺度水储量亏损指数(DWSDI)序列,该过程可以表示为:
式中:DWSDIi为第i天的日尺度水储量亏损指数;DWSDi为第i天的日尺度水储量;μ为研究时间段内日尺度水储量序列的样本均值;σ为研究时间段内日尺度水储量序列的样本标准差。其中,DWSDI数值结果越大,则表示该区域发生洪涝风险的可能性越大。
(2)基于研究区域DWSDI指数的估算结果,对研究区域的洪涝风险进行评估,具体划分标准参考表2。
表2基于日尺度DWSDI结果的区域洪涝风险评估等级划分标准
类别 | 洪涝风险程度 | DWSDI数值 |
I | 特大洪涝 | DWSDI≥3 |
II | 严重洪涝 | 3>DWSDI≥2 |
III | 中等洪涝 | 2>DWSDI≥1 |
IV | 轻微洪涝 | 1>DWSDI≥0 |
V | 无洪涝风险 | 0>DWSDI |
本发明中,所述的月尺度水储量实测数据是基于GRACE重力卫星得到的,GRACE重力卫星能够有效表征研究区域在气候变化和人类活动联合作用下的水储量变化状况,而研究区域内水储量变化状况则可以进一步反映该区域出现洪涝灾害的概率。因此,通过分析研究区域水储量亏损状况来评估该区域发生洪涝灾害的风险已逐渐成为洪涝灾害风险评估的重要研究方法之一。此外,GRACE重力卫星能够提供全球范围内的月尺度水储量数据,进而可以对大范围区域展开持续有效的水储量监测。然而,由于GRACE重力卫星所提供的水储量原始数据时间分辨率较为粗糙,难以满足现阶段有关洪涝灾害事件风险评估研究的实时监测要求,故需要通过一系列的时间降尺度方法对水储量原始数据进行时间降尺度处理,提高其数据对应的时间分辨率,进而达到对研究区域洪涝灾害风险进行实时分析和评估的研究目的。本发明中水储量时间降尺度方法采用长短期记忆人工神经网络模型LSTM、倒传递人工神经网络模型BP和多元线性回归模型。
本发明具有以下有益效果:
(1)本发明能够满足区域洪涝灾害风险评估的要求,为区域洪涝灾害风险评估提供科学参考和理论支撑;
(2)本发明利用三种不同的预测模型,可以将原始的月尺度水储量实测数据进行时间降尺度处理,有效获取研究区域的日尺度水储量数值序列,更加准确地描述研究区域的洪涝灾害风险;
(3)本发明基于贝叶斯加权平均方法充分发挥各个预测模型的优势,有效弥补单个预测模型的缺陷,并降低了预测模型结构不确定性对预报结果的影响,进一步提高了有关水储量结果的预报精度;
(4)本发明所采用的DWSDI指数能够有效评估区域洪涝灾害风险,同时GRACE重力卫星数据能够为无资料地区或者数据匮乏地区提供可靠的数据支持,显著提高无资料地区的洪涝灾害风险分析研究,对洪涝灾害预防和监测均具有较高的推广应用价值。
附图说明
图1是本发明的方法流程图;
图2是实施案例中步骤(3)和步骤(4)的方法流程图;
图3是基于三种不同预测模型和贝叶斯加权平均法得到的日尺度水储量序列;
图4是某区域洪涝事件主要组成要素图;
图5是某区域在2003-2014年间的DWSDI指数序列及典型洪涝事件。
具体实施方式
下面通过具体实施案例和附图,对本发明的技术方案进行详细说明。如图1所示,将一种基于GRACE日降尺度和新型DWSDI指数的区域洪涝灾害风险评估方法应用于某区域,具体包括以下步骤:
(1)基于水文气象站的统计资料,收集得到某区域2003-2014年间的日降水量、温度、土壤湿度;基于GRACE重力卫星公开数据集,提取该区域2003-2014年间的月尺度水储量实测值。
(2)将日尺度降水量、温度以及土壤湿度进行进一步处理,获得月尺度降水量、温度以及土壤湿度,并将其作为预测模型的输入数据;将月尺度水储量实测值作为预测模型的输出值对比数据。
(3)将输入数据按照60%、20%、20%的比例划分为训练样本数据、验证样本数据和测试样本数据,用于之后预测模型的训练、验证和测试。然后,分别基于LSTM人工神经网络模型、BP人工神经网络模型和多元线性回归模型,模拟该区域的月尺度水储量序列。
(4)基于贝叶斯加权平均方法,将三种不同的预测模型的月尺度水储量结果进行加权处理,并计算不同预测模型所占的权重值;表3显示了基于三种不同预测模型分别得到的水储量模拟值与水储量实测值对比结果及各预测模型对应的贝叶斯权重值,结果表明,BP人工神经网络的模拟效果最好,LSTM人工神经网络的模拟效果次之,多元线性回归模型的模拟效果最差。图2是步骤(3)和步骤(4)的方法流程图。
(5)将日尺度降水量、温度以及土壤湿度作为新的输入数据,并按照60%、20%、20%的比例划分为训练样本数据、验证样本数据和测试样本数据,用于之后预测模型的训练、验证和测试。然后,将日尺度数据分别代入LSTM人工神经网络模型、BP人工神经网络模型和多元线性回归模型,模拟该区域的日尺度水储量序列。同时,结合步骤(4)中不同预测模型对应的贝叶斯权重值,将三种不同的预测模型的日尺度水储量结果进行加权处理,进而获得该区域准确的日尺度水储量序列。图3是基于三种不同预测模型和贝叶斯加权平均法得到的日尺度水储量序列。
(6)基于DWSDI指数的定义和日尺度水储量序列,估算该区域的DWSDI指数,并结合相应等级划分标准对区域洪涝风险进行系统性评估。图4是某区域洪涝事件主要组成要素图。图5显示了研究时间段内的DWSDI指数变化序列以及某区域的典型洪涝事件。表4是2003-2014年间某区域典型的洪涝事件对应起止时间及其持续时间,可以为该区域的洪涝灾害风险评估提供技术支持和科学支撑。
表3基于三种不同预测模型分别得到的水储量模拟值与水储量实测值对比结果及各预测模型对应的贝叶斯权重值。
LSTM人工神经网络 | BP人工神经网络 | 多元线性回归 | |
相关性系数 | 0.89 | 0.92 | 0.82 |
贝叶斯权重值 | 0.34 | 0.45 | 0.21 |
表4 2003-2014年间某区域典型洪涝事件及其时间
此实施例仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
Claims (8)
1.一种基于GRACE日降尺度和新型DWSDI指数的区域洪涝灾害风险评估方法,其特征在于,包括以下步骤:
Step 1:获取研究区域的日尺度水文气象实测数据和月尺度水储量实测数据;其中,所述水文气象实测数据包括降水量、温度和土壤湿度;所述的月尺度水储量实测数据是基于GRACE重力卫星得到的观测数据;将研究区域日尺度水文气象实测数据进行累加得到月尺度水文气象实测数据,并以月尺度降水量、温度和土壤湿度为预测模型输入变量,对研究区域月尺度水储量进行模拟;
Step 2:分别基于不同预测模型来模拟研究区域的月尺度水储量变化序列,然后与月尺度水储量实测数据进行对比,并通过对不同预测模型参数值进行不断修正,以获取不同预测模型模拟月尺度水储量的最佳参数方案;
Step 3:采用贝叶斯加权平均方法对上述所有预测模型分别得到的月尺度水储量结果进行加权处理,计算所有预测模型分别对应的权重参数,依据各个预测模型对应的权重参数对各个预测模型的输出结果进行最优组合;
Step 4:分别将日尺度水文气象实测数据代入所有预测模型中,按照Step 2中确定的最佳参数方案依次求取所有预测模型对应的日尺度水储量序列;并依据Step 3中所求取的所有预测模型对应权重参数,计算研究区域的日尺度水储量集合序列;
Step 5:基于研究区域的日尺度水储量集合序列,分别求取其对应的样本均值和样本标准差值,然后对日尺度水储量序列进行标准化处理,构建该区域对应的日尺度水储量亏损指数DWSDI序列,并根据指数的计算结果对研究区域内的洪涝灾害风险进行系统性评估。
2.如权利要求1所述的一种基于GRACE日降尺度和新型DWSDI指数的区域洪涝灾害风险评估方法,其特征在于,Step 2中所述的预测模型包括长短期记忆人工神经网络模型LSTM、倒传递人工神经网络模型BP和多元线性回归模型。
3.如权利要求2所述的一种基于GRACE日降尺度和新型DWSDI指数的区域洪涝灾害风险评估方法,其特征在于,基于LSTM人工神经网络模型构建水储量预测模型,具体步骤为:
(1)确定研究区域的月尺度降水量、温度和土壤湿度为LSTM人工神经网络模型的输入变量,以月尺度水储量为LSTM人工神经网络模型的输出变量,并按照60%、20%、20%的比例划分为训练数据、验证数据和测试数据;
(2)所述LSTM人工神经网络模型包含1个输入层、3个隐藏层和1个输出层,且该模型的输出层采用identify函数执行回归,隐藏层具有64个神经元;LSTM人工神经网络模型的隐藏层单元采用长短期记忆单元,其输入变量有三个,即当前时刻隐藏层单元的输入量xt、上一时刻隐藏层单元的输出状态ct-1以及上一时刻隐藏层单元的隐藏状态ht-1;输入量xt通过隐藏层单元处理后可以产生两个输出量,即当前时刻隐藏层单元的输出状态ct以及当前时刻隐藏层单元的隐藏状态ht;
(3)在LSTM人工神经网络模型中,通过输入门、输出门、遗忘门以及长短期记忆单元来保留长期信息和摒弃无用信息,具体公式表示如下:
输入门:
it=g(Wxixt+Whiht-1+Wcict-1+bi)
输出门:
ot=g(Wxoxt+Whoht-1+Wcoct-1+bo)
遗忘门:
ft=g(Wxfxt+Whfht-1+Wcfct-1+bf)
单元激活量:
ct=ftct-1+ittanh(Wxcxt+Whcht-1+bc)
隐藏层单元量:
ht=ottanh(ct)
式中,g为Sigmoid逻辑函数变换;Wxi、Whi和Wci分别表示输入特征向量、隐藏层单元量以及单元激活向量与输入门之间的权重矩阵;Wxo、Who、Wco分别表示输入特征向量、隐藏层单元量以及单元激活向量与输出门之间的权重矩阵;Wxf、Whf、Wcf分别表示输入特征向量、隐藏层单元量以及单元激活向量与遗忘门之间的权重矩阵;Wxc和Whc分别表示输入特征向量、隐藏层单元量与单元激活向量之间的权重矩阵;bi、bf、bc和bo分别为输入门、遗忘门、输出门以及单元激活向量的偏差值;tanh为激活函数;
(4)通过训练数据构建LSTM人工神经网络模型,然后通过验证数据和测试数据调整LSTM人工神经网络模型参数,进一步修正模型参数从而对LSTM人工神经网络模型进行优化;当基于LSTM人工神经网络模型得到的水储量模拟值序列与水储量实测值序列之间误差达到最小,即可确定LSTM人工神经网络模型的最佳参数方案,并将最终优化后的模型作为LSTM人工神经网络水储量预测模型。
4.如权利要求2所述的一种基于GRACE日降尺度和新型DWSDI指数的区域洪涝灾害风险评估方法,其特征在于,基于BP人工神经网络模型构建水储量预测模型,具体步骤为:
(1)确定研究区域的月尺度降水量、温度和土壤湿度为BP人工神经网络模型的输入变量,以月尺度水储量为BP人工神经网络模型的输出变量,并按照60%、20%、20%的比例划分为训练数据、验证数据和测试数据;
(2)所述BP人工神经网络模型采用1个输入层、1个隐藏层和1个输出层的3层结构,隐藏层具有5个神经元,且神经元激活函数采用Sigmoid函数:
其中,f(x)为隐藏层神经元对应的激活函数,x为Sigmoid函数的输入变量,a为拟合参数;
将输入变量代入BP人工神经网络模型的输入层,经过加权组合处理后传递至隐藏层,然后经隐藏层神经元激活函数处理后传递至输出层神经元,最后由输出层确定水储量模拟值序列;其中,隐藏层的神经元个数通过试错法进行确定;
在BP人工神经网络模型中,第n-1层神经元输出值与第n层神经元输入值之间存在非线性关系,可以表示为:
式中,为第n层第j个神经元输入值,为第n-1层第i个神经元对第n层第j个神经元的权重值;为第n-1层第i个神经元输出值;为第n层第j个神经元的偏差值;K为第n层神经元对应的总个数;为第n层第j个神经元输出值;f为第n层神经元对应的激活函数;
(3)BP人工神经网络模型输出层所得到的水储量模拟值序列与水储量实测值之间存在误差,基于最陡坡降法优化BP人工神经网络模型,并通过调整各层神经元个数和各层神经元之间的加权值使得上述误差达到最小,即可确定BP人工神经网络模型的最佳参数方案,并将优化后的模型作为BP人工神经网络水储量预测模型。
5.如权利要求2所述的一种基于GRACE日降尺度和新型DWSDI指数的区域洪涝灾害风险评估方法,其特征在于,基于多元线性回归模型构建水储量预测模型,具体步骤为:
(1)确定研究区域的月尺度降水量、温度和土壤湿度为多元线性回归模型的输入变量,以月尺度水储量为多元线性回归模型的输出变量,并按照60%、20%、20%的比例划分为训练数据、验证数据和测试数据;
(2)基于多元线性回归模型建立输入变量与输出变量之间的拟合关系,采用的多元线性回归模型包含3个自变量和4个拟合参数,表示为:
(3)基于最小二乘法优化多元线性回归模型,通过修正多元线性回归模型的拟合参数,使得基于多元线性回归模型得到的水储量模拟值序列与水储量实测值序列之间的误差达到最小,即可确定多元线性回归模型的最佳参数方案。
8.如权利要求1所述的一种基于GRACE日降尺度和新型DWSDI指数的区域洪涝灾害风险评估方法,其特征在于,所述Step 5具体包括以下步骤:
(1)基于不同预测模型集合估算的研究区域日尺度水储量序列,分别求取其对应的样本均值和样本标准差,然后对日尺度水储量序列进行标准化处理,构建该区域对应的日尺度水储量亏损指数DWSDI序列,DWSDI指数表示为:
式中:DWSDIi为第i天的日尺度水储量亏损指数;DWSDi为第i天的日尺度水储量;μ为研究时间段内日尺度水储量序列的样本均值;σ为研究时间段内日尺度水储量序列的样本标准差;其中,DWSDI数值结果越大,则表示该区域发生洪涝风险的可能性越大;
(2)基于研究区域DWSDI指数的估算结果,对研究区域的洪涝风险进行评估,具体划分标准参考表1;
表1 基于日尺度DWSDI结果的区域洪涝风险评估等级划分标准
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110692122.1A CN113487069B (zh) | 2021-06-22 | 2021-06-22 | 一种基于grace日降尺度和新型dwsdi指数的区域洪涝灾害风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110692122.1A CN113487069B (zh) | 2021-06-22 | 2021-06-22 | 一种基于grace日降尺度和新型dwsdi指数的区域洪涝灾害风险评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113487069A true CN113487069A (zh) | 2021-10-08 |
CN113487069B CN113487069B (zh) | 2022-10-11 |
Family
ID=77935759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110692122.1A Active CN113487069B (zh) | 2021-06-22 | 2021-06-22 | 一种基于grace日降尺度和新型dwsdi指数的区域洪涝灾害风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487069B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116090839A (zh) * | 2023-04-07 | 2023-05-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 水资源耦合系统多重风险分析与评估方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170176640A1 (en) * | 2014-03-28 | 2017-06-22 | Northeastern University | System for Multivariate Climate Change Forecasting With Uncertainty Quantification |
CN109035105A (zh) * | 2018-06-15 | 2018-12-18 | 河海大学 | 一种月尺度蒸散发量的定量估算方法 |
CN109376913A (zh) * | 2018-09-30 | 2019-02-22 | 北京市天元网络技术股份有限公司 | 降水量的预测方法及装置 |
CN112785031A (zh) * | 2020-11-30 | 2021-05-11 | 中国空间技术研究院 | 基于总水储量亏损指数原理提高干旱监测时空准确性方法 |
CN112785043A (zh) * | 2020-12-31 | 2021-05-11 | 河海大学 | 一种基于时序注意力机制的洪水预报方法 |
CN112836937A (zh) * | 2021-01-11 | 2021-05-25 | 合肥中科加点智能科技有限公司 | 基于熵权与bp神经网络技术的洪涝灾害损失评估方法 |
-
2021
- 2021-06-22 CN CN202110692122.1A patent/CN113487069B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170176640A1 (en) * | 2014-03-28 | 2017-06-22 | Northeastern University | System for Multivariate Climate Change Forecasting With Uncertainty Quantification |
CN109035105A (zh) * | 2018-06-15 | 2018-12-18 | 河海大学 | 一种月尺度蒸散发量的定量估算方法 |
CN109376913A (zh) * | 2018-09-30 | 2019-02-22 | 北京市天元网络技术股份有限公司 | 降水量的预测方法及装置 |
CN112785031A (zh) * | 2020-11-30 | 2021-05-11 | 中国空间技术研究院 | 基于总水储量亏损指数原理提高干旱监测时空准确性方法 |
CN112785043A (zh) * | 2020-12-31 | 2021-05-11 | 河海大学 | 一种基于时序注意力机制的洪水预报方法 |
CN112836937A (zh) * | 2021-01-11 | 2021-05-25 | 合肥中科加点智能科技有限公司 | 基于熵权与bp神经网络技术的洪涝灾害损失评估方法 |
Non-Patent Citations (3)
Title |
---|
HAITINGGU等: "A surrogate model for the Variable Infiltration Capacity model using deep learning artificial neural network", 《ELSEVIER》 * |
王洁等: "基于GRACE重力卫星云南陆地水储量变化的降尺度分析", 《水电能源科学》 * |
谢京凯: "气候变异和人类活动对黄河流域水储量变化的影响", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116090839A (zh) * | 2023-04-07 | 2023-05-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 水资源耦合系统多重风险分析与评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113487069B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310968B (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
CN111222698B (zh) | 面向物联网的基于长短时记忆网络的积水水位预测方法 | |
CN112949945B (zh) | 一种改进双向长短期记忆网络的风电功率超短期预测方法 | |
CN111639748B (zh) | 一种基于lstm-bp时空组合模型的流域污染物通量预测方法 | |
CN110598315B (zh) | 变化条件下流域非一致性设计洪水的不确定性分析方法 | |
Khadr | Forecasting of meteorological drought using Hidden Markov Model (case study: The upper Blue Nile river basin, Ethiopia) | |
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 | |
CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 | |
CN104008164A (zh) | 基于广义回归神经网络的短期腹泻病多步预测方法 | |
CN102495937A (zh) | 一种基于时间序列的预测方法 | |
CN112734091A (zh) | 一种水库水位模型预测方法 | |
CN115238947A (zh) | 气候变化下旱涝急转事件的社会经济暴露度预估方法 | |
CN114357737B (zh) | 针对大尺度水文模型时变参数的代理优化率定方法 | |
CN114118565A (zh) | 一种基于双向长短时记忆耦合模型的日径流预报方法 | |
CN113487069B (zh) | 一种基于grace日降尺度和新型dwsdi指数的区域洪涝灾害风险评估方法 | |
CN110163419B (zh) | 一种中小河流流域洪水预报的方法 | |
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 | |
Ytoui | Rainfall-runoff modeling at monthly and daily scales using conceptual models and Neuro-fuzzy inference system | |
Kratzert et al. | Using LSTMs for climate change assessment studies on droughts and floods | |
CN114462802A (zh) | 基于气候指数和改进水库指数的非平稳干旱指数构建方法 | |
Gandhi et al. | Combined Standardized Precipitation Index and ANFIS Approach for Predicting Rainfall in the Tropical Savanna Region | |
CN112380778A (zh) | 一种基于海温的气象干旱预报方法 | |
賀斌 et al. | Application of the artificial neural network method to estimate the missing hydrologic data | |
Xu et al. | Improving the real-time probabilistic channel flood forecasting by incorporating the uncertainty of inflow using the particle filter | |
Frost et al. | Comparison of statistical downscaling techniques for multisite daily rainfall conditioned on atmospheric variables for the Sydney region |
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 |