CN116609860B - 基于集成学习算法的水文模型实时校正方法和系统 - Google Patents
基于集成学习算法的水文模型实时校正方法和系统 Download PDFInfo
- Publication number
- CN116609860B CN116609860B CN202310879900.7A CN202310879900A CN116609860B CN 116609860 B CN116609860 B CN 116609860B CN 202310879900 A CN202310879900 A CN 202310879900A CN 116609860 B CN116609860 B CN 116609860B
- Authority
- CN
- China
- Prior art keywords
- model
- hydrologic
- correction method
- correction
- data
- 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 269
- 238000012937 correction Methods 0.000 title claims abstract description 221
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 52
- 238000007637 random forest analysis Methods 0.000 claims abstract description 48
- 238000011160 research Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 18
- 230000000694 effects Effects 0.000 claims abstract description 17
- 230000008878 coupling Effects 0.000 claims abstract description 8
- 238000010168 coupling process Methods 0.000 claims abstract description 8
- 238000005859 coupling reaction Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 35
- 238000004088 simulation Methods 0.000 claims description 16
- 230000009471 action Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 5
- 238000012876 topography Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 238000006424 Flood reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- ZZUFCTLCJUWOSV-UHFFFAOYSA-N furosemide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC(C(O)=O)=C1NCC1=CC=CO1 ZZUFCTLCJUWOSV-UHFFFAOYSA-N 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Environmental & Geological Engineering (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Ecology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Environmental Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Mathematical Physics (AREA)
- Hydrology & Water Resources (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于集成学习算法的水文模型实时校正方法和系统,方法包括如下步骤:采集研究区域信息并获取流域类型和水文特征,构建耦合洪水预报模型;针对耦合洪水预报模型,筛选校正方法并分类,获得至少两类校正方法,采用每个校正方法对水文模型进行校正,获得预测流量序列;构建随机森林集成学习模型并训练;构建评价指标集合,对所述随机森林集成学习模型的预报效果进行评价,若达到预设评价值,输出基于集成学习算法的水文模型;采用所述基于集成学习算法的水文模型进行洪水预测,获得实时校正的水文序列预测结果。本申请提供了一种通用性强、计算效率高且准确高的水文模型校正方法,具有很好的社会经济价值。
Description
技术领域
本发明涉及水文仿真预报技术,尤其是一种基于集成学习算法的水文模型实时校正方法和系统。
背景技术
洪水预报是防灾减灾非工程措施的核心技术之一。然而,由于自然环境的复杂性和人类认识的局限性,洪水预报不可避免地存在误差,给实时洪水作业预报带来精度瓶颈。因此,实时校正成为降低预报误差、提升预报精度的最后一道屏障。实时校正是指在洪水发生期间,利用实时观测数据和预测数据,对洪水预报结果进行修正和更新的过程。实时校正可以分为两类:终端误差校正和过程误差校正。终端误差校正是指不考虑洪水预报中间过程误差的各种影响因素,直接对最终的预报误差(终端误差)进行校正。过程误差校正是指对水文预报各个过程(如降雨、产流、汇流等)或预报模型的状态变量进行校正,通过降低预报各环节的误差以达到降低终端误差的目的。
单一的预报方法目前还存在一些缺点:终端误差校正方法不考虑洪水预报中间过程误差的各种影响因素,只对最终的预报误差进行校正,物理基础不强,且损失预见期。例如,AR方法假设预报误差具有前后相依联系,根据历史预报误差序列发现规律,用以对未来误差进行预测,从而实现原预报结果的修正。但这种方法忽略了预报误差的来源和性质,只是一种统计拟合,不能反映水文过程的物理机制,且随着预见期的增加,校正效果会逐渐下降。过程误差校正方法需要对水文预报各个过程或预报模型的状态变量进行校正,但这些过程或状态变量往往难以获取或估计,且校正效果不理想。例如,KF方法借助状态方程和量测方程来描绘洪水的整个线性动态过程,进而对洪水过程进行校正。但这种方法需要准确估计系统模型和噪声,由于洪水过程的复杂性,描述水文系统的模型及噪声的分布函数都是近似的,致使KF方法在实时洪水作业预报中受到一定的限制。
总之,单一实时校正方法往往只能在某些指标上具有较好的准确性,但无法集中所有的优势,且学习器之间可能存在相关性或干扰。例如,FST方法基于洪水预报误差的相似性,利用系统所能得到的各种有效信息进行洪水预报误差实时校正。但这种方法依赖于预报序列的趋势是否准确,当预报序列不能准确把握未来流量涨跌趋势时,校正序列也难以达到对未来流量的准确预测。此外,在进行洪水预报和误差校正交替滚动的过程中,预报误差会不断累积。
因此,需要进行技术创新,以期解决相关问题。
发明内容
发明目的:一方面,提供一种基于集成学习算法的水文模型实时校正方法,以解决现有技术存在的上述问题。另一方面,提供一种基于集成学习算法的水文模型实时校正系统。
技术方案:根据本申请的一个方面,提供一种基于集成学习算法的水文模型实时校正方法,包括如下步骤:
步骤S1、采集研究区域信息并获取流域类型和水文特征;结合流域类型和水文特征,筛选至少两个水文模型,并构建水文模型集合;选择水文模型集合中的水文模型,构建耦合洪水预报模型;
步骤S2、针对耦合洪水预报模型,筛选校正方法并分类,获得至少两类校正方法,每类校正方法包括至少一个校正方法,对不同类别的校正方法进行解耦处理,从每类校正方法中筛选一个校正方法,组成校正方法集;确定耦合洪水预报模型的输入数据和输出数据,采集输入数据并预处理,分别采用每个校正方法对水文模型进行校正,获得预测流量序列;
步骤S3、基于Bagging集成学习算法构建随机森林集成学习模型,以每个校正方法的预测流量序列和实测流量序列作为训练集对随机森林集成学习模型进行训练;构建评价指标集合,对所述随机森林集成学习模型的预报效果进行评价,若达到预设评价值,输出基于集成学习算法的水文模型;
步骤S4、采用所述基于集成学习算法的水文模型进行洪水预测,获得实时校正的水文序列预测结果。
根据本申请的一个方面,所述步骤S1进一步为:
步骤S11、采集研究区域信息,所述研究区域信息包括地理、地形、气候和植被,从研究区域信息中获取流域类型和水文特征,根据流域类型和水文特征将研究区域划分为N个子区域,获取每个子流域的流域类型和水文特征;N为自然数;
所述流域类型至少包括平原流域和山区流域;所述水文特征包括流量、水位、含沙量、汛期、冰期、水能、航运价值和工农业价值;
步骤S12、基于研究目标和要求,结合流域特征和水文特征,从预存储的水文模型库中筛选至少两个水文模型,构建水文模型集合;
所述水文模型库中存储有水文模型的标签信息,所述标签信息包括模型基础、研究尺度和模拟目标;所述模型基础至少包括理论模型和经验模型,所述研究尺度至少包括时间尺度、空间尺度和竖向尺度,所述模拟目标至少包括水平衡和水动力;
步骤S13、针对每一子流域,从水文模型中选取对应的不同模型基础的水文模型,构建耦合洪水预报模型。
根据本申请的一个方面,所述步骤S2进一步为:
步骤S21、构建校正方法集合并根据校正方法的作用对象和原理将其分成至少四类,包括针对输入变量的校正方法、针对状态变量的校正方法、针对模型参数的校正方法和针对预报结果的校正方法;每类校正方法至少包括一个校正方法;
步骤S22、对不同类别的校正方法进行解耦处理,并为校正方法设置耦合标签,包括:确定每个校正方法的作用对象和作用时机,确定不同类型的校正方法与水文模型的接口和传递方式,评价校正方法对模型性能和预报精度的改善或损失,并如何调整校正方法的参数或算法以优化结果;
步骤S23、从每类校正方法中筛选一个校正方法,组成解耦的校正方法集;确定耦合洪水预报模型的输入数据和输出数据,采集输入数据并预处理,分别采用每个校正方法对模型进行校正,获得预测流量序列。
根据本申请的一个方面,步骤S11中根据流域类型和水文特征将研究区域划分为N个子区域的过程具体包括:
步骤S11a、获取研究区域的数字高程模型,采用GIS模块将研究区域栅格化并对子流域进行划分;
步骤S11b、去除洼地和噪声,并确定水流在每个栅格内的流向,集散每个栅格的汇流积累量并河网等级和阈值提取河网;
步骤S11c、根据河网确定流域出水口并划分子流域,计算每个子流域的基本参数,建立各个子流域之间的拓扑关系和数据关系。
根据本申请的一个方面,所述步骤S3进一步为:
步骤S31、基于Bagging集成学习算法构建随机森林集成学习模型,获取M个校正方法的预测流量序列和实测流量序列,并构建数据集,形成M个数据集;所述M为自然数;
步骤S32、对于每个数据集,用自助抽样的方法从中抽取K个样本作为随机森林的训练集,获得M个训练集,K为小于M的自然数;
步骤S33、对于每个训练集,基于决策树构建随机森林;针对每个随机森林模型,使其采用原始数据集进行预测,获得预测结果和实测结果之间的误差;
步骤S34、构建评价指标集合,并对每个随机森林模型进行评价,比较不同随机森林模型的评价指标,并从达到预设评价值的方案中选择最优的模型作为基于集成学习算法的水文模型。
根据本申请的一个方面,所述耦合洪水预报模型为XAJ3~CNN~LSTM模型;
所述校正方法包括反馈模拟方法、Kalman滤波法和自回归方法;
所述步骤S34中,评价指标包括洪峰流量相对误差REp、峰现时间误差DT、洪水总量相对误差RE和洪水总量纳什效率系数NSE。
根据本申请的一个方面,所述步骤S12进一步为:
步骤S12a、确定研究目标和要求并分类;收集关于水文模型的文献资料和应用案例,提取与研究流域相关的流域特征和水文特征;
步骤S12b、建立水文模型与流域特征和水文特征的匹配度关系;分析水文模型在各个流域特征和水文特征下的适用性和优劣性;
步骤S12c、根据分析结果,建立基于模型复杂度、数据需求、计算效率、模型匹配度和预测精度的评分表,根据评分表从水文模型库中筛选至少两个水文模型构建水文模型集合。
根据本申请的一个方面,所述步骤S3还包括:
步骤S3a、将历史数据分成a个子集,每个子集包含数量相同的样本,每个样本由特征向量和标签组成,特征向量包括历史和当前观测数据中的各种变量,标签为预测目标;a为大于2的自然数;
步骤S3b、针对每个子集,使用其他a-1个子集作为训练数据对校正方法进行训练;
步骤S3c、所有样本的超特征和真实值作为新的训练数据,训练预构建的逻辑回归模型;
步骤S3d、输入验证数据,先使用三种实时校正模型进行预测,得到三个超特征并输入逻辑回归模型,得到最终的预测结果;将预测结果与随机森林模型的最优预测结果进行比较。
根据本申请的另一个方面,提供一种基于集成学习算法的水文模型实时校正系统,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述任一项技术方案所述的基于集成学习算法的水文模型实时校正方法。
有益效果
通过对模型进行优选,可以利用流量过程的变化趋势、误差动态特征和时间序列特征,从不同的角度对水文预报结果进行校正,提高了实时校正的全面性和有效性。
采用集成学习方法进行组合,提高了校正的稳定性和精度。
针对不同的洪水阶段进行动态组合,得到全局最优的学习结果,大大提高了全过程预测的准确性。
通过不断引入预报断面的实测流量信息,对水文预报结果进行及时调整,提高了校正的及时性和灵敏性。同时也可以利用已经校正过的流量信息,对未来一段时间内的流量进行预报,提高了预报的可靠性和前瞻性。
附图说明
图1是本发明的流程图。
图2是本发明步骤S1的流程图。
图3是本发明步骤S2的流程图。
图4是本发明步骤S3的流程图。
具体实施方式
为了详细描述本申请的原理和过程,提供如下的解决方案。需要说明的是,为了突出本申请的创新点,对于属于本领域技术人员知晓的技术没有进行详细描述。
如图1所示,根据本申请的一个方面,提供一种基于集成学习算法的水文模型实时校正方法,包括如下步骤:
步骤S1、采集研究区域信息并获取流域类型和水文特征;结合流域类型和水文特征,筛选至少两个水文模型,并构建水文模型集合;选择水文模型集合中的水文模型,构建耦合洪水预报模型;
步骤S2、针对耦合洪水预报模型,筛选校正方法并分类,获得至少两类校正方法,每类校正方法包括至少一个校正方法,对不同类别的校正方法进行解耦处理,从每类校正方法中筛选一个校正方法,组成校正方法集;确定耦合洪水预报模型的输入数据和输出数据,采集输入数据并预处理,分别采用每个校正方法对水文模型进行校正,获得预测流量序列;
步骤S3、基于Bagging集成学习算法构建随机森林集成学习模型,以每个校正方法的预测流量序列和实测流量序列作为训练集对随机森林集成学习模型进行训练;构建评价指标集合,对所述随机森林集成学习模型的预报效果进行评价,若达到预设评价值,输出基于集成学习算法的水文模型;
步骤S4、采用所述基于集成学习算法的水文模型进行洪水预测,获得实时校正的水文序列预测结果。
从单一的实时校正模型来看,有些洪水表现的情况较好,或者某场洪水涨洪阶段或退水阶段效果较好(与校正算法特征有关),但是这些好的特征往往难以出来在同一中模型中,例如KF方法侧重涨洪阶段,而FST方法和AR方法则在洪峰阶段校正效果较好。而集成学习可以提取每种模型的特征,将其有机的结合起来,大大的提高了实时校正的准确性。本实施例可以充分利用不同类别、不同侧重点、不同原理的实时校正方法的优势,通过集成学习算法将它们组合起来,形成一个更强、更全面、更稳定的实时校正模型;可以保证学习器之间的独立性和多样性,避免相关性或干扰带来的负面影响;可以在不同流域、不同来水条件下进行迁移和应用,具有较强的通用性,对同一过程的不同阶段采用不同的模型进行校正,准确度大大提高。
如图2所示,根据本申请的一个方面,所述步骤S1进一步为:
步骤S11、采集研究区域信息,所述研究区域信息包括地理、地形、气候和植被,从研究区域信息中获取流域类型和水文特征,根据流域类型和水文特征将研究区域划分为N个子区域,获取每个子流域的流域类型和水文特征;N为自然数;
所述流域类型至少包括平原流域和山区流域;所述水文特征包括流量、水位、含沙量、汛期、冰期、水能、航运价值和工农业价值;
步骤S12、基于研究目标和要求,结合流域特征和水文特征,从预存储的水文模型库中筛选至少两个水文模型,构建水文模型集合;
所述水文模型库中存储有水文模型的标签信息,所述标签信息包括模型基础、研究尺度和模拟目标;所述模型基础至少包括理论模型和经验模型,所述研究尺度至少包括时间尺度、空间尺度和竖向尺度,所述模拟目标至少包括水平衡和水动力;
理论模型是指基于物理定律和数学方程描述水文过程的模型,包括:SWMM(暴雨径流模拟模型)、HEC-RAS(河道分析系统模型)、MIKE(集成水资源建模系统)等。经验模型是指基于历史数据和统计方法描述水文过程的模型,比如SCS(土壤保持服务法)、Rational(合理法)、Unit Hydrograph(单位线法)等。机器学习模型是指基于人工智能和数据挖掘方法描述水文过程的模型,比如ANN(人工神经网络)、SVM(支持向量机)、RF(随机森林)等。需要注意的是,上述方法仅为示例,现有的方法比较多,在此未能一一列举。
步骤S13、针对每一子流域,从水文模型中选取对应的不同模型基础的水文模型,构建耦合洪水预报模型。
根据不同子流域的流域类型和水文特征,选择合适的水文模型进行组合,从而提高洪水预报的适用性、针对性和准确性。同时对同一过程的不同阶段,例如洪水的起涨落阶段,采用不同的模型进行校正,进一步提高了模型的准确率。本发明可以实现实时预报和预警,即通过不断更新输入数据(如实时降雨、实测流量等)和参数设置(如河道变化、防洪措施等),对每一子流域的每一预测过程的每一阶段进行及时调整和更新,从而提高洪水预报的及时性和灵敏性。
如图3所示,根据本申请的一个方面,所述步骤S2进一步为:
步骤S21、构建校正方法集合并根据校正方法的作用对象和原理将其分成至少四类,包括针对输入变量的校正方法、针对状态变量的校正方法、针对模型参数的校正方法和针对预报结果的校正方法;每类校正方法至少包括一个校正方法;
步骤S22、对不同类别的校正方法进行解耦处理,并为校正方法设置耦合标签,包括:确定每个校正方法的作用对象和作用时机,确定不同类型的校正方法与水文模型的接口和传递方式,评价校正方法对模型性能和预报精度的改善或损失,并如何调整校正方法的参数或算法以优化结果;
步骤S23、从每类校正方法中筛选一个校正方法,组成解耦的校正方法集;确定耦合洪水预报模型的输入数据和输出数据,采集输入数据并预处理,分别采用每个校正方法对模型进行校正,获得预测流量序列。
在一个实施例中,筛选校正方法的过程还可以为:
根据耦合洪水预报模型的特点和需求,从上述四类校正方法中选择合适的校正方法,并按照其作用对象和原理进行分类。例如,可以选择输入变量的校正方法和模型预报结果的校正方法作为两类校正方法。
在每一类校正方法中,从已有的具体校正方法中筛选出符合耦合洪水预报模型的数据要求和精度要求的校正方法,并考虑其可行性、有效性、稳定性等因素。例如,在输入变量的校正方法中,可以选择基于卡尔曼滤波技术的面雨量校正方法;在模型预报结果的校正方法中,可以选择基于自回归技术的预报结果校正方法。
对不同类别的校正方法进行解耦处理,即使得每一类校正方法只对其作用对象进行校正,不影响其他对象。例如,在输入变量的校正方法中,只对面雨量进行校正,不影响其他输入变量或输出变量;在模型预报结果的校正方法中,只对预测流量进行校正,不影响其他输出变量或状态变量。
从每一类校正方法中筛选一个最优的或最适合的校正方法,组成最终的校正方法集。例如,可以采用某种评价指标或优化算法来比较不同校正方法的性能和适用性,并选择最优或最适合的一个。最终得到的校正方法集可以是:基于卡尔曼滤波技术的面雨量校正方法和基于自回归技术的预测流量校正方法。
确定耦合洪水预报模型的输入数据和输出数据,采集输入数据并预处理,分别采用每个校正方法对模型进行校正,获得预测流量序列。具体步骤如下:
根据耦合洪水预报模型的结构和功能,确定其输入数据和输出数据。例如,输入数据可以包括面雨量、气象预报、初始状态等;输出数据可以包括预测流量、水位、泥沙等。
采集输入数据,并对其进行必要的预处理,如质量检验、格式转换、空间插值、时间同步等。例如,可以从气象站或卫星获取面雨量数据,并对其进行质量检验和空间插值;可以从气象部门获取气象预报数据,并对其进行格式转换和时间同步;可以从水文站或遥感获取初始状态数据,并对其进行质量检验和空间插值。
分别采用每个校正方法对模型进行校正,并获得预测流量序列。例如,可以先采用基于卡尔曼滤波技术的面雨量校正方法对面雨量数据进行实时更新和修正,并将修正后的面雨量数据作为耦合洪水预报模型的输入;然后采用基于自回归技术的预测流量校正方法对模型输出的预测流量进行实时更新和修正,并将修正后的预测流量作为最终的预报结果。
在一个实施例中,步骤23还可以为:
首先,需要确定不同类别的校正方法的作用对象和作用时机,即在模型运行的哪个阶段对哪个变量进行校正。例如,在输入变量的校正方法中,作用对象是面雨量,作用时机是在模型运行前或运行中;在模型预报结果的校正方法中,作用对象是预测流量,作用时机是在模型运行后。
其次,需要设计不同类别的校正方法的接口和数据传递方式,即如何将校正方法与模型相连接,并如何将校正后的变量传递给模型或输出。例如,在输入变量的校正方法中,可以将校正方法作为一个独立的模块或函数,与模型通过输入输出参数相连接,并将校正后的面雨量数据作为模型的输入;在模型预报结果的校正方法中,可以将校正方法作为一个独立的模块或函数,与模型通过输入输出参数相连接,并将校正后的预测流量数据作为模型的输出。
最后,需要测试不同类别的校正方法的效果和影响,即如何评价校正方法对模型性能和预报精度的改善或损失,并如何调整校正方法的参数或算法以优化结果。例如,在输入变量的校正方法中,可以通过比较校正前后面雨量数据与实测数据之间的误差来评价校正效果,并通过调整卡尔曼滤波技术中的噪声方差或状态方程等参数来优化结果;在模型预报结果的校正方法中,可以通过比较校正前后预测流量数据与实测数据之间的误差来评价校正效果,并通过调整自回归技术中的滞后阶数或系数等参数来优化结果。
具体地,耦合洪水预报模型是基于概念性水文模型和一维圣维南方程组建立的河道洪水预报模型,其输入数据包括面雨量、气象预报、初始状态等,其输出数据包括预测流量、水位等。
选择输入变量的校正方法和模型预报结果的校正方法作为两类校正方法,并分别选择基于卡尔曼滤波技术的面雨量校正方法和基于自回归技术的预测流量校正方法作为具体校正方法。
对不同类别的校正方法进行解耦处理,即在输入变量的校正方法中,只对面雨量进行实时更新和修正,并将修正后的面雨量数据作为耦合洪水预报模型的输入;在模型预报结果的校正方法中,只对预测流量进行实时更新和修正,并将修正后的预测流量数据作为最终的预报结果。
设计不同类别的校正方法的接口和数据传递方式,即将两个校正方法分别作为两个独立的函数,并与耦合洪水预报模型通过输入输出参数相连接。
测试不同类别的校正方法的效果和影响,即通过比较校正前后的面雨量数据和预测流量数据与实测数据之间的误差来评价校正效果,并通过调整校正方法中的参数或算法来优化结果。例如,可以使用以下指标来评价校正效果:面雨量数据的均方根误差(RMSE):表示校正后的面雨量数据与实测数据之间的平均偏差,越小越好。预测流量数据的确定系数(R2):表示校正后的预测流量数据与实测数据之间的相关程度,越接近1越好。预测流量数据的峰值误差(PE):表示校正后的预测流量峰值与实测峰值之间的相对偏差,越小越好。预测流量数据的时间误差(TE):表示校正后的预测流量峰值出现的时间与实测峰值出现的时间之间的差异,越小越好。
根据本申请的一个方面,步骤S11中根据流域类型和水文特征将研究区域划分为N个子区域的过程具体包括:
步骤S11a、获取研究区域的数字高程模型,采用GIS模块将研究区域栅格化并对子流域进行划分;
步骤S11b、去除洼地和噪声,并确定水流在每个栅格内的流向,集散每个栅格的汇流积累量并河网等级和阈值提取河网;
步骤S11c、根据河网确定流域出水口并划分子流域,计算每个子流域的基本参数,建立各个子流域之间的拓扑关系和数据关系。
在一个实施例中,具体实现过程可以为:需要准备研究区域的数字高程模型(DEM)数据,这是划分子流域的基础数据源。DEM数据可以从各种渠道获取,如遥感卫星、航空摄影、地形测量等。DEM数据应该具有一定的分辨率和精度,以保证子流域划分的准确性和细节。需要选择合适的GIS软件和工具来进行子流域划分,如ArcGIS、QGIS、GRASS等。这些软件和工具通常提供了一系列的水文分析功能,如填充洼地、计算流向、计算汇流累积量、提取河网、划分流域等。可以利用ArcGIS中的插件ArcSWAT来进行子流域划分。需要对DEM数据进行预处理,主要是去除洼地和噪声。洼地是指DEM数据中高程值低于周围邻域的栅格单元,可能是真实的地形特征,也可能是数据采集或处理过程中产生的误差。洼地会影响水流的流向和汇流累积量的计算,导致河网提取和流域划分的错误。因此,需要利用GIS软件提供的填充洼地工具或算法来消除或减少洼地的影响。需要确定水流在每个栅格单元内的流向,即水流离开每个栅格单元时的方向。水流方向是根据DEM中心栅格与邻域栅格之间的高程差和距离来确定的。通常采用8方向编码法来表示水流方向,即将中心栅格周围的8个邻域栅格按照顺时针方向从东到北编号为1到8,然后计算每个方向上的距离权落差(高程差除以距离),找出最大距离权落差方向作为水流方向。如果最大距离权落差为负值或为零,则表示该栅格为汇水点或平坦区。需要计算每个栅格单元的汇流累积量,即上游有多少个栅格单元的水流最终汇流通过该栅格单元。汇流累积量是根据水流方向逐个累加得到的。汇流累积量反映了水流在地表的聚集程度,数值越大,表示越容易形成地表径流和河网。需要提取河网,并确定河网等级和阈值。河网是指由汇水点连接而成的线状要素,表示地表水流的主要路径。河网可以根据汇流累积量和给定的阈值来提取,即当汇流累积量大于或等于阈值时,则认为该栅格属于河网。阈值可以根据实际情况或经验值来确定,也可以通过试验或优化方法来确定。阈值越小,则河网越密集,反之则河网越稀疏。河网等级是指河流的分支等级,通常采用斯特拉勒法则来确定,即从最下游的河流开始,将其编号为1,然后向上游追溯,当遇到两条或两条以上的同级河流汇合时,则将汇合后的河流编号为下一级,依此类推,直到所有的河流都被编号。需要指定流域出水口,并划分子流域。流域出水口是指水流从流域排出的位置,通常是河网的最下游点或水文站的位置。可以根据实际需要或研究目的来指定一个或多个流域出水口。根据流域出水口,可以利用GIS软件提供的划分流域工具或算法来划分子流域,即将所有汇流到同一个出水口的栅格单元划分为一个子流域。子流域的数量和大小取决于流域出水口的数量和位置,以及河网的密度和分布。需要计算每个子流域的基本参数,如面积、周长、形状系数、平均高程、平均坡度、平均汇流长度等。这些参数反映了子流域的地形和水文特征,对于水文模拟和分析有重要意义。可以利用GIS软件提供的计算参数工具或算法来自动或手动计算这些参数,并将其存储在属性表中。需要建立子流域的拓扑关系和数据关系。拓扑关系是指子流域之间的连接关系,即哪个子流域是哪个子流域的上游或下游。数据关系是指子流域与其他数据源之间的关联关系,如气象数据、土壤数据、植被数据等。建立拓扑关系和数据关系有助于进行水文模拟和分析,可以利用GIS软件提供的建立关系工具或算法来实现。
如图4所示,根据本申请的一个方面,所述步骤S3进一步为:
步骤S31、基于Bagging集成学习算法构建随机森林集成学习模型,获取M个校正方法的预测流量序列和实测流量序列,并构建数据集,形成M个数据集;所述M为自然数;
步骤S32、对于每个数据集,用自助抽样的方法从中抽取K个样本作为随机森林的训练集,获得M个训练集,K为小于M的自然数;
步骤S33、对于每个训练集,基于决策树构建随机森林;针对每个随机森林模型,使其采用原始数据集进行预测,获得预测结果和实测结果之间的误差;
步骤S34、构建评价指标集合,并对每个随机森林模型进行评价,比较不同随机森林模型的评价指标,并从达到预设评价值的方案中选择最优的模型作为基于集成学习算法的水文模型。
在随机森林中,有两个随机采样的过程:对输入数据的行(数据的数量)与列(数据的特征)都进行采样。对于行采样,采用有放回的方式,若有b个数据,则采样出b个数据(可能有重复),这样在训练的时候每一棵树都不是全部的样本,接着进行列采样从P个特征中选择出d个(d<<b),最近进行决策树的学习。
预测的时候,随机森林中的每一棵树的都对输入进行预测,最后进行投票,哪个类别多,输入样本就属于哪个类别。在该类别中,对于不同学习器的校正结果进行组合,得到当前类别下校正结果最好的权重组合。需要注意的是,这里的树指的是涨洪阶段、洪峰阶段等阶段性的流量过程,因此模型可以针对不同的阶段进行动态组合,得到全局最优的学习结果。
在针对某一地区的预报时,经过上述过程,选择新安江模型,并建立XAJ~CNN~LSTM耦合预报模型,以满足研究目标和适配研究区域的区域类型和水文特征。在校正方法选择上,构建FST、KF和AR组合校正。
反馈模拟技术FST是基于洪水预报误差的相似性,利用系统所能得到的各种有效信息进行洪水预报误差实时校正;Kalman 滤波法KF是借助状态方程和量测方程来描绘洪水的整个线性动态过程,进而对洪水过程进行校正;自回归AR是假设预报误差具有前后相依联系,根据历史预报误差系列发现规律,用以对未来误差进行预测,从而实现原预报结果的修正。从原理上,三者是相互独立的,保证了学习器的独立性。同时出于独立性,学习器之间不会相互干扰,保证了模型的稳定性,因此,模型可以很好的在不同流域之间,不同的来水条件下进行迁移。
需要指出的是,在不同情况下,优势学习器可能是不同的,即在情景A下,涨洪阶段的优势学习器可能是反馈模拟技术FST,但是在情景B下,优势学习器变成了Kalman 滤波法KF。
根据本申请的一个方面,所述耦合洪水预报模型为XAJ3(新安江)~CNN(卷积神经网络)~LSTM(Long Short-Term Memory)模型;
所述校正方法包括反馈模拟方法、Kalman滤波法和自回归方法;
所述步骤S34中,评价指标包括洪峰流量相对误差REp、峰现时间误差DT、洪水总量相对误差RE和洪水总量纳什效率系数NSE。
在本实施例中,通过选择三种不同的实时校正方法(反馈模拟技术FST、Kalman 滤波法KF、时间序列模型中的自回归AR)作为基础学习器,分别对洪水预报模型的输出流量进行校正,得到三种校正流量序列;基于Bagging集成学习算法,构建随机森林(RF)集成学习模型,将三种校正流量序列作为输入特征,将实测流量序列作为输出目标,训练随机森林RF集成学习模型,得到一个综合的校正流量序列;使用四个评价指标(洪峰流量相对误差、峰现时间误差、洪水总量相对误差和洪水总量纳什效率系数)评估RF模型的预报效果,并与单一实时校正模型进行比较,分析RF模型的优势和局限。
从实验结果可知,本申请的精度有巨大提高;在增益方面,率定期洪水增益全为正值,对于验证期,REP增益,除一场洪水为负外,其他均为正;DT增益,除两场洪水为负外,其他均为正;RE增益,除一场洪水为负外,其他均为正;NSE增益均为正。
在洪水的各个阶段,本实施例均显著提高了模型预报精度,无论是洪峰流量还是洪水总量,校正后的流量过程都非常接近实际了流量,表明本申请在提高水文预报精度方面有很大潜力。
根据本申请的一个方面,所述步骤S12进一步为:
步骤S12a、确定研究目标和要求并分类;收集关于水文模型的文献资料和应用案例,提取与研究流域相关的流域特征和水文特征;
步骤S12b、建立水文模型与流域特征和水文特征的匹配度关系;分析水文模型在各个流域特征和水文特征下的适用性和优劣性;
步骤S12c、根据分析结果,建立基于模型复杂度、数据需求、计算效率、模型匹配度和预测精度的评分表,根据评分表从水文模型库中筛选至少两个水文模型构建水文模型集合。
在一个实施例中,根据流域类型和水文特征筛选水文模型的实施流程还可以为:
基于文献荟萃法的水文模型与流域特征映射关系构建:确定研究目标和需求,包括研究区域、研究尺度、研究内容、研究方法、数据来源和质量、精度要求等。收集并分析流域类型和水文特征相关的数据,包括地形图、土地利用图、气象资料、水文资料、植被资料等,并对数据进行预处理和质量检验。根据流域类型和水文特征,选择合适的水文模型类型,即系统模型、概念性模型或物理模型,并考虑模型的适用性、可靠性、灵敏性、稳定性等因素。根据所选水文模型类型,从已有的水文模型中筛选出符合研究目标和需求的具体模型,并考虑模型的复杂度、参数数量、计算效率等因素。根据所选具体水文模型,确定其输入数据和输出数据,并根据数据可用性和质量进行数据匹配和转换。运行所选具体水文模型,并对其进行参数估计、模型校准、模型验证和模型评价。参数估计是指根据水文过程的物理意义或经验关系,给出水文模型中的参数的初始值或范围。模型校准是指通过调整水文模型中的参数,使模型输出与观测数据之间的误差最小化。模型验证是指用另一组观测数据来检验模型输出的准确性和稳定性。模型评价是指用一些定量或定性的指标来评价模型的性能和适用性,例如,确定系数、均方根误差、效率系数、敏感性分析等。
根据本申请的一个方面,所述步骤S3还包括:
步骤S3a、将历史数据分成a个子集,每个子集包含数量相同的样本,每个样本由特征向量和标签组成,特征向量包括历史和当前观测数据中的各种变量,标签为预测目标;a为大于2的自然数;
步骤S3b、针对每个子集,使用其他a-1个子集作为训练数据对校正方法进行训练;
步骤S3c、所有样本的超特征和真实值作为新的训练数据,训练预构建的逻辑回归模型;
步骤S3d、输入验证数据,先使用三种实时校正模型进行预测,得到三个超特征并输入逻辑回归模型,得到最终的预测结果;将预测结果与随机森林模型的最优预测结果进行比较。
通过采用基于超特征的模型进行对比,判断随机森林的预测结果是否能够达到要求。
在该实施例中,通过基于Stacking方法的超特征模型进行预报结果的对照,从而进一步提高模型训练和预报精度。
根据本申请的另一个方面,提供一种基于集成学习算法的水文模型实时校正系统,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述任一项技术方案所述的基于集成学习算法的水文模型实时校正方法。
总之,在本实施例中,通过使用不同大类的实时校正模型。考虑到不同的模型之间的内在数学联系,例如时间序列模型中的自回归模型(AR)、移动平均模型(MA)、自回归移动平均模型(ARMA)、差分自回归移动平均模型(ARIMA),同一大类下模型之间有关联,其在校正过程往往比较单一,例如只侧重涨洪阶段或者洪峰阶段。本实施例选用不用大类的实时校正方法可以有效避免这一问题,做到洪水全过程的校正。同时某个实施例采用了Bagging集成学习方法下属的RF模型,预测精度超出了现有技术。RF模型的预测函数是均匀平等,每个训练集互不相关,可以分别对同一降雨或洪水过程的不同阶段进行预测。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
Claims (9)
1.基于集成学习算法的水文模型实时校正方法,其特征在于,包括如下步骤:
步骤S1、采集研究区域信息并获取流域类型和水文特征;结合流域类型和水文特征,筛选至少两个水文模型,并构建水文模型集合;选择水文模型集合中的水文模型,构建耦合洪水预报模型;
步骤S2、针对耦合洪水预报模型,筛选校正方法并分类,获得至少两类校正方法,每类校正方法包括至少一个校正方法,对不同类别的校正方法进行解耦处理,从每类校正方法中筛选一个校正方法,组成校正方法集;确定耦合洪水预报模型的输入数据和输出数据,采集输入数据并预处理,分别采用每个校正方法对水文模型进行校正,获得预测流量序列;
步骤S3、基于Bagging集成学习算法构建随机森林集成学习模型,以每个校正方法的预测流量序列和实测流量序列作为训练集对随机森林集成学习模型进行训练;构建评价指标集合,对所述随机森林集成学习模型的预报效果进行评价,若达到预设评价值,输出基于集成学习算法的水文模型;
步骤S4、采用所述基于集成学习算法的水文模型进行洪水预测,获得实时校正的水文序列预测结果。
2.如权利要求1所述的基于集成学习算法的水文模型实时校正方法,其特征在于,所述步骤S1进一步为:
步骤S11、采集研究区域信息,所述研究区域信息包括地理、地形、气候和植被,从研究区域信息中获取流域类型和水文特征,根据流域类型和水文特征将研究区域划分为N个子区域,获取每个子流域的流域类型和水文特征;N为自然数;
所述流域类型至少包括平原流域和山区流域;所述水文特征包括流量、水位、含沙量、汛期、冰期、水能、航运价值和工农业价值;
步骤S12、基于研究目标和要求,结合流域特征和水文特征,从预存储的水文模型库中筛选至少两个水文模型,构建水文模型集合;
所述水文模型库中存储有水文模型的标签信息,所述标签信息包括模型基础、研究尺度和模拟目标;所述模型基础至少包括理论模型和经验模型,所述研究尺度至少包括时间尺度、空间尺度和竖向尺度,所述模拟目标至少包括水平衡和水动力;
步骤S13、针对每一子流域,从水文模型中选取对应的不同模型基础的水文模型,构建耦合洪水预报模型。
3.如权利要求2所述的基于集成学习算法的水文模型实时校正方法,其特征在于,所述步骤S2进一步为:
步骤S21、构建校正方法集合并根据校正方法的作用对象和原理将其分成至少四类,包括针对输入变量的校正方法、针对状态变量的校正方法、针对模型参数的校正方法和针对预报结果的校正方法;每类校正方法至少包括一个校正方法;
步骤S22、对不同类别的校正方法进行解耦处理,并为校正方法设置耦合标签,包括:确定每个校正方法的作用对象和作用时机,确定不同类型的校正方法与水文模型的接口和传递方式,评价校正方法对模型性能和预报精度的改善或损失,并如何调整校正方法的参数或算法以优化结果;
步骤S23、从每类校正方法中筛选一个校正方法,组成解耦的校正方法集;确定耦合洪水预报模型的输入数据和输出数据,采集输入数据并预处理,分别采用每个校正方法对模型进行校正,获得预测流量序列。
4.如权利要求2或3所述的基于集成学习算法的水文模型实时校正方法,其特征在于,步骤S11中根据流域类型和水文特征将研究区域划分为N个子区域的过程具体包括:
步骤S11a、获取研究区域的数字高程模型,采用GIS模块将研究区域栅格化并对子流域进行划分;
步骤S11b、去除洼地和噪声,并确定水流在每个栅格内的流向,集散每个栅格的汇流积累量并河网等级和阈值提取河网;
步骤S11c、根据河网确定流域出水口并划分子流域,计算每个子流域的基本参数,建立各个子流域之间的拓扑关系和数据关系。
5.如权利要求4所述的基于集成学习算法的水文模型实时校正方法,其特征在于,所述步骤S3进一步为:
步骤S31、基于Bagging集成学习算法构建随机森林集成学习模型,获取M个校正方法的预测流量序列和实测流量序列,并构建数据集,形成M个数据集;所述M为自然数;
步骤S32、对于每个数据集,用自助抽样的方法从中抽取K个样本作为随机森林的训练集,获得M个训练集,K为小于M的自然数;
步骤S33、对于每个训练集,基于决策树构建随机森林;针对每个随机森林模型,使其采用原始数据集进行预测,获得预测结果和实测结果之间的误差;
步骤S34、构建评价指标集合,并对每个随机森林模型进行评价,比较不同随机森林模型的评价指标,并从达到预设评价值的方案中选择最优的模型作为基于集成学习算法的水文模型。
6.如权利要求5所述的基于集成学习算法的水文模型实时校正方法,其特征在于,
所述耦合洪水预报模型为XAJ3~CNN~LSTM模型;
所述校正方法包括反馈模拟方法、Kalman滤波法和自回归方法;
所述步骤S34中,评价指标包括洪峰流量相对误差REp、峰现时间误差DT、洪水总量相对误差RE和洪水总量纳什效率系数NSE。
7.如权利要求5所述的基于集成学习算法的水文模型实时校正方法,其特征在于,所述步骤S12进一步为:
步骤S12a、确定研究目标和要求并分类;收集关于水文模型的文献资料和应用案例,提取与研究流域相关的流域特征和水文特征;
步骤S12b、建立水文模型与流域特征和水文特征的匹配度关系;分析水文模型在各个流域特征和水文特征下的适用性和优劣性;
步骤S12c、根据分析结果,建立基于模型复杂度、数据需求、计算效率、模型匹配度和预测精度的评分表,根据评分表从水文模型库中筛选至少两个水文模型构建水文模型集合。
8.如权利要求5所述的基于集成学习算法的水文模型实时校正方法,其特征在于,所述步骤S3还包括:
步骤S3a、将历史数据分成a个子集,每个子集包含数量相同的样本,每个样本由特征向量和标签组成,特征向量包括历史和当前观测数据中的各种变量,标签为预测目标;a为大于2的自然数;
步骤S3b、针对每个子集,使用其他a-1个子集作为训练数据对校正方法进行训练;
步骤S3c、所有样本的超特征和真实值作为新的训练数据,训练预构建的逻辑回归模型;
步骤S3d、输入验证数据,先使用三种实时校正模型进行预测,得到三个超特征并输入逻辑回归模型,得到最终的预测结果;将预测结果与随机森林模型的最优预测结果进行比较。
9. 一种基于集成学习算法的水文模型实时校正系统,其特征在于,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现权利要求1~8任一项所述的基于集成学习算法的水文模型实时校正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310879900.7A CN116609860B (zh) | 2023-07-18 | 2023-07-18 | 基于集成学习算法的水文模型实时校正方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310879900.7A CN116609860B (zh) | 2023-07-18 | 2023-07-18 | 基于集成学习算法的水文模型实时校正方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116609860A CN116609860A (zh) | 2023-08-18 |
CN116609860B true CN116609860B (zh) | 2023-09-19 |
Family
ID=87678580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310879900.7A Active CN116609860B (zh) | 2023-07-18 | 2023-07-18 | 基于集成学习算法的水文模型实时校正方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116609860B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117370751B (zh) * | 2023-09-13 | 2024-03-19 | 浙江天禹信息科技有限公司 | 一种交叉验证的水文数据弹性监测方法及系统 |
CN117391221B (zh) * | 2023-12-11 | 2024-02-20 | 南京邮电大学 | 基于机器学习的ndvi预测集成优化方法及系统 |
CN117828312B (zh) * | 2024-03-05 | 2024-05-24 | 中国科学院地理科学与资源研究所 | 一种流域水文环境的管理方法及相关设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080096094A (ko) * | 2007-04-27 | 2008-10-30 | 한국표준과학연구원 | 강우량계의 교정장치 |
CN101794495A (zh) * | 2010-02-05 | 2010-08-04 | 国网电力科学研究院 | 洪水预报系统中实时校正模型的优选方法 |
KR20140131704A (ko) * | 2013-05-06 | 2014-11-14 | (주)웹솔루스 | 수문모형과 수리모형 수행을 위한 지형관리 방법 |
CN105260607A (zh) * | 2015-10-20 | 2016-01-20 | 华中科技大学 | 一种串并联耦合的多模型水文预报方法 |
CN105912770A (zh) * | 2016-04-08 | 2016-08-31 | 中山大学 | 水文实时预报系统 |
CN106202935A (zh) * | 2016-07-13 | 2016-12-07 | 国网湖南省电力公司 | 一种流域径流预报的校正方法及其系统 |
KR101728137B1 (ko) * | 2016-02-04 | 2017-04-19 | (주)한라지리정보 | 위성 영상과 gis를 사용한 토지피복 항목별 영상분류 방법 |
CN106875060A (zh) * | 2017-02-20 | 2017-06-20 | 宁波市水利水电规划设计研究院 | 一种基于全局自动优化算法的洪水实时校正方法 |
WO2019014120A1 (en) * | 2017-07-11 | 2019-01-17 | The Trustees Of Princeton University | SYSTEM AND METHOD FOR MAKING A PRECISE HYDROLOGICAL DETERMINATION USING DISPARATE METEOROLOGICAL DATA SOURCES |
CN111104981A (zh) * | 2019-12-19 | 2020-05-05 | 华中科技大学 | 一种基于机器学习的水文预报精度评价方法及系统 |
CN112884223A (zh) * | 2021-02-19 | 2021-06-01 | 大连理工大学 | 基于多源卫星降水信息和产流约束校正的无资料地区洪水实时预报方法 |
CN114970377A (zh) * | 2022-07-29 | 2022-08-30 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于新安江与深度学习耦合模型的场次洪水预报方法和系统 |
CN115114811A (zh) * | 2022-08-30 | 2022-09-27 | 水利部交通运输部国家能源局南京水利科学研究院 | 短时预报降水分类误差和定量误差双重订正方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7277837B2 (en) * | 2003-08-27 | 2007-10-02 | Hayes, Seay, Mattern & Mattern, Inc. | Method for flow analysis utilizing cell elevation topology |
US9600997B1 (en) * | 2015-11-03 | 2017-03-21 | International Business Machines Corporation | Localized flood alert system and method |
CN105512767B (zh) * | 2015-12-15 | 2019-06-11 | 武汉大学 | 一种多预见期的洪水预报方法 |
-
2023
- 2023-07-18 CN CN202310879900.7A patent/CN116609860B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080096094A (ko) * | 2007-04-27 | 2008-10-30 | 한국표준과학연구원 | 강우량계의 교정장치 |
CN101794495A (zh) * | 2010-02-05 | 2010-08-04 | 国网电力科学研究院 | 洪水预报系统中实时校正模型的优选方法 |
KR20140131704A (ko) * | 2013-05-06 | 2014-11-14 | (주)웹솔루스 | 수문모형과 수리모형 수행을 위한 지형관리 방법 |
CN105260607A (zh) * | 2015-10-20 | 2016-01-20 | 华中科技大学 | 一种串并联耦合的多模型水文预报方法 |
KR101728137B1 (ko) * | 2016-02-04 | 2017-04-19 | (주)한라지리정보 | 위성 영상과 gis를 사용한 토지피복 항목별 영상분류 방법 |
CN105912770A (zh) * | 2016-04-08 | 2016-08-31 | 中山大学 | 水文实时预报系统 |
CN106202935A (zh) * | 2016-07-13 | 2016-12-07 | 国网湖南省电力公司 | 一种流域径流预报的校正方法及其系统 |
CN106875060A (zh) * | 2017-02-20 | 2017-06-20 | 宁波市水利水电规划设计研究院 | 一种基于全局自动优化算法的洪水实时校正方法 |
WO2019014120A1 (en) * | 2017-07-11 | 2019-01-17 | The Trustees Of Princeton University | SYSTEM AND METHOD FOR MAKING A PRECISE HYDROLOGICAL DETERMINATION USING DISPARATE METEOROLOGICAL DATA SOURCES |
CN111104981A (zh) * | 2019-12-19 | 2020-05-05 | 华中科技大学 | 一种基于机器学习的水文预报精度评价方法及系统 |
WO2021120788A1 (zh) * | 2019-12-19 | 2021-06-24 | 华中科技大学 | 一种基于机器学习的水文预报精度评价方法及系统 |
CN112884223A (zh) * | 2021-02-19 | 2021-06-01 | 大连理工大学 | 基于多源卫星降水信息和产流约束校正的无资料地区洪水实时预报方法 |
CN114970377A (zh) * | 2022-07-29 | 2022-08-30 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于新安江与深度学习耦合模型的场次洪水预报方法和系统 |
CN115114811A (zh) * | 2022-08-30 | 2022-09-27 | 水利部交通运输部国家能源局南京水利科学研究院 | 短时预报降水分类误差和定量误差双重订正方法及系统 |
Non-Patent Citations (3)
Title |
---|
Statistical bias correction of global simulated daily precipitation and temperature for the application of hydrological models;C.Piani;<Journal of hydrology>;第3卷(第395期);第199-215页 * |
洪水预报实时校正技术比较及应用研究;周梦;陈华;郭富强;许崇育;;中国农村水利水电(第07期);第90-95页 * |
遥感水文耦合模型的研究进展;赵少华;《生态环境》;第15卷(第6期);第1391-1396页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116609860A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116609860B (zh) | 基于集成学习算法的水文模型实时校正方法和系统 | |
CN107316095B (zh) | 一种耦合多源数据的区域气象干旱等级预测方法 | |
Stathopoulos et al. | Wind power prediction based on numerical and statistical models | |
Tadesse et al. | Data-driven modeling of global storm surges | |
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 | |
Dumedah et al. | Selecting model parameter sets from a trade-off surface generated from the non-dominated sorting genetic algorithm-II | |
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 | |
CN113673765B (zh) | 一种小流域洪水预报预警方法及终端 | |
CN111985106A (zh) | 一种基于多点并行校正的分布式水文模型参数率定方法 | |
CN111310898A (zh) | 一种基于rnn的滑坡灾害易发性预测方法 | |
CN104520861A (zh) | 风功率密度预测方法 | |
CN115423163A (zh) | 一种流域短期洪水事件预测方法、装置及终端设备 | |
Herman et al. | Evaluation of multi-and many-objective optimization techniques to improve the performance of a hydrologic model using evapotranspiration remote-sensing data | |
KR101264873B1 (ko) | 단계적 회귀 분석을 이용한 풍력 밀도 예측 방법 | |
CN115544889A (zh) | 基于深度学习的数值模式降水偏差校正方法 | |
Zhao et al. | Risk assessment of flood disaster and forewarning model at different spatial-temporal scales | |
CN112989557A (zh) | 基于神经网络可选择模型提高水储量变化预测可靠性方法 | |
Salahi et al. | An evaluation of Delta and SDSM Downscaling Models for simulating and forecasting of average wind velocity in Sistan, Iran | |
Nasseri et al. | A comparison between direct and indirect frameworks to evaluate impacts of climate change on streamflows: case study of Karkheh River basin in Iran | |
WO2023245399A1 (zh) | 基于土地系统和气候变化耦合的水稻生产潜力模拟方法 | |
Siebert et al. | Reference wind farm selection for regional wind power prediction models | |
CN115358587A (zh) | 区域多部门协同的基础设施规划方法及系统 | |
Achite et al. | Application of multiple spatial interpolation approaches to annual rainfall data in the Wadi Cheliff basin (north Algeria) | |
CN114493245A (zh) | 一种基于gis与集成学习的山洪灾害易发性评价方法 | |
CN112347700A (zh) | 一种泥石流发生概率及规模预报方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |