CN113837450A - 基于深度学习的河网密集流域水情趋势预测方法及其应用 - Google Patents
基于深度学习的河网密集流域水情趋势预测方法及其应用 Download PDFInfo
- Publication number
- CN113837450A CN113837450A CN202111030010.6A CN202111030010A CN113837450A CN 113837450 A CN113837450 A CN 113837450A CN 202111030010 A CN202111030010 A CN 202111030010A CN 113837450 A CN113837450 A CN 113837450A
- Authority
- CN
- China
- Prior art keywords
- data
- water level
- module
- rainfall
- space
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000008859 change Effects 0.000 claims abstract description 16
- 238000009877 rendering Methods 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- IYLGZMTXKJYONK-ACLXAEORSA-N (12s,15r)-15-hydroxy-11,16-dioxo-15,20-dihydrosenecionan-12-yl acetate Chemical compound O1C(=O)[C@](CC)(O)C[C@@H](C)[C@](C)(OC(C)=O)C(=O)OCC2=CCN3[C@H]2[C@H]1CC3 IYLGZMTXKJYONK-ACLXAEORSA-N 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 4
- IYLGZMTXKJYONK-UHFFFAOYSA-N ruwenine Natural products O1C(=O)C(CC)(O)CC(C)C(C)(OC(C)=O)C(=O)OCC2=CCN3C2C1CC3 IYLGZMTXKJYONK-UHFFFAOYSA-N 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000008521 reorganization Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013519 translation 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
- 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
- G06F18/211—Selection of the most significant subset of features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的河网密集流域水情趋势预测方法及其应用,该方法包括下述步骤:收集全流域范围内所有雨量站、河道水位站日尺度的降雨、水位时间序列点数据及各测站的经纬度信息,并进行整编;通过反距离权法及等值面图渲染法将整编后的降雨、水位时间序列点数据转换为时空数据;构建并训练流域高分辨率水位预报模型,分别输入降雨、水位时空数据张量;流域高分辨率水位预报模型包括初步空间特征提取模块、时空特征提取模块、堆叠模块、拼接模块和特征还原模块;模型输出预见期内全流域的水位等值面图,获取流域水情变化趋势。本发明能从历史水文数据中充分挖掘出流域的产汇流机理,可对整个流域的时空水情变化做出精确地预报。
Description
技术领域
本发明涉及全流域的水情趋势预测技术领域,具体涉及一种基于深度学习的河网密集流域水情趋势预测方法及其应用。
背景技术
以往的水文预报研究大都集中在对某一水文测站、特定河道断面或者单一水体的未来水文情况作出定量或定性的预测,无法对某一地区或整个流域作出高分辨率的格点式预报。当流域内河网分布密集,各河道水流往复运动,很难使用某河道一个站点或一个地区的水位过程来衡量整个流域的水势情况,当同时对多个站点建模进行水文预报时,可能出现输入数据复杂以及维数灾害等问题,导致预报精度过低,单独预测每个站点的水情状况,则无法综合考虑各站点之间的水文空间分布的相关性,且极大增强了建模的工作量。
当前全流域水情趋势预测的实现方式主要有两种,一种是二、三维的物理水动力过程模型,另一种是纯数据驱动的模型,即神经网络模型。物理水动力过程模型主要根据各种水动力学方程对流域内的产汇流排水系统进行真实的模拟计算,建模过程繁琐,且计算速度极为迟缓。神经网络模型没有明确的物理建模过程,因此也被称为黑箱模型,由它的建模特性决定了其最大的缺陷在于当流域的下垫面如发生改变,则模型需要重新训练,但流域的下垫面情况很难在短时间内发生重大变化。综上所述,神经网络模型能够屏蔽传统水文水动力模型中错综复杂的物理构造因素,通过对历史气象、水文资料的模拟计算,挖掘出其背后的隐藏的机理,之后即可在最短的时间内计算出从输入到输出的水文模拟结果,是智能化时代水文学发展之趋势。
发明内容
为了克服现有技术存在的缺陷与不足,本发明提供一种基于深度学习的河网密集流域水情趋势预测方法,针对流域高分辨率水文预报问题进行建模分析,利用深度神经网络构建时空数据挖掘模型,使模型能够从历史水文数据中充分挖掘出流域的产汇流机理,适用河网密集的流域,可对整个流域的时空水情变化做出精确地预报。
本发明的第二目的在于提供一种基于深度学习的河网密集流域水情趋势预测系统。
本发明的第三目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
为了达到上述目的,本发明采用以下技术方案:
本发明提供一种基于深度学习的河网密集流域水情趋势预测方法,包括下述步骤:
收集全流域范围内所有雨量站、河道水位站日尺度的降雨、水位时间序列点数据以及各测站的经纬度信息,并对原始数据进行整编;
通过反距离权法以及等值面图渲染法将整编后的降雨、水位时间序列点数据转换为时空数据;
构建并训练流域高分辨率水位预报模型,分别输入降雨、水位时空数据张量;
所述流域高分辨率水位预报模型包括初步空间特征提取模块、时空特征提取模块、堆叠模块、拼接模块和特征还原模块;
所述初步空间特征提取模块将输入的降雨、水位时空数据张量进行初步空间特征提取;
所述时空特征提取模块通过ConvGRU网络对初步空间特征提取后的数据进行时空特征提取;
所述堆叠模块堆叠初步空间特征提取模块和时空特征提取模块;
所述拼接模块将降雨、水位时空数据经堆叠模块的输出数据进行拼接;
所述特征还原模块将拼接后的数据采用两层堆叠的特征还原算法进行特征还原,得到模型的预测输出,输出预见期内全流域的水位等值面图,获取流域水情变化趋势。
作为优选的技术方案,所述对原始数据进行整编,在数据的整编过程中,将每日的降雨、水位数据分别保存到一个txt文件中,并以相应的日期命名,每个txt文件包括当日全流域所有水位测站、雨量测站的水位或者降雨数据,以及各测站对应的经纬度信息且各测站的数据按照行排列。
作为优选的技术方案,所述通过反距离权法以及等值面图渲染法将整编后的降雨、水位时间序列点数据转换为时空数据,具体步骤包括:
通过反距离权重法将流域内各测站的点数据插值为网格数据,计算要插值格点到各测站点的距离,再计算各个测站点的权重,插值格点值为各测站点的权重与特征值乘积的累加,计算公式表示为:
其中,di为第i个测站到插值点的距离,λi为第i个测站的计算权重,Z(xi,yi)为第i个测站的特征值,Z(x0,y0)为插值点插值结果;
根据生成的网格数据创建等值线填色图层,等值面栅格数据的不同颜色代表了不同的特征值区间,归一化处理降雨、水位栅格数据,使每个通道上的像素点都收敛到[0,1]之间。
作为优选的技术方案,所述初步空间特征提取模块将输入的降雨、水位时空数据张量进行初步空间特征提取,具体通过CNN网络的图像卷积运算、池化层进行池化、批标准化、激活函数对输入数据进行初步空间特征提取。
作为优选的技术方案,所述特征还原模块将拼接后的数据采用两层堆叠的特征还原算法进行特征还原,具体采用两层ConvTranspose2d反卷积计算、批标准化和sigmoid激活函数进行处理,得到模型的预测输出。
作为优选的技术方案,在模型的训练中,采用MSE均方误差作为损失函数。
为了达到上述第二目的,本发明采用以下技术方案:
一种基于深度学习的河网密集流域水情趋势预测系统,包括:数据收集模块、数据整编模块、数据转换模块、流域高分辨率水位预报模型构建及训练模块和输出模块;
所述数据收集模块用于收集全流域范围内所有雨量站、河道水位站日尺度的降雨、水位时间序列点数据以及各测站的经纬度信息;
所述数据整编模块用于对原始数据进行整编;
所述数据转换模块用于通过反距离权法以及等值面图渲染法将整编后的降雨、水位时间序列点数据转换为时空数据;
所述流域高分辨率水位预报模型构建及训练模块用于构建并训练流域高分辨率水位预报模型,分别输入降雨、水位时空数据张量;
所述流域高分辨率水位预报模型包括初步空间特征提取模块、时空特征提取模块、堆叠模块、拼接模块和特征还原模块;
所述初步空间特征提取模块将输入的降雨、水位时空数据张量进行初步空间特征提取;
所述时空特征提取模块通过ConvGRU网络对初步空间特征提取后的数据进行时空特征提取;
所述堆叠模块堆叠初步空间特征提取模块和时空特征提取模块;
所述拼接模块将降雨、水位时空数据经堆叠模块的输出数据进行拼接;
所述特征还原模块将拼接后的数据采用两层堆叠的特征还原算法进行特征还原,得到模型的预测输出;
所述输出模块用于输出预见期内全流域的水位等值面图,获取流域水情变化趋势。
为了达到上述第三目的,本发明采用以下技术方案:
一种存储介质,存储有程序,所述程序被处理器执行时实现如上述所述基于深度学习的河网密集流域水情趋势预测方法。
为了达到上述第四目的,本发明采用以下技术方案:
一种计算设备,包括处理器和用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现如上述所述基于深度学习的河网密集流域水情趋势预测方法。
本发明与现有技术相比,具有如下优点和有益效果:
(1)本发明不局限于预报单个站点的水情,而是直接以图像的形式输出预见期内整个流域的水情变化趋势,预报的精细化程度提升,能够实现全流域范围内水情的精细化预报,掌控全流域的水情变化趋势;
(2)本发明通过卷积循环神经网络等深度学习算法实现了流域水文、气象资料的全耦合以及流域产汇流机理的深度挖掘,建立了效率高、精度准的流域水情趋势预报模型,可有效的应用于流域的水情趋势预测。
(3)本发明将各水文测站测得的点数据通过反距离权重法以及等值面图法渲染成具有高分辨率的图像数据,并以此作为模型的输入、输出训练数据,实现模型的高分辨率预报,且能够实现全自动化的预报作业,改变了传统的预报产品制作过程,预报结果可以直观的显示出来,极大地便利预报工作人员。
附图说明
图1为本发明基于深度学习的河网密集流域水情趋势预测方法的流程示意图;
图2为本发明流域水位、降雨点数据整编图;
图3为本发明流域水位、降雨点数据渲染为等值面栅格数据示意图;
图4为本发明流域高分辨率水位预报模型网络拓扑图;
图5(a)为本发明真实的水情趋势示意图;
图5(b)为本发明预报的洪水趋势示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
如图1所示,一种基于深度学习的河网密集流域水情趋势预测方法,包括下述步骤:
S1:收集全流域范围内所有雨量站、河道水位站日尺度的降雨、水位时间序列点数据以及各测站的经纬度信息,并对原始数据进行整编,依据时间顺序保存为txt文档;
在本实施例中,为了确保收集到的原始数据的准确定性,采用3σ原则剔除异常值;
如图2所示,在数据的整编过程中,将每日的降雨、水位数据分别保存到一个txt文件中,并以相应的日期命名,即每个txt文件包含当日全流域所有水位测站或者雨量测站的水位或者降雨数据以及各测站对应的经纬度信息且各测站的数据按照行排列;
S2:通过反距离权法以及等值面图渲染法将整编后的降雨、水位时间序列点数据转换为时空数据;
在本实施例中,时空数据具体生成方法如下:通过步骤S1整编的各个txt文件,如图3所示,结合MeteoInfo开源软件,利用JPython脚本将降雨、水位数据自动化的转换为等值面栅格数据,具体步骤包括:
S21:通过反距离权重法将流域内各测站的点数据插值为网格数据,当流域被划分的网格数越多,则每个网格单位代表的实际面积越小,也即精细化程度越高,因此可通过设置网格的分辨率大小来控制预报的精细化程度。反距离权重法首先计算要插值格点到各测站点的距离;再计算各个测站点的权重;插值格点值为各测站点的权重与特征值(降雨量或水位)乘积的累加;
其中,di为第i个测站到插值点的距离,λi为第i个测站的计算权重,Z(xi,yi)为第i个测站的特征值,Z(x0,y0)为插值点插值结果。
S22:基于步骤S21生成的网格数据创建等值线填色图层,等值面栅格数据的不同颜色代表了不同的特征值区间,主要由蓝、黄、红组成,各种颜色越深代表对应的特征值越大,且蓝色数值小于黄色数值小于红色数值。所渲染出的栅格数据由RGB三个通道组成,栅格数据各格点的取值范围为[0,255],归一化处理降雨、水位栅格数据,使每个通道上的像素点都收敛到[0,1]之间;
S3:通过神经网络充分学习降雨、水位时空数据集,进而预测输出预见期内全流域的水位等值面图,获取流域水情变化趋势。
在本实施例中,搭建流域高分辨率水位预报模型的具体方法如下:
S31:根据步骤S22得到了日尺度的降雨、水位等值面栅格数据,依据模型的输入、输出数据结构整编数据。
模型的输入结构为包含两个张量的数组,分别为代表降雨数据的张量以及代表水位数据的张量,每个张量的数据维度为5维,结构为[B,S,C,W,H],其中W,H为等值面栅格数据的分辨率;C代表的是每个栅格数据的通道数,数字化的彩色图像由R、G、B三个色彩通道组成,每个通道的取值范围为0到255,每个格点上三个通道的取值组成了此格点的色彩;S代表时间序列的长度,也即历史数据的追溯时长,由产汇流原理可知,流域径流的变化主要取决于降雨,降雨在产流过程中又具有一定的时间滞后性,滞后期的长度取决于不同的下垫面条件以及降雨大小等诸多因素,产流过后,净雨从流域各处依坡地、河道汇集,是径流时滞性的再次体现,且产流的时滞长与汇流时滞各不相同,汇流时滞一般小于产流时滞,因此,降雨的历史数据的追溯时长应大于水位历史数据的追溯时长;
B表示流域高分辨率水位预报模型一次训练所选取的样本数,即GPU并行计算样本个数。模型输出预见期内流域的水位等值面图,即输出维度为[B,T,C,W,H],T为预见期天数。
在本实施例中,取降雨历史数据的追溯时长为8天,水位历史数据的追溯时长皆取3天,设置B等于4,设置预见期为3天,即模型输出未来三天流域水位等值面图。因此模型的输入数据结构为[[4,8,3,384,320],[4,3,3,384,320]],输出数据维度为[4,3,3,384,320]。
S32:通过步骤S31已经对训练数据进行了整编,输入数据包含降雨、水位两个部分的张量,分别构建两支网络对各张量进行时空特征提取,最后通过concat计算综合降雨、水位的时空特征提取结果得到模型输出。提取降雨、水位时空特征的网络在结构上相同,首先通过CNN网络的图像卷积运算、池化层进行池化、批标准化Batch Normalization、激活函数对输入数据进行初步空间特征提取,再通过ConvGRU网络对经过初步处理的数据进行时空特征提取,再次堆叠上述步骤;降雨、水位栅格数据经过上述网络处理后,得到了各自经过高度时空特征提取的输出,再利用concat计算叠加两部分的输出,并使用两层ConvTranspose2d反卷积计算、批标准化Batch Normalization和sigmoid激活函数进行处理,得到模型的预测输出。
如图4所示,流域高分辨率水位预报模型D由初步空间特征提取模块、时空特征提取模块、特征还原模块拼接而成,模块之间交叉、堆叠。
首先由初步空间特征提取算法分别对降雨时空数据集水位时空数据集进行初步的数据融合,分别得到高层特征映射输出与再分别使用时空特征提取算法分别对降雨、水位的高层特征映射进行数据融合计算,分别得到输出与此时的输出对原始数据的时空属性进行了融合。分别记处理降雨、水位时空数据的以上神经网络模块为与为了增加模型的模型复杂度以充分挖掘出原始数据中的信息,对SR、SZ作进一步的特征提取,分别以SR、SZ为输入,堆叠类似与的网络结构,得到输出与记堆叠模块分别为与由卷积循环神经网络的结构特性可知,与包含了之前所有的输入信息,因此取与在通道维度上的拼接结果CI作为Encoder模块的最终输出,CI即为原始数据经过充分的特征提取得到的高层特征数据。将CI输入到两层堆叠的特征还原算法中,得到模型的预测输出,网络模块记为
在模型的训练中,选取MSE均方误差作为损失函数,其计算式如下:
在本实施例中,原始时空数据经过初步空间特征提取后,使各图像数据映射到了更加抽象、低维的特征中,特征的数量也更加的多样化。在此基础上,需要对数据进行时空特征的提取,这是数据的第二次融合过程。以降雨时空数据高层特征映射集为例,数据集保留了原始降雨时空数据集的时间序列属性,还对各时间节点上的降雨等值面图提取了更加高层次的空间特征,因此需要对数据集作进一步的数据融合,进一步融合数据集的时间属性与空间属性。
本实施例在卷积运算后进行池化,能够有效的增大感受野,增强各像素格点间的空间相互作用,同时在平移不变的基础上降低数据的维度;本实施例激活函数能使输入朝着所预期的数据分布映射到输出,引入激活函数能够显著增强模型的非线性性,激活函数有Sigmoid函数、Tanh函数、ReLU函数及其变种等;
在本实施例中,水位与降雨数据不享有共同卷积运算参数,但同要素间共享参数,保证了同要素提取特征的一致性,权重共享还能有效的减少参数量。在初步空间特征提取中,卷积神经网络中的网络权重值即为模型需通过训练学习确定。
在本实施例中,输入数据经过一系列的特征提取,已经由高分辨率图像数据融合为低分辨率的映射特征,数据的尺寸减少了,数据的特征通道数增多了,针对模型的预测任务是输出流域的水位等值面图,因此模型最后必须实现由特征要素到高分辨率图像映射关系,这与卷积神经网络刚好相反。本实施例使用两层ConvTranspose2d反卷积计算、批标准化Batch Normalization和sigmoid激活函数进行处理,输出图像数据P=(P1,P2,…,Poc),其中oc为输出通道数,一张彩图的通道数为包含RGB的3个通道,如要输出多张图像,可设置通道数为3的倍数,再经过维度变换即可。
模型构建完成后,需要对模型预报输出的准确性作出验证与评估,考虑到模型的输出为预见期内的水位等值面图,可从输出图像与真实图像之间的差异度来衡量预报精度的准确程度。
S33:将总数据集随机划分为两个互斥的集合,其中训练集占总的数据集的80%,测试数据集占20%。选取MSE均方误差作为模型的评估指标,步骤S22中栅格数据经过了归一化处理,而模型在格点上的输出经过sigmoid激活函数后变为[0,1]之间的连续值,因此每个格点的误差取值范围为[0,1],MSE作为模型的评估指标,衡量输出图像所有格点的误差均值,可以看作是整体预报误差的百分比。
模型的测试数据集准确率描述性统计如下表1所示,模型的预测输出与真实图像对比,如图5(a)-图5(b)所示。通过图中可知,太湖流域在这三天中洪水具有涨水的趋势,真实的水情趋势为子图5(a)所示,流域西北、东部区域红黄面积有所扩大,流域河网涨水,预报的洪水趋势如子图5(b)所示,流域西北、东部区域颜色加深,水位上涨,整体预测的洪水变化趋势与真实的洪水消退趋势一致。
表1测试数据集准确率描述性统计表
第一天准确率(%) | 第二天准确率(%) | 第三天准确率(%) | 综合准确率(%) | |
mean | 99.01092 | 98.60422 | 98.28061 | 98.63192 |
std | 0.629281 | 0.839392 | 0.934462 | 0.693896 |
min | 94.15634 | 92.77873 | 92.48254 | 93.66582 |
10% | 98.32034 | 97.54574 | 97.18318 | 97.73138 |
20% | 98.70771 | 98.18064 | 97.77824 | 98.21665 |
30% | 98.90799 | 98.46358 | 98.11572 | 98.47195 |
40% | 99.07594 | 98.66625 | 98.34355 | 98.6446 |
50% | 99.18433 | 98.81818 | 98.51362 | 98.81594 |
60% | 99.27471 | 98.95943 | 98.67254 | 98.9283 |
70% | 99.36205 | 99.07275 | 98.81948 | 99.04091 |
80% | 99.44368 | 99.1899 | 98.97193 | 99.16025 |
90% | 99.5379 | 99.36806 | 99.13272 | 99.29399 |
95% | 99.60576 | 99.44553 | 99.27202 | 99.38366 |
max | 99.78441 | 99.69264 | 99.56689 | 99.68034 |
本发明通过卷积循环神经网络等深度学习算法实现了流域水文、气象资料的全耦合以及流域产汇流机理的深度挖掘,建立了效率高、精度准的流域水情趋势预报模型。预报的精细化程度得到有效提升,能够实现全流域范围内水情的精细化预报,掌控全流域的水情变化趋势。高分辨率预报能够实现全自动化的预报作业,改变了传统的预报产品制作过程,预报结果可以直观的显示出来,极大的便利预报工作人员。最后,本发明还具有经济成本低、智能化程度高、应用性强等优点,可有效的应用于流域的水情趋势预测。
实施例2
本实施例提供一种基于深度学习的河网密集流域水情趋势预测系统,包括:数据收集模块、数据整编模块、数据转换模块、流域高分辨率水位预报模型构建及训练模块和输出模块;
在本实施例中,数据收集模块用于收集全流域范围内所有雨量站、河道水位站日尺度的降雨、水位时间序列点数据以及各测站的经纬度信息;
在本实施例中,数据整编模块用于对原始数据进行整编;
在本实施例中,数据转换模块用于通过反距离权法以及等值面图渲染法将整编后的降雨、水位时间序列点数据转换为时空数据;
在本实施例中,流域高分辨率水位预报模型构建及训练模块用于构建并训练流域高分辨率水位预报模型,分别输入降雨、水位时空数据张量;
在本实施例中,流域高分辨率水位预报模型包括初步空间特征提取模块、时空特征提取模块、堆叠模块、拼接模块和特征还原模块;
在本实施例中,初步空间特征提取模块将输入的降雨、水位时空数据张量进行初步空间特征提取;
在本实施例中,时空特征提取模块通过ConvGRU网络对初步空间特征提取后的数据进行时空特征提取;
在本实施例中,堆叠模块堆叠初步空间特征提取模块和时空特征提取模块;
在本实施例中,拼接模块将降雨、水位时空数据经堆叠模块的输出数据进行拼接;
在本实施例中,特征还原模块将拼接后的数据采用两层堆叠的特征还原算法进行特征还原,得到模型的预测输出;
在本实施例中,输出模块用于输出预见期内全流域的水位等值面图,获取流域水情变化趋势。
实施例3
本实施例提供一种存储介质,存储介质可以是ROM、RAM、磁盘、光盘等各种可以存储程序代码的储存介质,该存储介质存储有一个或多个程序,所述程序被处理器执行时,实现实施例1的基于深度学习的河网密集流域水情趋势预测方法。
实施例4
本实施例提供一种计算设备,所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有显示功能的终端设备,该计算设备包括该计算设备包括处理器和存储器,存储器存储有一个或多个程序,处理器执行存储器存储的程序时,实现实施例1的基于深度学习的河网密集流域水情趋势预测方法。处理器可实施在一个或一个以上专用集成电路(ASIC)、数字信号处理器(DSP)、可编程逻辑装置(PLD)、现场可编辑逻辑门阵列(FPGA)、控制器、微控制器、电子装置、以及其他经设计以执行本发明所描述的功能的电子单元或其组合内。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.一种基于深度学习的河网密集流域水情趋势预测方法,其特征在于,包括下述步骤:
收集全流域范围内所有雨量站、河道水位站日尺度的降雨、水位时间序列点数据以及各测站的经纬度信息,并对原始数据进行整编;
通过反距离权法以及等值面图渲染法将整编后的降雨、水位时间序列点数据转换为时空数据;
构建并训练流域高分辨率水位预报模型,分别输入降雨、水位时空数据张量;
所述流域高分辨率水位预报模型包括初步空间特征提取模块、时空特征提取模块、堆叠模块、拼接模块和特征还原模块;
所述初步空间特征提取模块将输入的降雨、水位时空数据张量进行初步空间特征提取;
所述时空特征提取模块通过ConvGRU网络对初步空间特征提取后的数据进行时空特征提取;
所述堆叠模块堆叠初步空间特征提取模块和时空特征提取模块;
所述拼接模块将降雨、水位时空数据经堆叠模块的输出数据进行拼接;
所述特征还原模块将拼接后的数据采用两层堆叠的特征还原算法进行特征还原,得到模型的预测输出,输出预见期内全流域的水位等值面图,获取流域水情变化趋势。
2.根据权利要求1所述的基于深度学习的河网密集流域水情趋势预测方法,其特征在于,所述对原始数据进行整编,在数据的整编过程中,将每日的降雨、水位数据分别保存到一个txt文件中,并以相应的日期命名,每个txt文件包括当日全流域所有水位测站、雨量测站的水位或者降雨数据,以及各测站对应的经纬度信息且各测站的数据按照行排列。
3.根据权利要求1所述的基于深度学习的河网密集流域水情趋势预测方法,其特征在于,所述通过反距离权法以及等值面图渲染法将整编后的降雨、水位时间序列点数据转换为时空数据,具体步骤包括:
通过反距离权重法将流域内各测站的点数据插值为网格数据,计算要插值格点到各测站点的距离,再计算各个测站点的权重,插值格点值为各测站点的权重与特征值乘积的累加,计算公式表示为:
其中,di为第i个测站到插值点的距离,λi为第i个测站的计算权重,Z(xi,yi)为第i个测站的特征值,Z(x0,y0)为插值点插值结果;
根据生成的网格数据创建等值线填色图层,等值面栅格数据的不同颜色代表了不同的特征值区间,归一化处理降雨、水位栅格数据,使每个通道上的像素点都收敛到[0,1]之间。
4.根据权利要求1所述的基于深度学习的河网密集流域水情趋势预测方法,其特征在于,所述初步空间特征提取模块将输入的降雨、水位时空数据张量进行初步空间特征提取,具体通过CNN网络的图像卷积运算、池化层进行池化、批标准化、激活函数对输入数据进行初步空间特征提取。
5.根据权利要求1所述的基于深度学习的河网密集流域水情趋势预测方法,其特征在于,所述特征还原模块将拼接后的数据采用两层堆叠的特征还原算法进行特征还原,具体采用两层ConvTranspose2d反卷积计算、批标准化和sigmoid激活函数进行处理,得到模型的预测输出。
6.根据权利要求1所述的基于深度学习的河网密集流域水情趋势预测方法,其特征在于,在模型的训练中,采用MSE均方误差作为损失函数。
7.一种基于深度学习的河网密集流域水情趋势预测系统,其特征在于,包括:数据收集模块、数据整编模块、数据转换模块、流域高分辨率水位预报模型构建及训练模块和输出模块;
所述数据收集模块用于收集全流域范围内所有雨量站、河道水位站日尺度的降雨、水位时间序列点数据以及各测站的经纬度信息;
所述数据整编模块用于对原始数据进行整编;
所述数据转换模块用于通过反距离权法以及等值面图渲染法将整编后的降雨、水位时间序列点数据转换为时空数据;
所述流域高分辨率水位预报模型构建及训练模块用于构建并训练流域高分辨率水位预报模型,分别输入降雨、水位时空数据张量;
所述流域高分辨率水位预报模型包括初步空间特征提取模块、时空特征提取模块、堆叠的模块、拼接模块和特征还原模块;
所述初步空间特征提取模块将输入的降雨、水位时空数据张量进行初步空间特征提取;
所述时空特征提取模块通过ConvGRU网络对初步空间特征提取后的数据进行时空特征提取;
所述堆叠模块堆叠初步空间特征提取模块和时空特征提取模块;
所述拼接模块将降雨、水位时空数据经堆叠模块的输出数据进行拼接;
所述特征还原模块将拼接后的数据采用两层堆叠的特征还原算法进行特征还原,得到模型的预测输出;
所述输出模块用于输出预见期内全流域的水位等值面图,获取流域水情变化趋势。
8.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时实现如权利要求1-6任一项所述基于深度学习的河网密集流域水情趋势预测方法。
9.一种计算设备,包括处理器和用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现如权利要求1-6任一项所述基于深度学习的河网密集流域水情趋势预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111030010.6A CN113837450B (zh) | 2021-09-03 | 2021-09-03 | 基于深度学习的河网密集流域水情趋势预测方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111030010.6A CN113837450B (zh) | 2021-09-03 | 2021-09-03 | 基于深度学习的河网密集流域水情趋势预测方法及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113837450A true CN113837450A (zh) | 2021-12-24 |
CN113837450B CN113837450B (zh) | 2022-09-30 |
Family
ID=78962132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111030010.6A Active CN113837450B (zh) | 2021-09-03 | 2021-09-03 | 基于深度学习的河网密集流域水情趋势预测方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837450B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399235A (zh) * | 2022-03-25 | 2022-04-26 | 北京慧图科技(集团)股份有限公司 | 一种基于雨情数据判定灾害风险等级的方法及系统 |
CN114841417A (zh) * | 2022-04-18 | 2022-08-02 | 珠江水利委员会珠江水利科学研究院 | 一种高精度咸潮预报方法、系统和可读存储介质 |
CN114936505A (zh) * | 2022-03-18 | 2022-08-23 | 福州大学 | 一种城市雨水井多点位水深快速预报的方法 |
CN114970315A (zh) * | 2022-04-19 | 2022-08-30 | 河海大学 | 一种基于空间动力特征深度学习的城市积水模拟和快速预测方法 |
CN116523130A (zh) * | 2023-04-28 | 2023-08-01 | 中国长江电力股份有限公司 | 一种基于降雨空间分布的图像相似水情挖掘及预报方法 |
CN114936505B (zh) * | 2022-03-18 | 2024-06-04 | 福州大学 | 一种城市雨水井多点位水深快速预报的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289570A (zh) * | 2011-07-23 | 2011-12-21 | 浙江大学 | 基于降雨-径流-洪水演进计算的洪水预报方法 |
US20190354873A1 (en) * | 2018-02-16 | 2019-11-21 | Lucas Pescarmona | Analysis system and hydrology management for basin rivers |
CN111832810A (zh) * | 2020-06-23 | 2020-10-27 | 西安电子科技大学 | 洪水预报模型、信息处理方法、存储介质、计算机设备 |
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 |
-
2021
- 2021-09-03 CN CN202111030010.6A patent/CN113837450B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289570A (zh) * | 2011-07-23 | 2011-12-21 | 浙江大学 | 基于降雨-径流-洪水演进计算的洪水预报方法 |
US20190354873A1 (en) * | 2018-02-16 | 2019-11-21 | Lucas Pescarmona | Analysis system and hydrology management for basin rivers |
CN111832810A (zh) * | 2020-06-23 | 2020-10-27 | 西安电子科技大学 | 洪水预报模型、信息处理方法、存储介质、计算机设备 |
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 |
Non-Patent Citations (1)
Title |
---|
甘少华 等: "反距离权重插值(IDW)在降水预报检验的试用研究", 《中国重要会议论文全文数据库》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114936505A (zh) * | 2022-03-18 | 2022-08-23 | 福州大学 | 一种城市雨水井多点位水深快速预报的方法 |
CN114936505B (zh) * | 2022-03-18 | 2024-06-04 | 福州大学 | 一种城市雨水井多点位水深快速预报的方法 |
CN114399235A (zh) * | 2022-03-25 | 2022-04-26 | 北京慧图科技(集团)股份有限公司 | 一种基于雨情数据判定灾害风险等级的方法及系统 |
CN114841417A (zh) * | 2022-04-18 | 2022-08-02 | 珠江水利委员会珠江水利科学研究院 | 一种高精度咸潮预报方法、系统和可读存储介质 |
CN114841417B (zh) * | 2022-04-18 | 2022-11-22 | 珠江水利委员会珠江水利科学研究院 | 一种高精度咸潮预报方法、系统和可读存储介质 |
CN114970315A (zh) * | 2022-04-19 | 2022-08-30 | 河海大学 | 一种基于空间动力特征深度学习的城市积水模拟和快速预测方法 |
CN114970315B (zh) * | 2022-04-19 | 2023-08-04 | 河海大学 | 一种基于空间动力特征深度学习的城市积水模拟和快速预测方法 |
CN116523130A (zh) * | 2023-04-28 | 2023-08-01 | 中国长江电力股份有限公司 | 一种基于降雨空间分布的图像相似水情挖掘及预报方法 |
CN116523130B (zh) * | 2023-04-28 | 2024-05-14 | 中国长江电力股份有限公司 | 一种基于降雨空间分布的图像相似水情挖掘及预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113837450B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113837450B (zh) | 基于深度学习的河网密集流域水情趋势预测方法及其应用 | |
CN110738252B (zh) | 空间自相关的机器学习卫星降水数据降尺度方法、系统 | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN105243435B (zh) | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 | |
Hosseiny | A deep learning model for predicting river flood depth and extent | |
Kueppers et al. | Decarbonization pathways of worldwide energy systems–Definition and modeling of archetypes | |
CN110909615B (zh) | 基于多尺度输入混合感知神经网络的目标检测方法 | |
CN112700104B (zh) | 一种基于多模态分类的震区滑坡易发性评价方法 | |
CN111161224A (zh) | 基于深度学习的铸件内部缺陷分级评估系统及方法 | |
CN103559506A (zh) | 一种基于矢量边界的亚像元制图方法 | |
Ling et al. | Learning-based superresolution land cover mapping | |
CN114331842A (zh) | 结合地形特征的dem超分辨率重建方法 | |
CN113902580A (zh) | 一种基于随机森林模型的历史耕地分布重建方法 | |
CN117408173B (zh) | 一种基于机器学习的水文流量整编智能模型构建方法 | |
CN114898216A (zh) | 基于超像素与分水岭的遥感图像深度学习分割方法及系统 | |
CN111199298A (zh) | 基于神经网络的洪水预报方法与系统 | |
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 | |
CN113901348A (zh) | 一种基于数学模型的钉螺分布影响因素识别与预测方法 | |
CN116994071A (zh) | 一种基于自适应光谱残差的多光谱激光雷达点云分类方法 | |
CN112907441A (zh) | 一种基于地下水卫星图像超分辨率的空间降尺度方法 | |
CN115392128B (zh) | 一种利用时空卷积lstm网络模拟流域径流量的方法 | |
CN115952743A (zh) | 耦合随机森林和hasm的多源降水数据协同降尺度方法和系统 | |
CN116861371A (zh) | 一种降水产品精度提升方法、系统、设备、介质及终端 | |
CN114418911A (zh) | 一种对遥感影像统计回归降尺度并提高水体清晰度的方法 | |
CN114818849A (zh) | 基于大数据信息的卷积神经网络和遗传算法的反窃电方法 |
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 |