CN115221800B - 天气发生器和深度学习融合的延伸期径流集合预测方法 - Google Patents
天气发生器和深度学习融合的延伸期径流集合预测方法 Download PDFInfo
- Publication number
- CN115221800B CN115221800B CN202211140743.XA CN202211140743A CN115221800B CN 115221800 B CN115221800 B CN 115221800B CN 202211140743 A CN202211140743 A CN 202211140743A CN 115221800 B CN115221800 B CN 115221800B
- Authority
- CN
- China
- Prior art keywords
- mem
- precipitation
- runoff
- prediction
- period
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 24
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 239000003345 natural gas Substances 0.000 title claims abstract description 12
- 238000004088 simulation Methods 0.000 claims abstract description 55
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 230000015654 memory Effects 0.000 claims abstract description 7
- 238000001556 precipitation Methods 0.000 claims description 107
- 230000005855 radiation Effects 0.000 claims description 30
- 230000007704 transition Effects 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 230000006403 short-term memory Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000007620 mathematical function Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 claims 3
- 238000004220 aggregation Methods 0.000 claims 3
- 230000006870 function Effects 0.000 description 8
- 101150099000 EXPA1 gene Proteins 0.000 description 6
- 102100029095 Exportin-1 Human genes 0.000 description 6
- 101100119348 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) EXP1 gene Proteins 0.000 description 6
- 101100269618 Streptococcus pneumoniae serotype 4 (strain ATCC BAA-334 / TIGR4) aliA gene Proteins 0.000 description 6
- 238000005315 distribution function Methods 0.000 description 6
- 108700002148 exportin 1 Proteins 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 4
- 102100029091 Exportin-2 Human genes 0.000 description 3
- 101710147878 Exportin-2 Proteins 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method 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
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- 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
- 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
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Fuzzy Systems (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本发明提供天气发生器和深度学习融合的延伸期径流集合预测方法，包括：步骤1，采集数据；步骤2，将实测数据划分为不同时间长度的样本子集，基于不同子集计算统计参数，逐一输入多变量天气发生器，获得多组延伸期模拟结果，优选代表当前气候特点的实测数据样本长度，对应的参数为最优参数集；步骤3，对于每个日历月：均引入未来月的预测结果，并对最优参数集进行调整；步骤4，将调整后的最优参数集输入天气发生器，获得延伸期集合预测结果；步骤5，率定目标流域的过程驱动水文模型和长短期记忆神经网络模型，构建HM‑LSTM模型；步骤6，将集合预测结果输入到HM‑LSTM模型中，开展延伸期径流集合预测。
Description
技术领域
本发明属于适用于预测目的的处理方法技术领域，具体涉及天气发生器和深度学习融合的延伸期径流集合预测方法。
背景技术
延伸期径流预测（预见期10~30d）是实现“无缝隙水文预测”的一个必要部分，是科学研究和业务应用关注的重点和难点。径流过程是一个复杂、高度非线性的动态系统，其预测过程中包含气象水文多个过程，预测难度大。特别是径流预测过程中多重不确定性的存在，传统的单值确定性预测难以为水资源调度管理提供安全可靠的决策依据。气象水文集合预报技术，经常采用一组包含多个成员的气象集合预测数据驱动水文模型以得到相应的一组径流预测值，既可以给出确定性预测值，又可以提供预测结果的概率分布信息以量化预测不确定性，逐渐成为研究与应用的新方向。
降水是影响径流预测效果的关键水文要素，也是水文模型的必要输入之一。在开展延伸期径流预测时，基于动力数值模式的延伸期降水预测结果常常被用于驱动水文模型。目前，基于数值模式的短中期降水预报和短期月降水预测方法发展较成熟，预报精度较高，但位于这两个预报尺度之间的延伸期降水预测，由于其同时受到大气初始条件和缓变外强迫等的共同影响，可预测性来源复杂，预测难度高，在预见期超过10d时，基于数值模式的延伸期逐日降水预测性能较低，使得延伸期径流预测的表现较差。与动力学方法相比，统计学方法常通过建立气象因子与降水的统计模型开展降水预测，其不受数值模式的可预报性限制，且使用灵活，对计算资源的要求较低。目前，统计学方法在筛选气象因子时，主要基于延伸期降水的可预测性来源选择。然而，由于目前对延伸期降水机理的了解和研究仍比较有限，所以这些因子对延伸期降水的解释程度有限，难以进一步延长其预测时效。此外，传统的统计集合预测方法通常采用组合多个气象因子与多个统计模型的方式，其需要利用足够多的样本估计大量的统计参数，存在一定的局限性。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供天气发生器和深度学习融合的延伸期径流集合预测方法，能够以较短的运行时间，较少的计算资源获得变化环境下更可靠准确的延伸期集合径流预测结果。
本发明为了实现上述目的，采用了以下方案：
本发明提供天气发生器和深度学习融合的延伸期径流集合预测方法，其特征在于，包括以下步骤：
步骤1，采集流域内包含降水、最高气温、最低气温、风速、太阳辐射这些气象因子的实测数据和气候模式回溯模拟预测数据；
步骤2，将实测数据划分为不同时间长度的样本子集，基于不同样本子集计算气象因子的统计参数，然后逐一输入多变量天气发生器，获得多组延伸期气象因子的模拟结果，最后优选代表当前气候特点的实测数据样本长度，该样本对应的参数为最优参数集；包括如下子步骤：
步骤2.1，从预报年份开始向前将实测气象数据划分为不同时间长度的子集，将子集长度定义为时间窗口n，n为不小于5的整数；基于不同子集序列分别计算日历月m的降水转移概率，且确定降水所服从的概率分布类型，并计算其参数，对于每个子集序列的日历月m均计算得到降水参数集par p,m ；
步骤2.2，对于每个子集序列的日历月m，均计算得到四个参数集：最高气温参数集par Tmax,m ，最低气温参数集par Tmin,m ，太阳辐射参数集par SR,m ，风速参数集par Wind,m ；基于计算得到的四个参数集与步骤2.1得到的参数集par p,m ，构建每个子集序列日历月m的参数合集par m {par p,m ，par Tmax,m ，par Tmin,m ，par SR,m ，par Wind,m }，作为天气发生器模拟和预测时所需的输入参数；
具体为：对于每个日历月m，基于不同子集序列分别计算最高气温参数集par Tmax,m ，包括月均最高气温μ Tmax,m ，最高气温标准差σ Tmax,m 两个参数；最低气温参数集par Tmin,m ，包括月均最低气温μ Tmin,m ，最低气温标准差σ Tmin,m 两个参数；太阳辐射参数集par SR,m ，包括日均太阳辐射μ SR,m ，太阳辐射标准差σ SR,m 两个参数；风速参数集par Wind,m ，包括月均风速μ Wind,m ，风速标准差σ Wind,m ，风速偏度系数ɡ 2 Wind,m 共三个参数；即综合步骤2.2和步骤2.3结果最终得到一个参数集par m {par p,m ，par Tmax,m ，par Tmin,m ，par SR,m ，par Wind,m },其能基本刻画流域气候特征；
步骤2.3，对于每个子集序列的日历月m，将参数合集par m 输入到天气发生器中，均获得该子集序列日历月m的逐日降水、最高气温、最低气温、风速和太阳辐射的模拟结果；
步骤2.4，重复步骤步骤2.1~2.3，得到每个日历月对应每个子集序列的模拟结果，作为时间窗口n的气象模拟结果；
步骤2.5，将时间窗口n从n’年开始，逐年增加至N年，n’<n≤N，N为实测气象数据的总长度，重复执行步骤2.2至步骤2.4，最终共获得N-n’组不同时间窗口下的气象模拟结果；
步骤2.6，得到各个日历月的最优参数集：
对于日历月m，统计N-n’组各气象因子变量模拟数据的所有成员均值与时间窗口n的关系，以时间窗口n为横坐标，降水量为纵坐标，拟合对数曲线，将拟合的对数曲线对n求导，令导数为0，获得变化变缓的临界点，其对应的时间窗口则为该气象因子变量的最佳时间窗口，对应的参数集为日历月m的最优参数集；重复前述过程得到各个日历月的最优参数集；
步骤3，对于每个日历月：均引入气候模式回溯模拟预测数据中未来月气象因子的预测结果，并基于未来的气候形势信息，对步骤2最优参数集进行进一步调整；
步骤4，将步骤3调整的参数集输入天气发生器，获得延伸期气象因子的集合预测结果；
步骤5，利用实测数据率定目标流域的过程驱动水文模型，获得模拟径流序列（记为HM）；基于模拟径流、实测径流及气象因子，率定长短期记忆神经网络模型（LSTM）；根据率定后的过程驱动水文模型和长短期记忆神经网络模型构建HM-LSTM模型；
步骤6，将步骤4中气象因子的集合预测结果输入到步骤5搭建的HM-LSTM模型中，开展延伸期径流集合预测。
优选地，本发明提供的天气发生器和深度学习融合的延伸期径流集合预测方法，还可以具有这样的特征：在步骤2中，n’≥5，N≥30。
优选地，本发明提供的天气发生器和深度学习融合的延伸期径流集合预测方法中，步骤3对每个日历月的处理方法具体包括如下子步骤：
步骤3.1，调整降水转移概率P 01 和P 11 ，P 01 是日历月第d-1天为无降水日、第d天为降水日的条件转移概率，P 11 是日历月第d-1天为降水日、第d天也为降水日的条件转移概率；
首先，基于降水实测数据分别拟合P 01 、P 11 和月均降水量之间的线性关系式，同时计算确定性系数和显著性水平；降水概率π=P 01 /(1+P 01 -P 11 )，降水转移概率的一阶自相关系数r=P 11 -P 01 ；然后，将模式预测的未来一个月的月降水总量代入以获得调整后的P 01,adj ，P 11,adj ，π adj 和r adj ；下标adj表示调整后；
步骤3.2，调整降水均值μ p,m 和方差σ2 p,m ；
首先利用模式回溯模拟和预测的月降水数据调整降水总量μ m,adj ：
式中，Z p,m,fcst 为气候模式预测的未来一个月的降水总量，
为模式回溯模拟
的历史月降水量均值，
为步骤2中最佳时间窗口对应的历史实测月降水量均值；
然后调整降水日平均降水量μ d,adj ：
式中，N d 为日历月m的天数，N d π为该月的平均降水日数；
继而调整日降水方σ 2 d,adj ：
步骤3.3，调整月均最高气温和最低气温的均值；
利用模式回溯模拟和预测的月均最高气温和最低气温分别调整对应变量的参数
集；调整因子为CF1=Z m,fcst -
，式中，Z m,fcst 为对应变量的气候模式未来一个月的预测
值，
为对应变量的气候模式回溯模拟的历史均值；将前述调整因子与步骤2最优参数
集中的相应变量均值相加以获得调整后的参数；
步骤3.4，调整月均风速和月均太阳辐射的均值；
利用模式回溯模拟和预测的月均风速和月均太阳辐射分别调整对应变量的参数
集，定义调整因子为CF2=Z m,fcst /
；将前述调整因子与步骤2最优参数集中的相应变量
均值相乘以获得调整后的参数。
优选地，本发明提供的天气发生器和深度学习融合的延伸期径流集合预测方法中，步骤5包括如下子步骤：
步骤5.1，利用实测气象数据构建和率定目标流域的过程驱动水文模型，并获得模拟径流序列；
步骤5.2，将实测径流、步骤5.1得到的模拟径流及气象因子作为输入，率定长短期记忆神经网络模型，从而校正步骤5.1的模拟径流序列；
步骤5.3，基于上述率定的过程驱动水文模型和长短期记忆神经网络模型，构建HM-LSTM模型，表示为：Qt=f(Pt’-T，Tmaxt’-T，Tmint’-T，Windt’-T，SRt’-T，Mt’-T)；式中，f表征HM-LSTM模型的数学函数式，Q t为t’时刻的模拟径流；Pt’-T，Tmaxt’-T，Tmint’-T，Windt’-T，SRt’-T分别表征降水、最高气温、最低气温、风速、辐射的时间系列，数据起止时段为t’-T至t’时刻，T为LSTM模型的最优滞时；Mt’-T为其他气象因子的时间系列。
优选地，本发明提供的天气发生器和深度学习融合的延伸期径流集合预测方法中，步骤6包括如下子步骤：
步骤6.1，将步骤4中气象因子的集合预测结果输入到步骤5搭建的HM-LSTM模型中得到的预见期为k天的气象因子集合预测结果为：((P1,k，Tmax1,k，Tmin1,k，Wind1,k，SR1,k，M1,k),(P2,k，Tmax2,k，Tmin2,k，Wind2,k，SR2,k，M2,k)，…，(Pmem,k，Tmaxmem,k，Tminmem,k，Windmem,k，SRmem,k，Mmem,k))，式中，mem为集合预测的成员数，1≤k，mem和k均为整数；预测预见期为k天的径流时，其模型输入数据为由最优滞时T对应的预测结果组成的高维矩阵，维数为：T×特征因子数×mem；Pmem,k，Tmaxmem,k，Tminmem,k，Windmem,k，SRmem,k，Mmem,k表示集合预测中预见期为k天的第mem个成员的径流时降水、最高气温、最低气温、风速、辐射的预测情况；
步骤6.2，将第mem’个成员的预测结果输入到步骤5搭建的HM-LSTM模型中，得到预见期为k天的第mem’个成员的径流预测结果，表示为：
Qmem’,k=f((Pmem’,k-1，Tmaxmem’,k-1，Tminmem’,k-1，Windmem’,k-1，SRmem’,k-1，Mmem’,k-1)，(Pmem’,k-2，Tmaxmem’,k-2，Tminmem’,k-2，Windmem’,k-2，SRmem’,k-2，Mmem’,k-2)，…，(Pmem’,k-T，Tmaxmem’,k-T，Tminmem’,k-T，Windmem’,k-T，SRmem’,k-T，Mmem’,k-T))，其中，1≤mem’≤mem；
步骤6.3，重复步骤6.2对每个成员都获取相应的径流预测结果，基于所有mem个成员的径流预测结果，形成预见期为k天的延伸期径流集合预测结果Qensemble,k(Q1,k，Q2,k，…，Qmem’,k，…，Qmem,k)；
步骤6.4，对于延伸期内的各个预见期，都通过执行步骤6.1-6.3得到相应的径流集合预测结果，基于所有预见期的径流集合预测结果，得到延伸期的径流集合预测结果Qensemble (Qensemble,1，Qensemble,2，…，Qensemble,k，…，Qensemble,leadt)，式中，leadt为延伸期最长预见期，leadt≥k，且为整数。
优选地，本发明提供的天气发生器和深度学习融合的延伸期径流集合预测方法，还可以具有这样的特征：在步骤6中，14≤k≤28，mem≥100。
本发明所提供的天气发生器和深度学习融合的延伸期径流集合预测方法，首先将实测气象数据划分为不同时间长度的样本子集，研究数据长度对气象因子模拟结果的影响，并推求出最能充分反映各个日历月当前气候特点的实测数据样本子集和最优参数集，随后引入基于数值模式的月气象因子的模拟和预测数据，对最优参数集进行调整，并将其输入天气发生器开展气象因子的延伸期集合预测，再以气象因子和过程驱动模型的模拟径流序列作为特征量，基于长短期记忆神经网络模型校正率定水文模型的模拟径流，构建HM-LSTM模型，基于此开展延伸期径流集合预测，不仅能够科学合理地推求变化环境下的延伸期径流预测结果，并延长有效预见期和提高预测精度，而且能够以较短的运行时间、较少的计算资源开展包含多个成员集合预测，充分衡量预测结果的不确定性，有效提高了径流集合预测的可靠性，为变化环境下水资源调度和防洪抗旱提供更科学的数据支持。
附图说明
图1为本发明涉及的天气发生器和深度学习融合的延伸期径流集合预测方法的流程图。
图2为本发明实施例涉及的天气发生器模拟干湿持续期的累积频率分布曲线图；
图3为本发明实施例涉及的过程驱动水文模型模拟的多年平均流量过程线的示意图；
图4为本发明实施例中本发明方案（SWG-SEAS5）与现有技术方案（NWP）效果对比图；
图5为本发明实施例中本发明方案（EXP1）与去除过程驱动模型模拟流量方案（EXP2）模型的训练时间和损失函数对比图；
图6为本发明实施例中本发明方案（EXP1）、去除过程驱动模型模拟流量方案（EXP2）、实测情况的流量过程线对比图。
具体实施方式
以下结合附图对本发明涉及的天气发生器和深度学习融合的延伸期径流集合预测方法的具体实施方案进行详细地说明。
如图1所示，本实施例提供的天气发生器和深度学习融合的延伸期径流集合预测方法包括如下步骤：
步骤1，采集流域内的实测数据，气候模式回溯模拟和预测数据，包含降水、最高气温、最低气温、风速、太阳辐射等因子；
步骤1.1，收集实测数据包括流域内站点实测逐日降水、最高气温和最低气温、风速、太阳辐射和径流的数据序列；收集气候模式多年回溯模拟数据和预见期为未来一个月的模式预测数据，变量包括月降水总量、月均最高气温和最低气温、月均风速、月均太阳辐射；
本实施例收集的实测数据序列为从1960年1月1日至2019年12月31日，共60年的逐日降水、最高气温和最低气温、风速、太阳辐射和径流数据，以及1980年1月至2019年12月的气候模式回溯模拟数据，以及2020年1月至12月的模式预见期为1个月的预测数据。模式数据来自欧洲中期天气预报中心SEAS5预测系统。
步骤1.2，将步骤1.1收集到的实测站点资料、模式回溯模拟和预测的降水格点数据通过算术平均法转换为流域面平均数据。
步骤2，将实测数据划分为不同时间长度的样本子集，基于不同样本子集计算气象因子的统计参数，然后逐一输入多变量天气发生器，获得多组延伸期气象因子的模拟结果，最后优选代表当前气候特点的实测数据样本长度，该样本对应的参数为最优参数集。
步骤2.1，对于日历月m，将实测日降水累加得到实测月降水数据,对日最高气温和最低气温、风速、太阳辐射分别求均值得到实测月均最高气温和最低气温、月均风速、月均太阳辐射。
步骤2.2，从预报年份开始向前将实测气象数据划分为不同时间长度的子集，将子集长度定义为时间窗口n（n≥5）；基于不同子集序列分别计算降水转移概率，且确定降水所服从的概率分布类型，并计算其参数。
对于各个日历月m，首先计算降水条件转移概率：
P 01,m =P{第d天为降水日|第d-1天为无降水日} （1）
P 11,m =P{第d天为降水日|第d-1天为降水日} （2）
式中：d为日历月m内的某一天，P 01,m 为日历月m第d-1天为无降水日、第d天为降水日的条件转移概率，P 11,m 为日历月m第d-1天为降水日、第d天也为降水日的条件转移概率。
本实施例中，设定降水阈值为0.1mm；若该日降水量大于降水阈值，则为降水日，反之，则为无降水日；
然后，确定日降水量所服从的概率分布类型，并基于实测面平均日降水数据，计算日降水量的均值μ p,m ，方差σ2 p,m ，和偏度系数ɡ 2 2p,m ；接着，采用偏正态分布作为日降水量的概率分布函数，并估计其参数；
偏正态分布函数为：
式中：x为标准正态偏差，X’为随机变量，μ、σ和ɡ分别是均值、标准差和偏度系数。
依据以上步骤，对于各个子集的日历月m，都会推导出一套含有5个参数的降水参数集par p,m {P 01,m ，P 11,m ，μ p,m ，σ 2 p,m ，ɡ 2 p,m }，该参数集能刻画降水序列的统计特征，为天气发生器模拟和预测降水时所需的输入参数。
步骤2.3，本实施例采用正态分布作为最高气温、最低气温和太阳辐射的概率分布函数，正态分布函数为：
对于每个日历月m，基于不同子集序列分别计算最高气温参数集par Tmax,m ，包括月均最高气温μ Tmax,m ，最高气温标准差σ Tmax,m 两个参数；最低气温参数集par Tmin,m ，包括月均最低气温μ Tmin,m ，最低气温标准差σ Tmin,m 两个参数；太阳辐射参数集par SR,m ，包括日均太阳辐射μ SR,m ，太阳辐射标准差σ SR,m 两个参数。
此外，采用偏正态分布作为风速的概率分布函数（式3），对于每个日历月m，基于不同子集序列分别计算风速参数集par Wind,m ，包括日均风速μ Wind,m ，风速标准差σ Wind,m ，风速偏度系数ɡ 2 Wind,m 共三个参数。
最终，综合步骤2.2和步骤2.3结果对于每个子集序列的日历月m都得到一个参数集par m {par p,m ，par Tmax,m ，par Tmin,m ，par SR,m ，par Wind,m }，其能基本刻画流域气候特征，为天气发生器模拟和预测时所需的输入参数。
步骤2.4，将参数par m 输入到天气发生器中，获得月逐日降水、最高气温、最低气温、风速和太阳辐射的模拟结果。本实施例中，集合成员设置为1000个，充分考虑各种可能发生的降水情况。
重复步骤步骤2.2~2.4，得到每个日历月对应每个子集序列的模拟结果，作为时间窗口n的气象模拟结果。如图2所示，为天气发生器模拟流域干湿持续期的累积概率分布曲线，反映天气发生器对目标流域降水转移概率的模拟情况。
步骤2.5，将时间窗口n从5年开始，逐年增加至N年，同时重复步骤2.2至步骤2.4，最终共获得N-5组不同时间窗口下的气象模拟数据，变量包括降水、最高气温、最低气温、风速和太阳辐射；其中，N为实测月气象数据的总长度。
步骤2.6，对于各个日历月m，分别统计N-5组各气象变量模拟数据的所有成员（比如降雨量为1，2，3，……1000mm）均值与时间窗口n的关系，以时间窗口n为横坐标，降水量为纵坐标，拟合对数曲线，将拟合的对数曲线对n求导，令导数为0，即获得变化变缓的临界点，其对应的时间窗口则为该气象变量的最佳时间窗口，对应的参数集为最优参数集。
步骤3，引入未来月降水、气温、风速和太阳辐射的预测结果，对步骤2最优参数集中进行进一步地调整。
步骤3.1，调整降水转移概率P 01 和P 11 ；
首先，对于各个日历月，基于降水实测数据分别拟合P 01 、P 11 和月均降水量之间的线性关系式，同时计算决定系数和显著性水平。
此外，P 01 和P 11 还具有如下关系：
r = P 11 -P 01 （6）
式中：π为降水频率，即该月降水日数除以该月总日数；r为降水发生概率的一阶自相关系数。
基于前述拟合的P 01 、P 11 与月均降水量之间的线性关系式，将模式预测的未来一个月的月降水总量代入，获得调整后的P 01,adj 和P 11,adj ；然后将其代入式（5）和式（6），可分别获得π adj 和r adj 。
步骤3.2，调整降水均值μ p,m 和方差σ2 p,m ；
首先利用模式回溯模拟和预测月降水数据调整降水总量：
式中：Z p,m,fcst 为气候模式预测的未来一个月的降水总量，
为模式回溯模拟
的历史月降水量均值，
为步骤2中最佳时间窗口对应的历史实测月降水量均值；
然后调整降水日平均降水量：
式中：N d 为日历月m的天数；N d π为该月的平均降水日数；
继而调整日降水方差：
本实施例，不调整ɡ 2 p,m 。
步骤3.3，利用模式回溯模拟和预测的月均最高气温和最低气温分别调整对应变量的参数集，定义调整因子为：
CF1=Z m,fcst －
（10）
式中，Z m,fcst 为对应变量的气候模式未来一个月的预测值，
为对应变量的气
候模式回溯模拟的历史均值；
将调整因子与步骤2最优参数集中的相应变量均值相加以获得调整后的参数。
步骤3.4，利用模式回溯模拟和预测的月均风速和月均太阳辐射分别调整对应变量的参数集，定义调整因子为：
CF2=Z m,fcst /
（11）
将前述调整因子与步骤2最优参数集中的相应变量均值相乘以获得调整后的参数。
步骤4，将经步骤3调整的参数集输入天气发生器，以获得延伸期降水、最高气温、最低气温、风速、太阳辐射的集合预测结果。本实施例考虑28天的预见期。
步骤5，利用实测降水和气温等数据率定目标流域的过程驱动水文模型（记为HM），获得模拟径流序列；然后，基于模拟径流、实测径流及气象因子，率定长短期记忆神经网络（LSTM）模型，从而构建HM-LSTM模型。
步骤5.1，利用实测降水和气温等气象数据构建目标流域的过程驱动水文模型，并获得模拟径流序列。
本实施例根据流域的水文气象特性选用新安江水文模型，将1960-1999年划分为率定期，2000-2019年划分为验证期，以纳什效率系数NSE为目标函数，采用SCE-UA复合形混合演化算法进行参数优化。基于率定好的水文模型，输入实测降水、气温等因子可获得径流模拟序列。如图3所示，为实测和新安江水文模型模拟的多年平均流量过程线。
步骤5.2 将实测径流、步骤5.1得到的模拟径流及气象因子作为输入，率定长短期记忆神经网络（LSTM）模型，从而校正步骤5.1得到的模拟径流。
步骤5.3 基于上述率定的过程水文模型和机器学习模型，构建HM-LSTM模型，表示为：Qt=f(Pt’-T，Tmaxt’-T，Tmint’-T，Windt’-T，SRt’-T，Mt’-T)；式中，f表征HM-LSTM模型的数学函数式，Q t为t’时刻的模拟径流；Pt’-T，Tmaxt’-T，Tmint’-T，Windt’-T，SRt’-T分别表征降水、最高气温、最低气温、风速、辐射的时间系列，数据起止时段为t’-T至t时刻，T为LSTM模型的最优滞时；Mt’-T为其他气象因子的时间系列。
最优滞时的筛选过程为：首先考虑滞时为前期T’天（T’≤28），分别计算径流Q与前滞1天，前滞2天，…，前滞T’天降水P的互信息系数：
式中：N’为样本量，prob(q,p)为径流与前滞降水的联合概率密度函数，prob(q)和prob(p)分别表征径流和前滞降水的边缘概率密度函数；据此得到一组互信息系数值I lag =[I(Q；P lag=1 )，I(Q；P lag=2 )，...，I(Q；P lag=T’ )]，则最大互信息系数max(I lag )的对应滞时则为径流与降水的最优滞时，并以此值统一作为模型训练特征量的最优滞时，记为T。
步骤6 将步骤4中气象因子的集合预测结果输入到步骤5搭建的HM-LSTM模型中，开展延伸期径流集合预测。
步骤6.1根据步骤4得到的预见期为k天的气象因子集合预测结果为：((P1,k，Tmax1,k，Tmin1,k，Wind1,k，SR1,k，M1,k),(P2,k，Tmax2,k，Tmin2,k，Wind2,k，SR2,k，M2,k)，…，(Pmem,k，Tmaxmem,k，Tminmem,k，Windmem,k，SRmem,k，Mmem,k))，式中，mem为集合预测的成员数；
步骤6.2预测预见期为k天的径流时，其模型输入数据为由最优滞时T对应的预测结果组成的高维矩阵，维数为：T×特征因子数×mem；将第mem’个成员的预测结果输入到步骤5搭建的HM-LSTM模型中，即可得到预见期为k天的第mem’个成员的径流预测结果，表示为：Qmem’,k=f((Pmem’,k-1，Tmaxmem’,k-1，Tminmem’,k-1，Windmem’,k-1，SRmem’,k-1，Mmem’,k-1)，(Pmem’,k-2，Tmaxmem’,k-2，Tminmem’,k-2，Windmem’,k-2，SRmem’,k-2，Mmem’,k-2)，…，(Pmem’,k-T，Tmaxmem’,k-T，Tminmem’,k-T，Windmem’,k-T，SRmem’,k-T，Mmem’,k-T))，其中，1≤mem’≤mem；
步骤6.3对于第k个预见期，将mem个成员的预测结果分别输入HM-LSTM模型，重复步骤6.2，即可得到预见期为k天的延伸期径流集合预测结果Qensemble,k(Q1,k，Q2,k，…，Qmem’,k，…，Qmem,k)；
步骤6.4对于延伸期内的各个预见期，重复步骤6.1-6.3，即可得到延伸期的径流集合预测结果Qensemble (Qensemble,1，Qensemble,2，…，Qensemble,k，…，Qensemble,leadt)，式中，leadt为延伸期最长预见期。
进一步，将本发明上述方法与现有技术进行比较：
①本发明进行一次预测的运行环境为一台Intel CPU为 i7-7700@3.60GHz的电脑，运行时间约1分钟左右；现有技术数值气象水文集合预测（NWP）中，气象预测需要采用更高标准的超级计算机、更长时间才能实现；
②如图4所示，准确性采用MARE平均相对误差绝对值来衡量，本发明方法基于天气发生器，经SEAS5模式数据调整参数后，输入过程驱动水文模型（SWG_SEAS5）的结果可得，本发明几乎在各个预见期MARE都更小，即预测更准确；量化来说，本发明的预见期平均MARE为5.5%，而NWP为25.2%，即在LSTM校正之前，本发明就已经比现有技术更准确。
③本实施例搭建的LSTM模型结构为：1层输入层+2层LSTM层+1层全连接层+1层Dropout层+1层全连接层+1层输出层。具体的超参数设置如下：第一层LSTM层包含100个units，第二层LSTM层包含50个units，Epoch=100，batch_size=64，损失函数为mean_squared_error（MSE）。本实施例训练样本5996个，测试样本2276个；每个样本为时间步长为4天的的降水、气温等气象因子，以及同期的过程驱动模型模拟流量，该方案记为EXP1。为了对比过程驱动模拟流量对预测效果的贡献作用，以相同的模型结构，以时间步长为4天的降水、气温等气象因子（较EXP1仅去除过程驱动模型模拟流量）训练了对比模型，记为EXP2。
模型的训练时间和损失函数对比：
图5展示了EXP1（本发明方法）和EXP2在同样模型构建的情形下，模型的训练时间以及损失函数结果。可得，EXP1增加过程驱动模型的模拟流量作为特征因子之一后，训练时间并未增加，但是损失函数MSE却从0.0036（EXP2）减少到8.79×10-4（EXP1），即EXP1模型更可靠，表现更好。
流量过程线对比：
由图6可得，EXP1对主洪峰的预测更准确；此外，EXP1能预测到退水时的流量变化趋势，但是EXP2则不能。
需要指出的是，本实施例中并未对模型的各种超参数进行细致调试，仅展示了一个简单的示例，实际情况下采用本发明方法的有益效果会显著。
以上比较充分证实了本发明技术方案对于径流预报的效率和精度都远优于现有技术。本发明能够以较短的运行时间，较少的计算资源获得变化环境下更可靠准确的延伸期集合径流预测结果。
进一步，本实施例还提供能够自动实现上述方法的延伸期径流集合预测系统，该系统包括数据采集部、最优参数集获取部、调整部、气象因子预测部、模型构建部、集合预测部、输入显示部、控制部。
数据采集部执行上文步骤1所描述的内容，采集流域内包含降水、最高气温、最低气温、风速、太阳辐射这些气象因子的实测数据和气候模式回溯模拟预测数据。
最优参数集获取部执行上文步骤2所描述的内容，将实测数据划分为不同时间长度的样本子集，基于不同样本子集计算气象因子的统计参数，然后逐一输入多变量天气发生器，获得多组延伸期气象因子的模拟结果，最后优选代表当前气候特点的实测数据样本长度，该样本对应的参数为最优参数集。
调整部执行上文步骤3所描述的内容，对于每个日历月：均引入气候模式回溯模拟预测数据中未来月气象因子的预测结果，并基于未来的气候形势信息，对最优参数集进行进一步调整。
气象因子预测部执行上文步骤4所描述的内容，将调整后的最优参数集输入天气发生器，获得延伸期气象因子的集合预测结果。
模型构建部执行上文步骤5所描述的内容，利用实测数据率定目标流域的过程驱动水文模型，获得模拟径流序列；基于模拟径流、实测径流及气象因子，率定长短期记忆神经网络模型；根据率定后的过程驱动水文模型和长短期记忆神经网络模型构建HM-LSTM模型。
集合预测部执行上文步骤6所描述的内容，将气象因子的集合预测结果输入到HM-LSTM模型中，开展延伸期径流集合预测。
输入显示部用于让用户输入操作指令，并进行相应显示。例如，输入显示部能够显示各待采集项目，让用户输入或者导入采集到的相应数据，输入显示部还能够对各个部的输入、输、中间数据和处理过程进行显示，并能够将数据以表格或者二维、三维图或者动态变化视图的方式进行显示。
控制部与数据采集部、最优参数集获取部、调整部、气象因子预测部、模型构建部、集合预测部、输入显示部均通信相连，控制它们的运行。
以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的天气发生器和深度学习融合的延伸期径流集合预测方法并不仅仅限定于在以上实施例中所描述的内容，而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换，都在本发明的权利要求所要求保护的范围内。
Claims (6)
1.天气发生器和深度学习融合的延伸期径流集合预测方法，其特征在于，包括以下步骤：
步骤1，采集流域内包含降水、最高气温、最低气温、风速、太阳辐射这些气象因子的实测数据和气候模式回溯模拟预测数据；
步骤2，将实测数据划分为不同时间长度的样本子集，基于不同样本子集计算气象因子的统计参数，然后逐一输入多变量天气发生器，获得多组延伸期气象因子的模拟结果，最后优选代表当前气候特点的实测数据样本长度，该样本对应的参数为最优参数集；包括如下子步骤：
步骤2.1，从预报年份开始向前将实测气象数据划分为不同时间长度的子集，将子集长度定义为时间窗口n，n为不小于5的整数；基于不同子集序列分别计算日历月m的降水转移概率，且确定降水所服从的概率分布类型，并计算其参数，对于每个子集序列的日历月m均计算得到降水参数集par p,m ；
步骤2.2，对于每个子集序列的日历月m，均计算得到四个参数集：最高气温参数集par Tmax,m ，最低气温参数集par Tmin,m ，太阳辐射参数集par SR,m ，风速参数集par Wind,m ；基于计算得到的四个参数集与步骤2.1得到的参数集par p,m ，构建每个子集序列日历月m的参数合集par m {par p,m ，par Tmax,m ，par Tmin,m ，par SR,m ，par Wind,m }，作为天气发生器模拟和预测时所需的输入参数；
步骤2.3，对于每个子集序列的日历月m，将参数合集par m 输入到天气发生器中，均获得该子集序列日历月m的逐日降水、最高气温、最低气温、风速和太阳辐射的模拟结果；
步骤2.4，重复步骤步骤2.1~2.3，得到每个日历月对应每个子集序列的模拟结果，作为时间窗口n的气象模拟结果；
步骤2.5，将时间窗口n从n’年开始，逐年增加至N年，n’<n≤N，N为实测气象数据的总长度，重复执行步骤2.2至步骤2.4，最终共获得N-n’组不同时间窗口下的气象模拟结果；
步骤2.6，得到各个日历月的最优参数集：
对于日历月m，统计N-n’组各气象因子变量模拟数据的所有成员均值与时间窗口n的关系，以时间窗口n为横坐标，降水量为纵坐标，拟合对数曲线，将拟合的对数曲线对n求导，令导数为0，获得变化变缓的临界点，其对应的时间窗口则为该气象因子变量的最佳时间窗口，对应的参数集为日历月m的最优参数集；重复前述日历月m得到最优参数集的过程，对于每个日历月都得到对应的最优参数集；
步骤3，对于每个日历月：均引入气候模式回溯模拟预测数据中未来月气象因子的预测结果，并基于未来的气候形势信息，对步骤2最优参数集进行进一步调整；
步骤4，将调整后的最优参数集输入天气发生器，获得延伸期气象因子的集合预测结果；
步骤5，利用实测数据率定目标流域的过程驱动水文模型，获得模拟径流序列；基于模拟径流、实测径流及气象因子，率定长短期记忆神经网络模型；根据率定后的过程驱动水文模型和长短期记忆神经网络模型构建HM-LSTM模型；
步骤6，将步骤4中气象因子的集合预测结果输入到步骤5构建的HM-LSTM模型中，开展延伸期径流集合预测。
2.根据权利要求1所述的天气发生器和深度学习融合的延伸期径流集合预测方法，其特征在于：
其中，在步骤2中，n’≥5，N≥30。
3.根据权利要求1所述的天气发生器和深度学习融合的延伸期径流集合预测方法，其特征在于：
其中，步骤3对每个日历月的处理方法具体包括如下子步骤：
步骤3.1，调整降水转移概率P 01 和P 11 ，P 01 是日历月第d-1天为无降水日、第d天为降水日的条件转移概率，P 11 是日历月第d-1天为降水日、第d天也为降水日的条件转移概率；
首先，基于降水实测数据分别拟合P 01 、P 11 和月均降水量之间的线性关系式，同时计算确定性系数和显著性水平；降水概率π=P 01 /(1+P 01 -P 11 )，降水转移概率的一阶自相关系数r=P 11 -P 01 ；然后，将模式预测的未来一个月的月降水总量代入以获得：对应P 01 和P 11 调整后的降水条件转移概率P 01,adj 和P 11,adj 、对应π调整后的降水概率π adj 、对应r调整后的系数r adj ；下标adj表示调整后；
步骤3.2，调整降水均值μ p,m 和方差σ2 p,m ；
首先利用模式回溯模拟和预测的月降水数据调整降水总量μ m,adj ：
式中，Z p,m,fcst 为气候模式预测的未来一个月的降水总量，
为模式回溯模拟的历
史月降水量均值，
为步骤2中最佳时间窗口对应的历史实测月降水量均值；
然后调整降水日平均降水量μ d,adj ：
式中，N d 为日历月m的天数，N d π为该月的平均降水日数；
继而调整日降水方差σ 2 d,adj ：
步骤3.3，调整月均最高气温和最低气温的均值；
利用模式回溯模拟和预测的月均最高气温和最低气温分别调整对应变量的参数集；调
整因子为CF1=Z m,fcst -
，式中，Z m,fcst 为对应变量的气候模式未来一个月的预测值，
为对应变量的气候模式回溯模拟的历史均值；将前述调整因子与步骤2最优参数集
中的相应变量均值相加以获得调整后的参数；
步骤3.4，调整月均风速和月均太阳辐射的均值；
利用模式回溯模拟和预测的月均风速和月均太阳辐射分别调整对应变量的参数集，定
义调整因子为CF2=Z m,fcst /
；将前述调整因子与步骤2最优参数集中的相应变量均值
相乘以获得调整后的参数。
4.根据权利要求1所述的天气发生器和深度学习融合的延伸期径流集合预测方法，其特征在于：
其中，步骤5包括如下子步骤：
步骤5.1，利用实测气象数据构建和率定目标流域的过程驱动水文模型，并获得模拟径流序列；
步骤5.2，将实测径流、步骤5.1得到的模拟径流及气象因子作为输入，率定长短期记忆神经网络模型，从而校正步骤5.1的模拟径流序列；
步骤5.3，基于上述率定的过程驱动水文模型和长短期记忆神经网络模型，构建HM-LSTM模型，表示为：Qt=f(Pt’-T，Tmaxt’-T，Tmint’-T，Windt’-T，SRt’-T，Mt’-T)；式中，f表征HM-LSTM模型的数学函数式，Q t为t’时刻的模拟径流；Pt’-T，Tmaxt’-T，Tmint’-T，Windt’-T，SRt’-T分别表示降水、最高气温、最低气温、风速、辐射的时间系列，数据起止时段为t’-T至t’时刻，T为LSTM模型的最优滞时；Mt’-T为其他气象因子的时间系列。
5.根据权利要求4所述的天气发生器和深度学习融合的延伸期径流集合预测方法，其特征在于：
其中，步骤6包括如下子步骤：
步骤6.1，将步骤4中气象因子的集合预测结果输入到步骤5搭建的HM-LSTM模型中得到的预见期为k天的气象因子集合预测结果为：((P1,k，Tmax1,k，Tmin1,k，Wind1,k，SR1,k，M1,k),(P2,k，Tmax2,k，Tmin2,k，Wind2,k，SR2,k，M2,k)，…，(Pmem,k，Tmaxmem,k，Tminmem,k，Windmem,k，SRmem,k，Mmem,k))，式中，mem为集合预测的成员数，1≤k，mem和k均为整数；预测预见期为k天的径流时，其模型输入数据为由最优滞时T对应的预测结果组成的高维矩阵，维数为：T×特征因子数×mem；Pmem,k，Tmaxmem,k，Tminmem,k，Windmem,k，SRmem,k，Mmem,k表示集合预测中预见期为k天的第mem个成员的降水、最高气温、最低气温、风速、辐射的预测情况；
步骤6.2，将第mem’个成员的预测结果输入到步骤5搭建的HM-LSTM模型中，得到预见期为k天的第mem’个成员的径流预测结果，表示为：
Qmem’,k=f((Pmem’,k-1，Tmaxmem’,k-1，Tminmem’,k-1，Windmem’,k-1，SRmem’,k-1，Mmem’,k-1)，(Pmem’,k-2，Tmaxmem’,k-2，Tminmem’,k-2，Windmem’,k-2，SRmem’,k-2，Mmem’,k-2)，…，(Pmem’,k-T，Tmaxmem’,k-T，Tminmem’,k-T，Windmem’,k-T，SRmem’,k-T，Mmem’,k-T))，其中，1≤mem’≤mem；
步骤6.3，重复步骤6.2对每个成员都获取相应的径流预测结果，基于所有mem个成员的径流预测结果，形成预见期为k天的延伸期径流集合预测结果Qensemble,k(Q1,k，Q2,k，…，Qmem’,k，…，Qmem,k)；
步骤6.4，对于延伸期内的各个预见期，都通过执行步骤6.1-6.3得到相应的径流集合预测结果，基于所有预见期的径流集合预测结果，得到延伸期的径流集合预测结果Qensemble(Qensemble,1，Qensemble,2，…，Qensemble,k，…，Qensemble,leadt)，式中，leadt为延伸期最长预见期，leadt≥k，且为整数。
6.根据权利要求5所述的天气发生器和深度学习融合的延伸期径流集合预测方法，其特征在于：
其中，在步骤6中，14≤k≤28，mem≥100。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211140743.XA CN115221800B (zh) | 2022-09-20 | 2022-09-20 | 天气发生器和深度学习融合的延伸期径流集合预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211140743.XA CN115221800B (zh) | 2022-09-20 | 2022-09-20 | 天气发生器和深度学习融合的延伸期径流集合预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115221800A CN115221800A (zh) | 2022-10-21 |
| CN115221800B true CN115221800B (zh) | 2022-12-02 |
Family
ID=83617091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211140743.XA Active CN115221800B (zh) | 2022-09-20 | 2022-09-20 | 天气发生器和深度学习融合的延伸期径流集合预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115221800B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759403B (zh) * | 2022-11-15 | 2023-12-15 | 东北农业大学 | 一种针对寒区水循环过程的动态组合预测模型构建方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110598290B (zh) * | 2019-08-30 | 2021-11-19 | 华中科技大学 | 考虑气候变化的流域未来水电发电能力预测方法和系统 |
| CN110555561B (zh) * | 2019-09-06 | 2022-04-01 | 清华大学 | 一种中长期径流集合预报方法 |
| CN111079282A (zh) * | 2019-12-12 | 2020-04-28 | 北京师范大学 | 水文预报方法及设备 |
| JP7276261B2 (ja) * | 2020-06-22 | 2023-05-18 | トヨタ自動車株式会社 | 冠水検知装置、冠水表示システム、冠水検知方法およびプログラム |
| CN113158542B (zh) * | 2021-01-29 | 2022-10-04 | 武汉大学 | 适用于缺资料地区的多变量设计洪水估计方法 |
| CN114219131A (zh) * | 2021-11-24 | 2022-03-22 | 江西省水利科学院 | 一种基于lstm的流域径流预测方法 |
-
2022
- 2022-09-20 CN CN202211140743.XA patent/CN115221800B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115221800A (zh) | 2022-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084367B (zh) | 一种基于lstm深度学习模型的土壤墒情预测方法 | |
| CN102945508B (zh) | 一种基于模型校正的风电功率预测预报方法 | |
| CN103279804B (zh) | 超短期风电功率的预测方法 | |
| CN103117546B (zh) | 一种超短期风电功率滑动预测方法 | |
| CN110705772B (zh) | 区域电网风力发电功率预测优化方法和装置 | |
| CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
| CN112036658B (zh) | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 | |
| CN110705771B (zh) | 区域电网新能源发电功率预测优化方法和装置 | |
| CN115221800B (zh) | 天气发生器和深度学习融合的延伸期径流集合预测方法 | |
| CN114021830A (zh) | 一种基于cnn-lstm的多时间范围风速预测方法 | |
| CN117113236B (zh) | 一种智慧城市监控系统及数据处理方法 | |
| 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 | |
| CN113991711B (zh) | 一种光伏电站储能系统容量配置方法 | |
| Syu et al. | Ultra-short-term wind speed forecasting for wind power based on gated recurrent unit | |
| Wang et al. | A new embedded estimation model for soil temperature prediction | |
| CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
| CN112669168B (zh) | 一种风电功率短期预测方法 | |
| CN114819322B (zh) | 湖泊入湖流量的预报方法 | |
| CN111428421A (zh) | 一种物理机制引导深度学习的降雨径流模拟方法 | |
| CN105205560A (zh) | 一种基于正负误差变权的光伏发电功率预测方法 | |
| CN116050604A (zh) | 考虑时空互补性的水风光功率联合预报方法、装置及设备 | |
| CN109919362A (zh) | 一种考虑水利工程调度影响的中长期径流预报方法 | |
| CN108108860A (zh) | 一种四步耦合中长期水文预报方法 | |
| CN113283191A (zh) | 一种引水渠道水温迭代预测方法 |
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 |