CN117057174B - 一种缺资料地区径流预测的方法 - Google Patents
一种缺资料地区径流预测的方法 Download PDFInfo
- Publication number
- CN117057174B CN117057174B CN202311324034.1A CN202311324034A CN117057174B CN 117057174 B CN117057174 B CN 117057174B CN 202311324034 A CN202311324034 A CN 202311324034A CN 117057174 B CN117057174 B CN 117057174B
- Authority
- CN
- China
- Prior art keywords
- historical
- moment
- data
- preset
- runoff
- 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 67
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims description 64
- 230000015654 memory Effects 0.000 claims description 26
- 230000004927 fusion Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 8
- 230000002950 deficient Effects 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000007812 deficiency Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 11
- 238000004088 simulation Methods 0.000 abstract description 11
- 238000012544 monitoring process Methods 0.000 description 7
- 239000002689 soil Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 101150021858 SIF2 gene Proteins 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及流域水文模拟技术领域，公开了一种缺资料地区径流预测的方法。本发明提供的缺资料地区径流预测的方法，在获取到模型参数之后，基于缺资料区域的历史径流数据，利用卡尔曼滤波算法对模型参数进行修正。将当前时刻的缺资料区域的数值气象数据输入至经过参数修正的水文模型中，对预设时长内缺资料区域的径流数据进行预测。本发明利用卡尔曼滤波算法，将历史径流数据与模型参数的预测值有效地融合，实现了对误差的闭环管理，考虑了模拟过程中模型参数的不确定性，从而提高了预测结果的精确程度。
Description
技术领域
本发明涉及流域水文模拟技术领域，具体涉及一种缺资料地区径流预测的方法。
背景技术
水文模型是水文规律研究和水资源管理的重要工具，然而在缺资料地区，由于气象水文等输入数据的匮乏，严重限制了水文模型在缺资料地区的应用。
目前常用的缺资料地区水文模拟方法为参数区域化方法，包括参数移植法和参数回归法。其中，参数移植法是基于相似流域或者近似流域原则，将有资料区域的模型参数直接或间接移用到缺资料地区。参数回归法是通过对参数的物理机制分析，建立参数与相关下垫面特征值的回归关系将其应用到缺资料地区。但上述两种缺资料地区的参数区域化方法在水文过程模拟中缺少对多源不确定性的量化，从而影响模拟预测的精度。
因此，一种缺资料地区径流的高精度预测方法成为目前急需解决的问题。
发明内容
有鉴于此，本发明提供了一种缺资料地区径流预测的方法，以解决当前缺资料地区径流数据预测不准确的问题。
第一方面，本发明提供了一种缺资料地区径流预测的方法，方法包括：
获取水文模型的模型参数；基于第一预设区域在第一历史时长内的历史径流数据，利用卡尔曼滤波算法对模型参数进行修正，第一预设区域为缺少实测气象数据的区域，第一历史时长为任一历史时刻与当前时刻之间的时间段；获取第一预设区域在当前时刻的数值气象数据；将数值气象数据输入至模型参数修正后的水文模型中，对第一预设区域在预设时间段内的径流数据进行预测，预设时间段为以当前时刻为起始的任一时间段。
本实施例提供的缺资料地区径流预测的方法，在获取到模型参数之后，基于缺资料区域的历史径流数据，利用卡尔曼滤波算法对模型参数进行修正。将当前时刻的缺资料区域的数值气象数据输入至经过参数修正的水文模型中，对预设时长内缺资料区域的径流数据进行预测。本实施例利用卡尔曼滤波算法，将历史径流数据与模型参数的预测值有效地融合，实现了对误差的闭环管理，考虑了模拟过程中模型参数的不确定性，从而提高了预测结果的精确程度。
在一种可选的实施方式中，获取水文模型的模型参数，包括：
获取第一预设区域在历史时刻的数值气象数据、流域下垫面数据和第二历史时长内的历史径流数据，第二历史时长以历史时刻为起始，历史时刻在第一历史时长的起始时刻之前；将第一预设区域在历史时刻的数值气象数据和流域下垫面数据输入至预构建的水文模型，利用第二历史时长内的历史径流数据对模型参数进行率定，得到水文模型的模型参数。
在一种可选的实施方式中，在将第一预设区域在预设历史时刻的数值气象数据和流域下垫面数据输入至预构建的水文模型之前，方法还包括：
获取第二预设区域在历史时刻的历史气象数据，第二预设区域在以第一预设区域为中心的预设范围内；对历史气象数据和第一预设区域在历史时刻的数值气象数据进行融合，生成融合气象数据，以将融合气象数据替代数值气象数据作为预构建的水文模型的输入。
在一种可选的实施方式中，对历史气象数据和第一预设区域在历史时刻的数值气象数据进行融合，生成融合气象数据，包括：
利用贝叶斯算法对历史气象数据和第一预设区域在历史时刻的数值气象数据进行融合，生成融合气象数据。
本实施例提供的缺资料地区径流预测的方法，在对数值气象数据与实测气象数据进行融合之后，将融合后的气象数据与流域下垫面数据一起输入至预构建的水文模型中，由于融合后的气象数据能够很好的结合邻近区域实测气象数据的特征，使得最终生成的融合后的气象数可以更接近缺资料区域的区域特点，进而使通过率定后得到的模型参数更准确。
在一种可选的实施方式中，基于第一预设区域在第一历史时长内的历史径流数据，利用卡尔曼滤波算法对模型参数进行修正，包括：
令i=1，基于模型参数和预设参数误差服从的分布信息，得到第1时刻对应的分析值集合，第1时刻为第一历史时长内的首个预设时刻；令i=i+1，利用预设单位向量，对第i时刻的分析值集合进行转换，得到第i+1时刻对应的预测值集合；基于第i+1时刻对应的预测值集合、第i+1时刻对应的历史径流数据、预设径流误差服从的分布信息，预设观测算子和预测值集合中的元素数量，得到第i+1时刻对应的分析值集合，第i+1时刻为历史时刻；当第i+1时刻的分析值集合不满足预设条件时，返回第i=i+1步骤，直至第i+1时刻的分析值集合满足预设条件时，基于第i+1时刻对应的分析值集合确定修正后的模型参数。
在一种可选的实施方式中，预设条件包括：
第i+1时刻为第一历史时长内的最后一个预设时刻。
在一种可选的实施方式中，基于第i+1时刻对应的预测值集合、第i+1时刻对应的历史径流数据、预设径流误差服从的分布信息，预设观测算子和预测值集合中的元素数量，得到第i+1时刻对应的分析值集合，包括：
基于第i+1时刻对应的预测值集合和预测值集合中的元素数量，确定第i+1时刻对应的预测值误差协方差；基于第i+1时刻对应的历史径流数据和预设径流误差服从的分布信息，确定第i+1时刻对应的径流误差协方差；基于第i+1时刻对应的预测值误差协方差、第i+1时刻对应的径流误差协方差和预设观测算子，确定第i+1时刻对应的卡尔曼增益；基于第i+1时刻对应的预测值误差协方差、第i+1时刻对应的卡尔曼增益和第i+1时刻对应的历史径流数据，确定第i+1时刻对应的分析值集合。
第二方面，本发明提供了一种缺资料地区径流预测的装置，装置包括：
第一获取模块，用于获取水文模型的模型参数；修正模块，用于基于第一预设区域在第一历史时长内的历史径流数据，利用卡尔曼滤波算法对模型参数进行修正，第一预设区域为缺少实测气象数据的区域，第一历史时长为任一历史时刻与当前时刻之间的时间段；第二获取模块，用于获取第一预设区域在当前时刻的数值气象数据；预测模块，用于将数值气象数据输入至模型参数修正后的水文模型中，对第一预设区域在预设时间段内的径流数据进行预测，预设时间段为以当前时刻为起始的任一时间段。
在一种可选的实施方式中，第一获取模块，包括：
第一获取子模块，用于获取第一预设区域在历史时刻的数值气象数据、流域下垫面数据和第二历史时长内的历史径流数据，第二历史时长以历史时刻为起始，历史时刻在第一历史时长的起始时刻之前；率定子模块，用于将第一预设区域在历史时刻的数值气象数据和流域下垫面数据输入至预构建的水文模型，利用第二历史时长内的历史径流数据对模型参数进行率定，得到水文模型的模型参数。
在一种可选的实施方式中，在率定子模块之前，装置还包括：
第二获取子模块，用于获取第二预设区域在历史时刻的历史气象数据，第二预设区域在以第一预设区域为中心的预设范围内；融合子模块，用于对历史气象数据和第一预设区域在历史时刻的数值气象数据进行融合，生成融合气象数据，以将融合气象数据替代数值气象数据作为预构建的水文模型的输入。
在一种可选的实施方式中，融合子模块，包括：
融合单元，用于利用贝叶斯算法对历史气象数据和第一预设区域在历史时刻的数值气象数据进行融合，生成融合气象数据。
在一种可选的实施方式中，修正模块，包括：
第一确定子模块，用于令i=1，基于模型参数和预设参数误差服从的分布信息，得到第1时刻对应的分析值集合，第1时刻为第一历史时长内的首个预设时刻；第二确定子模块，用于令i=i+1，利用预设单位向量，对第i时刻的分析值集合进行转换，得到第i+1时刻对应的预测值集合；第三确定子模块，用于基于第i+1时刻对应的预测值集合、第i+1时刻对应的历史径流数据、预设径流误差服从的分布信息，预设观测算子和预测值集合中的元素数量，得到第i+1时刻对应的分析值集合，第i+1时刻为历史时刻；判断子模块，用于当第i+1时刻的分析值集合不满足预设条件时，返回第i=i+1步骤，直至第i+1时刻的分析值集合满足预设条件时，基于第i+1时刻对应的分析值集合确定修正后的模型参数。
在一种可选的实施方式中，判断子模块中的预设条件包括：
判断单元中的预设条件为第i+1时刻为第一历史时长内的最后一个预设时刻。
第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的缺资料地区径流预测的方法。
第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的缺资料地区径流预测的方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的缺资料地区径流预测的方法的流程示意图；
图2是根据本发明实施例的另一缺资料地区径流预测的方法的流程示意图；
图3是根据本发明实施例的又一缺资料地区径流预测的方法的流程示意图；
图4是根据本发明实施例的缺资料地区径流预测的装置的结构框图；
图5是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
当前对缺资料地区径水文模拟的方法主要有两种，即参数移植法和参数回归法。但是上述两种方法在水文过程模拟中缺少对多源不确定性的量化，从而影响模拟预测的精度。为此，本发明提供了一种缺资料地区径流预测的方法，利用卡尔曼滤波算法对模型参数修正，考虑了缺资料地区径流模拟预测过程中输入数据和模型参数等的不确定性，从而提高了预测精度。
根据本发明实施例，提供了一种缺资料地区径流预测的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种缺资料地区径流预测的方法，可用于计算机设备，图1是根据本发明实施例的缺资料地区径流预测的方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101，获取水文模型的模型参数。
具体地，本实施例中的水文模型为初始水文模型，初始水文模型具备预测功能，但其预测结果偏差较大，因此，需要获取其模型参数，再对模型参数进行修正。
示例性地，模型参数可以是土壤蒸发补偿系数（soil evaporation compensationcoefficient，简称ESCO）和径流曲线数（Curve Number2，简称CN2）等。
步骤S102，基于第一预设区域在第一历史时长内的历史径流数据，利用卡尔曼滤波算法对模型参数进行修正。
具体地，第一预设区域为缺少实测气象数据的区域，第一历史时长为任一历史时刻与当前时刻之间的时间段。如第一历史时长可以是近一周或者近一个月对应的时长。第一历史时长的选择本实施例不作具体限定，本领域技术人员可根据实际需求进行选择。当然，第一历史时长越长，对模型参数的修正效果越好。
具体地，历史径流数据为第一历史时长内各预设时刻分别对应的实测径流数据，其中，实测径流数据可以从第一预设区域中流域出口处的径流监测站监测得到。
具体地，预设时刻与径流监测站的数据监测周期对应，如，径流监测站的数据监测周期为每天一次，且在每天0点进行监测。那么，预设时刻即每天0点。
步骤S103，获取第一预设区域在当前时刻的数值气象数据。
示例性地，数值气象数据可以从美国国家环境预报中心（National Centers forEnvironmental Prediction，简称NCEP）的中期气象预报数据中得到。
步骤S104，将数值气象数据输入至模型参数修正后的水文模型中，对第一预设区域在预设时间段内的径流数据进行预测。
具体地，预设时间段为以当前时刻为起始的任一时间段。预设时间段可以根据需要自行设置，本实施例对此不作具体限定，如可以是以当前时刻为起始，未来三天内的径流数据。
本实施例提供的缺资料地区径流预测的方法，在获取到模型参数之后，基于缺资料区域在第一历史时长内的历史径流数据，利用卡尔曼滤波算法对模型参数进行修正。将当前时刻的缺资料区域的数值气象数据输入至经过参数修正的水文模型中，对预设时长内缺资料区域的径流数据进行预测。本实施例利用卡尔曼滤波算法，将历史径流数据与模型参数的预测值有效地融合，实现了对误差的闭环管理，考虑了模拟过程中模型参数的不确定性，从而提高了预测结果的精确程度。
在本实施例中提供了一种缺资料地区径流预测的方法，可用于计算及设备或预测模型，图2是根据本发明实施例的缺资料地区径流预测的方法的流程图，如图2所示，该流程包括如下步骤：
步骤S201，获取水文模型的模型参数。
具体地，上述步骤S201包括：
步骤S2011，获取第一预设区域在历史时刻的数值气象数据、流域下垫面数据和第二历史时长内的历史径流数据。
具体地，第二历史时长以历史时刻为起始，历史时刻在第一历史时长的起始时刻之前。如，第一历史时长为2023年1月1日至2023年1月7日，第二历史时长可以为2022年1月1日至2022年12月31日。第二历史时长的选取可有本领域技术人员根据需求选择，但需要特别注意的是，第二历史时长的起始时刻（即历史时刻）需在第一历史时长的起始时刻之前。
具体地，本实施例中的历史径流数据即历史时刻的实测径流数据。
示例性地，获取第一预设区域在2023年1月1日的数值气象数据、流域下垫面数据，获取第一预设区域在2022年1月1日至2023年1月7日内各预设时刻对应的历史径流数据。此处预设时刻的确定方式与步骤S102实施例中预设时刻的确定方式一致，此处不再赘述。
具体地，流域下垫面数据包括土壤数据、植被数据和高程数据，其中，土壤数据可以从世界土壤数据库（Harmonized World Soil Database，简称HWSD）中获取，植被数据可以从欧空局全球陆地覆盖数据（GlobCover）中获取，高程数据可以从航天飞机雷达地形测绘使命（Shuttle Radar Topography Mission，简称SRTM）中获取。
步骤S2022，将第一预设区域在历史时刻的数值气象数据和流域下垫面数据输入至预构建的水文模型，利用第二历史时长内的历史径流数据对模型参数进行率定，得到水文模型的模型参数。
示例性地，预构建的水文模型为土地利用与水文过程模拟模型（Soil and WaterAssessment Tool，简称SWAT模型），将获取到历史时刻的数值气象数据和流域下垫面数据输入至SWAT模型中，对径流数据进行预测，得到第二历史时长内预设时刻的预测径流数据，并基于预设时刻的预测径流数据和预设时刻的实测径流数据，采用尺度不变性特征匹配算法（Scale Invariant Feture Transform，简称SIF2算法）对模型参数进行率定，得到水文模型的模型参数。
在一可选实施例中，在步骤S2022之前，还包括：
首先，获取第二预设区域在历史时刻的历史气象数据。
具体地，第二预设区域在以第一预设区域为中心的预设范围内，预设范围的选取可根据第一预设区域周边的实际情况设定，预设范围内必须包含至少一个有资料区域。如，第二预设区域是与第一预设区域邻近且有实测气象数据的区域。
然后，对历史气象数据和第一预设区域在相同历史时刻的数值气象数据进行融合，生成融合气象数据，以将融合气象数据替代数值气象数据作为预构建的水文模型的输入。
具体地，本实施例中的历史气象数据即历史时刻的实测气象数据。
具体地，可利用数据融合方法对历史气象数据和第一预设区域在历史时刻的数值气象数据进行融合，生成融合气象数据。数据融合方法包括算数平均法、卡曼滤波、地理加权回归法等，本实施例对融合方法的选取不作具体限定，本领域技术人员可根据待预测区域的特点进行选择。
本实施例提供的缺资料地区径流预测的方法，在对数值气象数据与历史时刻的实测气象数据进行融合之后，将融合后的气象数据与流域下垫面数据一起输入至预构建的水文模型中，由于融合后的气象数据能够很好的结合邻近区域实测气象数据的特征，使得最终生成的融合后的气象数可以更接近缺资料区域的区域特点，进而使通过率定后得到的模型参数更准确。
步骤S202，基于第一预设区域在第一历史时长内的历史径流数据，利用卡尔曼滤波算法对模型参数进行修正。详细请参见图1所示实施例的步骤S102，在此不再赘述。
步骤S203，获取第一预设区域在当前时刻的数值气象数据。详细请参见图1所示实施例的步骤S103，在此不再赘述。
步骤S204，将数值气象数据输入至模型参数修正后的水文模型中，对第一预设区域在预设时间段内的径流数据进行预测。详细请参见图1所示实施例的步骤S104，在此不再赘述。
在本实施例中提供了一种缺资料地区径流预测的方法，可用于上述的移动终端，如手机、平板电脑等，图3是根据本发明实施例的缺资料地区径流预测的方法的流程图，如图3所示，该流程包括如下步骤：
步骤S301，获取水文模型的模型参数。详细请参见图1所示实施例的步骤S201，在此不再赘述。
步骤S302，基于第一预设区域在第一历史时长内的历史径流数据，利用卡尔曼滤波算法对模型参数进行修正。
具体地，上述步骤S302包括：
步骤S3021，令i=1，基于模型参数和预设参数误差服从的分布信息，得到第1时刻对应的分析值集合。
具体地，i为正整数，第1时刻为第一历史时长内的首个预设时刻。
具体地，根据模型参数和预设的参数误差服从的分布信息，可以得到模型参数对应的若干分析值，通过随机抽样方法从模型参数对应的若干分析值中提取预设数量的值形成分析值集合。分析值集合的确定过程属于成熟的技术，本实施例对此不作赘述。示例性地，本实施例中，预设参数误差服从的分布信息为期望为0，方差为0.1的正态分布，集合中的元素数量为300，且元素数量越多，模型参数修正越准确。
步骤S3022，令i=i+1，利用预设单位向量，对第i时刻的分析值集合进行转换，得到第i+1时刻对应的预测值集合。
示例性地，第i时刻分析值集合中的元素与第i+1时刻预测值集合中的元素一一对应，第i+1时刻预测值集合中的元素由与之对应的第i时刻分析值集合中的元素转换得到。如，将第i时刻分析值集合中的第个分析值转换为第i+1时刻预测值集合中第/>个预测值的转换方式如下：
其中，为单位向量，/>为第/>个时刻分析值集合中的第/>个分析值，/>为第个时刻预测值集合中的第/>个预测值。
步骤S3023，基于第i+1时刻对应的预测值集合、第i+1时刻对应的历史径流数据、预设径流误差服从的分布信息，预设观测算子和预测值集合中的元素数量，得到第i+1时刻对应的分析值集合。
具体地，第i+1时刻为历史时刻。
在一些可选实施例中，上述步骤S3023包括：
步骤a1，基于第i+1时刻对应的预测值集合和预测值集合中的元素数量，确定第i+1时刻对应的预测值误差协方差。
其中，为第i+1时刻对应的预测值误差协方差，/>为预测值集合中的元素数量，为第i+1时刻预测值集合对应的均值。
步骤a2，基于第i+1时刻对应的历史径流数据和预设径流误差服从的分布信息，确定第i+1时刻对应的径流误差协方差。
示例性地，由于实测径流数据会由于监测设备自身的误差和其它影响因素导致实测径流数据准确性存在偏差，因此，通过预设径流误差服从的分布信息得到可能的径流数据值，以便将所有误差的考虑进修正过程，得到更精确的模型参数。
示例性地，本实施例中，预设径流误差服从的分布信息为期望为0，方差为0.2的正态分布。
示例性地，根据第i+1时刻对应的历史径流数据和预设径流误差服从的分布信息，得到第i+1时刻径流数据对应的分析值集合，该分析值集合中存在该时刻可能对应的径流数据。具体分析值集合的确定过程与步骤S3021中预测参数分析值集合的确定方式相同。在得到径流数据对应的分析值集合后，采用如步骤a1实施例中相同的协方差计算公式确定径流误差协方差。
步骤a3，基于第i+1时刻对应的预测值误差协方差、第i+1时刻对应的径流误差协方差和预设观测算子，确定第i+1时刻对应的卡尔曼增益。
示例性地，卡尔曼增益的确定方式为：
其中，为第i+1时刻对应的卡尔曼增益，/>为第i+1时刻对应的预测值误差协方差，/>为第i+1时刻对应的径流误差协方差，/>为预设观测算子，/>为预设观测算子的转置。
步骤a4，基于第i+1时刻对应的预测值误差协方差、第i+1时刻对应的卡尔曼增益和第i+1时刻对应的历史径流数据，确定第i+1时刻对应的分析值集合。
示例性地，第i+1时刻对应的分析值集合中各元素的确定方式为：
其中，为第/>个时刻分析值集合中的第/>个分析值，/>为第/>个时刻预测值集合中的第/>个预测值，/>为第i+1时刻对应的卡尔曼增益，/>为第i+1时刻对应的径流误差协方差，/>为预设观测算子。
由基于上述方式确定的各第i+1时刻的分析值组成第i+1时刻的分析值集合。
步骤S3024，当第i+1时刻的分析值集合不满足预设条件时，返回第i=i+1步骤，直至第i+1时刻的分析值集合满足预设条件时，基于第i+1时刻对应的分析值集合确定修正后的模型参数。
具体地，预设条件为循环截止时分析值集合需满足的条件。
示例性地，预设条件可以为，第i+1时刻为第一历史时长内的最后一个预设时刻。
步骤S303，获取第一预设区域在当前时刻的数值气象数据。详细请参见图1所示实施例的步骤S103，在此不再赘述。
步骤S304，将数值气象数据输入至模型参数修正后的水文模型中，对第一预设区域在预设时间段内的径流数据进行预测。详细请参见图1所示实施例的步骤S104，在此不再赘述。
本实施例提供的缺资料地区径流预测的方法，通过上述方式，利用历史径流数据对模型参数不断进行修正，从而使最终得到的模型参数具备缺资料区域的径流特征，进而使得基于参数修正后得到的水文模型的预测结果更准确。
在本实施例中还提供了一种缺资料地区径流预测的装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种缺资料地区径流预测的装置，如图4所示，包括：
第一获取模块401，用于获取水文模型的模型参数。
修正模块402，用于基于第一预设区域在第一历史时长内的历史径流数据，利用卡尔曼滤波算法对模型参数进行修正，第一预设区域为缺少实测气象数据的区域，第一历史时长为任一历史时刻与当前时刻之间的时间段。
第二获取模块403，用于获取第一预设区域在当前时刻的数值气象数据。
预测模块404，用于将数值气象数据输入至模型参数修正后的水文模型中，对第一预设区域在预设时间段内的径流数据进行预测，预设时间段为以当前时刻为起始的任一时间段。
在一些可选的实施方式中，第一获取模块401包括：
第一获取子模块，用于获取第一预设区域在历史时刻的数值气象数据、流域下垫面数据和第二历史时长内的历史径流数据，第二历史时长以历史时刻为起始，历史时刻在第一历史时长的起始时刻之前。
率定子模块，用于将第一预设区域在历史时刻的数值气象数据和流域下垫面数据输入至预构建的水文模型，利用第二历史时长内的历史径流数据对模型参数进行率定，得到水文模型的模型参数。
在一些可选的实施方式中，在率定子模块之前，装置还包括：
第二获取子模块，用于获取第二预设区域在历史时刻的历史气象数据，第二预设区域在以第一预设区域为中心的预设范围内。
融合子模块，用于对历史气象数据和第一预设区域在历史时刻的数值气象数据进行融合，生成融合气象数据，以将融合气象数据替代数值气象数据作为预构建的水文模型的输入。
在一些可选的实施方式中，融合子模块，包括：
融合单元，用于利用贝叶斯算法对历史气象数据和第一预设区域在历史时刻的数值气象数据进行融合，生成融合气象数据。
在一些可选的实施方式中，修正模块402，包括：
第一确定子模块，用于令i=1，基于模型参数和预设参数误差服从的分布信息，得到第1时刻对应的分析值集合，第1时刻为第一历史时长内的首个预设时刻。
第二确定子模块，用于令i=i+1，利用预设单位向量，对第i时刻的分析值集合进行转换，得到第i+1时刻对应的预测值集合。
第三确定子模块，用于基于第i+1时刻对应的预测值集合、第i+1时刻对应的历史径流数据、预设径流误差服从的分布信息，预设观测算子和预测值集合中的元素数量，得到第i+1时刻对应的分析值集合，第i+1时刻为历史时刻。
判断子模块，用于当第i+1时刻的分析值集合不满足预设条件时，返回第i=i+1步骤，直至第i+1时刻的分析值集合满足预设条件时，基于第i+1时刻对应的分析值集合确定修正后的模型参数。
在一些可选的实施方式中，判断子模块中的预设条件包括：
判断单元中的预设条件为第i+1时刻为第一历史时长内的最后一个预设时刻。在一些可选的实施方式中，第三确定子模块，包括：
第一确定单元，用于基于第i+1时刻对应的预测值集合和预测值集合中的元素数量，确定第i+1时刻对应的预测值误差协方差。
第二确定单元，用于基于第i+1时刻对应的历史径流数据和预设径流误差服从的分布信息，确定第i+1时刻对应的径流误差协方差。
第三确定单元，用于基于第i+1时刻对应的预测值误差协方差、第i+1时刻对应的径流误差协方差和预设观测算子，确定第i+1时刻对应的卡尔曼增益。
第四确定单元，用于基于第i+1时刻对应的预测值误差协方差、第i+1时刻对应的卡尔曼增益和第i+1时刻对应的历史径流数据，确定第i+1时刻对应的分析值集合。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本实施例中的缺资料地区的径流预测装置是以功能单元的形式来呈现，这里的单元是指ASIC（Application Specific Integrated Circuit，专用集成电路）电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备，具有上述图4所示的缺资料地区的径流预测装置。
请参阅图5，图5是本发明可选实施例提供的一种计算机设备的结构示意图，如图5所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器10为例。
处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。
其中，存储器20存储有可由至少一个处理器10执行的指令，以使至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种缺资料地区径流预测的方法，其特征在于，所述方法包括：
获取水文模型的模型参数；
基于第一预设区域在第一历史时长内的历史径流数据，利用卡尔曼滤波算法对所述模型参数进行修正，所述第一预设区域为缺少实测气象数据的区域，所述第一历史时长为任一历史时刻与当前时刻之间的时间段；
获取所述第一预设区域在当前时刻的数值气象数据；
将所述数值气象数据输入至模型参数修正后的水文模型中，对所述第一预设区域在预设时间段内的径流数据进行预测，所述预设时间段为以当前时刻为起始的任一时间段；
所述基于第一预设区域在第一历史时长内的历史径流数据，利用卡尔曼滤波算法对所述模型参数进行修正，包括：
令i=1，基于所述模型参数和预设参数误差服从的分布信息，得到第1时刻对应的分析值集合，所述第1时刻为所述第一历史时长内的首个预设时刻；
令i=i+1，利用预设单位向量，对第i时刻的所述分析值集合进行转换，得到第i+1时刻对应的预测值集合；
基于所述第i+1时刻对应的预测值集合、第i+1时刻对应的历史径流数据、预设径流误差服从的分布信息，预设观测算子和所述预测值集合中的元素数量，得到第i+1时刻对应的分析值集合，所述第i+1时刻为历史时刻；
当第i+1时刻的分析值集合不满足预设条件时，返回第i=i+1步骤，直至所述第i+1时刻的分析值集合满足所述预设条件时，基于所述第i+1时刻对应的分析值集合确定修正后的模型参数；所述预设条件包括：所述第i+1时刻为所述第一历史时长内的最后一个预设时刻；
基于所述第i+1时刻对应的预测值集合、第i+1时刻对应的历史径流数据、预设径流误差服从的分布信息，预设观测算子和所述预测值集合中的元素数量，得到第i+1时刻对应的分析值集合，包括：
基于所述第i+1时刻对应的预测值集合和所述预测值集合中的元素数量，确定所述第i+1时刻对应的预测值误差协方差；
基于所述第i+1时刻对应的历史径流数据和所述预设径流误差服从的分布信息，确定所述第i+1时刻对应的径流误差协方差；
基于所述第i+1时刻对应的预测值误差协方差、所述第i+1时刻对应的径流误差协方差和所述预设观测算子，确定所述第i+1时刻对应的卡尔曼增益；
基于所述第i+1时刻对应的预测值误差协方差、所述第i+1时刻对应的卡尔曼增益和所述第i+1时刻对应的历史径流数据，确定所述第i+1时刻对应的分析值集合。
2.根据权利要求1所述的方法，其特征在于，所述获取水文模型的模型参数，包括：
获取所述第一预设区域在历史时刻的数值气象数据、流域下垫面数据和第二历史时长内的历史径流数据，所述第二历史时长以所述历史时刻为起始，所述历史时刻在所述第一历史时长的起始时刻之前；
将所述第一预设区域在历史时刻的数值气象数据和所述流域下垫面数据输入至预构建的水文模型，利用所述第二历史时长内的历史径流数据对所述模型参数进行率定，得到水文模型的模型参数。
3.根据权利要求2所述的方法，其特征在于，在所述将所述第一预设区域在历史时刻的数值气象数据和所述流域下垫面数据输入至预构建的水文模型之前，所述方法还包括：
获取第二预设区域在所述历史时刻的历史气象数据，所述第二预设区域在以所述第一预设区域为中心的预设范围内；
对所述历史气象数据和所述第一预设区域在历史时刻的数值气象数据进行融合，生成融合气象数据，以将所述融合气象数据替代所述数值气象数据作为所述预构建的水文模型的输入。
4.根据权利要求3所述的方法，其特征在于，对所述历史气象数据和所述第一预设区域在历史时刻的数值气象数据进行融合，生成融合气象数据，包括：
利用贝叶斯算法对所述历史气象数据和所述第一预设区域在历史时刻的数值气象数据进行融合，生成融合气象数据。
5.一种缺资料地区径流预测的装置，其特征在于，所述装置包括：
第一获取模块，用于获取水文模型的模型参数；
修正模块，用于基于第一预设区域在第一历史时长内的历史径流数据，利用卡尔曼滤波算法对所述模型参数进行修正，所述第一预设区域为缺少实测气象数据的区域，所述第一历史时长为任一历史时刻与当前时刻之间的时间段；
第二获取模块，用于获取所述第一预设区域在当前时刻的数值气象数据；
预测模块，用于将所述数值气象数据输入至模型参数修正后的水文模型中，对所述第一预设区域在预设时间段内的径流数据进行预测，所述预设时间段为以当前时刻为起始的任一时间段；
所述修正模块，包括：
第一确定子模块，用于令i=1，基于所述模型参数和预设参数误差服从的分布信息，得到第1时刻对应的分析值集合，所述第1时刻为所述第一历史时长内的首个预设时刻；
第二确定子模块，用于令i=i+1，利用预设单位向量，对第i时刻的所述分析值集合进行转换，得到第i+1时刻对应的预测值集合；
第三确定子模块，用于基于所述第i+1时刻对应的预测值集合、第i+1时刻对应的历史径流数据、预设径流误差服从的分布信息，预设观测算子和所述预测值集合中的元素数量，得到第i+1时刻对应的分析值集合，所述第i+1时刻为历史时刻；
判断子模块，用于当第i+1时刻的分析值集合不满足预设条件时，返回第i=i+1步骤，直至所述第i+1时刻的分析值集合满足所述预设条件时，基于所述第i+1时刻对应的分析值集合确定修正后的模型参数；所述预设条件包括：判断单元中的预设条件为所述第i+1时刻为所述第一历史时长内的最后一个预设时刻；
第三确定子模块，包括：
第一确定单元，用于基于第i+1时刻对应的预测值集合和预测值集合中的元素数量，确定第i+1时刻对应的预测值误差协方差；
第二确定单元，用于基于第i+1时刻对应的历史径流数据和预设径流误差服从的分布信息，确定第i+1时刻对应的径流误差协方差；
第三确定单元，用于基于第i+1时刻对应的预测值误差协方差、第i+1时刻对应的径流误差协方差和预设观测算子，确定第i+1时刻对应的卡尔曼增益；
第四确定单元，用于基于第i+1时刻对应的预测值误差协方差、第i+1时刻对应的卡尔曼增益和第i+1时刻对应的历史径流数据，确定第i+1时刻对应的分析值集合。
6.根据权利要求5所述的装置，其特征在于，所述第一获取模块，包括：
第一获取子模块，用于获取所述第一预设区域在历史时刻的数值气象数据、流域下垫面数据和第二历史时长内的历史径流数据，所述第二历史时长以所述历史时刻为起始，所述历史时刻在所述第一历史时长的起始时刻之前；
率定子模块，用于将所述第一预设区域在历史时刻的数值气象数据和所述流域下垫面数据输入至预构建的水文模型，利用所述第二历史时长内的历史径流数据对所述模型参数进行率定，得到水文模型的模型参数。
7.根据权利要求6所述的装置，其特征在于，在所述率定子模块之前，所述装置还包括：
第二获取子模块，用于获取第二预设区域在所述历史时刻的历史气象数据，所述第二预设区域在以所述第一预设区域为中心的预设范围内；
融合子模块，用于对所述历史气象数据和所述第一预设区域在历史时刻的数值气象数据进行融合，生成融合气象数据，以将所述融合气象数据替代所述数值气象数据作为所述预构建的水文模型的输入。
8.根据权利要求7所述的装置，其特征在于，所述融合子模块，包括：
融合单元，用于利用贝叶斯算法对所述历史气象数据和所述第一预设区域在历史时刻的数值气象数据进行融合，生成融合气象数据。
9.一种计算机设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至4中任一项所述的缺资料地区径流预测的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至4中任一项所述的缺资料地区径流预测的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311324034.1A CN117057174B (zh) | 2023-10-13 | 2023-10-13 | 一种缺资料地区径流预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311324034.1A CN117057174B (zh) | 2023-10-13 | 2023-10-13 | 一种缺资料地区径流预测的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117057174A CN117057174A (zh) | 2023-11-14 |
| CN117057174B true CN117057174B (zh) | 2024-01-26 |
Family
ID=88669647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311324034.1A Active CN117057174B (zh) | 2023-10-13 | 2023-10-13 | 一种缺资料地区径流预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117057174B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7136756B1 (en) * | 2004-11-02 | 2006-11-14 | Vieux And Associates, Inc. | Method for determining runoff |
| CN106971034A (zh) * | 2017-03-22 | 2017-07-21 | 中国水利水电科学研究院 | 一种基于集合卡尔曼滤波的对无资料地区径流量推求方法 |
| CN108491974A (zh) * | 2018-03-23 | 2018-09-04 | 河海大学 | 一种基于集合卡尔曼滤波的洪水预报方法 |
| CN108538050A (zh) * | 2017-03-01 | 2018-09-14 | 香港理工大学深圳研究院 | 一种短时交通流量预测方法及装置 |
| CN113095562A (zh) * | 2021-04-07 | 2021-07-09 | 安徽天能清洁能源科技有限公司 | 基于卡尔曼滤波和lstm发电超短期预测方法及装置 |
| CN113592186A (zh) * | 2021-08-06 | 2021-11-02 | 浙江大学 | 一种基于实测径流数据的水文预报状态变量实时修正方法 |
| CN113820759A (zh) * | 2021-09-18 | 2021-12-21 | 昆明理工大学 | 卡尔曼滤波降雨量与压电式蒸发量一体化检测装置 |
| CN114036127A (zh) * | 2021-10-29 | 2022-02-11 | 河海大学 | 一种改善水文模型径流模拟的方法 |
| CN114254561A (zh) * | 2021-12-17 | 2022-03-29 | 奥格科技股份有限公司 | 一种内涝预测方法、系统及存储介质 |
| CN115048354A (zh) * | 2022-03-09 | 2022-09-13 | 中国长江三峡集团有限公司 | 一种水文模型的创建及径流预测方法、装置及计算机设备 |
| CN116206771A (zh) * | 2023-02-02 | 2023-06-02 | 复旦大学 | 一种基于集成卡尔曼滤波和社交网络的传染病参数估计方法 |
| CN116432828A (zh) * | 2023-03-17 | 2023-07-14 | 中国地质大学（武汉） | 一种缺资料流域径流量智能预测方法 |
| CN116503206A (zh) * | 2023-06-30 | 2023-07-28 | 长江三峡集团实业发展(北京)有限公司 | 一种入库径流重构方法、计算机设备及介质 |
| CN116861298A (zh) * | 2023-07-26 | 2023-10-10 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种无资料地区的流域水文模型参数估计方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080055096A1 (en) * | 2006-06-09 | 2008-03-06 | Aylward James A | Real-time modeling analysis of hazards data with large numbers of locations and with customized reporting and web-based delivery |
| US20190018918A1 (en) * | 2017-07-11 | 2019-01-17 | The Trustees Of Princeton University | System and method for performing accurate hydrologic determination using disparate weather data sources |
| US11519146B2 (en) * | 2018-04-17 | 2022-12-06 | One Concern, Inc. | Flood monitoring and management system |
| CN113255093B (zh) * | 2021-01-18 | 2022-02-15 | 清华大学 | 无资料地区径流估算方法、装置、计算机设备和存储介质 |
-
2023
- 2023-10-13 CN CN202311324034.1A patent/CN117057174B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7136756B1 (en) * | 2004-11-02 | 2006-11-14 | Vieux And Associates, Inc. | Method for determining runoff |
| CN108538050A (zh) * | 2017-03-01 | 2018-09-14 | 香港理工大学深圳研究院 | 一种短时交通流量预测方法及装置 |
| CN106971034A (zh) * | 2017-03-22 | 2017-07-21 | 中国水利水电科学研究院 | 一种基于集合卡尔曼滤波的对无资料地区径流量推求方法 |
| CN108491974A (zh) * | 2018-03-23 | 2018-09-04 | 河海大学 | 一种基于集合卡尔曼滤波的洪水预报方法 |
| CN113095562A (zh) * | 2021-04-07 | 2021-07-09 | 安徽天能清洁能源科技有限公司 | 基于卡尔曼滤波和lstm发电超短期预测方法及装置 |
| CN113592186A (zh) * | 2021-08-06 | 2021-11-02 | 浙江大学 | 一种基于实测径流数据的水文预报状态变量实时修正方法 |
| CN113820759A (zh) * | 2021-09-18 | 2021-12-21 | 昆明理工大学 | 卡尔曼滤波降雨量与压电式蒸发量一体化检测装置 |
| CN114036127A (zh) * | 2021-10-29 | 2022-02-11 | 河海大学 | 一种改善水文模型径流模拟的方法 |
| CN114254561A (zh) * | 2021-12-17 | 2022-03-29 | 奥格科技股份有限公司 | 一种内涝预测方法、系统及存储介质 |
| CN115048354A (zh) * | 2022-03-09 | 2022-09-13 | 中国长江三峡集团有限公司 | 一种水文模型的创建及径流预测方法、装置及计算机设备 |
| CN116206771A (zh) * | 2023-02-02 | 2023-06-02 | 复旦大学 | 一种基于集成卡尔曼滤波和社交网络的传染病参数估计方法 |
| CN116432828A (zh) * | 2023-03-17 | 2023-07-14 | 中国地质大学（武汉） | 一种缺资料流域径流量智能预测方法 |
| CN116503206A (zh) * | 2023-06-30 | 2023-07-28 | 长江三峡集团实业发展(北京)有限公司 | 一种入库径流重构方法、计算机设备及介质 |
| CN116861298A (zh) * | 2023-07-26 | 2023-10-10 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种无资料地区的流域水文模型参数估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 缺资料流域水文模型参数区域化研究进展;李红霞;水文;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117057174A (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2014021555A (ja) | 自然エネルギー量予測装置 | |
| CN112285807B (zh) | 一种气象信息预测方法及装置 | |
| KR102468316B1 (ko) | 과거 데이터에 기초한 시계열 예측 방법 및 장치 | |
| EP3454285A1 (en) | An apparatus and method for assessing flooding behaviour and an apparatus and method for predicting a flood property | |
| Rahimi et al. | An uncertainty-based regional comparative analysis on the performance of different bias correction methods in statistical downscaling of precipitation | |
| CN109034507B (zh) | 水电站发电量预测方法与装置、计算机设备和存储介质 | |
| CN117057174B (zh) | 一种缺资料地区径流预测的方法 | |
| Azmat et al. | Ensembling downscaling techniques and multiple GCMs to improve climate change predictions in cryosphere scarcely-gauged catchment | |
| CN113033989A (zh) | 一种输电线路的故障风险评估方法、装置及终端设备 | |
| EP4307172A1 (en) | Data interpolation method and apparatus and storage medium | |
| Agarwal et al. | Operationalizing a flood forecasting decision support system for Ayeyarwady river, Myanmar | |
| CN111583166A (zh) | 一种影像融合网络模型构建及训练方法、装置 | |
| JP2020088944A (ja) | 電力需要予測装置、電力需要予測方法、そのプログラム | |
| CN110389947A (zh) | 一种黑名单生成方法、装置、设备及介质 | |
| CN117114523B (zh) | 基于条件互信息的径流预报模型构建和径流预报方法 | |
| Vishwakarma et al. | Assessment of CMIP5 and CORDEX-SA experiments in representing multiscale temperature climatology over central India | |
| CN116663432B (zh) | 一种百米高度风速预报订正降尺度方法及装置 | |
| CN116719103B (zh) | 水文集合预报构建方法、装置、计算机设备及存储介质 | |
| CN116167509B (zh) | 气温预测方法、装置、存储介质及电子设备 | |
| CN117075230A (zh) | 一种降雨数据修正方法、装置、计算机设备及介质 | |
| CN110942196B (zh) | 预测辐照修正方法及装置 | |
| CN116629459B (zh) | 一种基于遥感和降水对水域淹没范围进行预测的方法 | |
| CN117132176B (zh) | 基于预报因子筛选的径流预报模型构建和径流预报方法 | |
| RU2653133C1 (ru) | Система автоматизированного формирования прогноза погодных явлений | |
| CN117009716A (zh) | 气象预报数据误差计算模型构建和气象预报数据修正方法 |
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 |