CN117875193B - 一种湖泊热力学过程模拟方法及模拟系统 - Google Patents
一种湖泊热力学过程模拟方法及模拟系统 Download PDFInfo
- Publication number
- CN117875193B CN117875193B CN202410281017.2A CN202410281017A CN117875193B CN 117875193 B CN117875193 B CN 117875193B CN 202410281017 A CN202410281017 A CN 202410281017A CN 117875193 B CN117875193 B CN 117875193B
- Authority
- CN
- China
- Prior art keywords
- lake
- model
- neural network
- data
- simulation
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 150
- 230000008569 process Effects 0.000 title claims abstract description 117
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 140
- 238000003062 neural network model Methods 0.000 claims abstract description 77
- 238000004364 calculation method Methods 0.000 claims abstract description 49
- 238000013136 deep learning model Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims description 42
- 230000002441 reversible effect Effects 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 19
- 230000005855 radiation Effects 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000036760 body temperature Effects 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 238000013517 stratification Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请属于水文模拟技术领域,具体涉及一种湖泊热力学过程模拟方法及模拟系统。模拟方法包括如下步骤:获取所选区域的基础数据;确定模拟计算域;配置物理过程模型的输入文件;形成低置信度的湖水温度模拟数据集;依据基础数据插值,生成随机配点数据集;构建物理信息神经网络模型;预训练物理信息神经网络模型参数;微调物理信息神经网络模型参数,形成具有高置信度参数集的深度学习模型;根据深度学习模型,形成所选区域的湖水温度数据集。本申请的湖泊热力学过程模拟方法及模拟系统中,所构建的湖泊热力学过程模型结合了物理机制模型的可解释性与深度学习模型的准确性,可推广至少/无观测资料的模拟时期与计算域。
Description
技术领域
本申请属于水文模拟技术领域,具体涉及一种湖泊热力学过程模拟方法及模拟系统。
背景技术
湖泊是全球气候和环境变化的“哨兵”。受气候变暖影响,全球平均湖表温度上升,直接影响湖泊内部的热力结构、对流与混合等物理水文过程,导致出现热力分层等反常现象。与此同时,湖泊也是区域气候和环境的“调节者”。湖泊因其巨大的热容量、较强的蒸发和平坦的下垫面等特征影响区域微气候;而热力分层等现象会进一步改变湖泊水环境(例如含氧量、营养盐浓度等),间接影响区域生物地球化学循环。具体而言,气候变化导致的湍流混合会引起水温变化,进而影响湖水的稳定性,导致湖泊出现热力分层等现象,对湖泊生态系统产生重大影响。研究表明,随着全球湖泊表层温度的上升,会导致热力分层可能会更早开始,随后致使深水温度变暖、温跃层变深变陡。这种气候诱导的分层物候可能会改变营养物质的垂直分布、溶解氧和湖冰物候,进而改变湖泊混合机制,对水生生态系统生产力产生难以逆转的副作用。因此,了解气候变化导致的湖泊热力学过程变化是当前之大势所趋。
随着人工智能的快速发展,研发数据驱动的地球系统/陆地表层模型已成为大势所趋。在湖泊模式方面,基于遥感数据、再分析资料和观测资料的机器学习与深度学习模型已可准确模拟湖泊水位、湖泊水质参数、湖表温度和湖水温度等湖泊关键物理参量的变化过程。然而,纯数据驱动的深度学习模型需要大量的观测资料参与训练,其可解释性、通用性备受诟病。
发明内容
为了解决现有技术中存在的至少一个技术问题,本申请提供了一种湖泊热力学过程模拟方法及模拟系统。
第一方面,本申请公开了一种湖泊热力学过程模拟方法,包括如下步骤:
步骤S101、获取所选区域的基础数据,所述基础数据包括所选区域的气象驱动数据集和湖水温度观测数据集;
步骤S102、确定模拟计算域,提取所述模拟计算域中包含的所述基础数据;
步骤S103、基于步骤S102得到的所述基础数据并结合所选区域特征,配置物理过程模型的输入文件;
步骤S104、使用所述模拟计算域内的气象驱动数据集运行所述物理过程模型,并提取所述物理过程模型所计算得到的湖水温度廓线的时间序列数据,从而形成低置信度的湖水温度模拟数据集;
步骤S105、在所述模拟计算域内随机选取至少2组配点,并记录其深度和时间信息,再依据基础数据插值至每个配点所在位置,生成随机配点数据集;
步骤S106、根据湖水温度与气象驱动数据的非线性关系,构建物理信息神经网络模型,所述物理信息神经网络模型包含预测湖水温度的正向深度神经网络与求解导热率的反向深度神经网络;
步骤S107、以所述模拟计算域中的气象驱动数据为模型输入,所述低置信度的湖水温度模拟数据集为数据标签,采用所述物理信息神经网络模型,最小化模型的损失,预训练所述正向深度神经网络与反向深度神经网络,初始化神经网络模型中的权重与误差项,形成基于物理过程模拟的低置信度参数集,其中,步骤S105中生成的至少2组配点数据集可用于监督本步骤中物理信息神经网络模型在无观测域内的可信度;
步骤S108、使用所述模拟计算域中的气象驱动数据与逐深度的湖水温度观测数据集,在所述低置信度参数集的基础上,微调所述正向深度神经网络与反向深度神经网络的参数集,形成具有高置信度参数集的湖泊热力学过程的深度学习模型,其中,步骤S105中生成的至少2组配点数据集可用于监督本步骤中所述物理信息神经网络模型在无观测域内的可信度,以及用于最小化所述深度学习模型的损失;
步骤S109、采用所述深度学习模型,以所述模拟计算域中的气象驱动数据集为输入数据,预测湖泊水体温度的长时序变化驱动,形成所选区域的湖水温度数据集。
可选地,所述气象驱动数据集中的数据类型选自如下数据中的至少一种:
2m空气温度、东西向与南北向的10m风速、降雨速率、比湿、地表气压、下行长波和短波辐射数据集。
可选地,在所述步骤S103中,所述物理过程模型为天气预报模型中的关于湖泊方案的WRF-Lake模型。
可选地,在所述步骤S106中,湖水温度与气象驱动数据的非线性关系以如下偏微分方程的形式植入于深度学习模型中的损失函数中:
其中,为湖水温度,单位为K;/>和/>分别为时间和湖水深度;/>是湖水的导热率;/>为体积热容量;/>为湖泊接收到的剩余辐射量。
可选地,所述步骤S106构建的物理信息神经网络模型中,具有用来度量模型预测结果与验证数据集之间误差的损失函数,其定义为湖水温度与气象驱动数据的非线性关系,而在所述步骤S107与S108中,是将所述损失函数和偏微分方程进行融合,从而获得如下的最终损失函数:
其中,表示湖水温度与气象驱动数据的非线性关系,即公式(1)的残差量,/>为参数集,/>为物理信息神经网络模型在配点数据集处模拟获得的湖水温度,/>为该项的权重;/>表示物理信息神经网络模型的模拟结果与观测数据之间的均方误差,/>为物理信息神经网络模型在观测数据点位模拟获得的湖水温度,/>为该项的权重;/>表示物理信息神经网络模型的模拟结果与低置信度的湖水温度模拟数据集的均方误差,/>为物理信息神经网络模型在低置信度的湖水温度模拟点位的湖水温度,/>为该项的权重。
第二方面,本申请还公开了一种湖泊热力学过程模拟系统,包括:
数据获取模块,用于获取所选区域的基础数据,所述基础数据包括所选区域的气象驱动数据集和湖水温度观测数据集;
数据处理模块,用于确定模拟计算域,提取所述模拟计算域中包含的所述基础数据;
模型构建模块,用于基于数据处理模块得到的所述基础数据并结合所选区域特征,配置物理过程模型的输入文件;
低置信度模拟模块,用于使用所述模拟计算域内的气象驱动数据集运行所述物理过程模型,并提取所述物理过程模型所计算得到的湖水温度廓线的时间序列数据,从而形成低置信度的湖水温度模拟数据集;
配点提取模块,用于在所述计算域内随机选取至少2组配点,并记录其深度和时间信息,再依据基础数据插值至每个配点所在位置,生成随机配点数据集;
模拟框架构建模块,用于根据湖水温度与气象驱动数据的非线性关系,构建物理信息神经网络模型,所述物理信息神经网络模型包含预测湖水温度的正向深度神经网络与求解导热率的反向深度神经网络;
模型预训练模块,用于以所述模拟计算域中的气象驱动数据为模型输入,所述低置信度的湖水温度模拟数据集为数据标签,采用所述物理信息神经网络模型,最小化模型的损失,预训练所述正向深度神经网络与反向深度神经网络,初始化神经网络模型中的权重与误差项,形成基于物理过程模拟的低置信度参数集,其中,所述配点提取模块中生成的至少2组配点数据集可用于监督本模块中所述物理信息神经网络模型在无观测域内的可信度;
模型微调模块,用于使用所述模拟计算域中的气象驱动数据与逐深度的湖水温度观测数据集,在所述低置信度参数集的基础上,微调所述正向深度神经网络与反向深度神经网络的参数集,形成具有高置信度参数集的湖泊热力学过程的深度学习模型,其中,所述配点提取模块中生成的至少2组配点数据集可用于监督本模块中所述物理信息神经网络模型在无观测域内的可信度,以及用于最小化所述深度学习模型的损失;
模型预测模块,用于采用所述深度学习模型,以所述模拟计算域中的气象驱动数据集为输入数据,预测湖泊水体温度的长时序变化驱动,形成所选区域的湖水温度数据集。
可选地,所述气象驱动数据集中的数据类型选自如下数据中的至少一种:
2m空气温度、东西向与南北向的10m风速、降雨速率、比湿、地表气压、下行长波和短波辐射数据集。
可选地,所述模型构建模块中的物理过程模型为天气预报模型中的关于湖泊方案的WRF-Lake模型。
可选地,湖水温度与气象驱动数据的非线性关系以如下偏微分方程的形式植入于深度学习模型中的损失函数中:
其中,为湖水温度,单位为K;/>和/>分别为时间和湖水深度;/>是湖水的导热率;/>为体积热容量;/>为湖泊接收到的剩余辐射量。
可选地,所述模拟框架构建模块构建的物理信息神经网络模型中,具有用来度量模型预测结果与验证数据集之间误差的损失函数,其定义为湖水温度与气象驱动数据的非线性关系,而在所述模型预训练模块与模型微调模块中,是将所述损失函数和偏微分方程进行融合,从而获得如下的最终损失函数:
其中,表示湖水温度与气象驱动数据的非线性关系,即公式(1)的残差量,/>为参数集,/>为物理信息神经网络模型在配点数据集处模拟获得的湖水温度,/>为该项的权重;/>表示物理信息神经网络模型的模拟结果与观测数据之间的均方误差,/>为物理信息神经网络模型在观测数据点位模拟获得的湖水温度,/>为该项的权重;/>表示物理信息神经网络模型的模拟结果与低置信度的湖水温度模拟数据集的均方误差,/>为物理信息神经网络模型在低置信度的湖水温度模拟点位的湖水温度,/>为该项的权重。
本申请至少存在以下有益技术效果:
(1)由于本申请中构建了物理过程模型并形成了低置信度的湖水温度模拟数据集,再通过低置信度模拟数据集预训练物理信息深度学习模型,因此,基于此所构建的湖泊热力学过程模型结合了物理机制模型的可解释性与深度学习模型的准确性,可推广至少/无观测资料的模拟时期与计算域;
(2)由于本申请在物理信息深度学习模型中分别构建了正向和反向神经网络用于近似湖水温度与导热率参数,可通过在后续步骤中参与预训练与微调实现对导热率的精准表征,从而实现对湖水温度长期且准确的预测,因此,基于此所构建的湖泊热力学过程模型避免了传统物理过程模型中简化的导热率参数化方案在数值计算中产生的系统误差,减少了模拟结果与观测数据之间的不确定性;
(3)由于本申请构建的湖泊热力学过程模型通过引入湖水温度观测数据集并以此微调物理信息神经网络模型并形成了高置信度参数集,同时,采用配点数据集约束无观测的湖水层处湖水温度的变化,因此,基于此所构建的湖泊热力过程模型在湖泊深层对湖水温度的描述受到了观测数据与物理过程的共同约束,克服了传统的物理过程模型对湖泊深层的计算不准确的问题,具备更高的模拟精度;
(4)由于本申请构建的湖泊热力学过程模拟方法及模拟系统中所构建物理过程模型通过在模拟计算域内实现模型预训练、模型微调与模型预测等过程,具备可高效率、长时序、高精度模拟湖水温度的能力,可以为精细化重建不同深度处湖水层的湖水温度变化或实现湖泊-气候变化的集成模拟提供更精准、高效的算法支撑。
附图说明
图1是本申请湖泊热力学过程模拟方法的流程图;
图2是本申请湖泊热力学过程模拟系统的构成图;
图3是本申请湖泊热力学过程模拟方法及模拟系统的一具体实施例中的地理位置示意图;
图4 a为本申请湖泊热力学过程模拟方法及模拟系统的物理过程深度学习模型中模型预训练模块输出的湖水温度结果与物理过程模型WRF-Lake的结果验证图;
图4 b为本申请湖泊热力学过程模拟方法及模拟系统中物理过程深度学习模型预训练模块输出的湖水温度在观测数据的训练集上的精度验证图;
图4 c为本申请湖泊热力学过程模拟方法及模拟系统中物理过程深度学习模型预训练模块输出的湖水温度在观测数据的测试集上的精度验证图;
图4 d为本申请湖泊热力学过程模拟方法及模拟系统的物理过程深度学习模型中模型微调模块输出的湖水温度结果与物理过程模型WRF-Lake的结果验证图;
图4 e为本申请湖泊热力学过程模拟方法及模拟系统中物理过程深度学习模型微调模块输出的湖水温度在观测数据的训练集上的精度验证图;
图4 f为本申请湖泊热力学过程模拟方法及模拟系统中物理过程深度学习模型微调模块输出的湖水温度在观测数据的测试集上的精度验证图;
图 5 是本申请湖泊热力学过程模拟方法及模拟系统在2016年的千岛湖计算域内10m深处与其他常见的物理过程模型的比较结果图;
图 6 是本申请湖泊热力学过程模拟方法及模拟系统在2016年的千岛湖计算域内20m深处与其他常见的物理过程模型的比较结果图;
图 7 是本申请湖泊热力学过程模拟方法及模拟系统在2016年的千岛湖计算域内59m深处与其他常见的物理过程模型的比较结果图;
图8是本申请湖泊热力学过程模拟方法及模拟系统的一具体实施例中的所重建的湖水温度时序变化折线图。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行更加详细的描述。
第一方面,如图1所示,本申请公开了一种湖泊热力学过程模拟方法,包括如下步骤:
步骤S101、获取所选区域的基础数据;其中,基础数据至少包括所选区域的气象驱动数据集和湖水温度观测数据集。
在进一步优选实施例中,上述气象驱动数据集中的数据类型至少选自如下数据中的至少一种:2m空气温度、东西向与南北向的10m风速、降雨速率、比湿、地表气压、下行长波辐射与短波辐射。
步骤S102、确定模拟计算域(计算域包含时间和空间域两个部分),并提取模拟计算域中包含的基础数据,即气象驱动要素数据集和湖水温度观测数据集。
步骤S103、基于步骤S102获取基础数据并结合所选区域特征,配置物理过程模型的输入文件。
在进一步优选实施例中,上述物理过程模型为天气预报模型中的关于湖泊方案的WRF-Lake模型。
步骤S104、使用模拟计算域内的气象驱动数据集运行物理过程模型,并提取物理过程模型所计算得到的湖水温度廓线的时间序列数据,从而形成低置信度的湖水温度模拟数据集。
步骤S105、在模拟计算域内随机选取至少2组配点,并记录其深度和时间信息,再依据基础数据插值至每个配点所在位置,生成随机配点数据集,具体可包括2m气温、10m风速分量与下行长波和短波辐射的配点数据集;其中,所得到的至少2组配点数据集主要用于在后续的步骤S107与S108中监督物理信息神经网络模型在无观测域内的可信度。
步骤S106、根据湖水温度与气象驱动数据的非线性关系,构建物理信息神经网络模型框架,该物理信息神经网络模型包括预测湖水温度的正向深度神经网络与求解导热率的反向深度神经网络;可通过调整正向与反向深度神经网络中的超参数降低模型误差,准确模拟湖水温度。
对于物理信息神经网络模型需要说明的是,其有用来度量模型预测结果与验证数据集之间误差的损失函数,具体的,损失函数自定义为湖水温度与所述基础数据的非线性关系;模型的输入数据为计算域内气象驱动数据集中的2m气温、10m风速分量与下行长波和短波辐射数据集,数据标签为湖水温度观测数据集,配点数据集用于监督模型的精度。
进一步,湖水温度与气象驱动数据的非线性关系以如下偏微分方程的形式植入于深度学习模型中的损失函数中:
其中,为湖水温度,具体是指在上述模型训练/微调过程中每一轮迭代时模型所计算得到的湖水温度,单位为K;/>和/>分别为时间和湖水深度;/>是湖水的导热率;/>为体积热容量;/>为湖泊接收到的剩余辐射量。
步骤S107、以模拟计算域中的气象驱动数据为模型输入,低置信度的湖水温度模拟数据集为数据标签,采用物理信息神经网络模型,最小化模型的损失,预训练物理信息神经网络的正向深度神经网络与反向深度神经网络,初始化神经网络模型中的权重与误差项,形成基于物理过程模拟的低置信度参数集。其中,步骤S105中生成的至少2组配点数据集可用于监督本步骤中的物理信息神经网络模型在无观测域内的可信度。
进一步的,在本步骤(以及后续的步骤S108)中,即在模型预训练与模型微调过程中,是将损失函数和偏微分方程进行融合,获得如下公式(2)的最终的损失函数(损失函数指的是用来度量模型预测结果与验证数据集之间误差的函数,其定义为湖水温度与气象驱动数据的非线性关系,所述损失函数包含:偏微分方程的残差量、物理信息神经网络模型的模拟结果与观测数据的均方误差、物理信息神经网络模型的模拟结果与低置信度的湖水温度模拟数据集的均方误差):
其中,表示湖水温度与气象驱动数据的非线性关系,即公式(1)的残差量,/>为参数集,/>为物理信息神经网络模型在配点数据集处模拟获得的湖水温度,/>为该项的权重;/>表示物理信息神经网络模型的模拟结果与观测数据之间的均方误差,/>为物理信息神经网络模型在观测数据点位模拟获得的湖水温度,/>为该项的权重;/>表示物理信息神经网络模型的模拟结果与低置信度的湖水温度模拟数据集的均方误差,/>为物理信息神经网络模型在低置信度的湖水温度模拟点位的湖水温度,/>为该项的权重。
步骤S108、使用模拟计算域中的气象驱动数据(2m气温、10m风速与下行长波和短波辐射数据集)与逐深度的湖水温度观测数据集,在低置信度参数集的基础上,微调物理信息神经网络模型中正向深度神经网络与反向深度神经网络的参数集,形成具有高置信度参数集的湖泊热力学过程的深度学习模型,用于后续模拟湖水温度;同样,步骤S105中生成的至少2组配点数据集可用于监督本步骤中所述物理信息神经网络模型在无观测域内的可信度,以及用于最小化深度学习模型的损失。
步骤S109、采用经步骤S108得到的具有高置信度参数集的湖泊热力学过程深度学习模型,以模拟计算域中的气象驱动数据集为输入数据,预测湖泊水体温度的长时序变化驱动,形成所选区域的湖水温度数据集。
第二方面,如图2所示,本申请还公开了一种湖泊热力学过程模拟系统,包括数据获取模块201、数据处理模块202、模型构建模块203、低置信度模拟模块204、配点提取模块205、模拟框架构建模块206、模型预训练模块207、模型微调模块208以及模型预测模块209。
其中,数据获取模块201用于获取所选区域的基础数据,该基础数据包括所选区域的气象驱动数据集和湖水温度观测数据集。与上述第一方面中的湖泊热力学过程模拟方法对应的,在进一步优选实施例中,气象驱动数据集中的数据类型选自如下数据中的至少一种:2m空气温度、东西向与南北向的10m风速、降雨速率、比湿、地表气压、下行长波和短波辐射数据集。
数据处理模块202用于确定模拟计算域,并提取模拟计算域中包含的所述基础数据。
模型构建模块203用于基于数据处理模块202得到的基础数据并结合所选区域特征,配置物理过程模型的输入文件。同样的,在进一步优选实施例中,该物理过程模型为天气预报模型中的关于湖泊方案的WRF-Lake模型。
低置信度模拟模块204用于使用模拟计算域内的气象驱动数据集运行所述物理过程模型,并提取物理过程模型所计算得到的湖水温度廓线的时间序列数据,从而形成低置信度的湖水温度模拟数据集。
配点提取模块205用于在计算域内随机选取至少2组配点,并记录其深度和时间信息,再依据基础数据插值至每个配点所在位置,生成随机配点数据集。
模拟框架构建模块206用于根据湖水温度与气象驱动数据的非线性关系,构建物理信息神经网络模型,该物理信息神经网络模型包含预测湖水温度的正向深度神经网络与求解导热率的反向深度神经网络。其中,湖水温度与气象驱动数据的非线性关系具体可参见上述第一方面中的湖泊热力学过程模拟方法中的步骤S106,此处不再赘述。
模型预训练模块207用于以模拟计算域中的气象驱动数据为模型输入,低置信度的湖水温度模拟数据集为数据标签,采用物理信息神经网络模型,最小化模型的损失,预训练正向深度神经网络与反向深度神经网络,初始化神经网络模型中的权重与误差项,形成基于物理过程模拟的低置信度参数集,其中,配点提取模块205中生成的至少2组配点数据集可用于监督本模块中物理信息神经网络模型在无观测域内的可信度。同样,进一步的预训练过程可参见上述第一方面中的湖泊热力学过程模拟方法中的步骤S107,此处不再赘述。
模型微调模块208用于使用计算域中的气象驱动数据(2m气温、10m风速与下行长波和短波辐射数据集)与逐深度的湖水温度观测数据集,在低置信度参数集的基础上,微调物理信息神经网络模型中正向与反向深度神经网络的参数集,形成具有高置信度参数集的湖泊热力学过程的深度学习模型,用于模拟湖水温度;同样,配点提取模块205中生成的至少2组配点数据集可用于监督本模块中所述物理信息神经网络模型在无观测域内的可信度,以及用于最小化深度学习模型的损失。
模型预测模块209用于采用深度学习模型,以模拟计算域中的气象驱动数据集为输入数据,预测湖泊水体温度的长时序变化驱动,形成所选区域的湖水温度数据集。
下面将通过一具体实例对本申请的湖泊热力学过程模拟方法及模拟系统进行进一步说明:
实施例1
如图3所示,是千岛湖的地理位置示意图;千岛湖又名新安江水库。考虑到其热力学过程,千岛湖是单循环湖,在一年中大部分时间呈现出明显的热力分层,在冬季处于混合期。
其中,大坝浮标站(以下简称大坝站)是位于千岛湖东南角的实地观测站,当前建模框架中的计算域(对应步骤S102中的模拟计算域)的空间域为千岛湖大坝浮标站样点尺度,其垂直方向上的湖水层深度范围为0.05 m至64.5 m。计算域的时间域为1960至2020年,其中,选择2016年的气象驱动数据集(包括2m气温、10m风速分量、降雨速率、比湿、地表气压与下行长波和短波辐射数据集与下行长波和短波辐射数据集)作为模型预训练、微调的时段,模拟的时间步长为1天。
2016年千岛湖的水温观测数据集取自大坝站,并分为训练集和测试集,分别占总数据的80%和20%,用于训练和验证本申请所提出的模拟方法的精度。其中,训练集用于微调深度学习神经网络模型中特定隐藏层的权重和偏差,而测试集用于评估它们在物理信息深度学习框架内的表现。湖水温度观测数据集中的逐深度水温观测值(±0.002%)是使用部署在大坝站的多参数水柱剖面仪获得的,日尺度为地表至65 m深度,垂直间隔(±0.005%)为0.5 m(0.1至10 m)和2 m(10 m至底部)。由于65 m以下的垂直水温是均匀的,因此物理信息深度学习框架的计算范围最深至65 m。
1960至2021年的2 m的气温、10 m的东西向与南北向风速、下行长波与短波辐射等基础数据下载自Gridded ECMVF Reanalysis V5(ERA5)再分析数据集,时间分辨率为1小时,空间分辨率为0.25˚。这些数据用于驱动WRF-Lake模型与物理信息深度学习框架中的深度神经网络模型。所有数据均重采样至日尺度。
如图4a-图4f所示,本申请最初使用WRF-Lake的输出训练物理信息深度学习框架的的正向深度神经网络和反向深度神经网络,进而获取物理定律。经由预训练的深度神经网络在2016年所有季节都表现出高于物理过程模型的性能(MAE = 0.47,RMSE = 0.67),特别是在冬季(MAE = 0.36,RMSE = 0.42),证明本申请所提出的湖泊热力学过程模型可以较好地捕捉湖泊热力学过程的物理机制。基于水温观测数据对湖泊热力学过程模型中的模型参数微调后,本申请可有效纠正物理过程模型对湖水温度的的低估现象,具备较好的模拟精度与效果。其训练集和测试集的MAE为1.14,RMSE为1.49。
参见图5-8,其中,图5-7是本申请湖泊热力学过程模拟方法及模拟系统在2016年的千岛湖计算域内分别在10m、20m、59m深处与其他常见的物理过程模型的比较结果,其中PINN-pretrain与PINN-finetune分别代表经过模型预训练、模型微调模块运行后的湖水温度预测结果,比较的数据为FLake、GLM、MyLake与WRF-Lake模型所计算得到的湖水温度的变化;图8是本实施例所重建的湖水温度时序变化折线图。
通过上述附图可以看出,本申请所构建的湖泊热力学过程模型较好预测了千岛湖大坝站水温的显著变化。自1990至2021年,千岛湖水温异常明显增加,从上到下各湖水层变化平均趋势约为~0.04 K/10a。随着湖泊深度的增加,水温变化率逐渐减小。其中,湖表水(0-2 m)的升温幅度最大,速率为~0.10 K/10a。相较于传统的基于物理机制的湖泊热力学过程模型,将物理过程和深度学习相融合的物理信息深度学习框架可以提高湖泊热力学重建的可解释性与准确性,是当下最有效的模拟方案。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种湖泊热力学过程模拟方法,其特征在于,包括如下步骤:
步骤S101、获取所选区域的基础数据,所述基础数据包括所选区域的气象驱动数据集和湖水温度观测数据集;
步骤S102、确定模拟计算域,提取所述模拟计算域中包含的所述基础数据;
步骤S103、基于步骤S102得到的所述基础数据并结合所选区域特征,配置物理过程模型的输入文件;
步骤S104、使用所述模拟计算域内的气象驱动数据集运行所述物理过程模型,并提取所述物理过程模型所计算得到的湖水温度廓线的时间序列数据,从而形成低置信度的湖水温度模拟数据集;
步骤S105、在所述模拟计算域内随机选取至少2组配点,并记录其深度和时间信息,再依据基础数据插值至每个配点所在位置,生成随机配点数据集;
步骤S106、根据湖水温度与气象驱动数据的非线性关系,构建物理信息神经网络模型,所述物理信息神经网络模型包含预测湖水温度的正向深度神经网络与求解导热率的反向深度神经网络;
步骤S107、以所述模拟计算域中的气象驱动数据为模型输入,所述低置信度的湖水温度模拟数据集为数据标签,采用所述物理信息神经网络模型,最小化模型的损失,预训练所述正向深度神经网络与反向深度神经网络,初始化神经网络模型中的权重与误差项,形成基于物理过程模拟的低置信度参数集,其中,步骤S105中生成的至少2组配点数据集用于监督本步骤中物理信息神经网络模型在无观测域内的可信度;
步骤S108、使用所述模拟计算域中的气象驱动数据与逐深度的湖水温度观测数据集,在所述低置信度参数集的基础上,微调所述正向深度神经网络与反向深度神经网络的参数集,形成具有高置信度参数集的湖泊热力学过程的深度学习模型,其中,步骤S105中生成的至少2组配点数据集用于监督本步骤中所述物理信息神经网络模型在无观测域内的可信度,以及用于最小化所述深度学习模型的损失;
步骤S109、采用所述深度学习模型,以所述模拟计算域中的气象驱动数据集为输入数据,预测湖泊水体温度的长时序变化驱动,形成所选区域的湖水温度数据集。
2.根据权利要求1所述的湖泊热力学过程模拟方法,其特征在于,所述气象驱动数据集中的数据类型选自如下数据中的至少一种:
2m空气温度、东西向与南北向的10m风速、降雨速率、比湿、地表气压、下行长波和短波辐射数据集。
3.根据权利要求1所述的湖泊热力学过程模拟方法,其特征在于,在所述步骤S103中,所述物理过程模型为天气预报模型中的关于湖泊方案的WRF-Lake模型。
4.根据权利要求1所述的湖泊热力学过程模拟方法,其特征在于,在所述步骤S106中,湖水温度与气象驱动数据的非线性关系以如下偏微分方程的形式表示:
其中,为湖水温度,单位为K;/>和/>分别为时间和湖水深度;/>是湖水的导热率;/>为体积热容量;/>为湖泊接收到的剩余辐射量。
5.根据权利要求4所述的湖泊热力学过程模拟方法,其特征在于,所述步骤S106构建的物理信息神经网络模型中,具有用来度量模型预测结果与验证数据集之间误差的损失函数,而在所述步骤S107与S108中的最终损失函数:
其中,表示公式(1)的残差量,/>为参数集,/>为物理信息神经网络模型在配点数据集处模拟获得的湖水温度,/>为权重;/>表示物理信息神经网络模型的模拟结果与观测数据之间的均方误差,/>为物理信息神经网络模型在观测数据点位模拟获得的湖水温度,/>为权重;/>表示物理信息神经网络模型的模拟结果与低置信度的湖水温度模拟数据集的均方误差,/>为物理信息神经网络模型在低置信度的湖水温度模拟点位的湖水温度,/>为权重。
6.一种湖泊热力学过程模拟系统,其特征在于,包括:
数据获取模块(201),用于获取所选区域的基础数据,所述基础数据包括所选区域的气象驱动数据集和湖水温度观测数据集;
数据处理模块(202),用于确定模拟计算域,提取所述模拟计算域中包含的所述基础数据;
模型构建模块(203),用于基于数据处理模块(202)得到的所述基础数据并结合所选区域特征,配置物理过程模型的输入文件;
低置信度模拟模块(204),用于使用所述模拟计算域内的气象驱动数据集运行所述物理过程模型,并提取所述物理过程模型所计算得到的湖水温度廓线的时间序列数据,从而形成低置信度的湖水温度模拟数据集;
配点提取模块(205),用于在所述计算域内随机选取至少2组配点,并记录其深度和时间信息,再依据基础数据插值至每个配点所在位置,生成随机配点数据集;
模拟框架构建模块(206),用于根据湖水温度与气象驱动数据的非线性关系,构建物理信息神经网络模型,所述物理信息神经网络模型包含预测湖水温度的正向深度神经网络与求解导热率的反向深度神经网络;
模型预训练模块(207),用于以所述模拟计算域中的气象驱动数据为模型输入,所述低置信度的湖水温度模拟数据集为数据标签,采用所述物理信息神经网络模型,最小化模型的损失,预训练所述正向深度神经网络与反向深度神经网络,初始化神经网络模型中的权重与误差项,形成基于物理过程模拟的低置信度参数集,其中,所述配点提取模块(205)中生成的至少2组配点数据集用于监督本模块中所述物理信息神经网络模型在无观测域内的可信度;
模型微调模块(208),用于使用所述模拟计算域中的气象驱动数据与逐深度的湖水温度观测数据集,在所述低置信度参数集的基础上,微调所述正向深度神经网络与反向深度神经网络的参数集,形成具有高置信度参数集的湖泊热力学过程的深度学习模型,其中,所述配点提取模块(205)中生成的至少2组配点数据集用于监督本模块中所述物理信息神经网络模型在无观测域内的可信度,以及用于最小化所述深度学习模型的损失;
模型预测模块(209),用于采用所述深度学习模型,以所述模拟计算域中的气象驱动数据集为输入数据,预测湖泊水体温度的长时序变化驱动,形成所选区域的湖水温度数据集。
7.根据权利要求6所述的湖泊热力学过程模拟系统,其特征在于,所述气象驱动数据集中的数据类型选自如下数据中的至少一种:
2m空气温度、东西向与南北向的10m风速、降雨速率、比湿、地表气压、下行长波和短波辐射数据集。
8.根据权利要求6所述的湖泊热力学过程模拟系统,其特征在于,所述模型构建模块(203)中的物理过程模型为天气预报模型中的关于湖泊方案的WRF-Lake模型。
9.根据权利要求6所述的湖泊热力学过程模拟系统,其特征在于,湖水温度与气象驱动数据的非线性关系以如下偏微分方程的形式表示:
其中,为湖水温度,单位为K;/>和/>分别为时间和湖水深度;/>是湖水的导热率;/>为体积热容量;/>为湖泊接收到的剩余辐射量。
10.根据权利要求9所述的湖泊热力学过程模拟系统,其特征在于,所述模拟框架构建模块(206)构建的物理信息神经网络模型中,具有用来度量模型预测结果与验证数据集之间误差的损失函数而在所述模型预训练模块(207)与模型微调模块(208)中的最终损失函数:
其中,表示公式(1)的残差量,/>为参数集,/>为物理信息神经网络模型在配点数据集处模拟获得的湖水温度,/>为权重;/>表示物理信息神经网络模型的模拟结果与观测数据之间的均方误差,/>为物理信息神经网络模型在观测数据点位模拟获得的湖水温度,/>为权重;/>表示物理信息神经网络模型的模拟结果与低置信度的湖水温度模拟数据集的均方误差,/>为物理信息神经网络模型在低置信度的湖水温度模拟点位的湖水温度,/>为权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410281017.2A CN117875193B (zh) | 2024-03-12 | 2024-03-12 | 一种湖泊热力学过程模拟方法及模拟系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410281017.2A CN117875193B (zh) | 2024-03-12 | 2024-03-12 | 一种湖泊热力学过程模拟方法及模拟系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117875193A CN117875193A (zh) | 2024-04-12 |
CN117875193B true CN117875193B (zh) | 2024-05-28 |
Family
ID=90597194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410281017.2A Active CN117875193B (zh) | 2024-03-12 | 2024-03-12 | 一种湖泊热力学过程模拟方法及模拟系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117875193B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907062A (zh) * | 2022-04-21 | 2023-04-04 | 河南大学 | 一种基于均匀设计与人工神经网络的水文预报方法 |
CN116050630A (zh) * | 2023-02-08 | 2023-05-02 | 太原理工大学 | 机理与数据联合驱动的湖泊多深度温度预测方法及模型 |
CN116630122A (zh) * | 2023-07-24 | 2023-08-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于水文-生态响应关系的湖泊生态水力调控方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11537889B2 (en) * | 2019-05-20 | 2022-12-27 | ClimateAI, Inc. | Systems and methods of data preprocessing and augmentation for neural network climate forecasting models |
-
2024
- 2024-03-12 CN CN202410281017.2A patent/CN117875193B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907062A (zh) * | 2022-04-21 | 2023-04-04 | 河南大学 | 一种基于均匀设计与人工神经网络的水文预报方法 |
CN116050630A (zh) * | 2023-02-08 | 2023-05-02 | 太原理工大学 | 机理与数据联合驱动的湖泊多深度温度预测方法及模型 |
CN116630122A (zh) * | 2023-07-24 | 2023-08-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于水文-生态响应关系的湖泊生态水力调控方法及系统 |
Non-Patent Citations (1)
Title |
---|
湖泊表面水温预测与可视化方法研究;杨昆;喻臻钰;罗毅;商春雪;杨扬;;仪器仪表学报;20171215(第12期);214-223 * |
Also Published As
Publication number | Publication date |
---|---|
CN117875193A (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11835677B2 (en) | Systems and methods for selecting global climate simulation models for training neural network climate forecasting models | |
US10871594B2 (en) | Methods and systems for climate forecasting using artificial neural networks | |
US11537889B2 (en) | Systems and methods of data preprocessing and augmentation for neural network climate forecasting models | |
Gerritsen et al. | The Dutch continental shelf model | |
Petty et al. | The NASA Eulerian Snow on Sea Ice Model (NESOSIM) v1. 0: initial model development and analysis | |
Toyoda et al. | Data assimilation of sea ice concentration into a global ocean–sea ice model with corrections for atmospheric forcing and ocean temperature fields | |
Davtalab et al. | Improving continuous hydrologic modeling of data-poor river basins using hydrologic engineering center’s hydrologic modeling system: case study of Karkheh River basin | |
Grayek et al. | Assessment of the Black Sea observing system. A focus on 2005-2012 Argo campaigns | |
Dorofeev et al. | Study of long-term variability of Black Sea dynamics on the basis of circulation model assimilation of remote measurements | |
Twigt et al. | Coupled 1D–3D hydrodynamic modelling, with application to the Pearl River Delta | |
Knysh et al. | Seasonal and interannual variability of Black Sea hydrophysical fields reconstructed from 1971–1993 reanalysis data | |
Möller et al. | Adjustment of regional climate model output for modeling the climatic mass balance of all glaciers on Svalbard | |
Vecchi et al. | An observing system simulation experiment for the Indian Ocean | |
Woods et al. | Simulation of wind power at several locations using a measured time-series of wind speed | |
Liu et al. | Downscaling ensemble weather predictions for improved week-2 hydrologic forecasting | |
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 | |
CN117875193B (zh) | 一种湖泊热力学过程模拟方法及模拟系统 | |
Ghulami | Assessment of climate change impacts on water resources and agriculture in data-scarce Kabul basin, Afghanistan | |
CN116542029A (zh) | 基于海洋数值模式和观测资料同化制作mdt方法及系统 | |
CN116341841A (zh) | 径流预报误差校正方法、装置、设备、介质和程序产品 | |
Dyakonov et al. | Reproduction of interannual variability of the Caspian Sea level in a high-resolution hydrodynamic model | |
Yu et al. | Inversion of the three-dimensional temperature structure of mesoscale eddies in the Northwest Pacific based on deep learning | |
Switanek et al. | Improving seasonal predictions of climate variability and water availability at the catchment scale | |
Durski et al. | A high-resolution coupled ice–ocean model of winter circulation on the Bering Sea Shelf. Part II: Polynyas and the shelf salinity distribution | |
Swinbank | Numerical weather prediction |
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 |