CN116562448A - 一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法 - Google Patents
一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法 Download PDFInfo
- Publication number
- CN116562448A CN116562448A CN202310533356.0A CN202310533356A CN116562448A CN 116562448 A CN116562448 A CN 116562448A CN 202310533356 A CN202310533356 A CN 202310533356A CN 116562448 A CN116562448 A CN 116562448A
- Authority
- CN
- China
- Prior art keywords
- flood
- model
- lstm
- inundation
- storage area
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 13
- 238000005516 engineering process Methods 0.000 title claims abstract description 13
- 238000004458 analytical method Methods 0.000 title claims abstract description 10
- 230000008878 coupling Effects 0.000 title abstract description 6
- 238000010168 coupling process Methods 0.000 title abstract description 6
- 238000005859 coupling reaction Methods 0.000 title abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 33
- 238000004088 simulation Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 7
- 238000009792 diffusion process Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000008020 evaporation Effects 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 2
- 230000005058 diapause Effects 0.000 abstract description 5
- 238000004904 shortening Methods 0.000 abstract description 2
- 239000002689 soil Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012876 topography Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011144 upstream manufacturing 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- 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
- G06N3/044—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
- 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
- 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)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Primary Health Care (AREA)
- Pure & Applied Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
Abstract
本发明提供了一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法,所述方法包括:构建蓄滞洪区二维水动力模型、模拟生成洪水事件集、构建不同洪水淹没模型WFIM‑I以及分析、确定最佳的洪水淹没快速预测模型。本发明采用人工智能技术对洪水事件集(输入)以及相应的流速与水位时空数据(输出)进行模拟和训练,从而确定最佳的洪水淹没快速预测模型,在保证蓄滞洪区洪水淹没预测准确度的前提下,缩短模型运行时间。
Description
技术领域
本发明属于洪水预测技术领域,特别涉及一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法。
背景技术
近年来,蓄滞洪区内部的基础建设、工业、农业等也日趋完善,当启动蓄滞洪区的成本势必也会增加。以往流域内水工程防洪联合优化调度中蓄滞洪区的调度还是停留在较为宏观的概化上,蓄滞洪区都被视为水库,即利用水位-库容曲线来描述蓄滞洪区的调控过程,进而与水库相耦合,来实现水库-蓄滞洪区的联合调度。然而,这种简化完全忽视了蓄滞洪区的复杂情况,无法为蓄滞洪区提供精细化(时空淹没)信息来评价自身分洪策略的好坏。精细化蓄滞洪区模拟预测模型不仅可以准确的评估淹没情况及损失,而且可为蓄滞洪区区域内人员撤离提出保障。然而其主要的缺点是用于模拟蓄滞洪区状态的二维水动力模型运行时间成本较高,直接导致其不能与水库相耦合,进行联合优化调度。
因此,如何在保证蓄滞洪区洪水淹没预测准确度的前提下、缩短模型运行时间,是一个需要解决的问题。
发明内容
针对现有技术中存在的问题,本发明的目的在于提供一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法,采用人工智能技术对洪水事件集(输入)以及相应的流速与水位时空数据(输出)进行模拟和训练,从而确定最佳的洪水淹没快速预测模型,在保证蓄滞洪区洪水淹没预测准确度的前提下、缩短模型运行时间。
本发明的目的是通过以下技术方案实现的:
一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法,包括以下步骤:
步骤1:构建蓄滞洪区二维水动力模型:
结合包括待研究蓄滞洪区的DEM数据、土地利用数据在内的相关数据,对待研究蓄滞洪区进行网格化,构建蓄滞洪区二维水动力学模型,并对模型进行参数率定;
步骤2,模拟生成洪水事件集:
首先,分析待研究蓄滞洪区所依干流,结合待研究蓄滞洪区以往的分洪过程,制定相应的上、下边界约束;
然后,通过步骤1构建的蓄滞洪区二维水动力学模型,对不同的上、下边界进行模拟生成洪水事件集;
步骤3,构建不同洪水淹没模型WFIM-I:
所述洪水淹没模型WFIM-I是基于ED-LSTM的淹没模型,其中一共含有J个子ED-LSTM模型,其中J为子模型个数;N为总格点数;I为每个子模型可预测格点个数;每个ED-LSTM子模型由流速预报子模型和水深预报子模型组成,可同时预测生成I个单元各水深Hj和流速Vj在内的时空信息;
和/>分别表示WFIM-I的第j个子ED-LSTM流速预报子模型和水深预报子模型,其中j=1,2,…,J;
所述ED-LSTM子模型包含三层结构:基于LSTM的编码器层、上下文向量层和基于LSTM的解码器层;步骤2模拟生成的洪水事件集Q作为ED-LSTM子模型的输入,时间序列水深和流速作为ED-LSTM子模型的输出;
所述时间序列水深和流速包括:第j个子ED-LSTM模型预测的水深Hj、流速Vj;Hj和Vj的维度均为(OT,I),其中OT表示预测的时间长度,I表示每个子模型可预测格点的个数;表示第j个ED-LSTM子模型的第i个单元格网格点的第t时刻的水深;/>表示第j个ED-LSTM模型的第i个单元格网格点的第t时刻的流速,t=1,2,…,OT; 和/>其中j=1,2,…,J;
步骤4,分析、确定最佳的洪水淹没快速预测模型:
利用步骤2模拟生成的洪水事件集,训练步骤3构建得到的不同I值的洪水淹没模型WFIM-I,分析各个模型的模拟时间和模拟精度,进而确定最佳的I值、从而建立适合所述待研究蓄滞洪区的洪水淹没快速预测模型。
进一步的,步骤1中,所述二维水动力学模型的具体控制方程包括:
动量方程:
连续方程:
式中:mx和my分别是度量张量对角元素的平方根;m是度量张量行列式的平方根,m=mxmy;u、v、w分别是边界拟合正交曲线坐标x、y、z方向上的速度分量;H为总水深;p是压力;AV为垂向紊动粘滞系数;f是Coriolis系数;Qu和Qv是动量在x、y方向上的源汇项;Ab是垂向紊动扩散系数;
联立上述公式(1)~(4),可求得包括u、v、w、p在内的各变量。
进一步的,步骤1中,通过以往待研究蓄滞洪区洪水分洪收集的洪水淹没信息,对蓄滞洪区二维水动力学模型进行参数率定,所述参数包括糙率和蒸发指数,并结合实际淹没对待研究蓄滞洪区的地形数据进行矫正。
进一步的,步骤2中,采用拉丁超立方抽样实现,待研究蓄滞洪区上、下边界条件的生成。
进一步的,步骤3中,所述基于LSTM的编码器层用于将时间序列流入编码到上下文向量中;所述上下文向量是通过Repeat Vector层实现的输入和输出的固定大小的内部表示,Repeat Vector层将传入的输入重复特定次数;随后,上下文向量被解码并传递到基于LSTM的解码器网络层和TimeDistributed层输出的时间序列洪水特征。
本发明相比现有技术的有益效果为:
1、基于二维水动力学模型建立的蓄滞洪区精细化模型不仅能准确地评估淹没情况及损失,而且可为蓄滞洪区区域内人员撤离提出保障。然而其主要的缺点是运行时间成本较高,这导致蓄滞洪区分洪优化调度与水库优化调度相结合难以实现;而本发明利用二维水动力学模型分别模拟已设定上、下边界条件,得到相应的洪水淹没时空信息,构成可能发生洪水事件集。在此基础上,进一步采用人工智能技术对分洪工况(输入)以及流速与水位时空数据(输出)进行模拟和训练,基于格点数分析与人工智能算法构建最终的洪水淹没快速预测模型,提高蓄滞洪区洪水淹没精度的同时、缩短预测运行时间;
2、本发明所述方法中,采用基于编码器-解码器(encoder-decoder)架构与LSTM构成的新模型(ED-LSTM)来实现洪水淹没快速预测模型的构建;相比LSTM,ED-LSTM不仅可以隐藏状态和三个门来控制信息流,解决梯度消失/爆炸问题,而且可以同时实现长序列输入和长序列输出的模拟,这与水动力模型的输入和输出的时序性相吻合。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为本发明蓄滞洪区洪水淹没快速预测方法的流程示意图;
图2为本发明基于洪水演进模型的ED-LSTM结构图;
图3为本发明实施例胖头泡蓄滞洪区地形网格化图;
图4为本发明实施例胖头泡蓄滞洪区蓄水量变化曲线图;
图5为本发明实施例模拟生成洪水事件集图;
图6为本发明实施例不同I值的GN-EDLSTM模型对应的模拟效果值对比图;
图7为本发明实施例不同I值模型模拟时间图;
图8为本发明快速模拟与水动力模型的结果对比图。
具体实施方式
如前所述,本发明提供了一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法,如图1所示,所述方法包括以下步骤:
步骤1:构建蓄滞洪区二维水动力模型:
结合包括待研究蓄滞洪区的DEM数据、土地利用数据在内的相关数据,对待研究蓄滞洪区进行网格化,构建蓄滞洪区二维水动力学模型,并结合历史洪水,对模型进行参数率定,确保二维水动力模型的可靠性。
由于蓄滞洪区的地形较为复杂,且区内天然河道、浅海、湖泊等深度较浅,水体重力加速度远远大于其垂向加速度,为准确模拟其调蓄能力、过流能力及淹没过程,将其概化为二维水动力学模型进行处理即可,本实施例基于雷诺平均N—S方程,在服从于Boussinesq假定和静水压力的假定下,构建所述二维水动力模型,具体控制方程包括:
动量方程:
连续方程:
式中:mx和my分别是度量张量对角元素的平方根;m是度量张量行列式的平方根,m=mxmy;u、v、w分别是边界拟合正交曲线坐标x、y、z方向上的速度分量;H为总水深;p是压力;AV为垂向紊动粘滞系数;f是Coriolis系数;Qu和Qv是动量在x、y方向上的源汇项;Ab是垂向紊动扩散系数。
联立上述公式(1)~(4),可求得包括u、v、w、p在内的各变量。
所述二维水动力学模型在水平方向采用直角坐标或正交曲线坐标,垂直方向采用σ坐标变换,可以较好地拟合固定岸边界和底部地形。在水动力计算方面,动力学方程采用有限差分法求解,水平方向采用交错网格离散,时间积分采用二阶精度的有限差分法,以及内外模式分裂技术,即采用剪切应力或斜压力的内部模块和自由表面重力波或正压力的外模块分开计算。外模块采用半隐式三层时间格式计算,因传播速度快,所以允许较小的时间步长。内模块采用考虑了垂直扩散的隐式格式,传播速度慢,允许较大的时间步长,其在干湿交替带区域采用干湿网格技术。对于动量方程,在空间上采用空间C网格或交错网格,运用二阶精度的有限差分格式。时间上是采用二阶精度的三层有限差分格式。
模型构建完成后,通过以往待研究蓄滞洪区洪水分洪收集的洪水淹没信息,对蓄滞洪区二维水动力学模型进行参数率定,所述参数包括糙率和蒸发指数,并结合实际淹没对待研究蓄滞洪区的地形数据进行矫正,使得最终洪水模拟过程与现实相吻合。
步骤2,模拟生成洪水事件集:
考虑到蓄滞洪区的开启所涉及洪水量级较大,直接导致样本不足,而人工智能算法模型构建是基于数据的,故有必要增加相应的洪水事件。考虑到蓄滞洪区洪水淹没过程的主因是上游闸门的分洪以及下游边界的排洪。
首先,分析待研究蓄滞洪区所依干流,结合待研究蓄滞洪区以往的分洪过程,制定相应的上、下边界约束,采用拉丁超立方抽样实现,蓄滞洪区上、下边界条件(分洪、排洪)的生成。
然后,通过步骤1构建的蓄滞洪区二维水动力学模型,对不同的上、下边界进行模拟生成洪水事件集,用以后续训练人工智能模型。
步骤3,构建不同洪水淹没模型WFIM-I:
所述洪水淹没模型WFIM-I是基于ED-LSTM的淹没模型,其中一共含有J个子ED-LSTM模型,其中J为子模型个数;N为总格点数;I为每个子模型可预测格点个数;每个ED-LSTM子模型由流速预报子模型和水深预报子模型组成,可同时预测生成I个单元各水深Hj和流速Vj在内的时空信息。
和/>分别表示WFIM-I的第j个子ED-LSTM流速预报子模型和水深预报子模型,其中j=1,2,…,J。
采用ED-LSTM,首先考虑网格单元数量对其模型训练的影响分析,确定ED-LSTM的结构,进而构建最终的洪水淹没快速预测模型。如图2所示,所述ED-LSTM子模型包含三层结构:基于LSTM的编码器层、上下文向量层和基于LSTM的解码器层;步骤2模拟生成的洪水事件集Q为ED-LSTM子模型的输入,时间序列水深和流速作为ED-LSTM子模型的输出。所述基于LSTM的编码器层用于将时间序列流入编码到上下文向量中;所述上下文向量是通过RepeatVector层实现的输入和输出的固定大小的内部表示,Repeat Vector层将传入的输入重复特定次数;随后,上下文向量被解码并传递到基于LSTM的解码器网络层和TimeDistributed层输出的时间序列洪水特征,这是一种实现一对多预测的架构。
所述时间序列水深和流速包括:第j个子ED-LSTM模型预测的水深Hj、流速Vj;Hj和Vj的维度均为(OT,I),其中OT表示预测的时间长度,I表示每个子模型可预测格点的个数;表示第j个ED-LSTM子模型的第i个单元格网格点的第t时刻的水深;/>表示第j个ED-LSTM模型的第i个单元格网格点的第t时刻的流速,t=1,2,…,OT; 和/>其中j=1,2,…,J。
步骤4,分析、确定最佳的洪水淹没快速预测模型:
基于ED-LSTM结构(图2),一个ED-LSTM可以实现多个网格格点的时间序列预测。而编码器LSTM单元中的参数数量不能随着ED-LSTM中的预测格点的个数(I)数量而变化,其它层中的参数数量会发生变化。I值的增加意味着使用相同数量的编码器LSTM单元中的参数来模拟更多的格点,这不可避免地会损害每个单元格的预测精度。此外,基于ED-LSTM的淹没模型的淹没模拟时间主要是加载生成的子模型ED-LSTM模型所需的总时间。生成模型的ED-LSTM子模型的数量是预测计算时间的关键。一般来说,如果蓄滞洪区由15000个网格点构成,即在K=1时,预测计算时间包括加载15000个生成的ED-LSTM模型的总时间,而在K=1500时,预测计算时间包括加载10个生成的ED-LSTM模型的总时间。
考虑到每个ED-LSTM同时预报蓄滞洪区预测格点的个数I会直接影响到最终快速预测模型的运行时间和精度,预测计算时间和预测精度之间存在权衡关系,故利用步骤2模拟生成的洪水事件集,训练步骤3构建得到的不同I值的洪水淹没模型WFIM-I,分析各个模型的模拟时间和模拟精度,进而确定最佳的I值、从而建立适合所述待研究蓄滞洪区的洪水淹没快速预测模型。
以下通过实例对本发明进行详细描述。
实施例
本实施例选择胖头泡蓄滞洪区为研究实例,利用本发明所述方法进行胖头泡蓄滞洪区洪水淹没快速预测。
胖头泡蓄滞洪区位于嫩江、松花江干流的左岸,肇源县的西北部。蓄滞洪区东以安肇新河下段右侧堤防及林肇公路为界,南至养身地到古恰的松花江干流左侧堤防,西以老龙口到养身地的嫩江干流左岸堤防为界,北至南引水库的北部堤坝。地理坐标为东经124°08′~124°48′,北纬45°27′~46°03′。东西长约46km,南北长约58km,区内总面积1994km2。胖头泡蓄滞洪区区内地形总趋势为西北高,东南低,地势较为平坦,局部地段起伏较大,地面高程一般为125.00~165.00m。区内岗地总面积约205km2,泡沼总面积约622km2(含南引水库),分别占蓄滞洪区总面积的10.3%和31.2%。区内林业资源缺乏,有林地面积约2.13万hm2,均为次生林和人工林,森林覆盖率为10.7%,区内现有耕地6.4万hm2,占蓄滞洪区总面积的32.5%。
首先,构建胖头泡蓄滞洪区二维水动力模型并对模型进行参数率定。图3示出了获得的胖头泡蓄滞洪区地形网格化图,二维水动力模型率定如图4所示,洪水模拟过程与现实相吻合,证明该二维水动力模型有效。
然后,模拟生成的洪水事件集如图5所示。
第三,不同I值的情况下,各个IM-ED-LSTM模型预报结果如图6所示,各模型的运行时间结果如图7所示。由上图可知,兼顾运行模拟时间和模拟精度,WFIM-200的模拟时间和效果最好,故选择WFIM-200为模拟模型。
最终,筛选出IM-ED-LSTM-200为最终模型,预报结果如图8所示。
最后应说明的是,以上仅用以说明本发明的技术方案而非限制,尽管参照较佳布置方案对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案(比如各种公式的运用、步骤的先后顺序等)进行修改或者等同替换,而不脱离本发明技术方案的精神和范围。
Claims (5)
1.一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法,其特征在于,所述方法包括以下步骤:
步骤1:构建蓄滞洪区二维水动力模型:
结合包括待研究蓄滞洪区的DEM数据、土地利用数据在内的相关数据,对待研究蓄滞洪区进行网格化,构建蓄滞洪区二维水动力学模型,并对模型进行参数率定;
步骤2,模拟生成洪水事件集:
首先,分析待研究蓄滞洪区所依干流,结合待研究蓄滞洪区以往的分洪过程,制定相应的上、下边界约束;
然后,通过步骤1构建的蓄滞洪区二维水动力学模型,对不同的上、下边界进行模拟生成洪水事件集;
步骤3,构建不同洪水淹没模型WFIM-I:
所述洪水淹没模型WFIM-I是基于ED-LSTM的淹没模型,其中一共含有J个子ED-LSTM模型,其中J为子模型个数;N为总格点数;I为每个子模型可预测格点个数;每个ED-LSTM子模型由流速预报子模型和水深预报子模型组成,可同时预测生成I个单元各水深Hj和流速Vj在内的时空信息;
和/>分别表示WFIM-I的第j个子ED-LSTM流速预报子模型和水深预报子模型,其中j=1,2,…,J;
所述ED-LSTM子模型包含三层结构:基于LSTM的编码器层、上下文向量层和基于LSTM的解码器层;步骤2模拟生成的洪水事件集Q作为ED-LSTM子模型的输入,时间序列水深和流速作为ED-LSTM子模型的输出;
所述时间序列水深和流速包括:第j个子ED-LSTM模型预测的水深Hj、流速Vj;Hj和Vj的维度均为(OT,I),其中OT表示预测的时间长度,I表示每个子模型可预测格点的个数;表示第j个ED-LSTM子模型的第i个单元格网格点的第t时刻的水深;/>表示第j个ED-LSTM模型的第i个单元格网格点的第t时刻的流速,t=1,2,…,OT;/> 和/>其中j=1,2,…,J;
步骤4,分析、确定最佳的洪水淹没快速预测模型:
利用步骤2模拟生成的洪水事件集,训练步骤3构建得到的不同I值的洪水淹没模型WFIM-I,分析各个模型的模拟时间和模拟精度,进而确定最佳的洪水淹没快速预测模型。
2.根据权利要求1所述的快速预测方法,其特征在于,步骤1中,所述二维水动力学模型的具体控制方程包括:
动量方程:
连续方程:
式中:mx和my分别是度量张量对角元素的平方根;m是度量张量行列式的平方根,m=mxmy;u、v、w分别是边界拟合正交曲线坐标x、y、z方向上的速度分量;H为总水深;p是压力;AV为垂向紊动粘滞系数;f是Coriolis系数;Qu和Qv是动量在x、y方向上的源汇项;Ab是垂向紊动扩散系数;
联立上述公式(1)~(4),可求得包括u、v、w、p在内的各变量。
3.根据权利要求1所述的快速预测方法,其特征在于,步骤1中,通过以往待研究蓄滞洪区洪水分洪收集的洪水淹没信息,对蓄滞洪区二维水动力学模型进行参数率定,所述参数包括糙率和蒸发指数,并结合实际淹没对待研究蓄滞洪区的地形数据进行矫正。
4.根据权利要求1所述的快速预测方法,其特征在于,步骤2中,采用拉丁超立方抽样实现,待研究蓄滞洪区上、下边界条件的生成。
5.根据权利要求1所述的快速预测方法,其特征在于,步骤3中,所述基于LSTM的编码器层用于将时间序列流入编码到上下文向量中;所述上下文向量是通过Repeat Vector层实现的输入和输出的固定大小的内部表示,Repeat Vector层将传入的输入重复特定次数;随后,上下文向量被解码并传递到基于LSTM的解码器网络层和TimeDistributed层输出的时间序列洪水特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310533356.0A CN116562448B (zh) | 2023-05-12 | 2023-05-12 | 一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310533356.0A CN116562448B (zh) | 2023-05-12 | 2023-05-12 | 一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116562448A true CN116562448A (zh) | 2023-08-08 |
CN116562448B CN116562448B (zh) | 2023-10-03 |
Family
ID=87503106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310533356.0A Active CN116562448B (zh) | 2023-05-12 | 2023-05-12 | 一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116562448B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094448B (zh) * | 2023-10-17 | 2024-02-02 | 成都智慧企业发展研究院有限公司 | 一种大数据分析方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114118565A (zh) * | 2021-11-23 | 2022-03-01 | 南京信息工程大学 | 一种基于双向长短时记忆耦合模型的日径流预报方法 |
CN115290148A (zh) * | 2022-08-04 | 2022-11-04 | 武汉大水云科技有限公司 | 一种复杂水流条件下的流量测量方法及系统 |
CN115310362A (zh) * | 2022-08-16 | 2022-11-08 | 长江航道勘察设计院(武汉)有限公司 | 一种基于深度学习的航道内无站点处水位预报方法 |
-
2023
- 2023-05-12 CN CN202310533356.0A patent/CN116562448B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114118565A (zh) * | 2021-11-23 | 2022-03-01 | 南京信息工程大学 | 一种基于双向长短时记忆耦合模型的日径流预报方法 |
CN115290148A (zh) * | 2022-08-04 | 2022-11-04 | 武汉大水云科技有限公司 | 一种复杂水流条件下的流量测量方法及系统 |
CN115310362A (zh) * | 2022-08-16 | 2022-11-08 | 长江航道勘察设计院(武汉)有限公司 | 一种基于深度学习的航道内无站点处水位预报方法 |
Non-Patent Citations (2)
Title |
---|
I-FENG KAO等: "Exploring a long short-term memory based encoder-decoder framework for multi-step-ahead flood forecasting", 《JOURNAL OF HYDROLOGY》 * |
林康聆等: "耦合Encoder‐Decoder 的LSTM 径流预报模型研究", 《武汉大学学报(工学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094448B (zh) * | 2023-10-17 | 2024-02-02 | 成都智慧企业发展研究院有限公司 | 一种大数据分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116562448B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tsujino et al. | Evaluation of global ocean–sea-ice model simulations based on the experimental protocols of the Ocean Model Intercomparison Project phase 2 (OMIP-2) | |
CN109657418A (zh) | 一种基于mike21的湖泊水环境容量计算方法 | |
Ramos et al. | Tidal stream energy impacts on estuarine circulation | |
CN113723024B (zh) | 一种适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法 | |
Shen et al. | Applications of deep learning in hydrology | |
CN108536908B (zh) | 基于非点源氮磷流失风险对流域水环境安全评估的方法 | |
Guo et al. | The influence of surface wave on water exchange in the Bohai Sea | |
CN115310806A (zh) | 一种基于空间信息格网的洪涝灾害损失评估方法 | |
CN116562448B (zh) | 一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法 | |
CN111723505A (zh) | 一种流域水质水量监测系统 | |
Wang et al. | Application of a multigrid method to a mass-consistent diagnostic wind model | |
CN114881544A (zh) | 一种水库流量调控方法、装置、电子设备及存储介质 | |
Tuomi et al. | The performance of the parameterisations of vertical turbulence in the 3D modelling of hydrodynamics in the Baltic Sea | |
Kisi et al. | Forecasting sea water levels at Mukho Station, South Korea using soft computing techniques | |
CN103870699B (zh) | 基于双层异步迭代策略的水动力学洪水演进模拟方法 | |
CN116882741A (zh) | 一种超标准洪水灾害动态定量评估方法 | |
CN109299428A (zh) | 应用运动波的水流计算方法及系统 | |
CN109446596A (zh) | 应用网格自动机的水流计算方法及系统 | |
Chen et al. | Distributed-framework basin modeling system: II. Hydrologic modeling system | |
Yoosefdoost et al. | Hydrological Models | |
Ren et al. | Analyzing dynamic characteristics of river plume in the Modaomen mouth, Pearl River estuary | |
Xiang et al. | Simulation of Remote-Sensed Chlorophyll Concentration with a Coupling Model Based on Numerical Method and CA-SVM in Bohai Bay, China | |
Shabani et al. | Application of artificial neural networks in instantaneous peak flow estimation for Kharestan Watershed, Iran | |
CN116777135B (zh) | 一种基于高效优化算法的水库-蓄滞洪区精细化防洪联合调度方法 | |
CN109446599A (zh) | 应用于大区域水流的计算方法和计算系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |