CN117763970A - 基于图像深度学习的稀缺资料地区水文模型参数重建方法 - Google Patents
基于图像深度学习的稀缺资料地区水文模型参数重建方法 Download PDFInfo
- Publication number
- CN117763970A CN117763970A CN202311821306.9A CN202311821306A CN117763970A CN 117763970 A CN117763970 A CN 117763970A CN 202311821306 A CN202311821306 A CN 202311821306A CN 117763970 A CN117763970 A CN 117763970A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- parameters
- hydrological
- hydrologic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 239000002689 soil Substances 0.000 claims description 34
- 238000004088 simulation Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000001556 precipitation Methods 0.000 claims description 7
- 238000012876 topography Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 2
- 239000000463 material Substances 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000007812 deficiency Effects 0.000 abstract 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000008595 infiltration Effects 0.000 description 3
- 238000001764 infiltration Methods 0.000 description 3
- 230000007261 regionalization Effects 0.000 description 2
- 241001282153 Scopelogadus mizolepis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于图像深度学习的稀缺资料地区水文模型参数重建方法,包括利用历史阶段的气象和下垫面数据,率定水文模型参数,水文模型精度合格的为参考区域;将参考区域按比例分为训练集和测试集,利用深度残差网络模型学习参考区域的参数与气象、和下垫面数据的相关关系,采用临近或相似的网格上的气象和下垫面数据,输入训练好的深度残差网络,计算资料缺乏地区或水文模型精度不合格区域上的模型参数。本方法采用基于深度学习的技术重构水文模型参数,不仅可弥补传统方法依赖水文资料,应用范围局限,难以在大流域推广的局限和不足,而且可以更深入挖掘模型参数与流域属性之间的关系,从而从大尺度的数据中重构资料缺乏地区的水文模型参数。
Description
技术领域
本发明属于水文水资源应用领域,具体涉及一种基于图像深度学习的稀缺资料地区水文模型参数重建方法。
背景技术
水文学是人类认识地球水资源时空分布规律的重要学科,流域水文模型一直是水文的关键研究之一,为水资源的预测提供了重要支持,尤其是在洪水预测和干旱灾害的研究中。水文模型参数辨识是水文学中的一个重要研究方向,旨在利用观测数据对水文模型中的参数进行估计,主要目的是通过调整模型参数来提高模型的预测精度。
目前常用的稀缺资料地区水文预报方法有以下几种:①参证法结合了与稀缺资料地区流域特性相似的河流水系的各类水文参数,运用水文比拟、参数移植和区域回归等方法,进行稀缺资料流域径流量的参证模拟;②推理公式法常结合邻近区域实测资料,建立洪峰流量与流域特征和降雨特性之间的方程式关系;③水文模型法通过结构与参数的耦合,从而实现对降雨径流的模拟,形成了运用参数移植法或者各种模型耦合水文模型进行稀缺资料地区水文预报。
然而,资料稀缺区水文模拟依然存在一些问题,如大尺度区域水文模型结构适应性评估困难,无法找到一个能够同时满足不同下垫面及气候特征的模型参数区域化方法,因此需要利用大数据、机器学习等统计分析手段,找到大尺度流域的水文区域特性。最为明显的是,在中国偏干旱地区和一些高海拔地区,水文资料稀缺,传统的方法很难得到水文模型的参数。以可变下渗容量分布式水文模型(Variable Infiltration Capacity,VIC)为例,稀缺资料地区的模型参数往往采用均一值或者不进行率定。因此,科学准确地解析水文模型参数,探究更通用、高效的参数移植方法,以支撑研究稀缺资料的流域水文模型具有重大意义。
发明内容
本发明针对现有模型参数区域化方法不能同时满足不同下垫面及气候特征的问题,而提出一种更通用、高效的参数移植方法,可直接应用于稀缺资料地区的径流预报,进而服务于水资源评价和生态水文耦合模拟等工作。
本发明技术方案:
基于图像深度学习的稀缺资料地区水文模型参数重建方法,包括以下步骤:
步骤(1)资料收集:收集研究流域内的水文气象资料、网格径流深数据以及下垫面数据。
水文气象资料包括径流量Q、降水量P和温度T、湿度H、辐射Rn和潜在蒸散发PET等;网格径流深数据从基于观测的网格径流深数据集获得,下垫面数据包括土壤数据、土地利用和植被数据及高程数据;下垫面数据还包括但不限于水力传导度、复合地形指数、坡度、土壤类型、土壤质地、土壤厚度、根区深度、叶面积指数、标准植被指数等;
步骤(2)参数率定:建立分布式水文模型,输入历史阶段的气象资料和下垫面数据,对水文模型参数进行率定,历史阶段的气象资料包括降水量、温度、湿度、辐射和潜在蒸散发,一般根据经验选取对径流模拟影响较大的概念性参数进行率定。参数优选可采用SCE-UA(Shuffled Complex Evolution)算法,以径流模拟精度误差最小为目标函数;
式中,为第i天的模拟径流量,m3/s;f为水文模型;θ为水文模型参数;Qi为第i天的实测径流量,m3/s;N为径流模拟序列长度。
取前1年作为模型预热期,设置预热期是为了消除模型初始状态(如初始土壤含水量)默认值为0时对径流预测造成影响的现象。剩余时间长度的2/3作为率定期来率定水文模型的参数,剩余时间长度的1/3作为检验期来验证模型效果,在有水文气象资料的流域上检验水文模型模拟径流的适用性,将率定过的水文模型参数代入模型中,输出径流,计算模拟径流的精度误差。
网格上径流深模拟精度NSE≥0.60的认为合格,作为参考区域;网格上径流深模拟精度NSE<0.60的认为不合格。在参考区域上,率定得到的水文模型参数构成参数矩阵,可以作为后续的重建样本标签;
式中,Labelj为重建样本标签矩阵;θj为水文模型精度合格的参数矩阵;R为水文模型精度,g1为指标函数;R0为判定水文模型精度是否合格的临界值。
步骤(3)深度学习:将参考区域在空间区域上按7:3的比例分为训练集和测试集,训练集用于训练深度残差网络模型,测试集用于验证参数重建效果。
深度残差网络模型的输入是训练集每个网格上时间平均的气象属性和下垫面属性,通过窗口在空间上滑动采样,得到训练集上气象和下垫面数据的三维矩阵输入;通过深度残差网络模型的卷积层、池化层和全连接层计算,输出回归后的一维矩阵,即深度残差网络模型的输出是一维的水文模型参数矩阵。
利用深度残差网络模型学习参考区域上参数与输入数据之间的相关关系,设置模型参数值的均方误差作为损失函数,并逐步优化深度残差网络;利用图像处理的思路来处理气象和下垫面的网格输入矩阵,过程中会用到矩阵卷积来计算图像的特征,卷积的定义式可以用下式表达:
式中,z(u,v)为全卷积;xi,j为窗口矩阵;Iu-i,v-j为通过图像采样的气象和下垫面输入矩阵。
在测试集上,应用重建好的深度残差网络模型得到水文模型参数,和测试集上率定得到的参数进行比对,得到比对参数结果,并评估比对参数的合理性;参数合理表明深度残差网络模型有效,如果参数不合理,则需要检查原因并继续优化深度残差网络模型,直至比对参数合理;
步骤(4)缺失重建:在资料缺乏地区或水文模型精度不合格区域上,采用临近或相似的网格上的气象和下垫面,输入训练好的深度残差网络,就可以计算稀缺资料地区或水文模型精度不合格区域上的分布式水文模型的参数。
本发明的有益效果:
本方法根据资料缺乏地区径流模拟实际特点,综合采用基于深度学习的技术重构水文模型参数,可弥补传统基于相似性的参数区域化方法难以在大流域推广的局限和不足。由于传统相似方法对非线性和高维度的数据分析能力较弱,在评估更大区域模型的适用性时失效,难以找到一个能适应多种下垫面和气候特征的方法,将多个水文模型的集合平均结果用于大尺度模拟精度也会下降。而深度学习方法可以处理大规模数据,并且随着数据规模的增加,深度学习的表现也会变得更好,适用于在大流域上的高维数据复杂数据类型。
本方法充分发挥大数据深度学习的优势,可以更深入挖掘模型参数与流域属性之间的关系,从而从大尺度的数据中快速高效地重构资料缺乏地区的水文模型参数,更适合在大流域推广,可直接应用于稀缺资料地区的径流预报,进而服务于水资源评价和生态水文耦合模拟等工作。
附图说明
图1为本方法的流程示意图;
图2为土壤厚度参数重建前的结果图;
图3为土壤厚度参数重建后结果图;
图4为土壤厚度参数与流域属性相关关系图。
具体实施方式
下面结合实施例对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
实施例1
本实施例以长江流域0.5°网格的分布式VIC水文模型为例,实施一种基于图像深度学习的稀缺资料地区水文模型参数重建方法,具体包括以下步骤:
步骤(1)资料收集:收集长江流域内的水文气象资料、0.5°网格径流深数据和下垫面数据。
水文气象资料包括:地表气候日数据集的站点径流量Q、降水量P、温度T、湿度H、辐射Rn和潜在蒸散发PET,这些数据由中国国家气象信息中心提供,使用泰森多边形方法将站点数据插值到各0.5°×0.5°的网格中。网格径流深数据来自径流重建数据集(GlobalRunoff Reconstruction,GRUN)。下垫面数据包括世界土壤数据库(Harmonized WorldSoil Database,HWSD)的土壤数据、国家土地利用数据库的土地利用和植被数据,以及航天飞机雷达地形任务(SRTM V4.1)提供的高程数据,本实施例以土壤、植被和高程为例进行计算说明,下垫面数据还包括其他流域属性,例如:水力传导度、复合地形指数、坡度、土壤类型、土壤质地、土壤厚度、根区深度、叶面积指数和标准植被指数等。
步骤(2)参数率定:建立VIC分布式水文模型,输入历史阶段(1990年-2009年)的气象资料和下垫面数据进行模型参数率定。
VIC分布式水文模型的输入是气象资料和下垫面数据,下垫面数据包括地形、土地利用和土壤数据,气象资料包括降水量、温度、湿度、辐射和潜在蒸散发数据,VIC分布式水文模型的输出是模拟径流值。VIC模型需要率定的、对径流模拟影响较大的概念性参数,一般包括:控制基流的3个参数:Dm、Ws和Ds;描述可变下渗容量曲线的形状参数b,以及第2层和第3层的土层厚度:Depth2和Depth3。
取第1年(1990年)作为模型预热期,设置预热期是为了消除模型初始状态(例如初始土壤含水量)默认值为0对径流预测造成影响的现象,剩余时间长度的2/3(1991年-2003年)作为率定期来率定水文模型的参数,选取对径流模拟影响较大的概念性参数进行率定,这里以稀缺资料地区第二层土壤层厚度参数Depth2的重建为例进行说明。
可采用SCE-UA(Shuffled Complex Evolution)算法优化参数,以径流模拟精度误差最小为目标函数。
式中,为第i天的模拟径流量,m3/s;f为VIC分布式水文模型;θ为水文模型参数;Qi为第i天的实测径流量,m3/s;N为径流模拟序列长度;/>为模拟时段内的平均实测径流量,m3/s;纳什效率系数一般用以验证水文模型模拟结果的好坏,取值为负无穷至1,接近1,表示模型可信度高;接近0,表示模拟结果接近观测值的平均值水平。
剩余1/3(2004年-2009年)作为检验期来验证模型效果,在有水文气象资料的流域上检验水文模型模拟径流的适用性,将率定过的水文模型参数代入模型中,输出径流,计算径流模拟的精度误差。
网格上径流深模拟精度NSE≥0.60的认为合格,作为参考区域;网格上径流深模拟精度NSE<0.60的认为不合格。
图2是长江流域0.5°参考区域网格上,土壤厚度参数Depth2重建前的结果。可以发现,有一些空白区域网格上径流深模拟精度NSE<0.60,被认为不合格,无法通过率定的方式获取水文模型参数。
步骤(3)深度学习:将长江流域0.5°参考区域上网格,在空间区域上按7:3的比例分为训练集和测试集,训练集用于训练深度残差网络模型,测试集用于验证参数重建效果。
深度残差网络模型的输入是训练集每个网格上时间平均的气象属性和下垫面属性,通过3×3的窗口在空间上滑动采样,得到训练集上共计15种气象和下垫面数据的3×3×15三维矩阵输入。通过深度残差网络模型的卷积层、池化层和全连接层计算,输出回归后的一维矩阵,即深度残差网络模型的输出是一维的水文模型参数矩阵。
利用深度残差网络模型学习训练集上参数与输入数据之间的相关关系,设置模型参数值的均方误差作为损失函数,并逐步优化深度残差网络;
I=image[(P,T),(soil,land use,dem,……)]
式中,I为通过图像采样的气象和下垫面输入矩阵;P,T分别表示每个网格上时间平均的降水和气温气象属性;soil,land use,dem分别表示土壤、植被和高程下垫面属性;image为3×3的窗口图像采样方法;ResNet为深度残差网络;为训练好的模型参数矩阵,S为水文模型精度,g2为指标函数。
在测试集上,应用重建好的深度残差网络模型得到的水文模型参数和测试集上率定得到的参数进行比对,验证并评估参数的合理性;
式中,Xj表示测试集上第j个网格上重建学习的参数,Yj表示测试集上第j个网格上率定得到的参数,M为空间样本数量;为第i天的测试集模拟径流量,m3/s。R2是回归平方和与总离差平方和之比,称为样本决定系数,一般用以验证深度学习拟合结果的好坏,取值为-1到1,绝对值越接近1,表示模拟可信度越高;RMSE为均方根误差,取值越小表示模拟效果越好。
通过计算得到,训练集的R2为0.91,测试集的R2为0.76,表明参数合理,深度残差网络模型有效。同样的,将每个网格上时间平均的气象属性、下垫面属性和模型参数采用传统方法建立多元非线性回归关系,训练集的R2仅为0.63,测试集的R2仅为0.53,如表1所示,深度残差网络模型比传统回归分析法的计算精度提高了0.23~0.28。
表1不同方法下长江流域VIC模型参数空间重建结果对比
步骤(4)缺失重建:在水文模型径流模拟精度不合格的区域或者稀缺资料区域上,利用已有的气象和下垫面输入,带入训练好的深度残差网络模型。
I*=image[(P,T),(soil,land use,dem,……)]
θ*=ResNet(I*)
式中,I*为稀缺资料地区或水文模型精度不合格的流域通过图像采样的气象和下垫面输入矩阵;θ*为重建后的水文模型参数矩阵。
在长江流域0.5°区域内水文模型精度不合格区域上,采用临近或相似的网格上的气象和下垫面数据,输入训练好的深度残差网络,可以计算水文模型精度不合格区域上的VIC分布式水文模型的第二层土壤层厚度参数,重建后的参数分布如图3所示。图3和图2对比可以看出,在上游地区和东南地区水文模型精度不合格地区,Depth2参数存在缺失,采用深度残差网络,利用气象数据和下垫面数据等多种输入,成功地完成对长江流域Depth2参数的重建。长江流域具有不同下垫面及气候特征,本方法在长江流域取得良好的效果可以说明,深度残差网络模型能同时满足不同下垫面及气候特征。
实施例2
借助深度残差网络分析气象和下垫面属性特征与Depth2之间的响应关系。所选用的模型输入因子包括气象数据、土壤和植被数据、地形数据等15种,这些因素都可能对土壤层厚度参数产生影响。如图4所示,根据深度残差网络的排列重要性估计,复合地形指数、水力传导度和叶面积指数是Depth2参数空间演化的主要因素,可以解释60%以上的空间分布。Depth2与根区深度、土壤厚度、叶面积指数、标准植被指数、平均气温和平均降水量等六个特征有着明显的正相关作用。与之相反,土地利用、水力传导度、高程、复合地形指数、坡度等五个特征则与Depth2为显著负相关。其余两个特征土壤质地和土壤类型与Depth2呈现微弱负相关。
如上,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上作出各种变化。
Claims (6)
1.基于图像深度学习的稀缺资料地区水文模型参数重建方法,其特征在于:包括以下步骤:
步骤(1)资料收集:收集研究流域内的水文气象资料、网格径流深数据以及下垫面数据;将水文气象监测站点的水文气象数据插值到网格中;
步骤(2)参数率定:建立分布式水文模型,输入历史阶段的气象资料和下垫面数据,对水文模型参数进行率定;取前1年作为模型预热期,剩余时间长度的2/3作为率定期来率定水文模型的参数,剩余时间长度的1/3作为检验期来验证模型效果;在检验期有水文气象资料的流域上,检验水文模型模拟径流的适用性,将率定过的水文模型参数代入水文模型中,输出径流,计算模拟径流的精度误差;网格上径流深模拟精度NSE≥0.60的认为合格,作为参考区域;
步骤(3)深度学习:将参考区域在空间区域上按7:3的比例分为训练集和测试集,训练集用于训练深度残差网络模型,测试集用于验证参数重建效果;
步骤(4)缺失重建:在资料缺乏地区或水文模型精度不合格区域上,采用临近或相似网格上的气象和下垫面数据,输入训练好的深度残差网络,计算稀缺资料地区或水文模型精度不合格区域上分布式水文模型的参数。
2.根据权利要求1所述的基于图像深度学习的稀缺资料地区水文模型参数重建方法,其特征在于:步骤(3)中深度残差网络模型的输入是训练集每个网格上时间平均的气象属性和下垫面属性,通过窗口在空间上滑动采样,得到训练集上气象和下垫面数据的三维矩阵输入;通过深度残差网络模型的卷积层、池化层和全连接层计算,输出回归后的一维矩阵。
3.根据权利要求1所述的基于图像深度学习的稀缺资料地区水文模型参数重建方法,其特征在于:步骤(3)中在测试集上,应用重建好的深度残差网络模型得到水文模型参数,和测试集上率定得到的参数进行比对,得到比对参数的数值结果,并评估比对参数的合理性;参数合理表明深度残差网络模型有效,如果参数不合理,则需要检查原因并继续优化深度残差网络模型,直至比对参数合理。
4.根据权利要求3所述的基于图像深度学习的稀缺资料地区水文模型参数重建方法,其特征在于:步骤(3)中对参数为回归平方和与总离差平方和之比。
5.根据权利要求1所述的基于图像深度学习的稀缺资料地区水文模型参数重建方法,其特征在于:步骤(1)中水文气象资料包括径流量、降水量和温度、湿度、辐射和潜在蒸散发;下垫面数据包括土壤数据、土地利用和植被数据、高程、水力传导度、复合地形指数、坡度、土壤类型、土壤质地、土壤厚度、根区深度、叶面积指数和标准植被指数。
6.根据权利要求1所述的基于图像深度学习的稀缺资料地区水文模型参数重建方法,其特征在于:步骤(2)中采用SCE-UA算法优化参数,以径流模拟精度误差最小为目标函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311821306.9A CN117763970A (zh) | 2023-12-26 | 2023-12-26 | 基于图像深度学习的稀缺资料地区水文模型参数重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311821306.9A CN117763970A (zh) | 2023-12-26 | 2023-12-26 | 基于图像深度学习的稀缺资料地区水文模型参数重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117763970A true CN117763970A (zh) | 2024-03-26 |
Family
ID=90323791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311821306.9A Pending CN117763970A (zh) | 2023-12-26 | 2023-12-26 | 基于图像深度学习的稀缺资料地区水文模型参数重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117763970A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840873A (zh) * | 2019-02-02 | 2019-06-04 | 中国水利水电科学研究院 | 一种基于机器学习的无资料地区水文模型参数区域化方法 |
CN111914465A (zh) * | 2020-08-14 | 2020-11-10 | 贵州东方世纪科技股份有限公司 | 基于聚类及粒子群优化的无资料地区水文参数率定方法 |
CN111914487A (zh) * | 2020-08-14 | 2020-11-10 | 贵州东方世纪科技股份有限公司 | 一种基于对抗神经网络的无资料地区水文参数率定方法 |
CN112163366A (zh) * | 2020-08-14 | 2021-01-01 | 贵州东方世纪科技股份有限公司 | 一种无资料地区水文模型参数自动率定方法 |
CN115859823A (zh) * | 2022-12-13 | 2023-03-28 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于滑动窗口子时期划分的时变参数水文模拟方法 |
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 |
CN116796799A (zh) * | 2022-02-24 | 2023-09-22 | 宝鸡文理学院 | 无水文资料地区中小流域洪水降雨量阈值模型创建方法 |
-
2023
- 2023-12-26 CN CN202311821306.9A patent/CN117763970A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840873A (zh) * | 2019-02-02 | 2019-06-04 | 中国水利水电科学研究院 | 一种基于机器学习的无资料地区水文模型参数区域化方法 |
CN111914465A (zh) * | 2020-08-14 | 2020-11-10 | 贵州东方世纪科技股份有限公司 | 基于聚类及粒子群优化的无资料地区水文参数率定方法 |
CN111914487A (zh) * | 2020-08-14 | 2020-11-10 | 贵州东方世纪科技股份有限公司 | 一种基于对抗神经网络的无资料地区水文参数率定方法 |
CN112163366A (zh) * | 2020-08-14 | 2021-01-01 | 贵州东方世纪科技股份有限公司 | 一种无资料地区水文模型参数自动率定方法 |
CN116796799A (zh) * | 2022-02-24 | 2023-09-22 | 宝鸡文理学院 | 无水文资料地区中小流域洪水降雨量阈值模型创建方法 |
CN115859823A (zh) * | 2022-12-13 | 2023-03-28 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于滑动窗口子时期划分的时变参数水文模拟方法 |
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 |
Non-Patent Citations (5)
Title |
---|
何关洪;: "乏水文资料地区的水文模型参数区域化研究", 科技创新与应用, no. 32, 13 November 2018 (2018-11-13) * |
刘昌明;白鹏;王中根;刘苏峡;刘小莽;: "稀缺资料流域水文计算若干研究:以青藏高原为例", 水利学报, no. 03, 15 March 2016 (2016-03-15) * |
孙周亮: "水文模型参数区域化方法研究进展", 《水文》, vol. 43, no. 4, 17 October 2022 (2022-10-17) * |
徐长江 等: "资料短缺地区径流模拟研究", 《人民长江》, vol. 49, no. 22, 28 November 2018 (2018-11-28) * |
陈利群;刘昌明;袁飞;: "大尺度资料稀缺地区水文模拟可行性研究", 资源科学, no. 01, 30 January 2006 (2006-01-30) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084367B (zh) | 一种基于lstm深度学习模型的土壤墒情预测方法 | |
CN107316095B (zh) | 一种耦合多源数据的区域气象干旱等级预测方法 | |
CN111222698A (zh) | 面向物联网的基于长短时记忆网络的积水水位预测方法 | |
CN101480143B (zh) | 一种预测灌区作物单产量的方法 | |
CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
Solaiman et al. | Development of probability based intensity-duration-frequency curves under climate change | |
CN109800921B (zh) | 基于遥感物候同化和粒子群优化的区域冬小麦估产方法 | |
CN113361742B (zh) | 一种基于水文模拟的区域综合干旱识别方法 | |
CN113255972B (zh) | 基于Attention机制的短临降水预测方法 | |
CN112785024A (zh) | 一种基于流域水文模型的径流计算和预测方法 | |
CN106897957A (zh) | 一种基于pca和pso‑elm的自动气象站实时数据质量控制方法 | |
CN114357716A (zh) | 一种基于数字孪生技术的流域水文模型参数动态估计方法 | |
CN115495991A (zh) | 一种基于时间卷积网络的降水区间预测方法 | |
CN116796799A (zh) | 无水文资料地区中小流域洪水降雨量阈值模型创建方法 | |
CN113176393A (zh) | 一种基于hasm模型的土壤有机碳储量三维估算方法及系统 | |
Ahmadi et al. | Input data selection for solar radiation estimation | |
CN114357737B (zh) | 针对大尺度水文模型时变参数的代理优化率定方法 | |
CN116415730A (zh) | 一种预测水位的融合自注意力机制时空深度学习模型 | |
CN117423003B (zh) | 一种冬小麦越冬期苗情分级遥感监测方法 | |
CN117494419A (zh) | 一种多模型耦合的流域水土流失遥感监测方法 | |
CN110059972B (zh) | 基于泛函深度信念网络的日太阳辐射资源评估方法 | |
CN117010546A (zh) | 一种云南省次季节尺度温度异常的预测方法和装置 | |
CN116401962A (zh) | 水质模型最优特征方案的推求方法 | |
CN117763970A (zh) | 基于图像深度学习的稀缺资料地区水文模型参数重建方法 | |
Ranjan et al. | ANN and GRNN-based coupled model for flood inundation mapping of the Punpun River Basin |
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 |