CN117493476A - 一种融合物理机制和人工智能的径流回溯模拟方法及系统 - Google Patents
一种融合物理机制和人工智能的径流回溯模拟方法及系统 Download PDFInfo
- Publication number
- CN117493476A CN117493476A CN202311411364.4A CN202311411364A CN117493476A CN 117493476 A CN117493476 A CN 117493476A CN 202311411364 A CN202311411364 A CN 202311411364A CN 117493476 A CN117493476 A CN 117493476A
- Authority
- CN
- China
- Prior art keywords
- runoff
- model
- series
- daily
- data set
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 68
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000007246 mechanism Effects 0.000 title claims abstract description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical class O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 38
- 238000007637 random forest analysis Methods 0.000 claims abstract description 19
- 230000007812 deficiency Effects 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims description 14
- 239000002689 soil Substances 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000001556 precipitation Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 230000004907 flux Effects 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000009834 vaporization Methods 0.000 claims description 3
- 230000008016 vaporization Effects 0.000 claims description 3
- 230000031864 metaphase Effects 0.000 claims description 2
- 229920006395 saturated elastomer Polymers 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012876 topography Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种融合物理机制和人工智能的径流回溯模拟方法及系统，其技术要点包括：采集卫星遥测和再分析数据集；推求长系列的饱和水汽压亏缺、相对湿度和比湿；率定分布式水文模型，模拟得到流域内各格点的径流深；推求模拟径流深及各变量的流域平均日系列，并采用随机森林模型，优选影响流域日径流的关键因子；基于所述优选的关键因子和流域水文测站的径流观测数据，构建多种人工智能模型；基于所述人工智能的模拟结果，推求各优选人工智能模型的权重参数；采用长系列关键因子数据集驱动所述人工智能模型和月尺度贝叶斯模型，生成长系列的流域日径流回溯模拟数据集。本发明用以解决针对日径流回溯模拟没有考虑植被和下垫面变化影响的缺陷。
Description
技术领域
本发明涉及径流回溯模拟技术领域，尤其涉及一种融合物理机制和人工智能的径流回溯模拟方法及系统。
背景技术
高质量的长系列径流数据是流域风险评估、农业生产管理、生态保护、水文模拟以及水利工程规划设计的重要基础资料。传统的径流数据主要依赖水文站点观测，但是站网通常密度较小且空间布设不均，难以准确反映水文变量的时空变化特性，不能满足水资源调查评价和防洪风险评估等工程应用需要。
近年来，卫星遥测技术和数据反演算法快速发展，基于卫星遥感反演的气象观测产品具有较宽的覆盖范围和更高的时空分辨率，有效弥补了气象站点布设不足的缺陷，并为无资料地区提供了新的数据参考。同时，随着人类观测手段和数据同化技术日渐成熟，学者们对多种来源(地面、船舶、无线电探空、测风气球、飞机、卫星等)的观测资料进行质量控制，提出利用数值天气预报的数据同化技术来回溯模拟长期历史气候过程，即所谓的再分析数据集，它同化了数值天气预报和大量的地面观测数据与卫星遥感信息，具有时空分辨率精度高、时间跨度长等优点。
随着遥感技术的发展，采用气象数据反演或回溯模拟径流系列已成为一条新途径，部分学者采用卫星降水和再分析气温数据应用于流域水文模拟，从而回溯模拟长系列径流数据。但是卫星和再分析气象数据往往存在一定的偏差，国内外学者评估了反演数据集在不同气候区气象、农业和水文等领域的适用性，少量研究校正了降水气温数据集的系统偏差。但是，不同偏差校正方法存在一定差异，对径流模拟带来较大的不确定性，现有方法的模拟效果欠佳。少量研究采用机器学习模型或水文模型开展水文模拟，但是现在研究较少耦合物理模型和机器学校模型，也未能考虑陆地植被信息和大尺度气候因子对径流过程的综合影响，限制了长系列流域径流回溯模拟的精度和可靠度。
发明内容
针对现有技术中存在的技术问题，本发明提供一种融合物理机制和人工智能的径流回溯模拟方法及系统，用以解决现有技术中针对日径流回溯模拟没有考虑植被和下垫面变化影响的缺陷。
根据本发明的第一方面，本发明提供一种融合物理机制和人工智能的径流回溯模拟方法，包括以下步骤：
步骤100、采集卫星遥测和再分析数据集，搜集大尺度气候因子及流域出口断面水文测站的日径流系列；
步骤200、采用长系列卫星遥测和再分系数据集计算得到长系列的饱和水汽压亏缺、相对湿度和比湿；
步骤300、采用气象数据和水文站点观测的日径流系列率定分布式水文模型，模拟得到流域内各格点的径流深；
步骤400、采用泰森多边形方法推求上述模拟径流深及各变量的流域平均日系列，并采用随机森林模型，优选影响流域日径流的关键因子；
步骤500、基于所述优选的关键因子和流域水文测站的径流观测数据，构建多种人工智能模型；
步骤600、基于所述人工智能的模拟结果，采用月尺度贝叶斯模型推求各优选人工智能模型的权重参数；
步骤700、采用长系列关键因子数据集驱动所述人工智能模型和月尺度贝叶斯模型，生成长系列的流域日径流回溯模拟数据集。
在上述技术方案的基础上，本发明还可以作出如下改进。
可选的，步骤100包括以下步骤：
采集1940年以来的气象、水文、植被和土地利用数据集合；包括欧洲中期天气预报中心的第五代大气再分析数据集的日尺度气象、水文、植被数据；
获取大尺度气候因子中的ENSO指数、大气环流指数、印度洋偶极子，搜集流域出口断面水文站观测的日径流系列，并将上述所有数据均转化为日尺度数据集。
可选的，步骤200中，计算饱和水汽压亏缺和相对湿度代入克劳修斯-克拉珀龙热力学方程，表示为：
其中，T0和es0为第一积分常数和第二积分常数，分别取273.16K和611Pa；Lv为汽化潜热常数，取2.5×106J kg-1；Rv为水汽气体常数，取461J kg-1K-1；
将第五代大气再分析数据集2m气温(T2m)和露点温度(Tdew)分别代入公式(1)，计算得到近饱和水汽压亏缺VPD＝esat(T2m)-esat(Tdew)，并计算得到相对湿度RH＝esat(Tdew)/esat(T2m)。
可选的，步骤200中，采用第五代大气再分析数据集近地气压p和露点温度计算得到比湿，公式如下：
可选的，步骤300中，采用气象数据和水文站点观测的日径流系列率定分布式水文模型，模拟得到流域内各格点的径流深包括：
采用第五代大气再分析数据集格点化的的气温和降水数据集、地形数据、土壤数据和植被数据驱动VIC分布式水文模型，率定该模型后模拟得到流域各格点的径流深。
可选的，步骤400中，采用随机森林模型，优选影响流域日径流的关键因子包括：
随机森林模型对各输入变量对模拟变量的重要性进行排序，并设置阈值，选取排名阈值前的变量作为关键因子；所述各输入变量包括但不限于VIC模拟径流深、气温、比湿、相对湿度、饱和水汽压亏缺、降水量、土壤湿度、水汽通量散度、云层覆盖率、径流深、短波辐射、叶片面积指数、不透水面积、陆地水储量以及若干个大尺度气候因子。
可选的，步骤500中，所述构建多种人工智能模型包括但不限于：人工神经网络、支持向量机、长短期记忆模型、随机森林、高斯广义加性模型、朴素贝叶斯、卷积神经网络、决策树、多元自适应回归样条模型、高斯线性回归模型。
可选的，步骤600中，基于所述人工智能的模拟结果，采用月尺度贝叶斯模型推求各优选人工智能模型的权重参数包括：
对每一个月份均构建一套贝叶斯模型平均模型，推求各机器学习模型在模拟日径流方面的权重参数，即构建月尺度贝叶斯模型平均模型；所述月尺度贝叶斯模型平均模型表示为：
式中：表示均值为fk，方差为/>的正态分布；E表示函数期望值，wk为第k个人工智能模型的权重，K取值＝10。
可选的，步骤700中，采用长系列关键因子数据集驱动所述人工智能模型和月尺度贝叶斯模型，生成长系列的流域日径流回溯模拟数据集包括：
基于步骤400优选的关键因子，采用1940年以来的长系列数据集驱动步骤500建立的多个机器学习模型，得到长系列日径流的回溯模拟数据集；
考虑步骤600得到的权重参数，生成一套1940年以来的长系列月径流回溯模拟数据集；表示如下
Q(t,i)＝ωk(i)·Qk(t,i) (6)
式中：Q(t,i)为第i个月份(i＝1,2,…,12)第t时刻的各模型加权得到的模拟月径流；ωk(i)为第k个人工智能模型在第i个月份的权重；Qk(t,i)为第k个人工智能模型在第i个月份第t时刻的模拟日径流。
根据本发明的第二方面，提供一种融合物理机制和人工智能的径流回溯模拟系统，包括：
数据采集模块，用于采集卫星遥测和再分析数据集的气象、水文、地形、土壤、植被、土地利用变化数据，搜集大尺度气候因子及流域出口断面水文测站的日径流系列；
关键因子计算模块，用于采用长系列卫星遥测和再分系数据集计算得到长系列的饱和水汽压亏缺、相对湿度和比湿；采用气象数据和水文站点观测的日径流系列率定分布式水文模型，模拟得到流域内各格点的径流深；采用泰森多边形方法推求上述模拟径流深及各变量的流域平均日系列，并采用随机森林模型，优选影响流域日径流的关键因子；
模型构建模块，用于基于所述优选的关键因子和流域水文测站的径流观测数据，构建多种人工智能模型；
权重参数计算模块，用于基于所述人工智能的模拟结果，采用月尺度贝叶斯模型推求各优选人工智能模型的权重参数；
模拟数据集生成模块，用于采用长系列关键因子数据集驱动所述人工智能模型和月尺度贝叶斯模型，生成长系列的流域日径流回溯模拟数据集。
本发明的技术效果和优点：
本发明提供的一种融合物理机制和人工智能的径流回溯模拟方法及系统，通过耦合物理模型和多种人工智能模型刻画影响流域径流的气象、水文、植被、下垫面和大尺度气候信息，为气候变化情景下全球及区域水资源风险评估、预警提供重要且可操作性强的参考依据，为应对未来气候灾害、科学制定减排措施提供工程参考价值。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
图1是本发明实施例提供的融合物理机制和人工智能的长系列径流回溯模拟方法的流程示意图；
图2是本发明实施例提供的观测和回溯模拟的日径流系列的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。
可以理解的是，基于背景技术中的缺陷，图1是本发明提供的融合物理机制和人工智能的长系列径流回溯模拟方法的流程示意图，如图1所示，本发明实施例提出了一种融合物理机制和人工智能的径流回溯模拟方法，包括以下步骤：
步骤100：采集卫星遥测和再分析数据集的气象、水文、地形、土壤、植被、土地利用变化数据，搜集大尺度气候因子及流域出口断面水文测站的日径流系列；
基于上述实施例，步骤100包括：
首先采集1940年以来的气象、水文、植被和土地利用数据集合，包括欧洲中期天气预报中心的第五代大气再分析数据集(ERA5)再分析数据集的日尺度气象、水文、植被数据，具体包括2m气温、露点温度、气压、降水量、土壤湿度、水汽通量散度、云层覆盖率、径流深、短波辐射和叶片面积指数(leaf area index,LAI)；土地利用数据集采用国际和国内学者发布的土地利用数据集，本发明通过谷歌地球引擎技术提取出各格点月尺度的不透水面积(记为impervious surface area，ISA)。
进一步采用全球90m×90m分辨率的SRTM(Shuttle Radar Topography Mission)数据集提供的地形数据(DEM,digital elevation model)，借助ArcGIS平台重新采样为0.25°×0.25°分辨率的网格；进一步采用Land-Atmosphere Interaction Research Groupat Sun Yat-sen University(http://globalchange.bnu.edu.cn/home)所提供的全球0.477 6°的土壤数据产品；进一步采用马里兰大学1998年制作的全球1km×1km分辨率的地表覆盖类型数据，该数据共包含14类地表覆盖物(http://glcf.umd.edu/data/landcover/)。
进一步采用国内外学者近期发布的全球0.25°陆地水储量数据集，该数据集名称为：Machine learning-reconstructed TWS estimates(GTWS-MLrec)。该数据集采用机器学习框架反演了1940年以来的全球陆地水储量，与全球径流站观测系列具有良好的相关性，数据链接为：https://zenodo.org/record/8187432。
进一步获取大尺度气候因子中的ENSO指数、大气环流指数、印度洋偶极子等，大尺度因子一般为月尺度，均将其转化为日数据集，即各月份的大尺度因子数值相同；进一步搜集流域出口断面水文站观测的日径流系列，并将上述所有数据均转化为日尺度数据集。所述ENSO指数表示为厄尔尼诺-南方涛动指数。
步骤200：采用长系列卫星遥测和再分系数据集推求长系列的饱和水汽压亏缺、相对湿度和比湿；
基于上述实施例，步骤200包括：
克劳修斯-克拉珀龙热力学方程可定量描述饱和水汽压esat与气温T的非线性关系：
其中，T0和es0为第一积分常数和第二积分常数，分别取273.16K和611Pa；Lv为汽化潜热常数，取2.5×106J kg-1；Rv为水汽气体常数，取461J kg-1K-1。
露点温度表征空气在水汽含量和气压不变条件下，冷却到水汽饱和时的温度，代入克劳修斯-克拉珀龙方程可度量实际水汽压。将ERA5 2m气温(T2m)和露点温度(Tdew)分别代入公式(1)，推求近饱和水汽压亏缺VPD＝esat(T2m)-esat(Tdew)，并推求相对湿度RH＝esat(Tdew)/esat(T2m)。
比湿q为水汽质量与空气团总质量的比值，采用ERA5近地气压p和露点温度推求，公式如下：
步骤300：采用气象数据和水文站点观测的日径流系列率定分布式水文模型，模拟得到流域内各格点的径流深；
基于上述实施例，步骤300包括：
采用ERA5再分析数据集格点化的的气温和降水数据集、DEM数据、土壤数据和植被数据驱动VIC(Variable Infiltration Capacity)分布式水文模型，率定该模型后模拟得到流域各格点的径流深。
VIC模型是由华盛顿大学、加州大学伯克利分校以及普林斯顿大学的研究者共同研制出的大尺度分布式水文模型,是一种基于SVATS(Soil Vegetation AtmosphericTransfer Schemes)思想的大尺度分布式水文模型,VIC模型可同时对水循环过程中的能量平衡和水量平衡进行模拟，弥补了传统水文模型对能量过程描述的不足。在实际应用中，VIC模型也可只进行水量平衡的计算，输出每个网格上的径流和蒸发，再耦合汇流模型将网格上的径流转化为流域出口断面的流量过程。
需要进行说明的是，率定VIC模型并模拟格点径流深为本领域常规技术。
步骤400：采用泰森多边形方法推求上述模拟径流深及各变量的流域平均日系列，并采用随机森林模型，优选影响流域日径流的关键因子；
基于上述实施例，步骤400包括：
采用泰森多边形方法推求上述模拟径流深及各气象、水文、植被、土地利用资料的流域平均日系列，其主要思想在于将格点数据集转化为流域面平均数据集；
采用随机森林算法构建上流域的各驱动因子与水文测站观测的月径流的关系模型，所述驱动因子包括VIC模拟径流深、气温、比湿、相对湿度、饱和水汽压亏缺、降水量、土壤湿度、水汽通量散度、云层覆盖率、径流深、短波辐射、叶片面积指数、不透水面积、陆地水储量等14个气象/水文/植被/下垫面因子，以及若干个大尺度气候因子(共计M个驱动因子)；所述随机森林模型的输入数据均为水文测站有观测径流的时期，并考虑各驱动因子对日径流的时滞影响，对每一个时刻，选取该月份及之前1-7日的驱动因子均作为随机森林模型的输入，对本实施例共有8M个变量作为模型输入。
随机森林模型可以对各输入变量对模拟变量的重要性进行排序，故基于上述随机森林模型，优选出影响日径流的重要因子，本实施例设置50％为阈值，即对8M个变量进行排序后，选取排名前4M的变量作为关键因子。
步骤500：基于所述优选的关键因子和流域水文测站的径流观测数据，构建10种人工智能模型；
基于上述实施例，步骤500包括：
基于所述优选的关键因子和流域水文测站的径流观测数据，构建10种人工智能模型；
所述10种机器学习模型为：人工神经网络、支持向量机、长短期记忆模型、随机森林、高斯广义加性模型、朴素贝叶斯、卷积神经网络、决策树、多元自适应回归样条模型、高斯线性回归模型。所述10种人工智能模型均为本领域常规技术。
采用所述构建的人工智能模型，模拟水文测站建站以来的日径流系列，表示为：
Qk(t)＝Fk[QM(t),QM(t-1),QM(t-2),...,QM(t-7)] (3)
其中，Qk(t)表示t时刻第k个机器学习模型模拟的日径流，QM(t)表示t时刻的输入变量，QM(t-1)表示t-1时刻的输入变量，QM(t-2)表示t-2时刻的输入变量，QM(t-7)表示t-7时刻的输入变量，；Fj表示第k个人工智能模型，k＝1,2,…,10。
步骤600：基于所述人工智能的模拟结果，采用月尺度贝叶斯模型推求各优选人工智能模型的权重参数；
基于上述实施例，步骤600包括：
对每一个月份均构建一套贝叶斯模型平均模型，推求各机器学习模型在模拟日径流方面的权重参数，即构建月尺度贝叶斯模型平均模型。
对每一个月份，令S为日径流模拟系列，R＝[D,O]表征模型输入数据(其中D为各人工智能模型模拟的日径流，O为水文测站观测的日径流系列)，f＝[f1,f2,…,fK]为K个不同人工智能模型的输出结果，由贝叶斯全概率公式得到S的概率密度函数如下：
式中：pk(S|fk,R)为第j个人工智能模型模拟结果；fk在给定数据R条件下模拟值S的概率密度函数；p(fk|R)为给定训练数据R时第k个人工智能模型的后验概率密度函数。
根据各人工智能模型模拟效果的相对贡献确定相应权重，从而建立贝叶斯模式平均校正模型；
具体来说，首先通过Box-Cox函数将水文站点观测的日径流和各人工智能模型得到的模拟系列进行正态转换，再基于正态线性分布假设对多种模式估计结果进行加权平均：
式中：表示均值为fk，方差为/>的正态分布；E表示函数期望值，wk为第k个人工智能模型的权重。
进一步地，本实施例取K＝10。
步骤700：采用长系列关键因子数据集驱动所述人工智能模型和月尺度贝叶斯模型，生成长系列的流域日径流回溯模拟数据集。
基于上述实施例，步骤700包括：
基于步骤400优选的关键因子，采用1940年以来的长系列数据集驱动步骤500建立的10个机器学习模型，得到长系列日径流的回溯模拟数据集；进一步考虑所述月尺度贝叶斯模型得到的权重参数，生成一套1940年以来的长系列月径流回溯模拟数据集。
Q(t,i)＝ωk(i)·Qk(t,i) (6)
式中：Q(t,i)为第i个月份(i＝1,2,…,12)第t时刻的各模型加权得到的模拟月径流；ωk(i)为第k个人工智能模型在第i个月份的权重；Qk(t,i)为第k个人工智能模型在第i个月份第t时刻的模拟日径流。
如图2所示，展示了水文站观测的日径流和本发明回溯模拟的长系列月径流过程的示意图，图中实线表征站点观测系列，该系列资料比较短；虚线表征本发明的模拟系列，能够提供长系列日径流。
另外地，本发明实施例还提供了一种融合物理机制和人工智能的径流回溯模拟系统，包括：
数据采集模块，用于采集卫星遥测和再分析数据集的气象、水文、地形、土壤、植被、土地利用变化数据，搜集大尺度气候因子及流域出口断面水文测站的日径流系列；
关键因子计算模块，用于采用长系列卫星遥测和再分系数据集计算得到长系列的饱和水汽压亏缺、相对湿度和比湿；采用气象数据和水文站点观测的日径流系列率定分布式水文模型，模拟得到流域内各格点的径流深；采用泰森多边形方法推求上述模拟径流深及各变量的流域平均日系列，并采用随机森林模型，优选影响流域日径流的关键因子；
模型构建模块，用于基于所述优选的关键因子和流域水文测站的径流观测数据，构建多种人工智能模型；
权重参数计算模块，用于基于所述人工智能的模拟结果，采用月尺度贝叶斯模型推求各优选人工智能模型的权重参数；
模拟数据集生成模块，用于采用长系列关键因子数据集驱动所述人工智能模型和月尺度贝叶斯模型，生成长系列的流域日径流回溯模拟数据集。
可以理解的是，本发明提供的一种融合物理机制和人工智能的径流回溯模拟系统与前述实施例提供的一种融合物理机制和人工智能的径流回溯模拟方法相对应，一种融合物理机制和人工智能的径流回溯模拟系统的相关技术特征可参考一种融合物理机制和人工智能的径流回溯模拟方法的相关技术特征，在此不再赘述。
最后综上，本发明实施例提供的一种融合物理机制和人工智能的径流回溯模拟方法及系统，通过耦合物理模型和多种人工智能模型刻画影响流域径流的气象、水文、植被、下垫面和大尺度气候信息，为气候变化情景下全球及区域水资源风险评估、预警提供重要且可操作性强的参考依据，为应对未来气候灾害、科学制定减排措施提供工程参考价值。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，包括以下步骤：
步骤100、采集卫星遥测和再分析数据集，搜集大尺度气候因子及流域出口断面水文测站的日径流系列；
步骤200、采用长系列卫星遥测和再分系数据集计算得到长系列的饱和水汽压亏缺、相对湿度和比湿；
步骤300、采用气象数据和水文站点观测的日径流系列率定分布式水文模型，模拟得到流域内各格点的径流深；
步骤400、采用泰森多边形方法推求上述模拟径流深及各变量的流域平均日系列，并采用随机森林模型，优选影响流域日径流的关键因子；
步骤500、基于所述优选的关键因子和流域水文测站的径流观测数据，构建多种人工智能模型；
步骤600、基于所述人工智能的模拟结果，采用月尺度贝叶斯模型推求各优选人工智能模型的权重参数；
步骤700、采用长系列关键因子数据集驱动所述人工智能模型和月尺度贝叶斯模型，生成长系列的流域日径流回溯模拟数据集。
2.根据权利要求1所述的一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，步骤100包括以下步骤：
采集1940年以来的气象、水文、植被和土地利用数据集合；包括欧洲中期天气预报中心的第五代大气再分析数据集的日尺度气象、水文、植被数据；
获取大尺度气候因子中的厄尔尼诺-南方涛动指数、大气环流指数、印度洋偶极子，搜集流域出口断面水文站观测的日径流系列，并将上述所有数据均转化为日尺度数据集。
3.根据权利要求1所述的一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，步骤200中，计算饱和水汽压亏缺和相对湿度代入克劳修斯-克拉珀龙热力学方程，表示为：
其中，T0和es0为第一积分常数和第二积分常数，分别取273.16K和611Pa；Lv为汽化潜热常数，取2.5×106J kg-1；Rv为水汽气体常数，取461J kg-1K-1；
将第五代大气再分析数据集2m气温(T2m)和露点温度(Tdew)分别代入公式(1)，计算得到近饱和水汽压亏缺VPD＝esat(T2m)-esat(Tdew)，并计算得到相对湿度RH＝esat(Tdew)/esat(T2m)。
4.根据权利要求3所述的一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，步骤200中，采用第五代大气再分析数据集近地气压p和露点温度计算得到比湿q，公式如下：
5.根据权利要求1所述的一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，步骤300中，采用气象数据和水文站点观测的日径流系列率定分布式水文模型，模拟得到流域内各格点的径流深包括：
采用第五代大气再分析数据集格点化的的气温和降水数据集、地形数据、土壤数据和植被数据驱动VIC分布式水文模型，率定该模型后模拟得到流域各格点的径流深。
6.根据权利要求1所述的一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，步骤400中，采用随机森林模型，优选影响流域日径流的关键因子包括：
随机森林模型对各输入变量对模拟变量的重要性进行排序，并设置阈值，选取排名阈值前的变量作为关键因子；所述各输入变量包括但不限于VIC模拟径流深、气温、比湿、相对湿度、饱和水汽压亏缺、降水量、土壤湿度、水汽通量散度、云层覆盖率、径流深、短波辐射、叶片面积指数、不透水面积、陆地水储量以及若干个大尺度气候因子。
7.根据权利要求1所述的一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，步骤500中，所述构建多种人工智能模型包括但不限于：人工神经网络、支持向量机、长短期记忆模型、随机森林、高斯广义加性模型、朴素贝叶斯、卷积神经网络、决策树、多元自适应回归样条模型、高斯线性回归模型。
8.根据权利要求1所述的一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，步骤600中，基于所述人工智能的模拟结果，采用月尺度贝叶斯模型推求各优选人工智能模型的权重参数包括：
对每一个月份均构建一套贝叶斯模型平均模型，推求各机器学习模型在模拟日径流方面的权重参数，即构建月尺度贝叶斯模型平均模型；所述月尺度贝叶斯模型平均模型表示为：
式中：表示均值为fk，方差为/>的正态分布；E表示函数期望值，wk为第k个人工智能模型的权重，K取值＝10。
9.根据权利要求1所述的一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，步骤700中，采用长系列关键因子数据集驱动所述人工智能模型和月尺度贝叶斯模型，生成长系列的流域日径流回溯模拟数据集包括：
基于步骤400优选的关键因子，采用1940年以来的长系列数据集驱动步骤500建立的多个机器学习模型，得到长系列日径流的回溯模拟数据集；
考虑步骤600得到的权重参数，生成1940年以来的长系列月径流回溯模拟数据集；表示如下
Q(t,i)＝ωk(i)·Qk(t,i) (6)
式中：Q(t,i)为第i个月份(i＝1,2,…,12)第t时刻的各模型加权得到的模拟月径流；ωk(i)为第k个人工智能模型在第i个月份的权重；Qk(t,i)为第k个人工智能模型在第i个月份第t时刻的模拟日径流。
10.一种融合物理机制和人工智能的径流回溯模拟系统，其特征在于，包括：
数据采集模块，用于采集卫星遥测和再分析数据集，搜集大尺度气候因子及流域出口断面水文测站的日径流系列；
关键因子计算模块，用于采用长系列卫星遥测和再分系数据集计算得到长系列的饱和水汽压亏缺、相对湿度和比湿；采用气象数据和水文站点观测的日径流系列率定分布式水文模型，模拟得到流域内各格点的径流深；采用泰森多边形方法推求上述模拟径流深及各变量的流域平均日系列，并采用随机森林模型，优选影响流域日径流的关键因子；
模型构建模块，用于基于所述优选的关键因子和流域水文测站的径流观测数据，构建多种人工智能模型；
权重参数计算模块，用于基于所述人工智能的模拟结果，采用月尺度贝叶斯模型推求各优选人工智能模型的权重参数；
模拟数据集生成模块，用于采用长系列关键因子数据集驱动所述人工智能模型和月尺度贝叶斯模型，生成长系列的流域日径流回溯模拟数据集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311411364.4A CN117493476A (zh) | 2023-10-25 | 2023-10-25 | 一种融合物理机制和人工智能的径流回溯模拟方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311411364.4A CN117493476A (zh) | 2023-10-25 | 2023-10-25 | 一种融合物理机制和人工智能的径流回溯模拟方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117493476A true CN117493476A (zh) | 2024-02-02 |
Family
ID=89671795
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311411364.4A Pending CN117493476A (zh) | 2023-10-25 | 2023-10-25 | 一种融合物理机制和人工智能的径流回溯模拟方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117493476A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117973237A (zh) * | 2024-04-01 | 2024-05-03 | 厦门大学 | 一种基于领域适应和机器学习的无资料流域径流模拟方法 |
-
2023
- 2023-10-25 CN CN202311411364.4A patent/CN117493476A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117973237A (zh) * | 2024-04-01 | 2024-05-03 | 厦门大学 | 一种基于领域适应和机器学习的无资料流域径流模拟方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jahani et al. | A comparison between the application of empirical and ANN methods for estimation of daily global solar radiation in Iran | |
| Kishore et al. | Precipitation climatology over India: validation with observations and reanalysis datasets and spatial trends | |
| CN115507822B (zh) | 水文循环变异驱动下的洪水风险预测方法 | |
| Block et al. | Interannual variability and ensemble forecast of Upper Blue Nile Basin Kiremt season precipitation | |
| Zhang et al. | Accessible remote sensing data based reference evapotranspiration estimation modelling | |
| CN111027175B (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
| Linares-Rodríguez et al. | Generation of synthetic daily global solar radiation data based on ERA-Interim reanalysis and artificial neural networks | |
| Xu et al. | Response of streamflow to climate change in the headwater catchment of the Yellow River basin | |
| Vazifedoust et al. | Assimilation of satellite data into agrohydrological models to improve crop yield forecasts | |
| CN104143043B (zh) | 一种多功能气候数据获取方法 | |
| CN116341724B (zh) | 基于全球气候模式驱动碳循环机理模型的碳吸收预估方法 | |
| CN117493476A (zh) | 一种融合物理机制和人工智能的径流回溯模拟方法及系统 | |
| Möller et al. | Adjustment of regional climate model output for modeling the climatic mass balance of all glaciers on Svalbard | |
| CN117493475A (zh) | 一种基于机器学习重构缺资料地区月径流的方法及系统 | |
| CN118312576A (zh) | 一种高温热浪-干旱复合灾害的预测方法、系统及电子设备 | |
| CN117556695B (zh) | 一种基于深度学习的作物根层土壤含水量模拟方法 | |
| Salahi et al. | An evaluation of Delta and SDSM Downscaling Models for simulating and forecasting of average wind velocity in Sistan, Iran | |
| CN117010546A (zh) | 一种云南省次季节尺度温度异常的预测方法和装置 | |
| CN117610434B (zh) | 一种融合人工智能的干旱指数重构方法及计算机可读介质 | |
| Assouline et al. | Machine learning and geographic information systems for large-scale wind energy potential estimation in rural areas | |
| Wang et al. | Spatiotemporal Pattern Simulation of Fractional Vegetation Coverage in the South Qilian Mountains Based on Bp Neural Network | |
| Paz | Climate interpolation for land resource and land use studies in mountainous regions | |
| Yang et al. | Numerical Weather Forecast and Multi-Meteorological Data Fusion Based on Artificial Intelligence | |
| Wang et al. | Prediction of aboveground biomass applied artificial neural network over three-rivers headwater regions, Qinghai, China | |
| Luo | Defining spatiotemporal characteristics of climate change trends in Central Asia and its impact on water resources in typical river basins |
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 |