一种缺资料流域径流量智能预测方法

本发明涉及水文预测领域，尤其涉及一种缺资料流域径流量智能预测方法。

背景技术：

1、径流量预测一直是水文学研究的重点之一，可为流域水旱灾害防治、库群安全经济运行、水资源科学分配及社会可持续发展等提供重要决策支撑。其精度依赖于水文模型的构建。水文模型是对复杂水文过程进行概化的科学模型，是径流预报研究的重点及核心之一，按照建模基本原理可其分为具有物理机制的水文模型和数据驱动模型。

2、传统的降雨-径流模型是基于水文的物理过程来估算流量，可以考虑土地利用、坡度、土壤和气候的空间变异性，成功的物理水文建模通常需要准确的输入，如降水和流量数据。但是，高精度的水文和气象站不能部署在偏远地区。此外，由于资金的限制，许多发展中国家水文监测和预报信息的水文和气象观测站非常有限，且蒸发、入渗和地下水流等水文循环的组成部分难以测量。这意味着在缺资料流域的径流量模拟和预测是水文学家面临的最重要和最具挑战性的问题之一。

3、随着观测数据的增多和计算能力的提升，数据驱动模型也被应用于径流量预测。如专利cn112801416a发布了一种基于多维水文信息的lstm流域径流量预测方法。专利cn112818608a公开了一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法。专利cn111275253b公开了一种融合dnn和误差校正的径流概率性预测方法及系统。但是大多数深度学习模型只能捕获变量之间的相关性，它们无法理解因果关系，也就是说深度学习模型可以很好地拟合观测数据，但预测可能在物理上不一致，轻微的扰动也可能导致较大的变化。专利cn113379029b，实现了物理定律与深度学习模型相结合进行水质预测，但仅限于将物理定律运用到深度学习模型中，对物理机制的运用比较片面，且对于资料匮乏地区缺乏相似性分类，不利于迁移学习。

技术实现思路

1、有鉴于此，为了可以更好地实现缺资料地区的数据和径流量预测模型的迁移使用，克服了原有无资料流域径流量预测中数据缺少的问题，本发明提出一种缺资料流域径流量智能预测方法，包括以下步骤：

2、s1、利用水文相似性原则，根据地理环境特点，对流域之间的相似度进行评价；

3、s2、根据流域之间的相似度评价结果，确定与缺资料目标流域相似的流域集，并确定缺资料目标流域过程驱动模型的参数，构建缺资料目标流域的水文过程驱动模型，并对过程驱动模型进行参数率定，确定可用的参数范围；

4、s3、使用s2中率定完成的过程驱动模型根据参数范围随机生成模型参数，输出得到径流量的模拟时间序列数据，共同构成缺资料流域的流域类型-模型参数-径流量数据矩阵，并依据该数据矩阵构建预训练数据集；

5、s4、将径流量的过程知识引入深度学习模型a，得到深度学习模型b，并将预训练数据集标准化后输入深度学习模型b进行物理引导深度学习模型b的预训练，同时对深度学习模型b的参数进行优化，得到预训练完成后的模型；

6、s5、根据径流量历史实测数据训练s4中预训练完成后的模型，并对优化后的参数进行微调，得到物理引导的深度学习模型c；

7、s6、在s5的模型c中输入当前或历史实测的气候、径流量时间序列数据，输出得到目标时段内的径流量预测数据。

8、本发明提供的技术方案带来的有益效果是：

9、(1)本发明将物理知识植入到深度学习模型中，增加了深度学习网络的物理意义，实现了深度学习模型和水文模型的物理一致性，突出了深度学习和物理机理之间的共生整合：水文模型为数据驱动模型解决了数据短缺的问题，水文模型中的知识赋予了深度学习模型物理感知能力，这种数据和知识的耦合可提高径流量预测的准确度以及迁移鲁棒性，增强跨流域转移能力；

10、(2)相较于单一的深度学习方法，设置了基于径流量的过程知识，考虑了降雨-径流过程的物理机理，解决了深度学习方法用于无资料流域径流量预测中缺乏物理意义、精度不高、可转移性差等问题；相比于过程驱动模型，pgdl模型需要更少的边界条件和实测数据，就可以实现预测精度高、鲁棒可移植性强和推断未观察过程的智能性等优势；

11、(3)本发明针对缺资料地区建立了物理引导深度学习模型，克服了缺资料地区的数据局限性，提高了缺资料地区径流量预报能力，进而可为缺资料地区的洪水预报预警提供一种新思路。

技术特征：

1.一种缺资料流域径流量智能预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种缺资料流域径流量智能预测方法，其特征在于，步骤s1具体为：

3.根据权利要求2所述的一种缺资料流域径流量智能预测方法，其特征在于，所述产汇流指标包括径流系数、流量历时曲线斜率、基流指数；所述气候指标包括降水量、潜在蒸散发量、气温、干旱指数；所述下垫面指标包括河网密度、土地利用、高程、土壤含水量。

4.根据权利要求1所述的一种缺资料流域径流量智能预测方法，其特征在于，步骤s2具体为：

5.根据权利要求1所述的一种缺资料流域径流量智能预测方法，其特征在于，步骤s3具体为：

6.根据权利要求1所述的一种缺资料流域径流量智能预测方法，其特征在于，步骤s4具体为：

技术总结
本发明公开了一种缺资料流域径流量智能预测方法，包括：根据流域之间的相似度评价结果，确定与目标流域相似的流域集，根据流域集的过程驱动模型参数确定目标流域的参数范围，构建缺资料流域的水文过程驱动模型；基于率定验证后的过程驱动模型，生成径流量的模拟时间序列数据，共同构成缺资料流域的流域类型‑模型参数‑径流量数据矩阵，依据该数据矩阵构建预训练数据集，用以训练引入径流量过程知识的深度学习模型；用历史实测数据训练预训练完成后的模型，得到最终的物理引导的深度学习模型，并输出目标时段内的径流量指标预测数据。本发明解决了深度学习方法用于无资料流域径流量预测中缺乏物理意义、精度不高、可迁移性差等问题。

技术研发人员：谢李孜,王永桂,陈卓,李强
受保护的技术使用者：中国地质大学（武汉）
技术研发日：
技术公布日：2024/1/13