CN113836807A - 一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法 - Google Patents

一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法 Download PDF

Info

Publication number
CN113836807A
CN113836807A CN202111128100.9A CN202111128100A CN113836807A CN 113836807 A CN113836807 A CN 113836807A CN 202111128100 A CN202111128100 A CN 202111128100A CN 113836807 A CN113836807 A CN 113836807A
Authority
CN
China
Prior art keywords
forecasting
early warning
river
ecological flow
flow
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
Application number
CN202111128100.9A
Other languages
English (en)
Other versions
CN113836807B (zh
Inventor
陈浩
何锡君
王贝
许月萍
郑超昊
郭玉雪
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.)
Zhejiang Hydrological Management Center
Zhejiang University ZJU
Original Assignee
Zhejiang Hydrological Management Center
Zhejiang University ZJU
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 Zhejiang Hydrological Management Center, Zhejiang University ZJU filed Critical Zhejiang Hydrological Management Center
Priority to CN202111128100.9A priority Critical patent/CN113836807B/zh
Publication of CN113836807A publication Critical patent/CN113836807A/zh
Application granted granted Critical
Publication of CN113836807B publication Critical patent/CN113836807B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2219/00—Indexing scheme relating to application aspects of data processing equipment or methods
    • G06F2219/10—Environmental application, e.g. waste reduction, pollution control, compliance with environmental legislation

Landscapes

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

Abstract

本发明公开了一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法，旨在建立高效的河湖生态流量预报预警模型，提高其预报精度。所述方法包括：1)基于逐月最小流量频率曲线法推算河湖断面生态流量核定值；2)基于河湖生态保护对象提出不同预警等级和阈值；3)基于熵值法确定流域内水文、气象和水利工程调度等数据的特征权重；4)基于长短期记忆神经网络构建河湖生态流量预报预警模型。本发明的有益效果是：能够有效地提高生态流量预报精度，为地区生态流量预警机制提供技术支撑，并能够为流域水资源优化调度决策提供有价值的参考。

Description

一种基于熵值法和长短期记忆神经网络的河湖生态流量预报 预警方法
技术领域
本发明属于生态流域预报预警技术领域，尤其是涉及一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法。
背景技术
河湖中的水资源不仅可以促进社会经济的发展，还可以为有机物和一些生物提供良好地生长环境，维护河流生态健康，改善人类生存环境。然而，由于经济快速发展、人口增长和气候变化，社会对水资源的需求急剧增加，其中生态用水和经济用水的不平衡发展导致河湖基本生态环境的恶化。解决这一问题的关键是合理有序地开发河湖水资源，建立河湖生态流量预报预警机制，使河流生态系统满足生态可持续发展的要求。
近年来，我国各地积极开展河湖生态流量满足状况评价工作，但是对于生态流量的预报预警机制尚缺乏研究，仅仅通过生态流量评价工作无法有效地制定地区生态流量保障管理措施，进一步改善河湖生态环境。同时，对于集水面积较小的流域，生态流量预警阈值之间的数值差距很小，采用传统的物理模型很难达到较高的预报准确性。
发明内容
本发明的目的在于针对现有河湖生态流量预报预警机制研究的不足，提供一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法，通过结合熵值法和人工神经网络模型，提高河湖生态流量预报预警的预报精度，为流域水资源保护监督管理提供参考依据。
为实现上述目标，本发明采用的技术方案如下：
一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法，包含以下步骤：
(1)获取流域断面日尺度流量数据，确定河湖断面的生态流量核定值。具体的，采用逐月最小流量频率曲线法，根据历史逐月平均流量序列，利用P-III型曲线进行统计分析，在95％保证率的情况下，将其最小月平均流量值作为生态流量核定值。
(2)根据流域内水利工程调度能力、生态需水量需求特征及水文特征等因素，拟定对河道内生态流量的达标状态设置预警等级和阈值，将生态基流目标要求值(即步骤1)确定的生态流量核定值)的120％～110％、110％～100％和小于100％分别对应预警等级为蓝色、黄色和红色预警；
(3)获取流域断面日尺度降水、蒸发和水利工程调度数据，采用熵值法计算各个数据的权重值。熵值法是根据各个特征信息量的大小来确定特征权重的客观赋权法，本发明通过该方法来确定流域内水文、气象和水利工程调度等数据的特征权重，为后续模型输入做准备。所述水利工程调度数据包括上游相关水库的出流量等。
(4)基于长短期记忆神经网络(LSTM)模型，将流域断面日尺度降水、蒸发和水利工程调度数据作为模型输入因子，对生态流量进行预报并评估其预报效果。长短期记忆神经网络(LSTM)是由输入层、隐藏层和输出层组成的人工神经网络，其中每个神经单元由遗忘门、输入门和输出门3部分组成，模型结构如图1所示。LSTM相关计算方法如下：
遗忘门：ftt＝σ(Wfxt+Ufht-1+bf)
输入门：it＝σ(Wixt+Uiht-1+bi)
候选细胞：
Figure BDA0003279419410000021
细胞单元：
Figure BDA0003279419410000022
输出门：ot＝σ(Woxt+Uoht-1+bo)
隐藏层：ht＝ottanh⊙ct
其中，Wf，Wi，
Figure BDA0003279419410000023
Wo和Uf，Ui，
Figure BDA0003279419410000024
Uo为模型权重参数；bf，bi，bo为偏移系数；σ为激活函数；tanh为双曲正切函数。
本发明中设置纳什效率系数(NSE)和百分比偏差(Bias％)为模型预报性能评价指标，其中NSE越接近1表示预测效果越好，Bias％越接近0表示预测效果越好。其公式如下所示：
Figure BDA0003279419410000025
Figure BDA0003279419410000026
式中，
Figure BDA0003279419410000027
为日径流观测值；
Figure BDA0003279419410000028
为模型预测值；
Figure BDA0003279419410000029
为观测值的平均值；n为数据总数。
根据《水文情报预报规范(GBT224822-2008)》,当生态流量预警预报结果与实际结果一致时，为合格预报。本发明中将合格预报次数与预报总次数之比的百分数为合格率，表示多次预报总体的精度水平。合格率计算公式如下所示：
Figure BDA0003279419410000031
式中，FR为合格率，n为合格预报次数，m为预报总次数。
通过采用上述手段，本发明的有益效果为：
(1)本发明通过逐月最小流量频率曲线法计算河湖断面生态流量核定值，根据流域内水利工程调度能力、生态需水量需求特征及水文特征等因素，拟定对河道内生态流量的达标状态设置预警等级和阈值，建立合理的河湖生态流量预警机制。
(2)本发明基于熵值法，利用日尺度降雨、蒸发和水利工程调度数据，确定各输入因子的特征权重，为后续预报模型输入做准备。
(3)本发明基于LSTM模型，建立一种新的河湖生态流量预报预警方法，完善河湖生态流量预报预警机制，提高模型的预报精度，为流域水资源保护和监管提供决策依据。
附图说明
图1为本发明的LSTM模型结构图；
图2为本发明的一个流程示意图；
图3为本发明的一个具体实例的逐月最小流量的P-III型频率曲线图；
图4为本发明的一个具体实例的预报模型验证期实测—模拟流量过程线；
具体实施方式
下面通过实例，并结合附图，对本发明的技术方案做进一步详细说明。为了突出本发明的优势，利用本发明建立河湖生态流量预报预警模型，进而提高模型的预报精度。
如图2所示，本发明的一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法，包括如下步骤：
(1)生态流量核定值计算：基于流域内水文站点2011-2019年的实测日流量数据生成月尺度径流流量，通过逐月最小流量频率曲线法计算该流域断面生态流量，得出2011-2019年最枯月流量表，见表1：
表1某流域断面最枯月流量
年份 最枯月流量(m<sup>3</sup>/s) 年份 最枯月流量(m<sup>3</sup>/s)
2011 11.73 2016 19.46
2012 15.51 2017 10.39
2013 12.66 2018 14.19
2014 9.01 2019 8.05
2015 6.41
根据表1流域断面逐年最枯月流量，采用P-III型曲线进行统计分析，结果如图3所示。在95％保证率的情况下，其最枯月平均流量结果为6.21m3/s，该值为某流域断面生态流量核定值。
(2)预警等级和预警阈值设置：根据步骤1计算出的流域生态流量核定值，结合流域内水利工程调度能力、生态需水量需求特征及水文特征等因素，拟定对河道内生态流量的达标状态设置预警等级和阈值，将生态基流目标要求值的120％～110％、110％～100％和小于100％设置蓝色、黄色和红色预警，具体如表2所示：
表2生态流量预警等级信息
预警等级 流量范围
无预警 Q≥7.45m<sup>3</sup>/s
蓝色预警 7.45m<sup>3</sup>/s＞Q≥6.83m<sup>3</sup>/s
黄色预警 6.83m<sup>3</sup>/s＞Q≥6.21m<sup>3</sup>/s
红色预警 Q＜6.21m<sup>3</sup>/s
(3)模型输入因子权重计算：获取流域断面日尺度降水、蒸发和水利工程调度数据，采用熵值法计算各个数据的权重值，计算结果如表3所示。结合该流域的水文特性，上游两座大中型水库对断面生态流量影响较大，因此将两座水库的日出库流量纳入预报模型的输入中。
表3模型各输入因子权重值
输入因子 权重值
降雨(P) 0.43
蒸发(E) 0.08
水库1出库流量(S1) 0.23
水库1出库流量(S2) 0.26
(4)生态流量预警预报模型建立：首先根据步骤3求得的各输入因子的权重值，对LSTM模型的输入因子进行分配。对于权重值最大的降雨选用7个输入因子，分别为：Pt、Pt-1、Pt-2、Pt-3、Pt-4、Pt-5、Pt-6；对于权重值最小的蒸发选用3个输入因子，分别为：Et、Et-1、Et-2；对于权重值居中的两个水库出库流量各选取5个输入因子，分别为：S1t、S1t-1、S1t-2、S1t-3、S1t-4、S2t、S2t-1、S2t-2、S2t-3、S2t-4，其中t的单位为日。LSTM模型的输出因子Qt,Qt为某流域断面生态流量值。预报模型取2011-2017年为训练期，2018-2019年为测试期。
将LSTM模型模拟结果，代入评价指标公式，从数值结果上体现模型的拟合效果，具体计算方程式如下：
Figure BDA0003279419410000051
Figure BDA0003279419410000052
式中，
Figure BDA0003279419410000053
为日径流观测值；
Figure BDA0003279419410000054
为模型预测值；
Figure BDA0003279419410000055
为观测值的平均值；n为数据总数，LSTM型模拟结果分析如表4所示：
表4 LSTM模型模拟效果分析
Figure BDA0003279419410000056
根据我国《水文情报预报规范》规定，确定性系数大于0.90为精度甲等级，本模型验证期纳什效率为0.91，与此同时，百分比偏差(2.55％)符合小于15％的指标，说明本发明方法中LSTM模型的模拟效果很好，可用于该流域断面水文站点的生态流量预报，验证期LSTM模型实测—模拟流量过程线如图4所示。
根据《水文情报预报规范(GBT224822-2008)》,当生态流量预警预报结果与实际结果一致时，为合格预报。合格预报次数与预报总次数之比的百分数为合格率，表示多次预报总体的精度水平。合格率计算公式如下所示：
Figure BDA0003279419410000057
式中，FR为合格率，n为合格预报次数，m为预报总次数。根据预报断面生态流域预警等级信息分别对不同预报等级结果进行验证，对于某流域断面生态流量预警预报合格率均超过90％，说明本发明模型具有较高的预报精度，可用于实际生态流量管理和调度中，具体结果如表5所示：
表5 LSTM模型预报预警合格率分析
预警等级 预报合格率
无预警 98.72％
有预警 100％
蓝色预警 96.67％
黄色预警 91.43％
红色预警 92.31％
以上所述仅对本发明的实例实施而已，并不用于限制本发明，发明中LSTM模型可以根据不同的研究区域进行调正参数和模型训练。凡是在本发明的权利要求限定范围内，所做的任何修改、等同替换、改进等，均应在本发明的保护范围之内。

Claims (6)

1.一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法，其特征在于，包含以下步骤：
1)获取流域断面日尺度流量数据，确定河湖生态流量核定值；
2)依据所确定的河湖生态流量核定值，对河道内生态流量的达标状态设置预警等级和阈值；
3)获取流域断面日尺度降水、蒸发和水利工程调度数据，采用熵值法计算各个数据的权重值；
4)基于长短期记忆神经网络(LSTM)模型，将流域断面日尺度降水、蒸发和水利工程调度数据作为模型输入因子，对河湖断面生态流量进行预报并评估其预报效果。
2.根据权利要求1所述的基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法，其特征在于，步骤1)中采用逐月最小流量频率曲线法，根据历史逐月平均流量序列，利用P-III型曲线进行统计分析，在95％保证率的情况下，其最小月平均流量值作为生态流量核定值。
3.根据权利要求1所述的基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法，其特征在于，步骤2)中将生态流量核定值的120％～110％、110％～100％和小于100％分别对应预警等级为蓝色、黄色和红色预警。
4.根据权利要求1所述的基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法，其特征在于，所述的水利工程调度数据包括上游水库的出流量。
5.根据权利要求1所述的基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法，其特征在于，步骤4)中采用纳什效率系数NSE和百分比偏差Bias％作为模型预报性能的评价指标，其中NSE越接近1表示预测效果越好，Bias％越接近0表示预测效果越好。
6.根据权利要求1所述的基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法，其特征在于，步骤4)中采用合格率评价预测精度，当生态流量预警预报结果与实际结果一致时，则为合格预报；所述合格率为合格预报次数与预报总次数之比。
CN202111128100.9A 2021-09-26 2021-09-26 一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法 Active CN113836807B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111128100.9A CN113836807B (zh) 2021-09-26 2021-09-26 一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111128100.9A CN113836807B (zh) 2021-09-26 2021-09-26 一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法

Publications (2)

Publication Number Publication Date
CN113836807A true CN113836807A (zh) 2021-12-24
CN113836807B CN113836807B (zh) 2024-03-15

Family

ID=78970351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111128100.9A Active CN113836807B (zh) 2021-09-26 2021-09-26 一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法

Country Status (1)

Country Link
CN (1) CN113836807B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117893179A (zh) * 2024-03-18 2024-04-16 四川嘉源生态发展有限责任公司 基于数字孪生的水利电力工程建造管控方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200114506A1 (en) * 2017-12-05 2020-04-16 Google Llc Viewpoint invariant visual servoing of robot end effector using recurrent neural network
CN111830225A (zh) * 2020-07-28 2020-10-27 安徽沃特水务科技有限公司 一种基于智能调度的生态流量监控预警方法
CN112001556A (zh) * 2020-08-27 2020-11-27 华中科技大学 一种基于深度学习模型的水库下游水位预测方法
CN112116147A (zh) * 2020-09-16 2020-12-22 南京大学 一种基于lstm深度学习的河流水温预测方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN113011796A (zh) * 2021-05-06 2021-06-22 北京工商大学 一种基于“层次分析-神经网络”的食用油安全预警方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200114506A1 (en) * 2017-12-05 2020-04-16 Google Llc Viewpoint invariant visual servoing of robot end effector using recurrent neural network
CN111830225A (zh) * 2020-07-28 2020-10-27 安徽沃特水务科技有限公司 一种基于智能调度的生态流量监控预警方法
CN112001556A (zh) * 2020-08-27 2020-11-27 华中科技大学 一种基于深度学习模型的水库下游水位预测方法
CN112116147A (zh) * 2020-09-16 2020-12-22 南京大学 一种基于lstm深度学习的河流水温预测方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN113011796A (zh) * 2021-05-06 2021-06-22 北京工商大学 一种基于“层次分析-神经网络”的食用油安全预警方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117893179A (zh) * 2024-03-18 2024-04-16 四川嘉源生态发展有限责任公司 基于数字孪生的水利电力工程建造管控方法及系统
CN117893179B (zh) * 2024-03-18 2024-05-28 四川嘉源生态发展有限责任公司 基于数字孪生的水利电力工程建造管控方法及系统

Also Published As

Publication number Publication date
CN113836807B (zh) 2024-03-15

Similar Documents

Publication Publication Date Title
CN113379109B (zh) 一种基于预测模型自适应的径流预报方法
Liu et al. Assessing the effects of adaptation measures on optimal water resources allocation under varied water availability conditions
CN106951980B (zh) 一种基于rcp情景的水库群适应性调度方法
Bougadis et al. Short‐term municipal water demand forecasting
Meng et al. HYDROLOGICAL MODELING IN THE MANAS RIVER BASIN USING SOIL AND WATER ASSESSMENT TOOL DRIVEN BY CMADS.
Liu et al. A two-stage method of quantitative flood risk analysis for reservoir real-time operation using ensemble-based hydrologic forecasts
KR20170005553A (ko) 지능형 정보제공을 위한 홍수, 가뭄정보의 평가 및 예측 기법 개발
CN111539597B (zh) 一种网格化的流域社会经济干旱评估方法
Li et al. Analysis of the relationship between soil erosion risk and surplus floodwater during flood season
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
Zareian Optimal water allocation at different levels of climate change to minimize water shortage in arid regions (Case Study: Zayandeh-Rud River Basin, Iran)
CN114819322B (zh) 湖泊入湖流量的预报方法
Yuan et al. Research and application of an intelligent networking model for flood forecasting in the arid mountainous basins
CN116205136A (zh) 基于径流滞后信息的大尺度流域深度学习洪水预报方法
Zhang et al. Projections of the characteristics and probability of spatially concurrent hydrological drought in a cascade reservoirs area under CMIP6
Kim et al. Application of AI-based models for flood water level forecasting and flood risk classification
CN113836807B (zh) 一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法
Wang et al. A statistical hydrological model for Yangtze river watershed based on stepwise cluster analysis
CN117348108A (zh) 基于气象大数据的流域气象预报方法及系统
CN115358587A (zh) 区域多部门协同的基础设施规划方法及系统
Dorchies et al. Climate change impacts on water resources and reservoir management in the Seine river basin (France)
Madhushankha et al. Application of HEC-HMS model to estimate daily streamflow in Badddegama Watershed of Gin Ganga Basin Sri Lanka
Dai et al. Ecological flow process evaluation of a hydropower station's dehydration river.
Meng et al. Hidrološko modeliranje u porječju rijeke Manas primjenom alata za procjenu tla i vode pomoću CMADS-a
CN113723704B (zh) 一种基于连续和分级混合数据的水质快速预测方法

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