CN115423163A - 一种流域短期洪水事件预测方法、装置及终端设备 - Google Patents
一种流域短期洪水事件预测方法、装置及终端设备 Download PDFInfo
- Publication number
- CN115423163A CN115423163A CN202211015607.8A CN202211015607A CN115423163A CN 115423163 A CN115423163 A CN 115423163A CN 202211015607 A CN202211015607 A CN 202211015607A CN 115423163 A CN115423163 A CN 115423163A
- Authority
- CN
- China
- Prior art keywords
- flood
- data
- model
- runoff
- rainfall
- 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.)
- Pending
Links
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本发明公开了一种流域短期洪水事件预测方法、装置及终端设备,所述预测方法包括:搜集下载水循环关键变量的观测站数据,所述水循环关键变量包括降雨量、蒸散发量与径流量;获取研究时段内的降雨量数据、蒸散发量数据以及插补过后的径流量数据;采用超阈值采样技术对径流量数据进行识别;基于水文模型和深度学习模型,对洪水发生时段的径流量进行回归模拟;采用留一交叉验证方法对模型精度进行验证;分别采用克林古普塔效率指标和纳什相关系数对比验证模型的验证集精度,选择最佳模型结果作为流域洪水事件的模拟结果。本发明通过运用多模型模拟流域洪水事件,对比优选最佳预测结果,为流域洪水灾害预报预警研究提供技术支持。
Description
技术领域
本发明涉及洪水预测技术领域,尤其涉及一种流域短期洪水事件预测方法、装置及终端设备。
背景技术
当前洪水预报面临的问题包括:实时雨情水情信息的监测力度需要加强;对已有数据挖掘程度还有待提高;急需运用先进的技术手段提高预报精准度;延长预见期。因此,如何构建预报精度高、适用能力强、计算简单且易于推广的洪水预报模型是流域洪水灾害预报预警研究的关键技术。
流域洪水预报技术手段包括经验相关法、水文模型以及机器学习模型,其中经验相关法(例如相应水位流量法、降雨径流相关图、单位线等)使用简单,但模拟精度低,缺乏物理意义。
随着计算机水平的快速发展,流域水文模型已成为现代实时洪水预报调度系统的核心模块。在我国湿润和半湿润地区应用最为广泛的模型是新安江模型,随着GIS、RS、GPS技术的出现,现代水文模型也逐渐发展起来,如HYMOD模型、VIC模型和TANK模型等。
此外,机器学习等新技术为机器学习方法在洪水预报研究领域的应用提供了新的机遇,机器学习洪水预报模型已逐渐成为水文领域关注的热点。例如人工神经网络(Artificial Neural Networks,ANN)和支持向量机或回归(Support Vector Machine orRegression,SVM或SVR)是洪水预报领域中应用成功的洪水预报模型,但这些算法的不足之处在于特征提取能力不足和计算耗时较长等。
近年来,深度学习算法(Deep Learning,DL)在计算机视觉、语音识别和自然语言处理等领域取应用广泛,深度学习的实质是通过构建具有很多隐藏层的机器学习模型和海量的训练数据,来学习更有用的特征,从而提升分类或预测的准确性。在洪水预报与深度学习交叉领域的研究中,将长短期记忆神经网络模型(Long Short-Term Memory,LSTM)以及卷积神经网络(Convolutional Neural Network)用于洪水预测洪水预报模型效果以及不同预见期下数据整合对机器学习模型预报效果影响的研究还有待进一步深入。
发明内容
本发明提供一种流域短期洪水事件预测方法、装置及终端设备,运用多模型模拟流域洪水事件,对比优选最佳预测结果,预测结果更加稳健,预报模型的预报精度高、适用能力强、计算简单且易于推广,为流域洪水灾害预报预警研究提供了技术支持。
为解决上述问题,本发明的第一目的在于提供一种流域短期洪水事件预测方法,所述预测方法包括:
步骤S100:搜集并下载水循环关键变量的观测站数据,所述水循环关键变量包括降雨量、蒸散发量与径流量;
步骤S200:获取研究时段内小时尺度的降雨量数据、蒸散发量数据以及插补过后的径流量数据;
步骤S300:采用超阈值采样技术对所述径流量数据进行识别;
步骤S400:基于水文模型和深度学习模型,对洪水发生时段的径流量进行回归模拟;
其中,所述深度学习模型采用LSTM神经网络和CNN神经网络;
步骤S500:采用留一交叉验证方法对所述水文模型和所述深度学习模型的模型精度进行验证;
步骤S600:分别采用克林古普塔效率指标和纳什相关系数对比验证所述水文模型和深度学习模型的验证集精度,选择最佳模型结果作为流域洪水事件的模拟结果,实现在流域尺度上利用气象数据完成对洪水事件小时尺度的短期预测。
进一步的,在步骤S200中,获取所述插补过后的径流量数据具体包括:
将以日尺度和三小时尺度度量的水文站径流量数据、雨量站点降雨量数据及流域蒸散发量数据按照求平均值法统一为一小时时间尺度;
利用已有小时尺度观测径流量时间序列获得季节校正序列,再对径流量数据缺失部分按照不同季节分别建立线性回归方程,再利用回归方程加上季节因子对每个季节的径流量缺失值进行插补。
进一步的,在步骤S300中,所述超阈值采样技术具体包括:
步骤S310:超阈值样本独立性判别;
所述超阈值样本独立性判别的条件为:同时选取两个连续洪峰的条件为两场洪水过程的洪峰间隔小于两周时间步长;
步骤S320:阈值确定;
所述阈值确定的条件为:平均每年识别1场洪水;
步骤S330:得到所述阈值后,提取每年的超阈值洪水,以得到洪水事件样本。
进一步的,在步骤S400中,所述水文模型采用站点插值的方法包括:
基于降水数据集进行雨量站点加权,将雨量站点数据加权求和作为所述水文模型的输入变量;
采用泰森多边形法则,根据各雨量站点的泰森多边形面积占流域面积的百分比,对各雨量站的降雨量进行加权。
进一步的,在步骤S400中,所述基于水文模型和深度学习模型,对洪水发生时段的径流量进行回归模拟具体包括:
步骤S410:采用一维CNN神经网络,对输入变量进行卷积学习;
其中,卷积核大小为三,通过训练样本设定四层卷积层和一层最大池化层,最后一层为全连接层进行卷积学习,损失函数为均方误差函数,batchsize为64,迭代次数为100,优化函数为自适应时刻估计算法Adam。
步骤S420:采用LSTM神经网络对模型进行训练,训练中釆用所述自适应时刻估计算法Adam的优化器和均方误差函数;
步骤S430:基于开源水文模型包MARRMoT中的TANK和HYMOD水文模型求解多维无约束的线性优化问题,并通过derivative-free方法找到多变量无约束函数的最小值。
进一步的,在步骤S500中,所述留一交叉验证方法具体包括:
若数据集D的大小为N,则用N-1条数据作为训练集进行训练,用剩下的一条数据作为验证集进行验证;
每次从数据集D中选取一组作为验证集,直到所有样本都作过验证集,共计算N次;
对N次验证误差求平均值,以得到最终的精度。
进一步的,在步骤S600中,所述纳什相关系数的计算表达式如下:
其中:T代表洪水事件整个观测时段,时间尺度为小时,t表示某一时刻,Qo指观测值,Qm指模拟值,Qt表示第t时刻的某个值,表示第t时刻的某个观测值,表示第t时刻的某个模拟值,表示观测值的总平代表纳什相关系数。
进一步的,所述采用泰森多边形法则具体包括:
所有相邻气象站连成三角形,作这些三角形各边的垂直平分线;
将每个三角形的三条边的垂直平分线的交点(也就是外接圆的圆心)连接起来得到一个多边形;
用所述多边形内所包含的一个唯一气象站的降雨量来表示这个多边形区域内的降雨。
本发明的第二目的在于提供一种流域短期洪水事件预测装置,包括:
获取模块,用于获取水循环关键变量的观测站数据,所述水循环关键变量包括降雨量、蒸散发量与径流量;
插补模块,用于获取研究时段内小时尺度的降雨量数据、蒸散发量数据以及插补过后的径流量数据;
识别模块,用于识别所述径流量数据;
模型构建模块,用于对洪水发生时段的径流量进行回归模拟;
精度验证模块,用于对水文模型和深度学习模型的模型精度进行验证;
洪水预测模块,用于利用气象数据完成对洪水事件小时尺度的短期预测。
本发明的第三目的在于提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述所述的流域短期洪水事件预测方法。
本发明与现有技术相比具有显著的优点和有益效果,具体体现在以下方面:
本发明采用水文模型和深度学习模型相结合的方法,对洪水事件进行模拟预测,评估多模型在短期洪水预报的精度,通过多模型对比优选产出流域尺度高精度洪水模拟预报结果。首先采用分解季节性缺失值插补方法对水文站点的缺失的径流量数据进行补全,并将降水数据与蒸散发数据进行逐小时插值,完成洪水事件模拟模拟的输入变量整理;其次采用超阈值采样技术对洪水事件进行识别,阈值通过平均每年能够识别1场洪水来确定,洪水独立性判别方法为两场洪水过程的洪峰间隔小于48小时;将流域内所有的时间段的洪水事件识别出来之后采用留一交叉验证的方法对洪水事件进行滚动模拟预测,取平均值作为最终判别模型精度的标准;深度学习模型方法包括LSTM回归模型以及CNN回归模型,输入变量为前48小时的降水量以及蒸散发数据,水文模型包括HYMOD和TANK水文模型,输入变量为当前时刻降水量以及蒸散量数据,降水量为多雨量站点采用泰森多边形法的加权平均值;最后,通过Kling-Gupta Efficiency(KGE)和纳什相关系数(NSE)评估多模型模拟精度,优选最佳模型结果作为流域洪水事件模拟结果,实现在流域尺度上,利用气象数据完成对洪水事件小时尺度的短期预测,该发明利用先进的水文预报方法实现洪水短期预报,为防洪抗旱和水库防洪调度的提供了技术支撑和应用前提,可为变化环境下国内外洪水风险评估与防灾减灾工作和提供重要参考。
附图说明
图1是本发明实施例中流域短期洪水事件预测方法的流程图;
图2是本发明实施例中步骤S300的流程图;
图3是本发明实施例中步骤S400的流程图;
图4是本发明实施例中蒸散发数据、径流数据及降雨数据插补后的时间序列分布图;
图5是本发明实施例中利用超阈值采样技术选取的洪水事件径流量时间序列分布图;
图6是本发明实例中利用深度学习方法留一验证法得到的每场洪水事件的验证精度;
图7是本发明实例中流域短期洪水事件预测装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
请参阅图1所示,本发明实施例提供了一种流域短期洪水事件预测方法,所述预测方法包括:
步骤S100:搜集并下载水循环关键变量的观测站数据,所述水循环关键变量包括降雨量、蒸散发量与径流量;
由此,通过搜集流域气象站的降雨量、蒸散发与径流观测站数据,为洪水事件预测做好数据储备工作。
步骤S200:获取研究时段内小时尺度的降雨量数据、蒸散发量数据以及插补过后的径流量数据。
具体到本实施例当中,采用统一水文变量时间尺度,时间分辨率转化为一小时尺度,径流量缺失值采用按照季节对每个季度的数据进行线性插补,得到研究时段内小时尺度的降水量数据、蒸散发数据以及插补过后的径流量数据。
请参阅图4所示,其中:
图4(a)代表蒸散发量数据插补,蒸散发量数据来自逐日网格蒸散发面数据;
图4(b)代表径流深数据插补,径流量数据来自流域水文站点径流量观测数据;
图4(c-j)代表雨量站降水数据集,降雨数据来源于流域内的6个雨量站点。
由此,通过数据整理插补,根据观测数据的时间序列范围,统一时间尺度,筛选出符合数据条件的雨量站数据,并将所有观测数据的时间分辨率转化为小时尺度,径流量缺失值采用按照季节对每个季度的数据进行线性插补,以得到研究时段内小时尺度的降水量数据、蒸散发数据以及插补过后的径流量数据。
步骤S300:采用超阈值采样技术对所述径流量数据进行识别。
由此,洪水数据识别采用超阈值采样技术,确定洪水阀值和判别洪水的独立性。
步骤S400:基于水文模型和深度学习模型,对洪水发生时段的径流量进行回归模拟;
其中:水文模型来自开源水文模型包MARRMoT,它是基于Matlab开发的一款概念水文模型的工具包,参数率定方法为fminsearch函数,该函数可用来求解多维无约束的线性优化问题。
深度学习模型采用LSTM神经网络和CNN神经网络,它们均基于keras开发,经过试错确定超参数,对洪水发生时段的径流量进行回归模拟。
步骤S500:采用留一交叉验证方法对所述水文模型和所述深度学习模型的模型精度进行验证;
需要说明的是,留一交叉验证方法每次只使用一个作为测试集,剩下的全部作为训练集,这种方法得出的结果与训练整个测试集的期望值最为接近。
步骤S600:分别采用克林古普塔效率(KGE)效率指标和纳什相关(NSE)系数对比验证所述水文模型和深度学习模型的验证集精度,选择最佳模型结果作为流域洪水事件的模拟结果,实现在流域尺度上利用气象数据完成对洪水事件小时尺度的短期预测。
由此,精度评价指标分别为克林古普塔效率(Kling-Gupta Efficiency简称KGE)、纳什相关系数(NSE),优选最佳模型结果作为流域洪水事件模拟结果,实现在流域尺度上,利用气象数据完成对洪水事件小时尺度的短期预测。
其中,克林古普塔效率KGE(Kling-Gupta Efficiency)系数是基于均方误差的三个诊断意义组件的改进组合。该系数符合使用多目标进行模型校准的范式,目的是防止模型参数对特定过程线方面的过拟合,考虑多个目标可以减少模拟的不确定性,并在单个目标不相关的情况下提供更可靠的预测。
NSE系数(Nash-Sutcliffeefficiency coefficient),一般用以验证水文模型模拟结果的的好坏。
需要在此说明的是,Kling-Gupta效率指标是用于量化水文模型优劣的指标,纳什相关系数NSE用于评价模型质量的评价参数,一般用以验证水文模型模拟结果的的好坏,也可以用于其他模型。
由此,本发明结合传统水文模型方法和深度学习模型方法,评估多模型在短期洪水预报的精度,通过多模型对比优选产出流域尺度高精度洪水模拟预报结果。多模型预测方法使模型物理条件下具有可解释性,同时能够最大程度的利用已有数据,效果优于使用单一模型预测。经过验证,本发明能够较好的实现流域尺度洪水短期预报工作。
具体地,在步骤S200中,获取所述插补过后的径流量数据具体包括:
将日尺度和三小时尺度水文站径流量数据、雨量站点降雨量数据及流域蒸散发量数据按照求平均值法统一为一小时时间尺度。
利用小时尺度已有观测径流量时间序列获得季节校正序列,再对径流量数据缺失部分按照不同季节分别建立线性回归方程,利用回归方程加上季节因子对每个季节的径流量缺失值进行插补。
具体地,在本发明的实施例当中,所述深度学习模型基于流域各雨量站点的降雨量作为不同的驱动因子,进行流域洪水预报;
所述水文模型基于降水数据集进行雨量站点加权,并采用泰森多边形法则,根据各雨量站点的泰森多边形面积占流域面积的百分比,对各雨量站的降雨量进行加权。
具体地,请参阅图2所示,在步骤S300中,所述超阈值采样技术具体包括:
步骤S310:超阈值样本独立性判别;
所述超阈值样本独立性判别的条件为:同时选取两个连续洪峰的条件为两场洪水过程的洪峰间隔小于两周时间步长;
步骤S320:阈值确定;
所述阈值确定的条件为:平均每年识别1场洪水;
步骤S330:得到所述阈值后,提取每年的超阈值洪水,以得到洪水事件样本。
请参阅图5所示,具体到本发明实施例当中,根据原始观测资料时间覆盖长度,选取并整理出2009年至2011年期间共4场洪水,洪水阈值选取为保证至少每年识别一场洪水事件,利用超阈值采样技术得到选取的洪水事件径流量时间序列分布图。
由此,通过超阈值采样技术,以得到洪水事件样本。
具体地,在步骤S400中,所述水文模型采用站点插值的方法包括:
基于降水数据集进行雨量站点加权,将雨量站点数据加权求和作为所述水文模型的输入变量;
采用泰森多边形法则,根据各雨量站点的泰森多边形面积占流域面积的百分比,对各雨量站的降雨量进行加权。
由于采用深度学习和水文模型建模的方法进行流域洪水预报,深度学习预报模型自身具备较强的学习能力,可直接将各个雨量站点的降雨量作为不同的驱动因子。
具体地,请参阅图3所示,在步骤S400中,所述基于水文模型和深度学习模型,对洪水发生时段的径流量进行回归模拟具体包括:
步骤S410:采用一维CNN神经网络,对输入变量进行卷积学习;
其中,卷积核大小为三,通过训练样本设定四层卷积层和一层最大池化层,最后一层为全连接层进行卷积学习,损失函数为均方误差函数,batchsize为64,迭代次数为100,优化函数为自适应时刻估计算法Adam。
步骤S420:采用LSTM神经网络对模型进行训练,训练中釆用自适应时刻估计算法Adam的优化器和均方误差函数;
本发明实施例中的深度学习模型采用LSTM和CNN两种模型,它们基于keras开发,经过试错确定超参数,对洪水发生时段的径流量进行回归模拟。
步骤S430:基于开源水文模型包(MARRMoT)中的TANK和HYMOD水文模型求解多维无约束的线性优化问题,并通过derivative-free方法找到多变量无约束函数的最小值。
由此,本发明实施例中使用的四种模型包括:一维卷积神经网络模型(CNN)、长短时记忆网络(Long Short Term Memory Network,LSTM)、TANK水文模型和HYMOD水文模型。前两种深度学习模型依托keras深度学习包搭建,水文模型依托matlab平台的开源水文模型包MARRMoT运行。
其中一维CNN神经网络对输入变量进行卷积学习,卷积核大小为三,通过训练样本设定四层卷积层和一层最大池化层,最后一层为全连接层进行卷积学习,损失函数为均方误差函数,batchsize为64,迭代次数为100,优化函数为自适应时刻估计算法(Adam)。
长短时记忆(LSTM)神经网络,模型隐藏层层数为2,每个隐藏层神经元个数为256,模型训练中釆用Adam优化器,batchsize为32,学习率设为0.0001,迭代次数为100,误差函数采用均方误差函数。
水文模型基于开源水文模型包MARRMoT中的TANK和HYMOD水文模型,MARRMoT全名Modular Assessment of Rainfall-Runoff Model Toolbox,是基于Matlab开发的一款概念水文模型的工具包,支持在Octave上运行。
参数设定方法为fminsearch函数,该函数可用来求解多维无约束的线性优化问题,用derivative-free方法可以找到多变量无约束函数的最小值。在水文模型研究领域,fminsearch是一种可以对输入数据进行处理,在循环迭代的过程中,能对数据进行优化以得到模型更高拟合效果的方法。
具体地,在步骤S500中,所述留一交叉验证方法具体包括:
若数据集D的大小为N,用N-1条数据作为训练集进行训练,用剩下的一条数据作为验证集进行验证;
每次从数据集D中选取一组作为验证集,直到所有样本都作过验证集,共计算N次;
对N次验证误差求平均值,以得到最终的精度。
请参阅图4所示,具体到本实施例当中,留一交叉验证方法每个模型我们将得到四组训练数据模拟和四组验证数据模拟,通过对比验证集模型模拟效果,选取模拟效果最好的CNN模型作为最终成果展示。
由此,模型精度验证采用留一交叉验证方法,正常训练都会划分训练集和验证集,训练集用来训练模型,而验证集用来评估模型的泛化能力。而在本发明实施例当中留一交叉验证方法每次只使用一个作为测试集,剩下的全部作为训练集,这种方法得出的结果与训练整个测试集的期望值最为接近。
具体地,在步骤S600中,所述纳什相关系数(NSE)的计算表达式如下:
其中:T代表洪水事件的整个观测时段,时间尺度为小时,t表示洪水事件的某一时刻,Q0指观测值,Qm指模拟值,Qt表示第t时刻的某个值,表示第t时刻的某个观测值,表示第t时刻的某个模拟值,表示观测值的总平取值范围为负无穷至1。
当E接近1,表示模式质量好,模型可信度高;
当E接近0,表示模拟结果接近观测值的平均值水平,即总体结果可信,但过程模拟误差大;
当E远远小于0,则模型是不可信的。
本发明采用纳什相关系数(NSE),通过验证集精度对比,优选最佳模型结果作为流域洪水事件模拟结果,实现在流域尺度上利用气象数据完成对洪水事件小时尺度的短期预测。
具体地,在本发明的实施例当中,根据雨量站点的经纬度位置,采用泰森多变形法,用这个多边形内所包含的一个唯一气象站的降雨强度来表示这个多边形区域内的降雨强度,最后根据各雨量站点的泰森多边形面积占流域面积的百分比对各雨量站降雨量进行加权,得到流域降水量数据。
其中,所述采用泰森多边形法则具体包括:
所有相邻气象站连成三角形,作这些三角形各边的垂直平分线;
将每个三角形的三条边的垂直平分线的交点(也就是外接圆的圆心)连接起来得到一个多边形;
用这个多边形内所包含的一个唯一气象站的降雨量来表示这个多边形区域内的降雨。
在本实施例当中,深度学习模型由于加入了大量相关的输入数据,其模型拟合能力非常突出,卷积神经网络在小时尺度短期洪水预报中取得了最好的模型模拟效果,对于洪水事件的高值和低值都能进行精确的模拟,对洪水事件的细节刻画细致,同时说明洪水事件与前48小时的降水事件和蒸散发情况有很大的相关性。
在流域试验中,我们发现搜集洪水事件信息可能不够全面,导致模拟效果较差;而不同模型都对洪水历时长、频率高的洪水事件预测精度更高。
本发明通过运用多模型模拟流域洪水事件,对比优选最佳预测结果,预测结果更加稳健,预报模型预报精度高、适用能力强、计算简单且易于推广,为流域洪水灾害预报预警研究提供了技术支持,同时模型在物理条件下具有可解释性,能够最大程度的利用已有数据。
请参阅图7所示,本发明实施例还提供一种流域短期洪水事件预测装置,包括:
获取模块,用于获取水循环关键变量的观测站数据,所述水循环关键变量包括降雨量、蒸散发量与径流量;
插补模块,用于获取研究时段内小时尺度的降雨量数据、蒸散发量数据以及插补过后的径流量数据;
识别模块,用于识别所述径流量数据;
模型构建模块,用于对洪水发生时段的径流量进行回归模拟;
精度验证模块,用于对所述水文模型和所述深度学习模型的模型精度进行验证;
洪水预测模块,用于利用气象数据完成对洪水事件小时尺度的短期预测。
本发明实施例还提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述所述的流域短期洪水事件预测方法。
虽然本发明公开披露如上,但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种流域短期洪水事件预测方法,其特征在于,所述预测方法包括:
步骤S100:搜集并下载水循环关键变量的观测站数据,所述水循环关键变量包括降雨量、蒸散发量与径流量;
步骤S200:获取研究时段内小时尺度的降雨量数据、蒸散发量数据以及插补过后的径流量数据;
步骤S300:采用超阈值采样技术对所述径流量数据进行识别;
步骤S400:基于水文模型和深度学习模型,对洪水发生时段的径流量进行回归模拟;
其中,所述深度学习模型采用LSTM神经网络和CNN神经网络;
步骤S500:采用留一交叉验证方法对所述水文模型和所述深度学习模型的模型精度进行验证;
步骤S600:分别采用克林古普塔效率指标和纳什相关系数对比验证所述水文模型和深度学习模型的验证集精度,选择最佳模型结果作为流域洪水事件的模拟结果,实现在流域尺度上利用气象数据完成对洪水事件小时尺度的短期预测。
2.根据权利要求1所述的流域短期洪水事件预测方法,其特征在于,在步骤S200中,获取所述插补过后的径流量数据具体包括:
将以日尺度和三小时尺度度量的水文站径流量数据、雨量站点降雨量数据及流域蒸散发量数据按照求平均值法统一为一小时时间尺度;
利用已有小时尺度观测径流量时间序列获得季节校正序列,再对径流量数据缺失部分按照不同季节分别建立线性回归方程,再利用回归方程加上季节因子对每个季节的径流量缺失值进行插补。
3.根据权利要求1所述的流域短期洪水事件预测方法,其特征在于,在步骤S300中,所述超阈值采样技术具体包括:
步骤S310:超阈值样本独立性判别;
所述超阈值样本独立性判别的条件为:同时选取两个连续洪峰的条件为两场洪水过程的洪峰间隔小于两周时间步长;
步骤S320:阈值确定;
所述阈值确定的条件为:平均每年识别1场洪水;
步骤S330:得到所述阈值后,提取每年的超阈值洪水,以得到洪水事件样本。
4.根据权利要求1所述的流域短期洪水事件预测方法,其特征在于,在步骤S400中,所述水文模型采用站点插值的方法包括:
基于降水数据集进行雨量站点加权,将雨量站点数据加权求和作为所述水文模型的输入变量;
采用泰森多边形法则,根据各雨量站点的泰森多边形面积占流域面积的百分比,对各雨量站的降雨量进行加权。
5.根据权利要求1所述的流域短期洪水事件预测方法,其特征在于,在步骤S400中,所述基于水文模型和深度学习模型,对洪水发生时段的径流量进行回归模拟具体包括:
步骤S410:采用一维CNN神经网络,对输入变量进行卷积学习;
其中,卷积核大小为三,通过训练样本设定四层卷积层和一层最大池化层,最后一层为全连接层进行卷积学习,损失函数为均方误差函数,batchsize为64,迭代次数为100,优化函数为自适应时刻估计算法Adam;
步骤S420:采用LSTM神经网络对模型进行训练,训练中釆用所述自适应时刻估计算法Adam的优化器和均方误差函数;
步骤S430:基于开源水文模型包MARRMoT中的TANK和HYMOD水文模型,求解多维无约束的线性优化问题,并通过derivative-free方法找到多变量无约束函数的最小值。
6.根据权利要求1所述的流域短期洪水事件预测方法,其特征在于,在步骤S500中,所述留一交叉验证方法具体包括:
若数据集D的大小为N,则用N-1条数据作为训练集进行训练,用剩下的一条数据作为验证集进行验证;
每次从数据集D中选取一组作为验证集,直到所有样本都作过验证集,共计算N次;
对N次验证误差求平均值,以得到最终的精度。
8.根据权利要求4所述的流域短期洪水事件预测方法,其特征在于,所述采用泰森多边形法则具体包括:
所有相邻气象站连成三角形,作这些三角形各边的垂直平分线;
将每个三角形的三条边的垂直平分线的交点连接起来得到一个多边形;
用所述多边形内包含的一个唯一气象站的降雨量来表示这个多边形区域内的降雨。
9.一种流域短期洪水事件预测装置,其特征在于,包括:
获取模块,用于获取水循环关键变量的观测站数据,所述水循环关键变量包括降雨量、蒸散发量与径流量;
插补模块,用于获取研究时段内小时尺度的降雨量数据、蒸散发量数据以及插补过后的径流量数据;
识别模块,用于识别所述径流量数据;
模型构建模块,用于对洪水发生时段的径流量进行回归模拟;
精度验证模块,用于对水文模型和深度学习模型的模型精度进行验证;
洪水预测模块,用于利用气象数据完成对洪水事件小时尺度的短期预测。
10.一种终端设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的流域短期洪水事件预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211015607.8A CN115423163A (zh) | 2022-08-24 | 2022-08-24 | 一种流域短期洪水事件预测方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211015607.8A CN115423163A (zh) | 2022-08-24 | 2022-08-24 | 一种流域短期洪水事件预测方法、装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115423163A true CN115423163A (zh) | 2022-12-02 |
Family
ID=84197634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211015607.8A Pending CN115423163A (zh) | 2022-08-24 | 2022-08-24 | 一种流域短期洪水事件预测方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423163A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116011678A (zh) * | 2023-02-13 | 2023-04-25 | 天津大学 | 一种耦合峰值修正的洪水过程自动寻优预报方法 |
CN116502050A (zh) * | 2023-06-25 | 2023-07-28 | 中国农业科学院农业资源与农业区划研究所 | 全球通量站点蒸散发观测缺失的动态插补方法与系统 |
CN116523302A (zh) * | 2023-04-14 | 2023-08-01 | 中国地质大学(武汉) | 一种海洋-内陆干旱事件识别与传播机理分析方法及系统 |
CN116881860A (zh) * | 2023-09-07 | 2023-10-13 | 珠江水利委员会珠江水利科学研究院 | 基于数理统计分析的中小河流洪水预报方法及装置 |
CN117174197A (zh) * | 2023-08-17 | 2023-12-05 | 广东省生态气象中心(珠江三角洲环境气象预报预警中心) | 基于动态有监督机器学习的臭氧污染风险预报方法 |
CN117349795A (zh) * | 2023-12-04 | 2024-01-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于ann和gwr耦合的降水融合方法和系统 |
-
2022
- 2022-08-24 CN CN202211015607.8A patent/CN115423163A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116011678A (zh) * | 2023-02-13 | 2023-04-25 | 天津大学 | 一种耦合峰值修正的洪水过程自动寻优预报方法 |
CN116523302A (zh) * | 2023-04-14 | 2023-08-01 | 中国地质大学(武汉) | 一种海洋-内陆干旱事件识别与传播机理分析方法及系统 |
CN116502050A (zh) * | 2023-06-25 | 2023-07-28 | 中国农业科学院农业资源与农业区划研究所 | 全球通量站点蒸散发观测缺失的动态插补方法与系统 |
CN116502050B (zh) * | 2023-06-25 | 2023-09-15 | 中国农业科学院农业资源与农业区划研究所 | 全球通量站点蒸散发观测缺失的动态插补方法与系统 |
CN117174197A (zh) * | 2023-08-17 | 2023-12-05 | 广东省生态气象中心(珠江三角洲环境气象预报预警中心) | 基于动态有监督机器学习的臭氧污染风险预报方法 |
CN117174197B (zh) * | 2023-08-17 | 2024-02-13 | 广东省生态气象中心(珠江三角洲环境气象预报预警中心) | 基于动态有监督机器学习的臭氧污染风险预报方法 |
CN116881860A (zh) * | 2023-09-07 | 2023-10-13 | 珠江水利委员会珠江水利科学研究院 | 基于数理统计分析的中小河流洪水预报方法及装置 |
CN116881860B (zh) * | 2023-09-07 | 2023-12-19 | 珠江水利委员会珠江水利科学研究院 | 基于数理统计分析的中小河流洪水预报方法及装置 |
CN117349795A (zh) * | 2023-12-04 | 2024-01-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于ann和gwr耦合的降水融合方法和系统 |
CN117349795B (zh) * | 2023-12-04 | 2024-02-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于ann和gwr耦合的降水融合方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115423163A (zh) | 一种流域短期洪水事件预测方法、装置及终端设备 | |
CN111126704B (zh) | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 | |
CN111310968A (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
CN108876021B (zh) | 一种中长期径流预报方法及系统 | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
CN115099500B (zh) | 基于权重修正和drsn-lstm模型的水位预测方法 | |
CN110517488A (zh) | 基于时序分解和循环神经网络的短时交通流预测方法 | |
CN112215393B (zh) | 基于自适应时空尺度选择的降水数值预报后处理订正方法 | |
CN116128141B (zh) | 风暴潮预测方法、装置、存储介质及电子设备 | |
CN111695290A (zh) | 一种适用于变化环境下的短期径流智能预报混合模型方法 | |
CN115495991A (zh) | 一种基于时间卷积网络的降水区间预测方法 | |
CN112884217A (zh) | 一种基于多模型集成的海面高预报方法 | |
CN112396152A (zh) | 一种基于cs-lstm的洪水预报方法 | |
CN112686481A (zh) | 一种径流量预报方法、处理器 | |
CN113505923A (zh) | 一种地区电网短期负荷预测方法及系统 | |
CN113033081A (zh) | 一种基于som-bpnn模型的径流模拟方法及系统 | |
CN116976227B (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
CN117520784A (zh) | 基于卷积注意力长短期神经网络的地下水位多步预测方法 | |
CN110852415B (zh) | 基于神经网络算法的植被指数预测方法、系统及设备 | |
CN116541681A (zh) | 一种基于协同克里金插值的复合灾害空间变异性识别方法 | |
CN115860165A (zh) | 一种考虑初损的神经网络流域降雨径流预报方法及系统 | |
CN113011657A (zh) | 进行台风水位预测的方法、装置、电子设备及存储介质 | |
Cao et al. | Probabilistic runoff forecasting considering stepwise decomposition framework and external factor integration structure | |
CN117634325B (zh) | 资料受限河口区域极值事件识别和复合洪水灾害分析方法和系统 | |
CN117315497B (zh) | 一种大范围河湖总磷含量遥感产品生成方法和系统 |
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 |