CN114662310A - 一种基于机器学习的无资料小流域参数区域化的方法及装置 - Google Patents

一种基于机器学习的无资料小流域参数区域化的方法及装置 Download PDF

Info

Publication number
CN114662310A
CN114662310A CN202210283292.9A CN202210283292A CN114662310A CN 114662310 A CN114662310 A CN 114662310A CN 202210283292 A CN202210283292 A CN 202210283292A CN 114662310 A CN114662310 A CN 114662310A
Authority
CN
China
Prior art keywords
watershed
data
target
small
basin
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
CN202210283292.9A
Other languages
English (en)
Other versions
CN114662310B (zh
Inventor
马强
郝思佳
杨学军
李琛亮
杨邦
刘昌军
吕国敏
樊素琪
李婧媛
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.)
Haihe Water Resources Commission Of Ministry Of Water Resources
Hydrological Bureau Of Haihe Water Conservancy Commission Of Ministry Of Water Resources
China Institute of Water Resources and Hydropower Research
Original Assignee
Haihe Water Resources Commission Of Ministry Of Water Resources
Hydrological Bureau Of Haihe Water Conservancy Commission Of Ministry Of Water Resources
China Institute of Water Resources and Hydropower Research
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 Haihe Water Resources Commission Of Ministry Of Water Resources, Hydrological Bureau Of Haihe Water Conservancy Commission Of Ministry Of Water Resources, China Institute of Water Resources and Hydropower Research filed Critical Haihe Water Resources Commission Of Ministry Of Water Resources
Priority to CN202210283292.9A priority Critical patent/CN114662310B/zh
Publication of CN114662310A publication Critical patent/CN114662310A/zh
Application granted granted Critical
Publication of CN114662310B publication Critical patent/CN114662310B/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
    • 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
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及一种基于机器学习的无资料小流域参数区域化的方法及装置，方法包括：以无资料的小流域为目标流域对应数据库中的所有有资料的小流域为目标流域的参证流域，将目标流域与参证流域的基础属性数据做差得到区别属性数据；根据每个区别属性数据得到目标流域相对于对应参证流域的特征数据；将每个特征数据输入为地区构建的小流域参数区域化模型，得到将参证流域的水文模型参数移植到目标流域的纳什系数预测值；根据纳什系数预测值得到与目标流域最相似的参证流域，并将最相似的参证流域的水文模型参数作为目标流域的水文模型参数。本申请确定得到的无资料的小流域流域水文数据相似度更高，参数区域化方案化效果更好。

Description

一种基于机器学习的无资料小流域参数区域化的方法及装置
技术领域
本申请涉及无资料地区水文模拟与洪水预报技术领域，尤其是涉及一种基于机器学习的无资料小流域参数区域化的方法及装置。
背景技术
目前，无资料小流域的参数区域化主要有回归法、插值法和参数移植法。参数移植法认为相似流域之间的参数可以相互移植，相似流域的判别方法主要有距离相似和属性相似，但是两种方法在最优参证流域的选择上不确定性较高。
人工智能机器学习技术是研究流域相似性及探索模型参数可移植规律的有效工具，但是，在针对缺资料山丘区小流域暴雨洪水过程模拟区域化参数移植的应用中，对具体应用范围、使用条件、评价指标仍缺乏相应的理论体系，造成相似流域的判断准确度不高，从而使无资料小流域参数区域化效果较差。
发明内容
为了提高无资料小流域参数区域化效果，本申请提供了一种基于机器学习的无资料小流域参数区域化的方法及装置。
第一方面，本申请提供的一种基于机器学习的无资料小流域参数区域化的方法采用如下的技术方案：
一种基于机器学习的无资料小流域参数区域化的方法，包括：
以无资料的小流域为目标流域，以无资料的小流域所在地区对应数据库中的所有有资料的小流域为所述目标流域的参证流域，将所述目标流域与所述参证流域的基础属性数据做差，得到所述目标流域与对应参证流域的区别属性数据；
根据每个所述区别属性数据得到所述目标流域相对于对应参证流域的特征数据；
将每个所述特征数据依次输入为所述地区构建的小流域参数区域化模型，得到将每个所述参证流域的水文模型参数移植到目标流域的纳什系数预测值；
根据所述纳什系数预测值得到与所述目标流域最相似的所述参证流域，并将最相似的所述参证流域的水文模型参数作为所述目标流域的水文模型参数。
可选的，每个地区的所述小流域参数区域化模型的构建，包括以下步骤：
收集整理不同地区大量有资料小流域的基础属性数据和流域水文数据，构建每个地区有资料小流域的数据库；
在每个地区的数据库中，以每个有资料的小流域为目标流域，数据库中其它有资料的小流域为所述目标流域的参证流域，将所述目标流域基础属性数据与每个所述参证流域的基础属性数据做差，得到所述地区每个目标流域的所有区别属性数据；
根据每个地区每个目标流域的所有所述区别属性数据，计算得到所述地区每个目标流域的所有特征数据，并生成每个地区输入训练样本库的特征数据集；其中，所述特征数据集包括对应地区数据库中每个有资料小流域相对于参证流域的所有特征数据；
根据有资料小流域的流域水文数据对每个地区数据库中的每个有资料小流域用水文模型进行模拟，得到每个有资料小流域的水文模型参数；
在每个地区的数据库中，每个目标流域移植所述参证流域的水文模型参数后通过对应的水文模型进行水文模拟，并计算每次移植后模拟结果的纳什系数值，生成每个地区输入训练样本库的标签数据集；所述标签数据集包括每个地区对应数据库中每个有资料小流域移植其参证流域的水文模型参数后每次模拟结果的纳什系数值；
利用Python程序基于随机森林构建每个地区的小流域参数区域化模型；其中，所述小流域参数区域化模型的输入为目标流域相对于参证流域的特征数据，输出为所述目标流域移植参证流域的水文模型参数后的纳什系数值；
使用每个地区输入训练样本库以交叉验证方式训练对应地区的所述小流域参数区域化模型，得到所述地区具有相似流域判别标准能力的小流域参数区域化模型。
可选的，每个地区的所述小流域参数区域化模型的构建，还包括：使用缺一验证法对训练得到的所述小流域参数区域化模型进行评估验证。
可选的，所述根据每个所述区别属性数据得到所述目标流域相对于对应参证流域的特征数据，包括：
所述目标流域与对应参证流域的子区别属性数据之间的相关性系数；其中，所述目标流域与对应参证流域的区别属性数据包括多个子区别属性数据；
根据所述相关性系数，对所述相关系数大于0.9的子区别属性数据进行合并，得到所述目标流域相对于对应参证流域的特征数据。
可选的，所述在每个地区的数据库中，每个目标流域移植所述参证流域的水文模型参数后通过对应的水文模型进行水文模拟，并计算每次移植后模拟结果的纳什系数值，包括：
对所述目标流域移植参证流域的所述水文模型参数，并使用时空变源混合产流模型进行水文模拟；
针对每次移植后水文模拟的模拟结果，计算所述水文模型参数移植效果的纳什系数。
第二方面，本申请提供一种基于机器学习的无资料小流域参数区域化的装置，采用如下的技术方案：
一种基于机器学习的无资料小流域参数区域化的装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述一种基于机器学习的无资料小流域参数区域化的方法。
综上所述，本申请包括以下至少一种有益技术效果：
（1）本申请训练得到了小流域参数区域化模型，利用小流域参数区域化模型能够得到无资料小流域移植有资料的小流域的水文模型参数后的纳什系数预测值，根据纳什系数预测值的大小确定得到无资料的小流域的参数区域化的最优方案，相似度更高，确定得到的无资料小流域的参数区域化方案化更接近实际情况；
（2）在进行小流域参数区域化模型训练时，针对洪水预报特性，标签数据选定移植效果评定指标纳什系数，使训练得到的小流域参数区域化模型输出结果更符合小流域特性，纳什系数预测值可信度更高。
附图说明
图1是本申请实施例提供的一种基于机器学习的无资料小流域参数区域化的方法的流程图。
图2是本申请实施例提供的一种基于机器学习的无资料小流域参数区域化的装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图1-2及实施例，对本申请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用以解释本申请，并不用于限定本申请。
本申请实施例公开一种基于机器学习的无资料小流域参数区域化的方法。参照图1，该方法包括以下步骤：
步骤S100、根据输入的无资料小流域所属地区调取该地区的有资料小流域的数据库。其中，有资料小流域的数据库包括所属地区大量的有资料小流域以及有资料小流域的基础属性数据和水文模型参数。
步骤S200、以无资料的小流域为目标流域，以调取的数据库中所有有资料小流域为目标流域的参证流域，将目标流域的基础属性数据分别与每个参证流域的基础属性数据做差，得到目标流域与对应参证流域的区别属性数据；本实施例基础属性数据主要分以下五大类：
地形属性，包括但不限于以下小类：流域面积（平方千米）、小流域个数、子流域平均面积（平方千米）、河流长度（千米）、平均海拔（米）、最小海拔（米）、最大海拔（米）、平均坡度（度）、坡度最小十五度的面积比、坡度小于三度的面积比、高程标准差、型心点坐标等；
排水属性，包括但不限于以下小类：河网密度、一级河流百分比（%）、二级河流百分比（%）、三级河流百分比（%）、河流级数等；
土地利用，包括但不限于以下小类：耕地、园地、林地、草地、交通运输用地、水域及水利设施用地、房屋建筑（区）、构筑物、人工堆掘地、其他土地等；
气候属性，包括但不限于以下小类：多年平均降雨量、一小时最大降雨量、二十四小时最大降雨量等；
土壤质地，包括但不限于以下小类：岩石、块石、碎砾石、砂土和壤砂土、砂壤土、壤土、粉壤土、砂粘壤土、粘壤土、粉粘壤土、砂粘土、壤粘土、粉粘土、粘土、重粘土、水域、城镇等。
在本实施例中，将目标流域的基础属性数据分别与每个参证流域的基础属性数据做差为将目标流域与参证流域的基础属性数据相同的每个小类做差，即目标流域的多年平均降雨量与参证流域的多年平均降雨量做差。
相应地，目标流域与每个参证流域的区别属性数据实际上包括多个子区别属性数据；每个子区别属性数据为目标流域与参证流域相同的每个小类的差。
步骤S300、根据每个区别属性数据得到目标流域相对于对应参证流域的特征数据。
步骤S400、将目标流域相对于每个参证流域的特征数据依次输入为该地区构建的小流域参数区域化模型，得到每个参证流域的水文模型参数移植到目标流域后水文模拟效果的纳什系数预测值。
步骤S500、根据所有纳什系数预测值得到与目标流域最相似的参证流域，并将得到的最相似的参证流域的水文模型参数作为目标流域的水文模型参数，实现无资料小流域参数区域化。
纳什系数预测值接近1，表示移植效果好，可信度高；纳什系数预测值接近0，表示移植效果好接近观测值的平均值水平，总体结果可信，但过程模拟误差大；纳什系数预测值远远小于0，则表示植效果好不可信；所以，本申请实施例根据纳什系数预测值得到与所述目标流域最相似的参证流域，实际是在所有参证流域的水文模型参数移植到目标流域后水文模拟效果的纳什系数预测值中，查找纳什系数预测值最接近1的参证流域，作为与目标流域最相似的参证流域，并调取最相似的参证流域的水文模型参数作为目标流域的水文模型参数。如果所有参证流域的水文模型参数移植到目标流域后纳什系数预测值都小于0，则在目前该地区的数据库中无法找到目标流域的参证流域。
本申请实施例，根据无资料小流域的基础属性数据和所属地区已有有资料小流域的基础属性区别，找到相对于每个有资料小流域的特征数据，并将特征数输入训练得到了小流域参数区域化模型中，直接输出有资料小流域水文模型参数移植到无资料小流域后的水文模拟效果的纳什系数预测值；然后根据纳什系数预测值从有资料小流域中找到无资料小流域的最相似小流域，不仅相似流域判定速度快，而且相似度更高，确定得到的无资料小流域的参数区域化方案化更接近实际情况。
在本申请实施例中，为每个地区构建的小流域参数区域化模型是基于随机森林构建的，包括以下步骤：
收集整理不同地区大量有资料小流域的基础属性数据和流域水文数据数，构建每个地区的有资料的小流域的数据库；其中，流域水文数据包括降雨和流量数据等。
在每个地区的数据库中，以每个有资料的小流域为目标流域，数据库中其它有资料的小流域为目标流域的参证流域，将目标流域基础属性数据与每个参证流域的基础属性数据做差，得到地区每个目标流域的所有区别属性数据；即每个地区的数据库中每个有资料小流域都既为目标流域，又为数据库中其它有资料小流域的参证流域。
根据每个地区每个目标流域的所有区别属性数据，计算得到地区每个目标流域的所有特征数据，并生成每个地区输入训练样本库的特征数据集；其中，每个地区的特征数据集包括对应地区数据库中每个有资料小流域（目标流域）相对于所有参证流域的所有特征数据；即特征数据集包括多个特征数据，每个特征数据为目标流域相对于参证流域的特征数据（实际上是目标流域与参证流域区别特征数据）。
根据有资料小流域的流域水文数据对每个地区的数据库中的每个有资料小流域用水文模型（如，时空变源混合产流模型）进行模拟，得到每个有资料小流域的水文模型参数，即对目标流域的参证流域使用时空变源混合产流模型（水文模型）进行水文模型参数率定；水文模型参数包括小流域下垫面产流参数、坡面以及河道汇流参数等。
在每个地区的数据库中，每个目标流域移植它（目标流域）的参证流域的水文模型参数后通过对应的水文模型进行水文模拟，并计算每次移植后模拟结果的纳什系数，生成每个地区输入训练样本库的标签数据集；其中，每个地区的标签数据集包括对应地区数据库中每个有资料小流域（目标流域）移植其（目标流域）参证流域的水文模型参数后每次模拟的纳什系数值，即标签数据集包括多个标签数据，每个标签数据为目标流域移植参证流域的水文模型参数后、利用水文模型进行水文模拟效果的纳什系数值。
利用Python程序基于随机森林构建每个地区的小流域参数区域化模型；其中，每个小流域参数区域化模型的输入为目标流域相对于参证流域的特征数据，输出为目标流域移植参证流域的水文模型参数后的纳什系数值。
使用每个地区的输入训练样本库（包括特征数据集和标签数据集）以交叉验证方式训练每个地区的小流域参数区域化模型，得到具有相似流域判别标准能力的小流域参数区域化模型。
然后使用缺一验证法对训练后的小流域参数区域化模型进行评估验证。
在本实施例中，在进行每个地区的随机森林建模时还会得到每个地区特征重要性排名，调用专家给出的每个地区特征重要性排名对训练得到的每个地区小流域参数区域化模型进行评估，如果通过随机森林建模得到的特征重要性排名与专家给出的对应地区特征重要性排名对比，两者相同将该小流域参数区域化模型应用到该地区无资料小流域的相似流域判定中；否则，调整小流域参数区域化模型训练数据库，重新进行训练，直到小流域参数区域化模型输出的纳什系数预测值符合该地区特征重要性排名。
无论是步骤S300还是在构建小流域参数区域化模型时，根据每个所述区别属性数据得到所述目标流域相对于对应参证流域的特征数据，包括以下步骤：
根据目标流域与对应参证流域的区别属性数据计算区别属性数据包括的子区别属性数据之间的相关性系数；
根据相关性系数，对相关系数大于0.9的两个子区别属性进行合并，实现数据降维，得所述目标流域相对于对应参证流域的特征数据。
本申请实施例在每个地区的数据库中，每个目标流域移植目标流域的参证流域的水文模型参数后通过对应的水文模型进行水文模拟，并计算每次移植后模拟结果的纳什系数，包括：
将参证流域的水文模型参数移植到目标流域，并使用时空变源混合产流模型进行水文模拟；
针对每次移植后水文模拟的模拟结果，计算水文模型参数移植效果的纳什系数。
另外，本申请实施例还公开了一种基于机器学习的无资料小流域参数区域化的装置；具体地，该装置包括：一个或多个处理器和存储器，如图2所示，以一个处理器200及存储器100为例。处理器200和存储器100可以通过总线或者其他方式连接，如以通过总线连接为例。
存储器100作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序，如本申请实施例中的一种基于机器学习的无资料小流域参数区域化的方法。处理器200通过运行存储在存储器100中的非暂态软件程序以及指令，从而实现上述本申请实施例中的一种基于机器学习的无资料小流域参数区域化的方法。
存储器100可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储执行上述实施例中的一种基于机器学习的无资料小流域参数区域化的方法所需的数据等。此外，存储器100可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述实施例中的一种基于机器学习的无资料小流域参数区域化的方法所需的非暂态软件程序以及指令存储在存储器中，当被一个或者多个处理器执行时，执行上述实施例中的一种基于机器学习的无资料小流域参数区域化的方法，例如，执行以上描述的图1中的方法步骤S100至步骤S500。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，本说明书（包括摘要和附图）中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

Claims (6)

1.一种基于机器学习的无资料小流域参数区域化的方法，其特征在于：包括：
以无资料的小流域为目标流域，以无资料的小流域所在地区对应数据库中的所有有资料的小流域为所述目标流域的参证流域，将所述目标流域与所述参证流域的基础属性数据做差，得到所述目标流域与对应参证流域的区别属性数据；
根据每个所述区别属性数据得到所述目标流域相对于对应参证流域的特征数据；
将每个所述特征数据依次输入为所述地区构建的小流域参数区域化模型，得到将每个所述参证流域的水文模型参数移植到目标流域的纳什系数预测值；
根据所述纳什系数预测值得到与所述目标流域最相似的所述参证流域，并将最相似的所述参证流域的水文模型参数作为所述目标流域的水文模型参数。
2.根据权利要求1所述的方法，其特征在于：每个地区的所述小流域参数区域化模型的构建，包括以下步骤：
收集整理不同地区大量有资料小流域的基础属性数据和流域水文数据，构建每个地区有资料小流域的数据库；
在每个地区的数据库中，以每个有资料的小流域为目标流域，数据库中其它有资料的小流域为所述目标流域的参证流域，将所述目标流域基础属性数据与每个所述参证流域的基础属性数据做差，得到所述地区每个目标流域的所有区别属性数据；
根据每个地区每个目标流域的所有所述区别属性数据，计算得到所述地区每个目标流域的所有特征数据，并生成每个地区输入训练样本库的特征数据集；其中，所述特征数据集包括对应地区数据库中每个有资料小流域相对于参证流域的所有特征数据；
根据有资料小流域的流域水文数据对每个地区数据库中的每个有资料小流域用水文模型进行模拟，得到每个有资料小流域的水文模型参数；
在每个地区的数据库中，每个目标流域移植所述参证流域的水文模型参数后通过对应的水文模型进行水文模拟，并计算每次移植后模拟结果的纳什系数值，生成每个地区输入训练样本库的标签数据集；所述标签数据集包括每个地区对应数据库中每个有资料小流域移植其参证流域的水文模型参数后每次模拟结果的纳什系数值；
利用Python程序基于随机森林构建每个地区的小流域参数区域化模型；其中，所述小流域参数区域化模型的输入为目标流域相对于参证流域的特征数据，输出为所述目标流域移植参证流域的水文模型参数后的纳什系数值；
使用每个地区输入训练样本库以交叉验证方式训练对应地区的所述小流域参数区域化模型，得到所述地区具有相似流域判别标准能力的小流域参数区域化模型。
3.根据权利要求2所述的方法，其特征在于，每个地区的所述小流域参数区域化模型的构建，还包括：使用缺一验证法对训练得到的所述小流域参数区域化模型进行评估验证。
4.根据权利要求1所述的方法，其特征在于，所述根据每个所述区别属性数据得到所述目标流域相对于对应参证流域的特征数据，包括：
所述目标流域与对应参证流域的子区别属性数据之间的相关性系数；其中，所述目标流域与对应参证流域的区别属性数据包括多个子区别属性数据；
根据所述相关性系数，对所述相关系数大于0.9的子区别属性数据进行合并，得到所述目标流域相对于对应参证流域的特征数据。
5.根据权利要求2所述的方法，其特征在于，所述在每个地区的数据库中，每个目标流域移植所述参证流域的水文模型参数后通过对应的水文模型进行水文模拟，并计算每次移植后模拟结果的纳什系数值，包括：
对所述目标流域移植参证流域的所述水文模型参数，并使用时空变源混合产流模型进行水文模拟；
针对每次移植后水文模拟的模拟结果，计算所述水文模型参数移植效果的纳什系数。
6.一种基于机器学习的无资料小流域参数区域化的装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5中任意一项所述一种基于机器学习的无资料小流域参数区域化的方法。
CN202210283292.9A 2022-03-22 2022-03-22 一种基于机器学习的无资料小流域参数区域化的方法及装置 Active CN114662310B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210283292.9A CN114662310B (zh) 2022-03-22 2022-03-22 一种基于机器学习的无资料小流域参数区域化的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210283292.9A CN114662310B (zh) 2022-03-22 2022-03-22 一种基于机器学习的无资料小流域参数区域化的方法及装置

Publications (2)

Publication Number Publication Date
CN114662310A true CN114662310A (zh) 2022-06-24
CN114662310B CN114662310B (zh) 2023-03-03

Family

ID=82031238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210283292.9A Active CN114662310B (zh) 2022-03-22 2022-03-22 一种基于机器学习的无资料小流域参数区域化的方法及装置

Country Status (1)

Country Link
CN (1) CN114662310B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840873A (zh) * 2019-02-02 2019-06-04 中国水利水电科学研究院 一种基于机器学习的无资料地区水文模型参数区域化方法
CN111259522A (zh) * 2020-01-09 2020-06-09 河海大学 一种水文模型在地理空间上多流域并行率定的方法
CN112434441A (zh) * 2020-12-03 2021-03-02 中国水利水电科学研究院 一种水文模型参数区域化方法
WO2022032873A1 (zh) * 2020-08-14 2022-02-17 贵州东方世纪科技股份有限公司 一种基于对抗神经网络的无资料地区水文参数率定方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840873A (zh) * 2019-02-02 2019-06-04 中国水利水电科学研究院 一种基于机器学习的无资料地区水文模型参数区域化方法
CN111259522A (zh) * 2020-01-09 2020-06-09 河海大学 一种水文模型在地理空间上多流域并行率定的方法
WO2022032873A1 (zh) * 2020-08-14 2022-02-17 贵州东方世纪科技股份有限公司 一种基于对抗神经网络的无资料地区水文参数率定方法
CN112434441A (zh) * 2020-12-03 2021-03-02 中国水利水电科学研究院 一种水文模型参数区域化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘昌军等: "中小流域时空变源混合产流模型及参数区域化方法研究", 《中国水利水电科学研究院学报》 *

Also Published As

Publication number Publication date
CN114662310B (zh) 2023-03-03

Similar Documents

Publication Publication Date Title
Heckmann et al. Indices of sediment connectivity: opportunities, challenges and limitations
Sadler et al. Modeling urban coastal flood severity from crowd-sourced flood reports using Poisson regression and Random Forest
Abijith et al. Assessment of land use and land cover change detection and prediction using remote sensing and CA Markov in the northern coastal districts of Tamil Nadu, India
Greve et al. Quantifying the ability of environmental parameters to predict soil texture fractions using regression-tree model with GIS and LIDAR data: The case study of Denmark
Sadeghfam et al. Mapping groundwater potential field using catastrophe fuzzy membership functions and Jenks optimization method: a case study of Maragheh-Bonab plain, Iran
Ahmad et al. Estimation of Clark’s instantaneous unit hydrograph parameters and development of direct surface runoff hydrograph
Ahmad et al. Estimation of a unique pair of Nash model parameters: an optimization approach
CN106780089B (zh) 基于神经网络元胞自动机模型的永久性基本农田划定方法
Tshimanga Hydrological uncertainty analysis and scenario-based streamflow modelling for the Congo River Basin
Greve et al. Using digital elevation models as an environmental predictor for soil clay contents
CN108733952B (zh) 一种基于序贯模拟的土壤含水量空间变异性三维表征方法
Bui et al. Soil surveyor knowledge in digital soil mapping and assessment in Australia
Gideon et al. The application of an expert knowledge‐driven approach for assessing gully erosion susceptibility in the subtropical Nigerian savannah
Huang An effective alternative for predicting coastal floodplain inundation by considering rainfall, storm surge, and downstream topographic characteristics
Torra et al. Assessment of badland susceptibility and its governing factors using a random forest approach. Application to the Upper Llobregat River Basin and Catalonia (Spain)
CN114662310B (zh) 一种基于机器学习的无资料小流域参数区域化的方法及装置
Nurdin et al. Gis-based landslide susceptibility assessment and factor effect analysis by certainty factor in upstream of Jeneberang river, Indonesia
Quan Rainfall Runoff Modeling in the Ungauged Can Le Catchment, Saigon River Basin
Pugin Locating the rock art of the Maloti-Drakensberg: identifying areas of higher likelihood using remote sensing
Siervo et al. Geomorphic analysis and semi-automated landforms extraction in different natural landscapes
Angelini et al. A multivariate approach for mapping a soil quality index and its uncertainty in southern France
Paudel An examination of distributed hydrologic modeling methods as compared with traditional lumped parameter approaches
Majumdar et al. Open Agent Based Runoff and Erosion Simulation (oares): a Generic Cross Platform Tool for Spatio-Temporal Watershed Monitoring Using Climate Forecast System Reanalysis Weather Data
Shakya et al. Geo-spatial enabled water resource development plan for decentralized planning in India: Myths and facts
Vinod Kumar et al. Estimation of Rainfall Runoff Analysis of Gadi Gedda Watershed, Vizianagaram District, Andhra Pradesh, India, Using Remote Sensing and GIS Approach

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Ma Qiang

Inventor after: Hao Sijia

Inventor after: Yang Xuejun

Inventor after: Li Chenliang

Inventor after: Yang Bang

Inventor after: Liu Changjun

Inventor after: Lv Guomin

Inventor after: Fan Suqi

Inventor after: Li Jingyuan

Inventor before: Ma Qiang

Inventor before: Hao Sijia

Inventor before: Yang Xuejun

Inventor before: Li Chenliang

Inventor before: Yang Bang

Inventor before: Liu Changjun

Inventor before: Lv Guomin

Inventor before: Fan Suqi

Inventor before: Li Jingyuan