一种基于蒙特卡洛随机抽样的XAJ-LSTM模型径流预测方法与流程
本发明涉及水文模型,具体涉及一种基于蒙特卡洛随机抽样的xaj-lstm模型径流预测方法。
背景技术:
1、近年来,水文模型已成为径流预测的核心技术手段,根据建模原理可分为过程驱动的物理水文模型和数据驱动的机器学习模型两大类。物理水文模型以 xaj(新安江)模型为代表,基于水循环的客观物理规律,通过蒸散发、产流、汇流等模块模拟径流形成过程,模型物理机制明确、稳定性强,在湿润和半湿润流域的径流模拟中表现出良好效果,但该类模型包含多个需率定的经验参数,参数率定过程需消耗大量的计算资源和时间成本,且在缺资料地区因缺乏足够实测数据,参数率定精度低,导致预测效果大幅下降。
2、数据驱动模型以长短期记忆网络(lstm)为代表,属于黑箱模型,无需深入理解水文物理过程,通过挖掘海量历史观测数据中气象输入与径流输出的映射关系,能较好刻画径流的非线性、非稳态特征,但其高度依赖长序列、高质量的实测数据,在数据稀疏地区易发生过拟合,且模型缺乏物理可解释性,对极端水文事件的预测鲁棒性差。
3、为兼顾物理模型的可解释性和机器学习模型的非线性拟合能力,将物理模型与数据驱动模型耦合构建混合模型成为水文预报领域的研究热点,目前主流的耦合思路分为松散耦合和紧密耦合两种。松散耦合的核心思路为:先通过物理模型率定参数得到高精度的模拟径流,再将该径流结果输入lstm模型进行误差校正,该方法操作简单,能在一定程度上提升预测精度,但由于直接将物理模型的最优模拟径流输入lstm,易引发数据泄露问题,lstm模型未真正学习水文物理规律,仅做简单的误差修正,模型泛化能力差。紧密耦合的核心思路为:将 xaj 模型中的产汇流等物理模块直接编入神经网络,作为独立的神经网络层参与径流模拟,让模型从物理机制层面学习降雨-径流关系,提升了模型的可解释性,但该方法需将复杂的水文物理公式转化为神经网络可运算的微分形式,需自定义神经网络层,融合物理方程与网络结构的操作难度极高,对技术人员的专业能力要求苛刻,难以在水文工程实践中推广应用。
4、现有相关专利如申请号为 202510277977.6的中国专利,提出了一种基于机器学习的缺资料地区遥感反演流量校正方法,该方法仅将xaj模型模拟得到的径流输入lstm模型中进行优化,未考虑机器学习过程中数据泄露的影响,且未对模型预测结果进行不确定性评估,预测结果的可靠性无法验证;同时该方法未针对不同流域的水文特征优化模型参数,模型的跨流域通用性差。
5、综上,目前亟需一种能够消除物理模型与机器学习模型耦合过程中数据泄露问题、兼顾物理可解释性与工程可操作性,且能适配不同流域特征、实现缺资料地区径流预测并对结果进行不确定性量化的水文耦合模型,以提升径流模拟的精度、效率和可靠性。
技术实现思路
1、发明目的:本发明的目的在于提供一种基于蒙特卡洛随机抽样的xaj-lstm模型径流预测方法,能够克服现有物理模型与机器学习模型耦合过程中存在的数据泄露、操作难度高、参数率定耗时、通用性差、无不确定性评估等缺点。
2、技术方案:本发明的一种基于蒙特卡洛随机抽样的xaj-lstm模型径流预测方法,包括:
3、s1、收集资料:收集流域内水文气象站点观测序列和研究区域地理信息数据,其中,流域内水文气象站点观测序列包括流域内站点观测的降水量、蒸散发量和径流观测序列数据;将流域内站点观测的降水量、蒸散发量转化为面平均降水量、面平均蒸散发量;
4、s2、蒙特卡罗随机抽样:采用蒙特卡罗随机抽样方法从xaj模型所涉及的各参数预先设定的取值范围中抽取xaj模型的有效参数组合,确定抽样次数,确保径流序列能覆盖流域大部分产汇流方式;
5、s3、xaj模型构建:将步骤s2获取的xaj模型的有效参数组合,以及步骤s1获取的面平均降水量和面平均蒸散发量输入到预先构建的xaj模型中;xaj模型包含蒸散发计算模块、产流计算模块、汇流计算模块;其中,所述蒸散发计算模块用于计算不同土层的蒸散发量与土壤含水量;产流计算模块根据不同土层的蒸散发量与土壤含水量,基于蓄满产流机制计算总产流量,并将总产流量划分为地表、壤中和地下水三水源径流;汇流计算模块则接收产流计算模块划分的三水源径流,通过汇流计算得到模拟径流序列;
6、s4、数据归一化处理:对步骤s1获得的面平均降水量和面平均蒸散发量以及步骤s3获得的模拟径流序列分别进行数据归一化处理;将面平均降水量、面平均蒸散发量和模拟径流序列进行组合,得到lstm模型的输入特征集;
7、s5、lstm模型模拟径流:构建lstm模型,对步骤s4得到的lstm模型的输入特征集采用滑动窗口技术重构时序数据;将重构后的数据输入lstm模型,优化模型超参数设置和训练策略,实现对降雨-径流非线性关系的深度捕捉,最终通过反归一化得到径流预测值;
8、s6、基于贝叶斯的模型不确定性量化:引入贝叶斯推断框架对步骤s5获得的径流预测值进行不确定性量化,构建置信水平的径流预测区间,采用多个不确定性评价指标评估径流预测区间的质量;
9、s7、缺资料地区的迁移学习应用:将步骤s1至s6所在的研究区域作为数据丰富的源流域,并将步骤s5中训练完毕、且经步骤s6不确定性量化验证的lstm模型作为预训练源模型,所述源模型已通过源流域的数据学习并内化降雨-产汇流的物理机制与非线性映射关系;构建迁移学习框架,将所述源模型的网络结构与预训练权重参数迁移至缺资料的目标流域;在目标流域中,收集水文气象数据并进行步骤s2至s4的处理,得到目标流域的输入特征集;将目标流域的输入特征集输入至迁移后的模型中,输出目标流域的径流预测值,从而实现缺资料地区的高精度径流预测。
10、进一步,所述将流域内站点观测的降水量、蒸散发量转化为面平均降水量、面平均蒸散发量,包括:
11、基于研究区地理空间图和研究区内n个气象站的经纬度坐标,将研究区划分为n个泰森多边形;
12、计算每个泰森多边形的面积,包含第i个站点的泰森多边形面积为si、流域面积为s,则第i个站点的权重。
13、研究区域的面平均降水量和面平均蒸散发量的计算公式为:,。
14、进一步的,所述蒸散发计算模块采用三层蒸散发模式计算蒸散发,其中,上层蒸散发量为、中层蒸散发量为、下层蒸散发量为、上层土壤含水量为、中层土壤含水量为;
15、当时,、、;
16、当时,,若,则,;若,则,;
17、其中,为降水量;为流域蒸发能力;为深层蒸发系数。
18、进一步的,所述产流计算模块包含预处理、产流量计算和三水源划分三部分,具体如下:
19、预处理:; ;
20、其中,为不透水面积产流;为不透水面积系数;为扣除蒸散发后的有效降水;为净有效降水;为蓄水容量曲线中间变量;为流域最大点蓄水容量;为流域当前平均土壤蓄水容量;为流域平均蓄水容量;为蓄水容量分布分布曲线指数;
21、产流量计算:若,
22、;
23、若,
24、;
25、三水源划分:将总产流量按比例划分为地表径流、地下径流、壤中流:
26、。
27、进一步的,所述汇流计算模块运用消退系数来计算三水源汇流过程,结合滞后时间得到模拟径流量,汇流计算模块包含汇流量初始化、时段汇流量更新、滞后汇流修正三部分,具体如下:
28、汇流量初始化:
29、;
30、其中,为面积转化系数;为初始地表径流深;为初始时刻的实测流量;、、分别为地表、壤中和地下水初始汇流量;
31、时段汇流量更新:
32、;
33、其中,、、分别为时段地表、壤中和地下水汇流量;、分别为时段的地表、壤中和地下水汇流量;、、分别为时段的地表、壤中和地下水产流深;、、分别为地表水、壤中水、地下水的退水系数;
34、滞后汇流修正:若,则模拟径流序列;
35、若,则模拟径流序列;
36、其中,为滞后时间;为河网汇流退水系数;为时段的模拟总径流量;
37、运行xaj模型,生成多组具有xaj 物理特征的模拟径流序列,明确稳定抽样次数,确保径流序列能覆盖流域大部分产汇流方式。
38、进一步的,所述lstm模型包含2层lstm层、1层dropout层和1层全连接层,其中,lstm层设置隐藏层单元数,隐藏层包含输入门、输出门和遗忘门;dropout层位于lstm层之后;全连接层将lstm层输出的多维抽象时序特征,通过线性变化映射为1维的预测值。
39、进一步的,所述通过反归一化得到径流预测值,包括:
40、将验证期的输入特征集输入训练完成的lstm模型,得到径流预测的归一化值,通过反归一化公式还原为径流预测值,反归一化公式为:
41、;
42、式中,和为实测径流在率定期序列中的最大值和最小值。
43、进一步的,所述引入贝叶斯推断框架对步骤s5获得的径流预测值进行不确定性量化,包括:
44、假设真实径流流量以步骤s5获得的径流预测值为均值,以标准差为散布范围的正态分布,考虑到误差标准差的非负性,选择半正态分布作为的先验分布;采用马尔科夫链蒙特卡罗mcmc的nuts算法进行抽样,并行运行两条独立的马尔科夫链,每条马尔科夫链收敛后提取若干个有效样本,用于构建标准差的后验概率密度直方图。
45、进一步的,所述构建置信水平的径流预测区间,包括:
46、根据得到的后验误差标准差,为验证期的每个径流预测点构建置信水平的预测区间,预测区间范围为:
47、。
48、进一步的,所述采用多个不确定性评价指标评估径流预测区间的质量,包括:
49、选取区间覆盖率cr、平均带宽b、连续排位概率分数crps三个核心指标,评估预测区间的可靠性、紧凑性和整体准确性,各指标的计算公式为:
50、;
51、;
52、;
53、式中,为预测时段的序号;为预测时段的总数;为第个时段的实测径流量;为第个时段的模拟径流量;为布尔指示函数;为第个时段的连续排位概率分数;为标准正态分布的累积分布函数;为标准正态分布的概率密度函数。
54、有益效果:与现有技术相比,本发明的显著技术效果如下:
55、(1)融合xaj模型的物理约束和lstm模型的非线性拟合能力,模型在率定期和验证期的nse系数均显著高于单一xaj模型和单一lstm 模型;同时引入dropout 层、早停策略、学习率调度等优化手段,有效缓解模型过拟合问题,提升了长期径流预测的稳定性。
56、(2)构建了确定性评估体系,全面评价模型预测精度;同时引入贝叶斯推断框架,构建 95% 置信水平的预测区间,实现对预测结果的可靠性评估,从 “单点预测” 升级为“概率预报”,为防洪调度、水资源管理提供更科学的参考依据。
57、(3)构建了迁移学习框架,将数据丰富流域的普适性产汇流规律迁移至缺资料流域,仅需目标流域的少量实测数据即可得到较为准确的模拟径流,突破了传统模型对长序列实测数据的依赖,拓展了模型的应用场景。
58、(4)通过蒙特卡罗随机抽样替代xaj模型大量的参数率定工作,大幅节省了参数率定的计算资源和时间成本;同时迁移学习框架无需重新训练模型,降低了缺资料地区模型训练的难度和成本。
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