CN114386334B - 一种基于分布式水文径流模拟替代模型的径流滚动预报方法 - Google Patents

一种基于分布式水文径流模拟替代模型的径流滚动预报方法 Download PDF

Info

Publication number
CN114386334B
CN114386334B CN202210060980.9A CN202210060980A CN114386334B CN 114386334 B CN114386334 B CN 114386334B CN 202210060980 A CN202210060980 A CN 202210060980A CN 114386334 B CN114386334 B CN 114386334B
Authority
CN
China
Prior art keywords
runoff
model
distributed hydrological
simulation
distributed
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.)
Active
Application number
CN202210060980.9A
Other languages
English (en)
Other versions
CN114386334A (zh
Inventor
顾海挺
许月萍
凌前江
刘莉
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 University ZJU
Original Assignee
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 University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210060980.9A priority Critical patent/CN114386334B/zh
Publication of CN114386334A publication Critical patent/CN114386334A/zh
Application granted granted Critical
Publication of CN114386334B publication Critical patent/CN114386334B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N3/08—Learning methods
    • 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)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于分布式水文径流模拟替代模型的径流滚动预报方法，包括：(1)对分布式水文模型中的格点按径流特征进行聚类，获取流域的代表单元；(2)基于所确定的流域代表单元的格点径流、分布式水文模型得到的站点模拟径流、以及长短记忆神经网络LSTM构造分布式水文径流模拟替代模型；(3)利用分布式水文径流模拟替代模型对研究区域进行径流滚动预报。本发明方法基于径流特征对流域格点进行分类获得代表单元，并基于LSTM构造替代模型，加速了分布式水文模型的径流模拟速度，显著地缩短了分布式水文模型径流滚动预报所需的时间，极大地节省了分布式水文模型在径流滚动预报时所需的算力。

Description

一种基于分布式水文径流模拟替代模型的径流滚动预报方法
技术领域
本发明属于水文预报领域，涉及一种分布式水文模型的径流预报方法，尤其涉及一种基于分布式水文径流模拟替代模型的径流滚动预报方法。
背景技术
分布式水文模型的研究可以追溯至1969年Freeze和Harlan提出的水文响应模型蓝图，但是由于受到技术条件所限直到1986年才出现了第一个被广泛使用的分布式水文模型欧洲水文系统(SHE)模型。近年来随着计算机科学和3S技术的发展，各种分布式水文模型开始被广泛应用。分布式水文模型具有更为合理的理论依据，更加精细的水文过程模拟，以及与水文气象数据、遥感资料优良的耦合性能，代表了水文模型研究的前进方向。分布式水文模型可以耦合格点气象预报数据，充分利用水文气象数据的空间分布信息，模拟出径流、蒸发、融雪的空间分布情况，在径流预报中具有十分良好的性能。但分布式水文模型计算量大，运行效率低，在实际使用上受到了一定的限制。
径流滚动预报需要不断从连续变化的初始时间延伸去模拟未来一个给定预见长度的径流情况，因此径流滚动预报通常需要进行数千次甚至上万次的模拟以获取其不同初始时间下的预报结果。分布式水文模型的格点计算量很大，单次运行时间较长。采用分布式水文模型进行径流滚动预报时，随着预报期的延伸，模型运行次数也会随之增加；随着预见期的延长，模型模拟时间也会随之增加；这在径流滚动预报的过程中造成了极高的计算代价。
发明内容
为解决现有技术不足，本发明的目的在于提供一种基于分布式水文径流模拟替代模型的径流滚动预报方法，以提高分布式水文模型模拟效率，可以在算力条件较低的情况下高效、准确地对进行径流滚动预报，有效地降低计算代价。
为实现上述目标，一种基于分布式水文径流模拟替代模型的径流滚动预报方法，包括如下步骤：
(1)对分布式水文模型中的格点按径流特征进行聚类，获取流域的代表单元；
(2)基于步骤(1)所确定的流域代表单元的格点径流、分布式水文模型得到的站点模拟径流、以及长短记忆神经网络LSTM构造分布式水文径流模拟替代模型；
(3)利用分布式水文径流模拟替代模型对未来时段进行径流滚动预报。
上述技术方案中，步骤(1)中获取流域代表单元具体为：在流域内，以分布式水文模型划分的格点为基本单元，计算各格点的径流特征向量；将所有格点的径流特征向量作为聚类算法的输入进行聚类，将这些格点分成数个聚类，离每个聚类的欧氏中心最近的格点则为该聚类的代表单元。
进一步的，所述格点的径流特征向量，具体为：
分布式水文模型将研究流域划分成为N个格点，并模拟了各格点的格点径流，采用相关系数评估两个格点的径流序列相似程度，其公式如下所示：
Figure BDA0003478306120000021
其中，Ri和Rj为第i个和第j个格点的径流序列；Cov(*)和Var(*)分别为协方差和方差方程；构造一个特征向量Pi＝[pi1,pi2,…,piN]用以描述第i个格点的径流与其他所有格点径流的相似程度，Pi被称为第i个格点的径流特征向量。
进一步的，步骤(2)中构造分布式水文径流模拟替代模型的方法如下：以步骤(1)所确定的流域代表单元的格点径流序列作为输入，以分布式水文模型得到的出口站点径流序列为输出目标，对LSTM进行训练，率定参数，得到分布式水文径流模拟替代模型。
进一步的，步骤(3)中采用替代模型进行径流滚动预报，具体为：
1)确定替代模型的模拟初始日期t0和预报初始日期t1，以及预报的预见期为d日；替代模型结构如下所示：
yt＝f(xt,xt-1,...,xt-s,yt-1)
式中，yt为t时刻替代模型模拟的站点径流量；xt表示t时刻代表单元格点径流组成的向量；s表示数据窗口大小；f()为替代模型，即LSTM模型；
2)从t0至t1时刻，使用历史气象数据进行驱动，由分布式水文模型得到代表单元的格点径流，输入替代模型进行站点径流模拟；从t1时刻开始向后d日，使用预报气象数据进行驱动，由分布式水文模型得到代表单元的格点径流，输入替代模型进行站点径流模拟，输出t1时刻至t1+d时刻的预报径流结果；
3)设至t1＝t1+1，重复步骤(2)，直至预报期结束。
其中，输入的yt-1有两种形式：若t-1时刻的分布式水文模型模拟的站点径流量是未知的，则yt-1为t-1时刻的替代模型模拟的站点径流量；若t-1时刻的分布式水文模型模拟的站点径流量是已知的，则yt-1为t-1时刻的分布式水文模型模拟站点径流量。
本发明中所述的分布式水文模型可以为任意一种现有的分布式水文模型。
进一步的，所述的聚类算法优选采用SOM、K-means联合聚类。
通过采用上述技术手段，本发明的有益效果为：
(1)采用替代模型方法预报的径流结果与分布式水文模型直接预报的结果基本一致；
(2)在预报精度没有明显下降的情况下，替代模型方法的预报效率得到了大幅度提升，可以极大地节省计算机算力；
(3)替代模型方法可以保留分布式水文模型的空间分布信息。
附图说明
图1为本发明的替代模型构造流程示意图。
图2为研究区域代表单元及各聚类分布图。
图3为本发明的替代模型径流滚动预报框架示意图。
图4为A站历史数据驱动下测试期替代模型、分布式水文模型径流模拟结果对比。
图5为A站不同预见期下替代模型预报精度变化情况。
图6为替代模型滚动预报累积时间曲线。
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。
本发明的基于分布式水文径流模拟替代模型的径流滚动预报方法，包含如下：
(1)利用SKC算法对分布式水文模型中的格点按径流特征进行聚类，获取流域的代表单元，基于所确定的流域代表单元的格点径流、分布式水文模型得到的站点模拟径流、以及长短记忆神经网络LSTM构造分布式水文径流模拟替代模型；
(2)利用分布式水文径流模拟替代模型对未来时段进行径流滚动预报。
上述技术方案中，步骤(1)构建替代模型的具体过程为：
1)数据准备。运行率定完成的分布式水文模型并保存每个格点的产流数据以及出口站点的汇流结果。
2)水文分区。这一步骤主要用于获取流域的代表单元。代表单元的径流可以代表同一分区内的所有单元(格点)的径流特征。分布式水文模型计算时，已将流域划分为N个格点。在数据准备阶段，每一个格点中径流也已经计算完成。本发明采用相关系数评估两个格点的径流序列相似程度，其公式如下所示：
Figure BDA0003478306120000041
其中，Ri和Rj为第i个和第j个格点的径流序列；Cov(*)和Var(*)分别为协方差和方差方程。当i和j相等时，公式计算结果为1，即径流序列完全一致。
通过相关系数可构造一个特征向量Pi＝[pi1,pi2,…,piN]用以描述第i个格点的径流与其他所有格点径流的相似程度。将这样的N个特征向量作为SKC算法的输入，则可将该网格化的流域划分成数个子流域，离每个聚类的欧氏中心最近的格点则为该聚类(子流域)的代表单元。
3)模型替代。通过步骤2)确定了研究区域内n个代表单元。在训练阶段，以这些代表单元的径流序列为输入，以出口站点径流序列为输出目标，采用Adam算法对LSTM进行训练，训练完成的LSTM模型，将用于代替分布式水文模型模拟测试期的径流。在使用LSTM模型模拟出口站点径流时，数据采用滑动窗口的方式输入。
上述技术方案中，步骤(2)使用替代模型进行滚动预报的具体过程为：
(1)确定替代模型模拟初始日期t0和预报初始日期t1，预报的预见期为d日；
(2)在模拟初始日期和预报初始日期之间，模型使用历史气象数据作为气象驱动；径流预报期则使用气象预报数据作为气象驱动，即：t0至t1时刻，分布式水文模型使用历史气象数据获得代表单元的径流输入替代模型进行径流模拟；从t1时刻开始向后d日，分布式水文模型使用预报气象数据获得代表单元的径流输入替代模型进行模拟，输出t1时刻至t1+d时刻的预报径流结果。
(3)设至t1＝t1+1，重复步骤(2)，直至预报期结束。
当使用替代模型进行某时刻径流预报时，若前一时刻分布式水文模型的站点模拟径流量未知，则使用前一时刻的替代模型模拟的站点径流量进行替代。
其中SKC算法为SOM、K-means两阶段联合聚类，具体为：
(1)随机设置特征向量矩阵M＝[m1,m2,m3,…,mk]，其中mi是一个n维向量，表示输出层神经元的特征。
(2)计算输入层特征向量xj到输出层特征向量mi的距离。其中距离xj最近的输出层神经元被称为最佳匹配单元(BMU)。
(3)使用公式升级BMU及其相邻神经元。
mi＝mi+α×hci(xj-mi)
其中α为学习速率；hci为邻域核函数，可选用高斯函数。
(4)重复步骤(2)和(4)，计算并升级所有输入向量的BMU，直到迭代次数达到设定值并输出BMU。
(5)选择k个点作为初始质心，k值可通过试错法确定，即当Davies-Bouldin指数达到最小时的k值。
(6)将步骤(4)所得的BMU划分至派到最近的质心，重新计算质心，重复迭代至质心不发生变化，输出聚类结果。
LSTM算法具体为：
(1)输入上一时刻的状态信息，LSTM计算单元接收输入信息。LSTM每个计算单元里通过三个门输入门、遗忘门和输出门对单元状态和隐藏状态进行记忆和升级。在t时刻的单元状态c(t)和隐藏状态h(t)可以表示如下：
c(t)＝g(t)⊙i(t)+c(t-1)⊙f(t)
h(t)＝σc(c(t))⊙o(t)
其中，σc是状态激活方程；☉为点乘；i(t)、f(t)、g(t)和o(t)分别为输入门、遗忘门、候选单元及输出门，其具体表达式如下所示：
输入门i(t)＝σg(wix(t)+rih(t-1)+bi)
遗忘门f(t)＝σg(wfx(t)+rfh(t-1)+bf)
候选单元g(t)＝σc(wgx(t)+rgh(t-1)+bg)
输出门o(t)＝σg(wox(t)+roh(t-1)+bo)
其中，σg是门激活方程；wi、wf、wg和wo为输入变量的权重；ri、rf、rg和ro为输出变量的权重；bi、bf、bg和bo为修正偏差。
(2)通过遗忘门决定需要被遗忘的状态信息。
(3)更新状态信息，首先使用输入门确定旧单元状态中需要被更新的部分并对其进行更新，然后通过候选单元为新单元状态增加新信息。
(4)通过输出门更新并输出单元状态和隐藏状态，进入下一时刻。
用于确定SKC算法聚类数指标Davies-Bouldin指数，公式如下所示：
Figure BDA0003478306120000051
其中ΔSk和ΔSl为分散度，表示同一类数据内每个点到该类数据质心的平均距离；而δ(Sk,Sl)则为两类数据质心间的欧氏距离。
如图1所示为替代模型构造流程示意图，该实例中分布式水文模型使用VIC模型(Variable Infiltration Capacity Macroscale Hydrologic Model)。VIC模型是一种大尺度分布式水文模型，由华盛顿大学、加利福尼亚大学伯克利分校以及普林斯顿大学共同开发。VIC模型将流域划分为网格形式，在网格内以水量平衡和能量平衡的原理进行水文模拟，具有较好的模拟性能。
将某流域A站以上流域划分为0.25°×0.25°格点，共计322个格点。结合SRTM3数字地形高程模型、WESTDC系列土地覆盖数据产品、HWSD世界土壤数据库等地理信息，中国逐日网格降水量分析数据(CGDPA)，该流域及周围的25个气象站点、辐射、湿度、气压、温度等气象数据，建立VIC模型。使用2000年至2010年作为替代模型的训练期，2011年至2015年作为替代模型的测试期(预报期)。使用历史气象数据驱动，计算训练期和测试期各格点径流及A站模拟径流。计算训练期各格点径流特征向量，采用SKC算法将这些格点划分为6个聚类，从中得到6个代表单元，图2为研究区域代表单元及各聚类分布图。
将训练期代表单元径流作为输入，训练期A站径流作为目标，数据窗口为7天，使用Adam算法对LSTM进行训练，其中训练的最大代数为250，构造VIC模型径流模拟替代模型。将构造完成的替代模型进行径流滚动预报，其中模拟初始日期为2011年4月1日，而预报初始日期随着预报滚动向后延伸直至2015年3月31日，其中CFSv2降雨和气温预报数据作为预报期模型驱动数据，每个初始预报时间的预见期设为278天。替代模型结构如下所示：
yt＝f(xt,xt-1,...,xt-7,yt-1)
式中，yt为t时刻替代模型模拟径流量；xt表示t时刻代表单元格点径流组成的向量；f()为替代模型，即LSTM模型。在实际应用时，通常输入的yt-1有两种形式：若t-1时刻的VIC模型模拟径流量是未知的，则yt-1为t-1时刻的替代模型模拟径流量；若t-1时刻的VIC模型模拟径流量是已知的，则yt-1为t-1时刻的VIC模型模拟径流量。
图3为替代模型径流滚动预报框架示意图，模拟初始日期即2011年4月1日，而预报初始日期随着预报滚动向后延伸直至2015年3月31日，蓝色线段则表示每一个预报初始日期均向后预报278天径流情况。在模拟初始日期和预报初始日期之间(灰色线段)，模型使用历史气象数据进行径流模拟；径流预报期(蓝色线段)则需使用CFSv2预报数据作为气象驱动。当使用替代模型进行径流预报时，在模拟初始日期和预报初始日期之间可以使用历史气象数据驱动的VIC模型模拟径流量作为输入；但在径流预报期，由于VIC模型模拟径流量是未知的，只能使用前一时刻的替代模型模拟径流量作为输入。
在测试中，VIC模型和替代模型均使用单核运行在搭载有Intel i5-8500 CPU的Ubuntu16.04系统上。如图4所示为历史数据驱动下，以实测径流为基准，替代模型与VIC模型的径流模拟结果比较；如图5所示为以VIC模型滚动预报结果为基准，不同预见期下替代模型预报精度变化情况。
VIC模型滚动预报平均运行一次VIC模型所需时间约为1102s，滚动预报所需时间为447h。替代模型滚动预报所需要的时间主要由4部分组成，模型训练数据的生成、模型训练、代表单元径流生成、模型预测。其中替代模型训练期为2000年1月至2011年3月，由于替代模型进行径流预测时将VIC模型模拟径流作为输入，因此不仅需要2000年1月至2011年3月的VIC模型模拟径流，还需要2011年4月至2015年12月的模拟径流，另外VIC模型还需要额外1年的预热期，所以在模型训练数据生成时VIC模型模拟径流长度达17年，模拟时长约为2.4h；替代模型训练所需时间为0.2h；代表单元径流模拟的长度与VIC模型滚动预报时径流模拟长度一致，平均模拟一次共计6个代表单元的格点径流所需时间约为22.4s，代表单元格点径流生成共需时间9.1h。替代模型滚动预报累积时间曲线如图6所示；从图中可以发现随着预报初始日期的推移径流累积时间符合二次函数，这是由于预报初始日期越靠后，替代模型模拟径流步长越长，因此单次模拟所需时间也随之增加，在本章中替代模型径流模拟消耗时间为0.9h。综上所述，替代模型滚动预报所需时间为12.6h，其中72％的时间用于产生代表单元格点径流；在预报精度和可靠性基本一致的情况下，比VIC模型节约了97％的计算量。
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。本发明中对待格点径流序列相似程度也可根据不同的研究问题具体制定。对于本领域的研究者来说，本发明可以有各种更改和变化。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)

1.一种基于分布式水文径流模拟替代模型的径流滚动预报方法，其特征在于，包含以下步骤：
(1)对分布式水文模型中的格点按径流特征进行聚类，获取流域的代表单元；所述的聚类算法采用SOM、K-means联合聚类；
(2)基于步骤(1)所确定的流域代表单元的格点径流、分布式水文模型得到的站点模拟径流、以及长短记忆神经网络LSTM构造分布式水文径流模拟替代模型；
(3)利用分布式水文径流模拟替代模型对未来时段进行径流滚动预报；
步骤(1)中获取流域代表单元具体为：在流域内，以分布式水文模型划分的格点为基本单元，计算各格点的径流特征向量；将所有格点的径流特征向量作为聚类算法的输入进行聚类，将这些格点分成数个聚类，离每个聚类的欧氏中心最近的格点则为该聚类的代表单元。
2.根据权利要求1所述的基于分布式水文径流模拟替代模型的径流滚动预报方法，其特征在于，所述格点的径流特征向量，具体为：
分布式水文模型将研究流域划分成为N个格点，并模拟了各格点的格点径流，采用相关系数评估两个格点的径流序列相似程度，其公式如下所示：
Figure FDA0003773798250000011
其中，Ri和Rj为第i个和第j个格点的径流序列；Cov(*)和Var(*)分别为协方差和方差方程；构造一个特征向量Pi＝[pi1,pi2,…,piN]用以描述第i个格点的径流与其他所有格点径流的相似程度，Pi被称为第i个格点的径流特征向量。
3.根据权利要求1所述的基于分布式水文径流模拟替代模型的径流滚动预报方法，其特征在于，步骤(2)中构造分布式水文径流模拟替代模型的方法如下：以步骤(1)所确定的流域代表单元的格点径流序列作为输入，以分布式水文模型得到的出口站点径流序列为输出目标，对LSTM进行训练，率定参数，得到分布式水文径流模拟替代模型。
4.根据权利要求1所述的基于分布式水文径流模拟替代模型的径流滚动预报方法，其特征在于，步骤(3)中采用替代模型进行径流滚动预报，具体为：
1)确定替代模型的模拟初始日期t0和预报初始日期t1，以及预报的预见期为d日；替代模型结构如下所示：
yt＝f(xt,xt-1,...,xt-s,yt-1)
式中，yt为t时刻替代模型模拟的站点径流量；xt表示t时刻代表单元格点径流组成的向量；s表示数据窗口大小；f()为替代模型，即LSTM模型；
2)从t0至t1时刻，使用历史气象数据进行驱动，由分布式水文模型得到代表单元的格点径流，输入替代模型进行站点径流模拟；从t1时刻开始向后d日，使用预报气象数据进行驱动，由分布式水文模型得到代表单元的格点径流，输入替代模型进行站点径流模拟，输出t1时刻至t1+d时刻的预报径流结果；
3)设至t1＝t1+1，重复步骤(2)，直至预报期结束。
5.根据权利要求4所述的基于分布式水文径流模拟替代模型的径流滚动预报方法，其特征在于，输入的yt-1有两种形式：若t-1时刻的分布式水文模型模拟的站点径流量是未知的，则yt-1为t-1时刻的替代模型模拟的站点径流量；若t-1时刻的分布式水文模型模拟的站点径流量是已知的，则yt-1为t-1时刻的分布式水文模型模拟站点径流量。
6.根据权利要求1-5任一项所述的基于分布式水文径流模拟替代模型的径流滚动预报方法，其特征在于，所述的分布式水文模型为任意一种分布式水文模型。
CN202210060980.9A 2022-01-19 2022-01-19 一种基于分布式水文径流模拟替代模型的径流滚动预报方法 Active CN114386334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210060980.9A CN114386334B (zh) 2022-01-19 2022-01-19 一种基于分布式水文径流模拟替代模型的径流滚动预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210060980.9A CN114386334B (zh) 2022-01-19 2022-01-19 一种基于分布式水文径流模拟替代模型的径流滚动预报方法

Publications (2)

Publication Number Publication Date
CN114386334A CN114386334A (zh) 2022-04-22
CN114386334B true CN114386334B (zh) 2022-09-13

Family

ID=81204082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210060980.9A Active CN114386334B (zh) 2022-01-19 2022-01-19 一种基于分布式水文径流模拟替代模型的径流滚动预报方法

Country Status (1)

Country Link
CN (1) CN114386334B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113808B (zh) * 2023-07-20 2024-05-10 武汉大学 一种全球气候模式耦合水文模型模拟的处理方法及系统

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107067028B (zh) * 2017-03-16 2021-02-12 华南理工大学 基于分布式聚类的网络流量时间序列预测方法
CN107766694A (zh) * 2017-11-03 2018-03-06 中山大学 基于fcm‑nsga‑ii的水文模型参数估计方法
CN108647425B (zh) * 2018-05-07 2019-05-21 中国水利水电科学研究院 基于粒子群优化的K-means径流丰枯年份预报方法
CN109214072A (zh) * 2018-08-24 2019-01-15 北京师范大学 一种水文模型参数移植方法
CN109919353B (zh) * 2019-01-11 2022-07-05 杭州电子科技大学 一种基于空间相关性的arima模型的分布式光伏预测方法
CN110377686B (zh) * 2019-07-04 2021-09-17 浙江大学 一种基于深度神经网络模型的地址信息特征抽取方法
CN110442937B (zh) * 2019-07-24 2023-01-24 武汉大学 一种融合卫星遥感和机器学习技术的流域水文模拟方法
CN111310968B (zh) * 2019-12-20 2024-02-09 西安电子科技大学 一种基于互信息的lstm神经网络循环水文预报方法
CN212082940U (zh) * 2020-01-03 2020-12-04 刘莉 一种地下水采集装置
CN111859787A (zh) * 2020-07-02 2020-10-30 北京工业大学 基于气象水文预报因子分类和深度学习模型耦合的日径流预报方法
CN112506990B (zh) * 2020-12-03 2022-10-04 河海大学 一种基于时空信息的水文数据异常检测方法
CN113033081A (zh) * 2021-03-10 2021-06-25 中国科学院地理科学与资源研究所 一种基于som-bpnn模型的径流模拟方法及系统
CN113159041B (zh) * 2021-03-15 2022-10-04 成都信息工程大学 一种基于深度学习的急流线提取和识别方法
CN113128055B (zh) * 2021-04-22 2021-10-26 中国水利水电科学研究院 一种基于产流系数的分布式水文模型空间率定方法
CN113344288B (zh) * 2021-06-28 2023-12-01 南京大学 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN113516828B (zh) * 2021-09-15 2022-01-07 深圳市信润富联数字科技有限公司 溺水监测方法、装置、设备与计算机可读存储介质

Also Published As

Publication number Publication date
CN114386334A (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
Liu et al. Random forest solar power forecast based on classification optimization
Zhu et al. Gaussian mixture model coupled recurrent neural networks for wind speed interval forecast
Ahmad et al. Methodological framework for short-and medium-term energy, solar and wind power forecasting with stochastic-based machine learning approach to monetary and energy policy applications
Kannan et al. Prediction of daily rainfall state in a river basin using statistical downscaling from GCM output
Sikorska-Senoner et al. A novel ensemble-based conceptual-data-driven approach for improved streamflow simulations
CN101480143B (zh) 一种预测灌区作物单产量的方法
CN111260136A (zh) 一种基于arima-lstm组合模型的楼宇短期负荷预测方法
CN112288164B (zh) 一种计及空间相关性和修正数值天气预报的风功率组合预测方法
CN108062595B (zh) 基于wrf/cfd/sahde-rvm耦合的复杂地貌区域短时风能预测方法
CN113705877A (zh) 基于深度学习模型的实时月径流预报方法
CN113139329B (zh) 一种基于水文相似性和人工神经网络的新安江模型参数率定方法
Liu et al. Heating load forecasting for combined heat and power plants via strand-based LSTM
Zjavka Numerical weather prediction revisions using the locally trained differential polynomial network
Han et al. Probabilistic flood forecasting using hydrologic uncertainty processor with ensemble weather forecasts
CN116128150B (zh) 一种基于两级优化的光伏智能出力预测方法
CN114386334B (zh) 一种基于分布式水文径流模拟替代模型的径流滚动预报方法
CN115860177A (zh) 基于组合式机器学习模型光伏发电功率预测方法及其应用
Deng et al. Visibility Forecast for Airport Operations by LSTM Neural Network.
Vasanthkumar et al. Improving energy consumption prediction for residential buildings using Modified Wild Horse Optimization with Deep Learning model
CN116526473A (zh) 基于粒子群优化lstm的电热负荷预测方法
Lu et al. Forecasting multi-step ahead monthly reference evapotranspiration using hybrid extreme gradient boosting with grey wolf optimization algorithm
Zhao et al. Exploring interpretable and non-interpretable machine learning models for estimating winter wheat evapotranspiration using particle swarm optimization with limited climatic data
Tian et al. A wind speed prediction system based on new data preprocessing strategy and improved multi-objective optimizer
Han et al. FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting
CN111860974B (zh) 一种基于状态空间和联合分布的干旱多级预测方法

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