CN116432828A - 一种缺资料流域径流量智能预测方法 - Google Patents

一种缺资料流域径流量智能预测方法 Download PDF

Info

Publication number
CN116432828A
CN116432828A CN202310265554.3A CN202310265554A CN116432828A CN 116432828 A CN116432828 A CN 116432828A CN 202310265554 A CN202310265554 A CN 202310265554A CN 116432828 A CN116432828 A CN 116432828A
Authority
CN
China
Prior art keywords
data
model
runoff
basin
hydrologic
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
Application number
CN202310265554.3A
Other languages
English (en)
Inventor
谢李孜
王永桂
陈卓
李强
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.)
Wuhan Qilian Ecological Technology Co ltd
China University of Geosciences
Original Assignee
Wuhan Qilian Ecological Technology Co ltd
China University of Geosciences
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 Wuhan Qilian Ecological Technology Co ltd, China University of Geosciences filed Critical Wuhan Qilian Ecological Technology Co ltd
Priority to CN202310265554.3A priority Critical patent/CN116432828A/zh
Publication of CN116432828A publication Critical patent/CN116432828A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F16/29—Geographical information databases
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • 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
    • G06Q50/06—Energy or water supply
    • 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
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data

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)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Remote Sensing (AREA)
  • Educational Administration (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本发明公开了一种缺资料流域径流量智能预测方法，包括：根据流域之间的相似度评价结果，确定与目标流域相似的流域集，根据流域集的过程驱动模型参数确定目标流域的参数范围，构建缺资料流域的水文过程驱动模型；基于率定验证后的过程驱动模型，生成径流量的模拟时间序列数据，共同构成缺资料流域的流域类型‑模型参数‑径流量数据矩阵，依据该数据矩阵构建预训练数据集，用以训练引入径流量过程知识的深度学习模型；用历史实测数据训练预训练完成后的模型，得到最终的物理引导的深度学习模型，并输出目标时段内的径流量指标预测数据。本发明解决了深度学习方法用于无资料流域径流量预测中缺乏物理意义、精度不高、可迁移性差等问题。

Description

一种缺资料流域径流量智能预测方法
技术领域
本发明涉及水文预测领域，尤其涉及一种缺资料流域径流量智能预测方法。
背景技术
径流量预测一直是水文学研究的重点之一，可为流域水旱灾害防治、库群安全经济运行、水资源科学分配及社会可持续发展等提供重要决策支撑。其精度依赖于水文模型的构建。水文模型是对复杂水文过程进行概化的科学模型，是径流预报研究的重点及核心之一，按照建模基本原理可其分为具有物理机制的水文模型和数据驱动模型。
传统的降雨-径流模型是基于水文的物理过程来估算流量，可以考虑土地利用、坡度、土壤和气候的空间变异性，成功的物理水文建模通常需要准确的输入，如降水和流量数据。但是，高精度的水文和气象站不能部署在偏远地区。此外，由于资金的限制，许多发展中国家水文监测和预报信息的水文和气象观测站非常有限，且蒸发、入渗和地下水流等水文循环的组成部分难以测量。这意味着在缺资料流域的径流量模拟和预测是水文学家面临的最重要和最具挑战性的问题之一。
随着观测数据的增多和计算能力的提升，数据驱动模型也被应用于径流量预测。如专利CN112801416A发布了一种基于多维水文信息的LSTM流域径流量预测方法。专利CN112818608A公开了一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法。专利CN111275253B公开了一种融合DNN和误差校正的径流概率性预测方法及系统。但是大多数深度学习模型只能捕获变量之间的相关性，它们无法理解因果关系，也就是说深度学习模型可以很好地拟合观测数据，但预测可能在物理上不一致，轻微的扰动也可能导致较大的变化。专利CN113379029B，实现了物理定律与深度学习模型相结合进行水质预测，但仅限于将物理定律运用到深度学习模型中，对物理机制的运用比较片面，且对于资料匮乏地区缺乏相似性分类，不利于迁移学习。
发明内容
有鉴于此，为了可以更好地实现缺资料地区的数据和径流量预测模型的迁移使用，克服了原有无资料流域径流量预测中数据缺少的问题，本发明提出一种缺资料流域径流量智能预测方法，包括以下步骤：
S1、利用水文相似性原则，根据地理环境特点，对流域之间的相似度进行评价；
S2、根据流域之间的相似度评价结果，确定与缺资料目标流域相似的流域集，并确定缺资料目标流域过程驱动模型的参数，构建缺资料目标流域的水文过程驱动模型，并对过程驱动模型进行参数率定，确定可用的参数范围；
S3、使用S2中率定完成的过程驱动模型根据参数范围随机生成模型参数，输出得到径流量的模拟时间序列数据，共同构成缺资料流域的流域类型-模型参数-径流量数据矩阵，并依据该数据矩阵构建预训练数据集；
S4、将径流量的过程知识引入深度学习模型A，得到深度学习模型B，并将预训练数据集标准化后输入深度学习模型B进行物理引导深度学习模型B的预训练，同时对深度学习模型B的参数进行优化，得到预训练完成后的模型；
S5、根据径流量历史实测数据训练S4中预训练完成后的模型，并对优化后的参数进行微调，得到物理引导的深度学习模型C；
S6、在S5的模型C中输入当前或历史实测的气候、径流量时间序列数据，输出得到目标时段内的径流量预测数据。
本发明提供的技术方案带来的有益效果是：
(1)本发明将物理知识植入到深度学习模型中，增加了深度学习网络的物理意义，实现了深度学习模型和水文模型的物理一致性，突出了深度学习和物理机理之间的共生整合：水文模型为数据驱动模型解决了数据短缺的问题，水文模型中的知识赋予了深度学习模型物理感知能力，这种数据和知识的耦合可提高径流量预测的准确度以及迁移鲁棒性，增强跨流域转移能力；
(2)相较于单一的深度学习方法，设置了基于径流量的过程知识，考虑了降雨-径流过程的物理机理，解决了深度学习方法用于无资料流域径流量预测中缺乏物理意义、精度不高、可转移性差等问题；相比于过程驱动模型，PGDL模型需要更少的边界条件和实测数据，就可以实现预测精度高、鲁棒可移植性强和推断未观察过程的智能性等优势；
(3)本发明针对缺资料地区建立了物理引导深度学习模型，克服了缺资料地区的数据局限性，提高了缺资料地区径流量预报能力，进而可为缺资料地区的洪水预报预警提供一种新思路。
附图说明
图1是本发明一种缺资料流域径流量智能预测方法的流程图；
图2是本发明实施例一种基于水量平衡的过程驱动EFDC-LSTM模型对缺资料流域的径流量进行预测的流程框图；
图3是本发明实施例模拟各种模型搭建的具体流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
本实例选定长江流域的缺资料子流域为研究对象，提出一种缺资料流域径流量智能预测方法，本发明一种缺资料流域径流量智能预测方法的流程参考图1，本发明实施例一种基于水量平衡的过程驱动EFDC-LSTM模型对缺资料流域的径流量进行预测的流程框图参考图2，本发明实施例模拟各种模型搭建的具体流程图参考图3。
本实施例的方法包括以下步骤：
S1、利用水文相似性原则，根据地理环境特点，对流域之间的相似度进行评价。
具体步骤如下：
S11、根据流域的产汇流、气候和下垫面的因素特征，选择产汇流指标、气候指标、下垫面指标作为水文相似性评价指标；并计算所述水文相似性评价指标的相似元值，其计算公式为：
Figure BDA0004132922470000041
其中，当流域A、B的水文相似要素分别为要素ai与要素bi，水文指标值分别为ya与yb时，记水文相似元值为ui(ai,bi)。
本实施例中，产汇流指标包括径流系数、流量历时曲线斜率、基流指数等；气候指标包括降水、蒸发、气温、干旱指数等；下垫面指标包括河网密度、土地利用、高程、土壤含水量等。这些指标并不是简单的罗列关系，而是各指标之间相互联系、共同作用形成的有机组合，且指标不是一成不变的，需要根据流域的统计相似、自相似、动态相似、评价目的来选择。
S12、使用聚类分析法、层次分析法或者主成分分析法对各水文相似性评价指标进行赋权，得到各指标的权值。
S13、根据S11中的相似元值和S12中的权值代入流域水文相似度计算公式，计算流域两两之间的水文相似度，再结合水文相似度评价表，得到流域之间的相似度评价结果，水文相似度计算公式如下：
Figure BDA0004132922470000051
其中，m为流域A中水文要素组成数，n为流域B水文要素组成数，k为流域A、B之间相似水文要素个数，q(ui)为相似元值，βi为水文相似指标的权重，βi∈[0,1]，且∑βi＝1。
本实施例选用长江流域缺资料子流域的流域面积、土地利用、河网平均长度、平均地形指数、流量历时曲线斜率作为评价水文相似性的评价指标，利用流域的DEM(数字高程模型)并结合ArcGIS软件中的CalMorph模块计算出子流域的河长率、面积率等，结合多年平均降雨数据和土地利用数据计算水文相似元值以及各相似指标的权重，再计算并确定流域的水文相似性结果。
S2、根据流域之间的相似度评价结果，确定与目标流域相似的流域集，再根据流域集的过程驱动模型参数确定目标流域的参数，构建缺资料流域的水文过程驱动模型，并对过程驱动模型进行参数率定，确定可用的参数范围。
上述的水文过程驱动模型可以为HSPF、EFDC、WASP、SWAT、QUAL2K、MIKE等数值模拟模型。
具体步骤如下：
S21、根据S1中的水文相似性评价结果，确定水文资料可以移植到目标流域的流域集，将流域集的过程驱动模型参数移植到目标流域，或使用回归模型建立模型参数与流域属性之间的回归关系，将回归关系移植到目标流域，再计算得到目标流域的模型参数；
S22、使用上述模型参数，构建该流域的过程驱动模型，输出得到径流量的模拟数据；
S23、使用历史实测水文气候数据对过程驱动模型的参数进行率定，直到径流量模拟值与实测值的一致性最好，确定各参数的阈值范围。
本实施例中，通过将与缺资料流域相似的流域集的EFDC模型参数进行直接移植或参数平均，确定缺资料流域的模型参数，构建EFDC过程驱动模型，模拟得到缺资料流域的径流量数据，并使用平均相对误差、纳什效率系数(NSE)、决定系数(R2)对模拟的径流量数据与实测数据之间的一致性进行评定，完成对模型的湍流参数、粗糙高度等参数的率定验证，确定EFDC模型各参数的阈值范围。
S3、使用S2中率定完成的过程驱动模型根据参数范围随机生成模型参数，输出得到径流量的模拟时间序列数据，共同构成缺资料流域的流域类型-模型参数-径流量数据矩阵，并依据该数据矩阵构建预训练数据集。
S31、使用S23中率定验证后的过程驱动模型，根据各参数范围随机生成模型参数组合，模拟得到径流量数据集；
S32、将S31生成的参数和径流量数据构成缺资料流域的流域类型-模型参数-径流量数据矩阵，并按照一定比例划分为训练集、验证集，将其作为数据驱动预训练模型的输入数据集。
本实施例中，根据随机生成的模型参数构建EFDC模型，模拟生成径流量数据，将其按照一定的比例分为LSTM预训练模型的训练集、验证集和测试集。
S4、将径流量的过程知识引入深度学习模型A，得到深度学习模型B，并将预训练数据集标准化后输入深度学习模型B进行物理引导深度学习模型B的预训练，同时对深度学习模型B的参数进行优化，得到预训练完成后的模型。其中，深度学习模型包括但不限于LSTM、RNN、CNN等深度学习模型。
S41、在理论过程中识别出径流量的物理约束，如水量平衡、能量平衡、边界条件、变量之间的单调性等，并简化为等式约束或不等式约束；
S42、对于等式约束，一般是守恒方程或物理定律，水量平衡、能量平衡使用等式约束，如公式1，将其引入深度学习模型B中的损失函数，当违反该等式时，在每个时间步上惩罚模型B性能。
F(x,y)＝0(3)
对于不等式约束，一般是变量之间的单调关系，如公式10。
本实施例中，使用ReLU函数作为深度学习模型B的激活函数，将公式(10)转换为具体损失值，添加到损失函数中。
G(x,y)≥0(4)
公式(3)、(4)表示目标变量与其他物理变量之间物理关系的一般形式，这些基于物理的方程必须满足与其他损失函数项相同的标准，即连续和可微。
综上的物理约束的数学公式表达如下：
Figure BDA0004132922470000071
添加物理约束的损失函数的一般形式如公式：
Figure BDA0004132922470000072
其中，x为与目标变量有联系的其他物理变量；y为目标变量；
Figure BDA0004132922470000073
为模型B对目标变量的预测值；ReLU函数为深度学习模型B的激活函数；/>
Figure BDA0004132922470000074
为模型B的经验误差；R(f)为模型B的结构误差；λ为权重超参数；λphy为物理约束损失项的权重超参数。
本实施例中，根据水量平衡的物理定律(简化后的公式如公式(7)所示)，以及降雨和径流之间的单调关系修改LSTM的损失函数，如公式(8)所示，对违反水量平衡定律的预测结果进行惩罚，实现对LSTM模型的物理约束。
Figure BDA0004132922470000081
Figure BDA0004132922470000082
Figure BDA0004132922470000083
Figure BDA0004132922470000084
其中nt为输入时间序列长度；yt为第t个时间段的径流量；rt为第t个时间段的降雨量；Δt为时段初至时段末的间隔时间；ΔW为时段初至时段末的水量变化；Et为第t个时间段的蒸散发量；y为径流量观测值；
Figure BDA0004132922470000085
为径流量预测值；f为LSTM的模拟函数；Δr为降雨量变化量；ReLU函数为深度学习模型的激活函数；/>
Figure BDA0004132922470000086
为该模型的经验误差；R(f)为模型的结构误差；λ为权重超参数；λphy为物理约束损失项的权重超参数。
S5、根据径流量历史实测数据训练S4中预训练完成后的模型，并对优化后的参数进行微调，得到物理引导的深度学习模型C。模型C具有很强的可推广性和迁移性，可根据步骤S2中提供的不同类型的流域，对步骤S3中的过程驱动模型和步骤S4中的物理引导深度学习预训练模型B的参数进行调整，进而生成适用于不同流域的物理引导的深度学习模型。
本实施例中，使用S4中进行物理约束后的LSTM模型进行预训练，其输入为随机生成的水文、气候及时间等输入变量的模拟时间序列数据，以及EFDC模型模拟的径流量训练集，输出为径流量的预训练模拟结果，通过观察预训练模拟结果与EFDC模拟的验证集的RMSE、MAE、NSE，来优化LSTM模型的超参数，表现最佳的模型即为PGDL预训练模型，即模型B。
S6、在S5的模型C中输入当前或历史实测的气候、径流量时间序列数据，输出得到目标时段内的径流量预测数据。
本实施例中，将当前时刻实测的水文、气候等数据输入PGDL预训练模型，对PGDL预训练模型进行训练，调整优化模型的网络连接权重和偏置，得到最终的PGDL模型，并且输出得到未来预设时间的缺资料地区的径流量模拟值。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种缺资料流域径流量智能预测方法，其特征在于，包括以下步骤：
S1、利用水文相似性原则，根据地理环境特点，对流域之间的相似度进行评价；
S2、根据流域之间的相似度评价结果，确定与缺资料目标流域相似的流域集，并确定缺资料目标流域过程驱动模型的参数，构建缺资料目标流域的水文过程驱动模型，并对过程驱动模型进行参数率定，确定可用的参数范围；
S3、使用S2中率定完成的过程驱动模型根据参数范围随机生成模型参数，输出得到径流量的模拟时间序列数据，共同构成缺资料流域的流域类型-模型参数-径流量数据矩阵，并依据该数据矩阵构建预训练数据集；
S4、将径流量的过程知识引入深度学习模型A，得到深度学习模型B，并将预训练数据集标准化后输入深度学习模型B进行物理引导深度学习模型B的预训练，同时对深度学习模型B的参数进行优化，得到预训练完成后的深度学习模型；
S5、根据径流量历史实测数据训练S4中预训练完成后的深度学习模型，并对优化后的参数进行微调，得到物理引导的深度学习模型C；
S6、在S5的模型C中输入当前或历史实测的气候、径流量时间序列数据，输出得到目标时段内的径流量预测数据。
2.根据权利要求1所述的一种缺资料流域径流量智能预测方法，其特征在于，步骤S1具体为：
S11、根据流域的产汇流、气候和下垫面的因素特征，选择产汇流指标、气候指标、下垫面指标作为水文相似性评价指标；并计算水文相似性评价指标的相似元值，其计算公式为：
Figure FDA0004132922460000011
其中，ya为流域A的水文相似要素ai的水文指标值，yb为流域B的水文相似要素bi的水文指标值；
S12、使用聚类分析法、层次分析法或者主成分分析法对各水文相似性评价指标进行赋权，得到各指标的权值；
S13、根据S11中的相似元值和S12中的权值代入流域水文相似度计算公式，计算流域两两之间的水文相似度，再结合水文相似度评价表，得到流域之间的相似度评价结果，水文相似度计算公式如下：
Figure FDA0004132922460000021
其中，m为流域A中水文要素组成数，n为流域B水文要素组成数，k为流域A、B之间相似水文要素个数，βi为水文相似指标的权重，βi∈[0,1]，且∑βi＝1。
3.根据权利要求2所述的一种缺资料流域径流量智能预测方法，其特征在于，所述产汇流指标包括径流系数、流量历时曲线斜率、基流指数；所述气候指标包括降水量、潜在蒸散发量、气温、干旱指数；所述下垫面指标包括河网密度、土地利用、高程、土壤含水量。
4.根据权利要求1所述的一种缺资料流域径流量智能预测方法，其特征在于，步骤S2具体为：
S21、根据S1中的水文相似性评价结果，确定水文资料可以移植到目标流域的流域集，将流域集的过程驱动模型参数移植到目标流域；或使用回归模型建立模型参数与流域属性之间的回归关系，将回归关系移植到目标流域，并计算得到目标流域的模型参数；
S22、使用目标流域的模型参数，构建目标流域的过程驱动模型，输出得到径流量的模拟数据；
S23、使用历史实测水文、气候数据对过程驱动模型的参数进行率定，直到径流量模拟值与实测值的一致性最好，确定各参数的阈值范围。
5.根据权利要求1所述的一种缺资料流域径流量智能预测方法，其特征在于，步骤S3具体为：
S31、使用率定后的过程驱动模型，根据各参数范围随机生成模型参数组合，模拟得到径流量数据集；
S32、将S31生成的参数和径流量数据构成缺资料流域的流域类型-模型参数-径流量数据矩阵，并按照一定比例划分为训练集、验证集，将其作为数据驱动预训练模型的输入数据集。
6.根据权利要求1所述的一种缺资料流域径流量智能预测方法，其特征在于，步骤S4具体为：
S41、识别径流量的物理约束，包括水量平衡、能量平衡、边界条件、变量之间的单调性，并简化为等式约束或不等式约束；
S42、水量平衡、能量平衡使用等式约束，数学公式表达如下：
F(x,y)＝0(3)
将其引入深度学习模型B中的损失函数，当违反该等式时，在每个时间步上惩罚模型B性能；
变量之间的单调关系使用不等式约束，数学公式表达如下：
G(x,y)≥0(4)
并使用ReLU函数转换为具体损失值，添加到损失函数中；
综上的物理约束的数学公式表达如下：
Figure FDA0004132922460000031
添加物理约束的损失函数的一般形式如公式：
Figure FDA0004132922460000032
其中，x为与目标变量有联系的其他物理变量；y为目标变量；
Figure FDA0004132922460000033
为模型B对目标变量的预测值；ReLU函数为深度学习模型B的激活函数；/>
Figure FDA0004132922460000034
为模型B的经验误差；R(f)为模型B的结构误差；λ为权重超参数；λphy为物理约束损失项的权重超参数。
CN202310265554.3A 2023-03-17 2023-03-17 一种缺资料流域径流量智能预测方法 Pending CN116432828A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310265554.3A CN116432828A (zh) 2023-03-17 2023-03-17 一种缺资料流域径流量智能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310265554.3A CN116432828A (zh) 2023-03-17 2023-03-17 一种缺资料流域径流量智能预测方法

Publications (1)

Publication Number Publication Date
CN116432828A true CN116432828A (zh) 2023-07-14

Family

ID=87091739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310265554.3A Pending CN116432828A (zh) 2023-03-17 2023-03-17 一种缺资料流域径流量智能预测方法

Country Status (1)

Country Link
CN (1) CN116432828A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117057174A (zh) * 2023-10-13 2023-11-14 长江三峡集团实业发展(北京)有限公司 一种缺资料地区径流预测的方法
CN117272813A (zh) * 2023-09-26 2023-12-22 长春师范大学 一种基于水平衡约束深度学习的土壤湿度预测方法
CN117763970A (zh) * 2023-12-26 2024-03-26 水利部交通运输部国家能源局南京水利科学研究院 基于图像深度学习的稀缺资料地区水文模型参数重建方法
CN118036509A (zh) * 2024-04-02 2024-05-14 中国地质大学（北京） 一种用于植入水文动力学过程表示的网络架构设计方法、系统与介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117272813A (zh) * 2023-09-26 2023-12-22 长春师范大学 一种基于水平衡约束深度学习的土壤湿度预测方法
CN117272813B (zh) * 2023-09-26 2024-04-30 长春师范大学 一种基于水平衡约束深度学习的土壤湿度预测方法
CN117057174A (zh) * 2023-10-13 2023-11-14 长江三峡集团实业发展(北京)有限公司 一种缺资料地区径流预测的方法
CN117057174B (zh) * 2023-10-13 2024-01-26 长江三峡集团实业发展(北京)有限公司 一种缺资料地区径流预测的方法
CN117763970A (zh) * 2023-12-26 2024-03-26 水利部交通运输部国家能源局南京水利科学研究院 基于图像深度学习的稀缺资料地区水文模型参数重建方法
CN118036509A (zh) * 2024-04-02 2024-05-14 中国地质大学（北京） 一种用于植入水文动力学过程表示的网络架构设计方法、系统与介质

Similar Documents

Publication Publication Date Title
CN116432828A (zh) 一种缺资料流域径流量智能预测方法
CN114254561B (zh) 一种内涝预测方法、系统及存储介质
CN109840587B (zh) 基于深度学习的水库入库流量预测方法
Coulibaly et al. Downscaling precipitation and temperature with temporal neural networks
CN107463730B (zh) 一种考虑土地利用时空演变的径流变化归因识别方法
CN110619432B (zh) 一种基于深度学习的特征提取水文预报的方法
Sanikhani et al. Estimation of daily pan evaporation using two different adaptive neuro-fuzzy computing techniques
CN101480143B (zh) 一种预测灌区作物单产量的方法
CN108304668A (zh) 一种结合水文过程数据和历史先验数据的洪水预测方法
CN107292098A (zh) 基于前期气象因子与数据挖掘技术的中长期径流预报方法
Sivapragasam et al. Flow categorization model for improving forecasting
CN113569438B (zh) 基于多源降雨融合和实时校正的城市洪涝模型构建方法
Wang et al. Evaluation of compaction quality based on SVR with CFA: case study on compaction quality of earth-rock dam
Wu et al. Local and global Bayesian network based model for flood prediction
CN115654381A (zh) 一种基于图神经网络的供水管道漏损检测方法
CN114372631A (zh) 一种基于小样本学习和lstm的缺资料地区径流预测方法
CN110263293A (zh) 一种基于小波变换和联合概率分布的水文预报方法
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
CN111199298A (zh) 基于神经网络的洪水预报方法与系统
Kumar et al. GIUH based Clark and Nash models for runoff estimation for an ungauged basin and their uncertainty analysis
CN116308579B (zh) 基于粒子群-svm的工程造价确定方法、系统及产品
Chen et al. Urban inundation rapid prediction method based on multi-machine learning algorithm and rain pattern analysis
CN117236552A (zh) 一种基于多层级指标体系的区域需水量预测方法
Zhang et al. DeepCSO: forecasting of combined sewer overflow at a citywide level using multi-task deep learning
CN116205136A (zh) 基于径流滞后信息的大尺度流域深度学习洪水预报方法

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