本发明涉及洪水预报的,更具体地,涉及一种基于时空特征融合的耦合深度学习洪水预报方法。
背景技术:
1、在气候变化和城市化的双重影响下,城市内涝灾害频发,不仅给城市日常运转和居民生活带来不便,也对社会生命财产安全造成严重威胁。因此,建立快速、准确的洪水预报方法至关重要。
2、现有技术中公开了一种小流域洪水预报预警方法及终端,包括:获取历史水文数据和流域基础资料,基于mike系列软件和流域基础资料搭建水文-水动力耦合初始模型,通过历史水文数据对水文-水动力耦合初始模型进行率定,得到率定好的水文-水动力耦合模型;获取研究流域内的网格气象预报数据、蒸发量数据以及各雨量站点的预热期雨量数据,根据网格气象预报数据得到预报期雨量数据,将预热期雨量数据、蒸发量数据以及预报期雨量数据导入水文-水动力耦合模型,生成并显示洪水预报预警信息。
3、但是现有技术主要基于物理模型进行水动力计算,其构建过程需要依赖大量的数据支撑和繁琐的建模步骤,计算效率低,且计算精度不高,在大规模计算和实时预报方面存在明显的局限性,只能进行小流域洪水预报,无法进行基于时空特征融合的耦合深度学习洪水预报。
技术实现思路
1、本发明为克服上述现有技术所述的计算效率低且计算精度不高的缺陷,提供一种计算效率高且计算精度高的基于时空特征融合的耦合深度学习洪水预报方法。
2、为解决上述技术问题,本发明的技术方案如下:
3、s1:采集洪水预报研究区域的时间特征数据和空间特征数据;
4、s2:对时间特征数据和空间特征数据进行预处理;
5、s3:构建用于将时间特征数据和空间特征数据处理成预测水深的水深栅格数据的耦合深度学习网络;
6、s4:利用预处理后的时间特征数据和空间特征数据训练耦合深度学习网络,得到训练好的耦合深度学习网络;
7、s5:将训练好的耦合深度学习网络用于洪水预报。
8、本发明还提出了基于时空特征融合的耦合深度学习洪水预报系统,用于实现上述的基于时空特征融合的耦合深度学习洪水预报方法。所述系统包括:
9、采集模块,用于采集洪水预报研究区域的时间特征数据和空间特征数据;
10、预处理模块,用于对时间特征数据和空间特征数据进行预处理;
11、网络构建模块,用于构建用于将时间特征数据和空间特征数据处理成预测水深的水深栅格数据的耦合深度学习网络;
12、网络训练模块,用于利用预处理后的时间特征数据和空间特征数据训练耦合深度学习网络,得到训练好的耦合深度学习网络;
13、洪水预报模块,用于将训练好的耦合深度学习网络用于洪水预报。
14、本发明还提出了一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,其中所述计算机可读指令被所述处理器执行时,使得所述处理器执行本发明提出的基于时空特征融合的耦合深度学习洪水预报方法的步骤。
15、与现有技术相比,本发明技术方案的有益效果是:
16、本发明通过采集洪水预报研究区域的时间特征数据和空间特征数据,并利用采集得到的时间特征数据和空间特征数据训练耦合深度学习网络,利用耦合深度学习网络将不同维度的时间序列和空间数据处理成预测水深的水深栅格数据,基于预测水深的水深栅格数据进行洪水预报,解决了传统物理模型对数据依赖和建模复杂的问题,无需基于物理模型进行水动力计算,计算效率高,能够对大规模城市进行洪水预报。
1.一种基于时空特征融合的耦合深度学习洪水预报方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于时空特征融合的耦合深度学习洪水预报方法,其特征在于,采集的洪水预报研究区域的时间特征数据包括若干个设计重现期和降雨历时对应的降雨数据;
3.根据权利要求2所述的基于时空特征融合的耦合深度学习洪水预报方法,其特征在于,所述空间特征数据包括若干个设计重现期和降雨历时对应的洪涝驱动因子数据和洪水水深数据;
4.根据权利要求3所述的基于时空特征融合的耦合深度学习洪水预报方法,其特征在于,采集所述洪水水深数据的步骤包括:
5.根据权利要求1所述的基于时空特征融合的耦合深度学习洪水预报方法,其特征在于,对时间特征数据和空间特征数据进行归一化预处理,归一化预处理的计算表达式为:
6.根据权利要求5所述的基于时空特征融合的耦合深度学习洪水预报方法,其特征在于,所述的耦合深度学习网络由segnet网络和gru网络构成,所述segnet网络的编码器包含八个卷积层,且segnet网络的编码器的每个卷积层对应一个解码器的用于解码的卷积层;
7.根据权利要求6所述的基于时空特征融合的耦合深度学习洪水预报方法,其特征在于,将预处理后的时间特征数据和空间特征数据按照预设比例分为训练集和测试集,利用训练集训练耦合深度学习网络,并基于测试集,利用评估标准评估耦合深度学习网络的性能,得到评估值;
8.根据权利要求7所述的基于时空特征融合的耦合深度学习洪水预报方法,其特征在于,利用四种评估标准评估耦合深度学习网络的性能,所述的四种评估标准包括:平均绝对误差mae、均方根误差rmse、纳什效率系数nse和克林-古普塔效率系数kge,这四种评估标准的表达式分别为:
9.一种基于时空特征融合的耦合深度学习洪水预报系统,用于实现权利要求1~8任一项所述基于时空特征融合的耦合深度学习洪水预报方法,其特征在于,包括:
10.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,其特征在于,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1~8任一项所述基于时空特征融合的耦合深度学习洪水预报方法的步骤。