一种机器学习与物理机制融合的无资料地区水文预报方法与流程
本发明属于水文预报,具体涉及一种机器学习与物理机制融合的无资料地区水文预报方法。
背景技术:
1、水文预报是指根据已有的水文资料、现场观测资料以及预报技术,对未来一定时间内水文过程的发展趋势、水文事件可能发生的时间和大小等进行预测预报的过程。水文预报在水利、气象、环境、农业等领域都有着广泛的应用。我国经过多年的水文站点建设积累,已经初步建立了水文预报体系,取得了一定成效,但由于我国山丘区面积较大,工程建设难度大等多方面原因,仍有部分山丘区尤其是中小流域资料缺乏,导致大量流域水文资料的缺失和水文预报工作面临挑战。
2、为解决在无资料流域开展水文预报工作的困境,2003年7月国际水文科学协会在日本札幌的第23届国际地球物理和大地测量联合会上正式启动了pub(predictionsinungauged basins)计划,为无资料水文预报方法研究提供了新的机遇及发展方向(sivapalan,et al.,2003)。该计划极大地推动了无资料流域水文预报的发展。然而水文预报过程中仍然存在不确定性因素的影响,且地面水文测站大多分布在经济发达的地区,仍存在大量因水文站数目较少或管理不善导致的水文资料匮乏的小流域,其掌握的水文资料不足以建立高精度的预报模型,使得水文预报结果难以达到实际工程应用的精度要求。因此亟需寻求新的方法解决无资料中小河流的水文预报问题,对无资料区域进行径流模拟预报,这对洪水灾害防治具有重要的理论意义与应用价值。
3、当前解决无资料流域水文预报的常用方法是水文模型参数区域化方法,即将有资料流域的水文模型参数迁移至与其水文特征相近的无资料流域,以实现无资料流域水文预报。区域化方法的本质是将水文信息从有测站流域移植到无测站流域,实现时间序列、区域分类或统计关系的外推。传统区域化方法主要包括空间相近法、属性相似法和回归法。空间相近法是指找出与研究流域无资料流域距离上相近的一个或者多个流域有资料流域,并把其参数作为研究流域的参数。其研究根据为同一区域的物理和气候属性相对一致,因此相邻流域的水文行为相似。属性相似法是指找出与研究流域属性上相似的一个或者多个流域,并把其参数作为研究流域的参数。回归法是指利用有资料流域的模型参数和流域属性建立二者之间的回归方程,从而利用无资料流域的流域属性推求模型参数。然而由于模型参数本身具有很大的不确定性,且模型参数很难通过区域化的关系式来确定,上述传统区域化方法尚存在一定局限。由于不同流域间的气候特征及地理属性等方面各不相同,导致区域化结果高度依赖于所选的水文模型与区域化方法,缺乏普适性,且在参数区域化过程中,存在着诸多不确定性因素影响着最终移植结果的可靠性。
4、近几十年来,随着无人机、地面雷达及卫星等观测技术的不断发展,水文研究中大量的水雨情数据不断积累,这些观测数据中必然存在着水文现象形成以及变化规律。因此,若从观测数据入手分析复杂的水文问题,建立具有丰富水文水资源数据为基础的数据密集范式,有望改变水文模型模拟只能依靠少量的观测数据及其固有模式的现状,加深对自然现象形成机理与时空变化特点,推动数据水文学的发展。
5、其中,机器学习中的深度学习方法可以从密集的观测数据中挖取规律以认识水文物理过程的潜力,为水文行业决策智能化提供了技术支撑。随着大数据和机器学习的不断发展,深度学习在水文领域特别是水文建模方面展现出了良好的应用潜能,如预报性能十分突出、有效整合水文大数据及易于实现参数区域化等。在无资料流域水文预报领域,物理机制水文模型具有良好的可解释性且符合一般物理规律,但受限于缺少水文数据,只能将其他相似流域的资料推求参数,在此过程中存在着较大的不确定性;相比之下,深度学习模型结构十分灵活,原则上可以利用任何类型的流域水文资料作为模型输入以降低在参数区域化过程中的不确定性,如异参同效问题。
6、因此,亟需构建物理机制与机器学习深度融合的预报方法,兼顾模型的物理合理性、数据拟合能力与参数区域化稳定性,解决无资料地区水文预报精度低、不确定性高的问题。
技术实现思路
1、本发明要解决的技术问题是提供一种机器学习与物理机制融合的无资料地区水文预报方法,将机器学习和物理机制水文模型相结合,提高无资料地区水文预报精度,减少预报不确定性,以解决现有技术下无资料流域水文预报难、效率低以及精度不足,以及水文模型参数区域化方法缺乏普适性和可靠性等技术问题。
2、为解决上述技术问题,本发明的实施例提供一种机器学习与物理机制融合的无资料地区水文预报方法,包括以下步骤:
3、s1、获取流域及周边区域的多源基础数据,其中,所述多源基础数据包括高精度dem、多源下垫面属性与降雨时空数据,并对数据进行预处理;
4、s2、基于步骤s1得到的预处理后的多源基础数据,划分产流单元与汇流单元,构建半分布式水文模型参数集;
5、s3、构建物理机制-深度学习耦合水文模型;其中,产流单元采用嵌入新安江模型物理约束的长短期记忆网络模型,汇流单元采用嵌入水量平衡约束的图卷积网络模型;
6、s4、基于步骤s2中得到的半分布式水文模型参数集构建参数学习模型,所述参数学习模型以流域属性为输入、以模型参数为输出,通过有资料流域的实测径流数据计算损失并反向传播微调参数,生成无资料流域产流单元和汇流单元最优参数集;
7、s5、将无资料流域产流单元和汇流单元最优参数集作为学习对象代入步骤s3得到的耦合水文模型中,输入实测或预报降雨数据,预报流域径流过程。
8、其中,步骤s1中,所述多源基础数据包括:30m分辨率数字高程模型(dem)数据、降雨数据(实测降雨或卫星反演降雨数据)、潜在蒸散发数据、多源下垫面属性数据(如土地利用类型、土壤类型数据)、河道拓扑网络数据(河道走向、断面形态),以及实测径流数据。
9、其中,步骤s1中,对多源基础数据进行预处理具体包括以下步骤:
10、对30m分辨率数字高程模型数据采用d8法识别水流流向,以剔除异常高程值并生成流域边界;对降雨数据进行质量控制,通过线性插值补全缺测值,生成时间序列连续的降雨数据集;对下垫面属性数据进行标准化,统一空间分辨率与数据格式;基于河道拓扑网络数据,标注河道节点位置、计算相邻节点间距,为后续产流单元、汇流单元划分提供基础数据支撑。
11、其中,步骤s2中,构建半分布式水文模型参数集包括以下步骤:
12、s2.1、基于gis空间分析技术,结合下垫面属性数据与地形特征,将流域划分为若干独立的产流单元,使每个产流单元内的水文物理特性保持一致,以确保单元内产流过程的均一性,并以产流单元出口作为与汇流单元的衔接节点,记录单元面积、中心点坐标等关键信息;
13、s2.2、以河道拓扑网络为核心,将流域划分为多级汇流单元,每个汇流单元包含对应的河道段、支流节点及上游产流单元的来水区域,确定单元内的汇流路径与水流演进方向;
14、s2.3、以新安江模型为基础,在每个产流单元内独立开展产流计算,构建产流单元物理模型,生成产流单元参数:采用三层蒸散发模式计算流域蒸散发,以基于蓄满产流原理计算总径流量,并采用自由水蓄水库结构将总径流划分为饱和地面径流、壤中水径流和地下水径流;
15、s2.4、在每个汇流单元内构建汇流单元物理模型,生成汇流单元参数:以产流单元输出的地面径流通过单位线法转化为单元出口的地面径流过程,并将壤中流与地下水径流采用线性水库法进行汇流,模拟地下水体的缓慢排泄过程,河道段汇流采用马斯京根法,基于河道槽蓄量与流量的线性关系,计算水流在河道内的传播时间与衰减过程,以实现汇流单元内不同径流成分的协同演进;
16、s2.5、采用蒙特卡罗(monte carlo)参数海量检索方法对产流单元参数与汇流单元参数进行全局优化,生成产流单元和汇流单元的最优物理参数集。
17、其中,步骤s3中,构建物理机制-深度学习耦合水文模型包括以下步骤:
18、s3.1、将步骤s2.3得到的以新安江模型为基础的产流单元物理模型作为物理约束嵌入长短期记忆网络架构,形成嵌入新安江物理约束的lstm混合产流模型;
19、s3.2、基于步骤s2.2中得到的汇流单元的河道拓扑网络,采用图卷积神经网络构建汇流模型,将水量平衡方程作为物理约束嵌入图卷积网络的损失函数,形成嵌入水量平衡约束的图卷积汇流模型;
20、s3.3、通过产流单元与汇流单元的衔接节点,将嵌入新安江物理约束的lstm混合产流模型输出的各产流单元径流分量,导入对应的汇流单元嵌入水量平衡约束的图卷积汇流模型,形成物理机制-深度学习耦合水文模型。
21、其中,步骤s4中,基于深度学习的模型参数区域化具体包括以下步骤:
22、s4.1、以有资料流域的产流单元、汇流单元为样本,构建参数学习模型,采用深度神经网络(dnn)作为参数学习架构,通过全连接层建立流域属性与模型参数的映射关系;
23、s4.2、将无资料流域的气候、属性数据输入参数学习模型,输出初步的模型参数集,代入物理机制-深度学习耦合水文模型进行径流模拟,得到模拟径流过程;
24、s4.3、以有资料流域的实测径流数据为目标,计算模拟径流与实测径流的损失,通过反向传播算法调整参数学习模型的权重,同时以有资料流域中与无资料流域属性相似单元的物理参数范围为约束,通过反向传播算法微调参数,最终生成无资料流域各单元的最优参数集;
25、s4.4、采用sobol敏感性分析方法,分别计算无资料流域产流单元、汇流单元各属性特征对预报结果的敏感性系数,识别影响无资料流域预报结果的主导因子。
26、其中,步骤s5中将无资料流域产流单元和汇流单元最优参数集作为学习对象代入步骤s3得到的耦合水文模型中,输入实测或预报降雨数据,预报流域径流过程,具体包括以下步骤:
27、将无资料流域各单元的最优参数代入物理机制-深度学习耦合水文模型,输入无资料流域的实测降雨数据或天气预报降雨数据,产流单元模型计算各单元的径流分量,汇流单元模型按等级依次计算水流演进过程,最终输出流域出口未来1-72小时的径流过程预报值。
28、本发明上述技术方案的有益效果如下:
29、(1)通过物理约束嵌入提升深度学习模型的泛化能力和物理一致性。产流单元将新安江模型的三层蒸散发、蓄满产流和自由水蓄水库结构作为物理约束嵌入lstm网络,汇流单元将水量平衡方程作为物理约束嵌入图卷积网络的损失函数,使模型在数据稀缺条件下仍能保持符合物理规律的输出,避免了纯数据驱动模型可能出现的异常预测。
30、(2)通过参数区域化微调保障无资料流域的预报可靠性。以有资料流域的实测径流数据为目标,通过反向传播微调深度神经网络的权重,生成无资料流域各单元的最优参数集,克服了传统区域化方法中参数移植不确定性高、缺乏针对性优化的问题。
31、(3)产流-汇流分单元耦合策略提升了模型对不同水文过程的刻画能力。产流单元和汇流单元分别采用差异化的物理-深度学习耦合策略,产流单元侧重垂向产流过程的物理约束,汇流单元侧重河道拓扑与水量平衡的图结构学习,两者通过衔接节点协同,兼顾了物理机理与空间异质性。
32、(4)输出的预报结果具有物理可解释性。模型参数具有明确的物理含义(如土壤蓄水容量、地下水出流系数等),预报过程可追溯至具体的物理机制,为决策者提供了可理解的依据。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com