CN116562414A - 一种基于多源水文气象数据的陆地水储量变化预测方法 - Google Patents
一种基于多源水文气象数据的陆地水储量变化预测方法 Download PDFInfo
- Publication number
- CN116562414A CN116562414A CN202310007424.XA CN202310007424A CN116562414A CN 116562414 A CN116562414 A CN 116562414A CN 202310007424 A CN202310007424 A CN 202310007424A CN 116562414 A CN116562414 A CN 116562414A
- Authority
- CN
- China
- Prior art keywords
- data
- land water
- water reserve
- land
- degree
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 148
- 230000008859 change Effects 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000001556 precipitation Methods 0.000 claims abstract description 11
- 238000001704 evaporation Methods 0.000 claims abstract description 8
- 230000008020 evaporation Effects 0.000 claims abstract description 5
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 13
- 239000003673 groundwater Substances 0.000 claims description 13
- 238000011160 research Methods 0.000 claims description 12
- 230000036772 blood pressure Effects 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013316 zoning Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 230000005068 transpiration Effects 0.000 claims 1
- 238000013277 forecasting method Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明请求保护一种基于多源水文气象数据的陆地水储量变化预测方法，涉及陆地水储量变化数据降尺度及预报方法领域，包括：获取低精度空间分辨率(1°×1°)的GRACE陆地水储量变化数据，下载高精度空间分辨率(0.1°×0.1°)的ERA5‑land和EB‑ET模型的水文气象数据，包括月降水量、蒸散发量、地面径流量，并构建陆地水量平衡方程，计算得到基于模型的陆地水储量变化数据；之后，计算基于模型的陆地水储量变化和GRACE反演的陆地水储量变化的差值，叠加在基于模型计算得到的陆地水储量变化上，作为降尺度的陆地水储量变化数据。本发明依托多源免费数据计算得到较为准确地获得高精度陆地水储量变化数据，可以解决GRACE陆地水储量变化数据低空间分辨率只能应用在大尺度的空间范围内的限制，实现在小区域或小流域范围内的准确地应用高精度陆地水储量变化数据。
Description
技术领域
本发明涉及基于多源水文气象数据的陆地水储量变化预测方法领域，特别涉及一种基于多源水文气象数据的陆地水储量变化预测方法。
背景技术
中国的陆地水资源的时空分布极为不均，受到气象、水文、等因素影响较大。陆地水储量作为水文循环中不可或缺的一部分，其研究对水资源管理、防洪减灾等有重要意义。目前，对陆地水储量的监测主要依靠遥感卫星反演、实地监测和模型模拟三种方法。但由于技术、地形环境等限制，上述方法监测的陆地水储量在许多区域效果欠佳。GRACE重力卫星的出现，利用其在极地轨道上的微波测距系统精确测量两颗卫星之间的距离，从而绘制出地球重力场，进而得到水储量变化，为水资源方面研究所需的陆地水储量数据提供了支持。但是，目前的GRACE陆地水储量变化数据分辨率较低(1°
×1°)，在中小尺度流域上的应用困难，使用合理的技术方法对GRACE低分辨率数据进行降尺度意义重大，而目前有关GRACE数据降尺度方面的方法较少，且多数方法原理复杂，数据要求高、难以获取，GRACE水储量变化数据的降尺度问题依旧是当前的一个技术难点。此外，未来陆地水储量变化的预测也鲜有人研究，是目前研究的难点。
发明内容
本发明的目的在于提供一种基于多源水文气象数据的陆地水储量变化预测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于多源水文气象数据的陆地水储量变化预测方法：
1、获取低精度空间分辨率(1°×1°)的GRACE陆地水储量数据，并将该数据作为基于GRACE的原始陆地水储量数据集进行储存，记为TWG；
2、获取高精度空间分辨率(0.1°×0.1°)的ERA5-LAND模型的数据，并针对数据进行初步的预处理，解析出研究范围内的月降水量、地表径流量数据；
3、获取高精度空间分辨率(0.1°×0.1°)的EB-ET模型的蒸散发数据，并提取处研究区范围内的月蒸散发数据；
4、建立陆地水量平衡方程，陆地水储量数据＝降水量-蒸散发量-地表径流量；
5、利用上述模型的月尺度降水、蒸散发、地表径流数据，基于陆地水量平衡方程求解出基于模型的陆地水储量，空间分辨率为0.1°×0.1°，并将该数据作为基于模型的陆地水储量数据集进行储存，记为TWM；
6、针对每个网格，计算基于模型的陆地水储量数据和基于GRACE的原始陆地水储量数据的距平值，得到两者的逐月陆地水储量变化量，分别记为TWMC和TWGC；
7、利用步骤2、步骤3、步骤6的数据，构建陆地水储量变化降尺度模型，对低分辨率的陆地水储量变化数据进行降尺度，得到高分辨率陆地水储量变化数据；
8、获取研究范围所有的地下水位数据，并筛选出不同网格内所有地下水位数据；
9、构建一种新型复合综合指数，进行对比分析，对降尺度之后的高精度陆地水储量数据进行最终的评估。
10、分区域构建陆地水储量变化预测模型，预测未来的陆地水储量变化数据。
进一步的，步骤7所述的陆地水储量变化降尺度模型，具体步骤为：
(1)每个1°×1°的大网格包括100个0.1°×0.1°的小网格，将同一大网格内所有小网格的TWMC求平均值，升尺度到分辨率为1°×1°的网格上，记为TWMC平均；
(2)计算同为1°×1°空间分辨率的TWGC与TWMC平均之间的差值，记为ΔTWC；
(3)计算大网格面积与小网格面积的比值α，即100；
(4)计算大网格范围内所有小网格TWMC的总和，记为TWMC总；
(5)计算降尺度之后的陆地水储量变化数据，其公式为：TWGC-ΔTWC×(100×TWMC平均/TWMC总)，记为TWGC降；
(6)TWGC降就是降尺度得到的高分辨率陆地水储量变化数据；
进一步的，步骤9所述的一种新型复合综合指数，具体步骤为：
(1)计算降尺度前后的陆地水储量变化与地下水位变化之间的相对误差PBIAS、归一化的均方误差、时间相关系数r、空间kappa相似指数k，其计算公式如下；
式中，xi为地下水位变化值，yi为陆地水储量变化值，RMSEmin为RMSE的最小值，RMSEmax为RMSE的最大值，n为数据个数。
式中：P0是分类的总体精度，表示CMADS里实测数据与降尺度数据一致的概率；Pe表示由于偶然机会造成的降尺度结果与实测数据相一致的概率；Pii为第i类型的被正确分类的样本数目；n为分类的类型数量；N为样本总数：Pi+是第i类型的实测数据个数之和，P+i是第i类的降尺度结果数据个数之和。通过以上各种描述性的精度值，当降尺度结果与实际完全一致时，Kappa系数的值即为1。
(2)通过熵权法确认各指标的权重；
式中：Ei表示第i个数据的信息熵，Wi表示第i个评价指标的权重，n表示评价指标数，Rij表示第i行第j列元素的秩。
(3)定义一个新型复合综合指数RSR，其计算公式如下：
式中：Rj表示第j个评价指标的值。
(4)RSR值的范围为0-1之间，按照下表的分类标准，对比计算的RSR值，评定降尺度陆地水储量变化优劣程度。
进一步的，步骤10所述的陆地水储量变化预测模型，包括基于双曲正切函数多层感知器神经网络模型，具体步骤为：
(1)下载MODIS的NDVI数据，及北大西洋涛动指数NAOI、北极涛动指数AOI等88项大气环流因子数据，尺度为月尺度；
(2)将步骤12计算得到的TWGC降作为因变量，步骤13下载的NDVI等数据作为协变量，设定神经网络模型中的训练样本比例为70％，验证样本比例为30％；
(3)本多层感知器神经网络模型采用双曲正切函数作为激活函数，输出层计算出所有神经元节点的总误差，并将此误差反向传播，按照其负梯度对各层之间的权重值进行矫正，即为一次学习的过程。其中，通向最优解前进的速度即为一次学习步长。学习率过大将会导致最终结果在最优解附近不断振荡，却始终无法到达最优解；学习率过小将会导致迭代次数的不必要增加。如此往复，神经网络模型最终获得全局最优解；
(4)通过多层感知器神经网络模型预测得到未来陆地水储量变化数据。
本发明的技术效果和优点：
(1)本发明提供一种基于多源水文气象数据的陆地水储量变化降尺度和预测技术方法，降尺度和预测技术所需要的所有数据均可以从网上免费下载获取，成功避免了其他方法数据难以获取的弊端，可推广性高；而且降尺度和预测技术计算方法简单，且可以将精度有效提高100倍，精度提高力度较大，成功避免了其他方法计算方法繁琐，工作量大的问题。
(2)本发明提供一种基于多源水文气象数据的陆地水储量变化降尺度和预测技术来解决上述背景技术中提出的问题。
(3)本发明提出一种融合多源水文气象信息的陆地水储量变化降尺度及预测技术方法，通过构建陆地水量平衡方程，计算得到基于模型的陆地水储量变化数据；之后，计算基于模型的陆地水储量变化和GRACE反演的陆地水储量变化的差值，叠加在基于模型计算得到的陆地水储量变化上，作为初步降尺度的陆地水储量变化数据；并利用地下水位数据对计算得到的陆地水储量变化数据进行对比验证评估；再构建多层感知器神经网络模型，对初步降尺度的陆地水储量变化数据进行预测，得到未来的高精度陆地水储量变化数据；后本发明依托多源免费数据计算得到较为准确地获得高精度陆地水储量变化数据，可以解决GRACE陆地水储量变化数据低空间分辨率只能应用在大尺度的空间范围内的限制，实现在小区域或小流域范围内的准确地应用高精度陆地水储量变化数据，具有很好的应用前景。
(4)本发明的优势所在是：所需要的所有数据均可以从网上免费下载获取，成功避免了其他方法数据难以获取的弊端，可推广性高；计算方法简单，且可以将精度有效提高100倍，精度提高力度较大，成功避免了其他方法计算方法繁琐，工作量大的问题。完全基于软件计算的模型，无需外接硬件设备的支持；降尺度过程中，综合考虑降水、蒸散发、径流等因素的影响；既可以对陆地水储量变化进行降尺度，又可以预测未来的陆地水储量变化，更加全面；预测模型整体基于多层感知器神经网络模型，输入的数据具有良好的多个维度，预测得到未来陆地水储量变化数据，可以合理考虑多尺度时空数据对陆地水储量变化预测的影响。本发明可以很好地结合网络上公开的多源水文气象数据对低分辨率的陆地水储量变化数据进行降尺度，有效解决了低分辨率陆地水储量变化数据不能应用在局部地区或者流域的劣势。同时引入基于多层感知器神经网络模型，结合88项大气环流因子数据和遥感NDVI指数，构建了陆地水储量变化数据的预测模型，对未来的陆地水储量变化数据进行合理地预测。
附图说明
图1为本发明的流程示意图。
图2为本发明实施例中降尺度前后数据在各大流域的对比示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了如图1-2所示的一种基于多源水文气象数据的陆地水储量变化预测方法：
如图1所示，本文发明了一种融合多源水文气象信息的陆地水储量变化降尺度及预测技术方法，该方法具体包括以下步骤：
步骤1：获取低精度空间分辨率(1°×1°)的GRACE陆地水储量数据，并将该数据作为基于GRACE的原始陆地水储量数据集进行储存，记为TWG，执行步骤2；
步骤2：获取高精度空间分辨率(0.1°×0.1°)的ERA5-LAND模型的数据，并针对数据进行初步的预处理，解析出研究范围内的月降水量、地表径流量数据，执行步骤3；
步骤3：获取高精度空间分辨率(0.1°×0.1°)的EB-ET模型的蒸散发数据，并提取处研究区范围内的月蒸散发数据，执行步骤4；
步骤4：建立陆地水量平衡方程，陆地水储量数据＝降水量-蒸散发量-地表径流量，执行步骤5；
步骤5：利用上述模型的月尺度降水、蒸散发、地表径流数据，基于陆地水量平衡方程求解出基于模型的陆地水储量，空间分辨率为0.1°×0.1°，并将该数据作为基于模型的陆地水储量数据集进行储存，记为TWM，执行步骤6；
步骤6：针对每个网格，计算基于模型的陆地水储量数据TWM和基于GRACE的原始陆地水储量数据TWG的距平值，得到两者的逐月陆地水储量变化量，分别记为TWMC和TWGC，执行步骤7；
距平值的计算，以TMWC为例，则其中，i＝1、2、3、…、n，TWGC的计算方式相同。
步骤7：利用步骤2、步骤3、步骤6的数据，构建陆地水储量变化降尺度模型，对低分辨率的陆地水储量变化数据进行降尺度，得到高分辨率陆地水储量变化数据，执行步骤8；
所述的陆地水储量变化降尺度模型，具体实施方式为：
每个1°×1°的大网格包括100个0.1°×0.1°的小网格，将同一大网格内所有小网格的TWMC求平均值，升尺度到分辨率为1°×1°的网格上，记为TWMC平均；计算同为1°×1°空间分辨率的TWGC与TWMC平均之间的差值，记为ΔTWC；计算大网格面积与小网格面积的比值α，即100；计算大网格范围内所有小网格TWMC的总和，记为TWMC总；计算降尺度之后的陆地水储量变化数据，其公式为：TWGC-ΔTWC×(100×TWMC平均/TWMC总)，记为TWGC降；TWGC降就是降尺度得到的高分辨率陆地水储量变化数据；
步骤8：获取研究范围所有的地下水位数据，并筛选出不同网格内所有地下水位数据，执行步骤9；
步骤9：构建一种新型复合综合指数，进行对比分析，对降尺度之后的高精度陆地水储量数据进行最终的评估，如图2所示，执行步骤10。
所述的一种新型复合综合指数，首先计算降尺度前后的陆地水储量变化与地下水位变化之间的相对误差PBIAS、归一化的均方误差、时间相关系数r、空间kappa相似指数k，其计算公式如下；
式中，xi为地下水位变化值，yi为陆地水储量变化值，RMSEmin为RMSE的最小值，RMSEmax为RMSE的最大值，n为数据个数。
式中：P0是分类的总体精度，表示CMADS里实测数据与降尺度数据一致的概率；Pe表示由于偶然机会造成的降尺度结果与实测数据相一致的概率；Pii为第i类型的被正确分类的样本数目；n为分类的类型数量；N为样本总数：Pi+是第i类型的实测数据个数之和，P+i是第i类的降尺度结果数据个数之和。通过以上各种描述性的精度值，当降尺度结果与实际完全一致时，Kappa系数的值即为1。
通过熵权法确认各指标的权重；
式中：Ei表示第i个数据的信息熵，Wi表示第i个评价指标的权重，n表示评价指标数，Rij表示第i行第j列元素的秩。
最后定义一个新型复合综合指数RSR，其计算公式如下：
式中：Rj表示第j个评价指标的值。
其中RSR值的范围为0-1之间，按照下表的分类标准，对比计算的RSR值，评定降尺度陆地水储量变化优劣程度。
步骤10：分区域构建陆地水储量变化预测模型，预测未来的陆地水储量变化数据。
所述的陆地水储量变化预测模型，包括基于双曲正切函数多层感知器神经网络模型，具体计算过程如下：
(1)下载MODIS的NDVI数据，及北大西洋涛动指数NAOI、北极涛动指数AOI等88项大气环流因子数据，尺度为月尺度；
(2)将步骤12计算得到的TWGC降作为因变量，步骤13下载的NDVI等数据作为协变量，设定神经网络模型中的训练样本比例为70％，验证样本比例为30％；
(3)本多层感知器神经网络模型采用双曲正切函数作为激活函数，输出层计算出所有神经元节点的总误差，并将此误差反向传播，按照其负梯度对各层之间的权重值进行矫正，即为一次学习的过程。其中，通向最优解前进的速度即为一次学习步长。学习率过大将会导致最终结果在最优解附近不断振荡，却始终无法到达最优解；学习率过小将会导致迭代次数的不必要增加。如此往复，神经网络模型最终获得全局最优解；
(4)通过多层感知器神经网络模型预测得到未来陆地水储量变化数据。
本实施例中，使用ERA-land和EB-ET等水文气象数据来进行降尺度，其分辨率为0.1°，就可以将陆地水储量变化数据的精度提高100倍，假如可以获取更高分辨率的水文气象数据，那么将可以降尺度到更高精度的结果；另外本案例在构建预测模型时，仅用了89项预报因子，在未来的研究中，可以增加其他可获取的预报因子。
因此，本发明可以很好地结合网络上公开的多源水文气象数据对低分辨率的陆地水储量变化数据进行降尺度，有效解决了低分辨率陆地水储量变化数据不能应用在局部地区或者流域的劣势。同时引入基于多层感知器神经网络模型，结合88项大气环流因子数据和遥感NDVI指数，构建了陆地水储量变化数据的预测模型，对未来的陆地水储量变化数据进行合理地预测。在技术不断的发展过程中，随着网上可获取水文气象数据分辨率和精度的提高，以及神经网络构建预测模型的完善，该技术可以在日后用于陆地水储量变化的降尺度和预报中，将会做出越来越大的贡献。
降尺度前后的陆地水储量变化与实测地下水位变化的RSR指数
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多源水文气象数据的陆地水储量变化预测方法，其特征在于，包括以下步骤：
步骤1：获取1°×1°精度空间分辨率的GRACE陆地水储量数据；
步骤2：获取0.1°×0.1°精度空间分辨率的ERA5-LAND模型的数据；
步骤3：获取0.1°×0.1°精度空间分辨率的EB-ET模型的蒸散发数据；
步骤4：建立陆地水量平衡方程，陆地水储量数据＝降水量-蒸散发量-地表径流量；
步骤5：利用上述模型的月尺度降水、蒸散发、地表径流数据，基于陆地水量平衡方程求解出基于模型的陆地水储量，空间分辨率为0.1°×0.1°，并将该数据作为基于模型的陆地水储量数据集进行储存，记为TWM；
步骤6：针对每个网格，计算基于模型的陆地水储量数据和基于GRACE的原始陆地水储量数据的距平值，得到两者的逐月陆地水储量变化量，分别记为TWMC和TWGC；
步骤7：利用步骤2、步骤3、步骤6的数据，构建陆地水储量变化降尺度模型；
步骤8：获取研究范围所有的地下水位数据，并筛选出不同网格内所有地下水位数据；
步骤9：构建一种新型复合综合指数，进行对比分析，对降尺度之后的高精度陆地水储量数据进行最终的评估；
步骤10：分区域构建陆地水储量变化预测模型，预测未来的陆地水储量变化数据。
2.根据权利要求1所述的一种基于多源水文气象数据的陆地水储量变化预测方法，其特征在于，步骤7所述的陆地水储量变化降尺度模型，具体步骤为：
(1)每个1°×1°的大网格包括100个0.1°×0.1°的小网格，将同一大网格内所有小网格的TWMC求平均值，升尺度到分辨率为1°×1°的网格上，记为TWMC平均；
(2)计算同为1°×1°空间分辨率的TWGC与TWMC平均之间的差值，记为ΔTWC；
(3)计算大网格面积与小网格面积的比值α，即100；
(4)计算大网格范围内所有小网格TWMC的总和，记为TWMC总；
(5)计算降尺度之后的陆地水储量变化数据，其公式为：TWGC-ΔTWC×(100×TWMC平均/TWMC总)，记为TWGC降；
(6)TWGC降就是降尺度得到的高分辨率陆地水储量变化数据。
3.根据权利要求1所述的一种基于多源水文气象数据的陆地水储量变化预测方法，其特征在于，步骤9所述的一种新型复合综合指数，具体步骤为：
(1)计算降尺度前后的陆地水储量变化数据与地下水位数据之间的相对误差、归一化的均方误差、时间相关系数、空间相关系数，线性趋势度；
(2)通过熵权法确认各指标的权重；
(3)定义一个新型复合综合指数RSR，其计算公式如下：
式中：Rj表示第j个评价指标的值。
4.根据权利要求1所述的一种基于多源水文气象数据的陆地水储量变化预测方法，其特征在于，步骤10所述的陆地水储量变化预测模型，包括基于双曲正切函数多层感知器神经网络模型，具体步骤为：
(1)下载MODIS的NDVI数据，及北大西洋涛动指数NAOI、北极涛动指数AOI等88项大气环流因子数据，尺度为月尺度；
(2)将步骤1、2计算得到的TWC1降作为因变量，步骤1、3下载的NDVI数据作为协变量，设定神经网络模型中的训练样本比例为70％，验证样本比例为30％；
(3)本多层感知器神经网络模型采用双曲正切函数作为激活函数，输出层计算出所有神经元节点的总误差，并将此误差反向传播，按照其负梯度对各层之间的权重值进行矫正，即为一次学习的过程，通向最优解前进的速度即为一次学习步长，学习率过大将会导致最终结果在最优解附近不断振荡，却始终无法到达最优解；学习率过小将会导致迭代次数的不必要增加；如此往复，神经网络模型最终获得全局最优解；(4)通过多层感知器神经网络模型预测得到未来陆地水储量变化数据。
5.根据权利要求1所述的一种基于多源水文气象数据的陆地水储量变化预测方法，其特征在于，在步骤1中，将GRACE陆地水储量数据作为基于GRACE的原始陆地水储量数据集进行储存，记为TWG。
6.根据权利要求1所述的一种基于多源水文气象数据的陆地水储量变化预测方法，其特征在于，在步骤2中，对ERA5-LAND模型的数据进行初步的预处理，解析出研究范围内的月降水量、地表径流量数据。
7.根据权利要求1所述的一种基于多源水文气象数据的陆地水储量变化预测方法，其特征在于，在步骤3中，提取处研究区范围内的月蒸散发数据。
8.根据权利要求1所述的一种基于多源水文气象数据的陆地水储量变化预测方法，其特征在于，在步骤7中，对低分辨率的陆地水储量变化数据进行降尺度，得到高分辨率陆地水储量变化数据。
9.根据权利要求3所述的一种基于多源水文气象数据的陆地水储量变化预测方法，其特征在于，在各指标的权重计算式中：Ei表示第i个数据的信息熵，Wi表示第i个评价指标的权重，n表示评价指标数，Rij表示第i行第j列元素的秩。
10.根据权利要求1所述的一种基于多源水文气象数据的陆地水储量变化预测方法，其特征在于，RSR值的范围为0-1之间，进行分类对比，对比计算的RSR值，评定降尺度陆地水储量变化优劣程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310007424.XA CN116562414A (zh) | 2023-01-04 | 2023-01-04 | 一种基于多源水文气象数据的陆地水储量变化预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310007424.XA CN116562414A (zh) | 2023-01-04 | 2023-01-04 | 一种基于多源水文气象数据的陆地水储量变化预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116562414A true CN116562414A (zh) | 2023-08-08 |
Family
ID=87500702
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310007424.XA Pending CN116562414A (zh) | 2023-01-04 | 2023-01-04 | 一种基于多源水文气象数据的陆地水储量变化预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116562414A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117132023A (zh) * | 2023-10-23 | 2023-11-28 | 南京大学 | 基于可解释深度学习的区域陆地水储量变化归因分析方法 |
| CN117152629A (zh) * | 2023-08-23 | 2023-12-01 | 武汉大学 | 一种流域尺度时变卫星重力空缺数据填补方法及系统 |
-
2023
- 2023-01-04 CN CN202310007424.XA patent/CN116562414A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152629A (zh) * | 2023-08-23 | 2023-12-01 | 武汉大学 | 一种流域尺度时变卫星重力空缺数据填补方法及系统 |
| CN117152629B (zh) * | 2023-08-23 | 2024-03-22 | 武汉大学 | 一种流域尺度时变卫星重力空缺数据填补方法及系统 |
| CN117132023A (zh) * | 2023-10-23 | 2023-11-28 | 南京大学 | 基于可解释深度学习的区域陆地水储量变化归因分析方法 |
| CN117132023B (zh) * | 2023-10-23 | 2024-02-02 | 南京大学 | 基于可解释深度学习的区域陆地水储量变化归因分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Research on particle swarm optimization in LSTM neural networks for rainfall-runoff simulation | |
| Xiang et al. | A rainfall‐runoff model with LSTM‐based sequence‐to‐sequence learning | |
| US11205028B2 (en) | Estimating physical parameters of a physical system based on a spatial-temporal emulator | |
| Abbasi et al. | A hybrid of Random Forest and Deep Auto-Encoder with support vector regression methods for accuracy improvement and uncertainty reduction of long-term streamflow prediction | |
| CN109583565B (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
| CN116562414A (zh) | 一种基于多源水文气象数据的陆地水储量变化预测方法 | |
| Li et al. | Bayesian LSTM with stochastic variational inference for estimating model uncertainty in process‐based hydrological models | |
| Lin et al. | Time series-based groundwater level forecasting using gated recurrent unit deep neural networks | |
| Yin et al. | Rainfall-runoff modeling using long short-term memory based step-sequence framework | |
| Bai et al. | Daily runoff forecasting using a cascade long short-term memory model that considers different variables | |
| 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 | |
| Ali et al. | CNN-Bi LSTM neural network for simulating groundwater level | |
| Drisya et al. | Hydrological drought assessment through streamflow forecasting using wavelet enabled artificial neural networks | |
| CN115659853B (zh) | 一种非线性混合效应变系数降尺度方法和系统 | |
| CN114723188A (zh) | 水质预测方法、装置、计算机设备和存储介质 | |
| Wu et al. | Complexity to forecast flood: Problem definition and spatiotemporal attention LSTM solution | |
| Ma et al. | Using Bayesian optimization to automate the calibration of complex hydrological models: Framework and application | |
| CN115471679A (zh) | 一种天然河道水位流量同步同化方法及智能系统 | |
| Ye et al. | Multi-year ENSO forecasts using parallel convolutional neural networks with heterogeneous architecture | |
| Agbo | The role of statistical methods and tools for weather forecasting and modeling | |
| Zhou et al. | A deep-learning-technique-based data-driven model for accurate and rapid flood predictions in temporal and spatial dimensions | |
| Gündoğdu et al. | Application of feed forward and cascade forward neural network models for prediction of hourly ambient air temperature based on MERRA-2 reanalysis data in a coastal area of Turkey | |
| 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 | |
| Li et al. | An improved cyclic multi model-eXtreme gradient boosting (CMM-XGBoost) forecasting algorithm on the GNSS vertical time series | |
| CN112949944B (zh) | 一种基于时空特征的地下水位智能预测方法及系统 |
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 |