一种水文阶段识别及径流特异性预测方法及装置与流程

摘要: 本技术涉及水文预测,更具体地,涉及一种水文阶段识别及径流特异性预测方法及装置。背景技术:1、降雨-径流响应过程受气候变化、下垫面条件及人类活动等多因素影响,呈现...
一种水文阶段识别及径流特异性预测方法及装置与流程

本技术涉及水文预测,更具体地,涉及一种水文阶段识别及径流特异性预测方法及装置。

背景技术:

1、降雨-径流响应过程受气候变化、下垫面条件及人类活动等多因素影响,呈现显著的非平稳性和复杂动力学特征,具体表现为相同降雨输入在不同时间阶段可能产生截然不同的径流响应。

2、现有技术主要采用基于完整时序数据的统一建模方法,将不同演化阶段的样本混合处理,但存在以下缺陷:第一,多维特征信息存在冗余与交叠,且缺乏针对性的特征组织策略,导致阶段划分和特征提取复杂;第二,缺乏对降雨-径流阶段性差异的显式刻画,无法区分不响应阶段、缓慢响应阶段与快速响应阶段的本质差异;第三,纯数据驱动的方法缺乏有效的机理约束,导致阶段识别结果可能出现不符合水文物理逻辑的非法跳变(如径流状态从不响应阶段直接跳变至快速响应阶段),使模型在关键阶段产生预测偏差;第四,传统全局模型难以自适应调整以匹配不同阶段的非平稳模式,且子模型切换时缺乏平滑过渡机制,导致预测结果在阶段边界处出现跳变,限制了预测结果的准确性与稳定性。

技术实现思路

1、本发明实施例提供了一种水文阶段识别及径流特异性预测方法及装置,通过多维特征子集和状态转移约束,实现全过程阶段高信度识别。

2、本发明实施例提供了一种水文阶段识别及径流特异性预测方法,所述方法包括:

3、获取降雨-径流原始观测序列,对所述降雨-径流原始观测序列进行预处理与特征工程,构建多维特征数据集;

4、通过相关性分析与机理约束,从所述多维特征数据集中提取出代表性特征子集、过程动态特征子集和最强关联特征子集;

5、根据所述代表性特征子集、过程动态特征子集和最强关联特征子集,采用多准则聚类方法进行层级递进式阶段识别,得到初步水文阶段标签序列;

6、根据所述初步水文阶段标签序列,建立基于径流演化机理的状态转移约束集合;

7、基于所述状态转移约束集合,对所述初步水文阶段标签序列中的非法跳变进行识别与校正,得到校正后的水文阶段标签序列;

8、根据所述校正后的水文阶段标签序列,将训练样本划分为对应于各水文阶段的子数据集,并针对每个子数据集构建独立的基准预测子模型,在预测时,基于样本属于各水文阶段的后验概率,对各所述基准预测子模型的输出进行决策级加权融合,得到最终的径流预测结果。

9、进一步的,所述层级递进式阶段识别,包括:

10、第一级,将所述代表性特征子集输入高斯混合模型,基于响应概率分布进行软划分,得到各样本属于各水文阶段的所述后验概率,并依据所述后验概率将样本粗分为不响应阶段与响应阶段;

11、第二级,将所述过程动态特征子集输入k-means算法,基于响应强度对所述响应阶段内的样本进行细分类,得到缓慢响应阶段与快速响应阶段;

12、第三级,将所述最强关联特征子集输入k-shape算法,基于响应趋势形态进行形状相似性度量,识别典型演化形状作为时序轨迹的形态校验参考。

13、进一步的,所述通过相关性分析与机理约束,从所述多维特征数据集中提取出代表性特征子集、过程动态特征子集和最强关联特征子集,包括:

14、采用斯皮尔曼等级相关分析方法量化评估所述多维特征数据集中各特征变量与径流量之间的关联强度,将互相关系数大于预设阈值的特征划分为同一特征小组,仅保留每组中与径流量相关性最强的特征,得到筛选后的子集并构建代表性特征子集;

15、定向选取反映系统边际变化的降雨量变化率及径流量变化率,构建过程动态特征子集;

16、从所述筛选后的子集中选取相关性强度最高的前三个变量,构建最强关联特征子集。

17、进一步的,所述多维特征数据集中的流域状态特征包括通过时间滑动窗口计算得到的多尺度累积降雨量;

18、所述多尺度累积降雨量通过设定不同时间宽度的滑动窗口计算,以刻画流域的调蓄效应与环境记忆特性,量化前期土壤含水状态对当前产流响应的非线性贡;

19、所述多维特征数据集中的水文响应特征包括通过基流分割方法从总径流中分离提取的基流与快速径流;所述基流分割用于剥离长周期的深层补给信号,精准识别由降雨脉冲驱动的短周期地表产流响应;

20、所述多维特征数据集中的流域状态特征包括通过引入降雨量滞后项得到的前期降雨指数;所述降雨量滞后项包括前第一时刻及前第二时刻的降雨量,用于显式量化前期降雨对当前产流的延迟效应,刻画降雨-径流过程的记忆特性。

21、进一步的,所述过程动态特征子集包括通过差分方法计算的降雨量变化率和径流量变化率;所述降雨量变化率与径流量变化率从动量演进与转换效率的角度刻画洪水演进的内在机理,并作为所述过程动态特征子集的核心变量用于区分缓慢响应阶段与快速响应阶段。

22、进一步的,所述基于所述状态转移约束集合,对所述初步水文阶段标签序列中的非法跳变进行识别与校正,得到校正后的水文阶段标签序列,包括:

23、根据前一时刻水文阶段标签确定当前时刻允许转移的候选水文阶段集合;

24、对所述初步水文阶段标签序列中当前时刻水文阶段标签不在所述候选水文阶段集合内的非法跳变样本,在所述候选水文阶段集合中计算当前时刻经归一化处理的特征向量到各候选水文阶段聚类质心的欧氏距离,选择欧氏距离最小的合法水文阶段进行重分配,得到所述校正后的水文阶段标签序列。

25、进一步的,所述基准预测子模型采用轻量级梯度提升机构建;

26、所述轻量级梯度提升机利用基于直方图的决策树算法处理所述子数据集在时间尺度上呈非连续性的分段数据,以使各所述基准预测子模型专注于学习特定水文阶段的局部映射关系。

27、进一步的,所述后验概率为所述第一级中所述高斯混合模型输出的隶属度概率;利用所述隶属度概率的概率分布连续性实现不同所述基准预测子模型输出的平滑过渡。

28、另一方面,本发明实施例提供了一种水文阶段识别及径流特异性预测装置,所述装置包括:

29、多维特征数据集构建模块,用于获取降雨-径流原始观测序列,对所述降雨-径流原始观测序列进行预处理与特征工程,构建多维特征数据集;

30、多维属性解耦模块,用于通过相关性分析与机理约束,从所述多维特征数据集中提取出代表性特征子集、过程动态特征子集和最强关联特征子集;

31、水文阶段识别模块,用于根据所述代表性特征子集、过程动态特征子集和最强关联特征子集,采用多准则聚类方法进行层级递进式阶段识别,得到初步水文阶段标签序列;

32、状态转移约束集合构建模块,用于根据所述初步水文阶段标签序列,建立基于径流演化机理的状态转移约束集合;

33、校正模块,用于基于所述状态转移约束集合,对所述初步水文阶段标签序列中的非法跳变进行识别与校正,得到校正后的水文阶段标签序列;

34、预测模块,用于根据所述校正后的水文阶段标签序列,将训练样本划分为对应于各水文阶段的子数据集,并针对每个子数据集构建独立的基准预测子模型,在预测时,基于样本属于各水文阶段的后验概率,对各所述基准预测子模型的输出进行决策级加权融合,得到最终的径流预测结果。

35、再一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述水文阶段识别及径流特异性预测方法。

36、总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:

37、本发明通过对降雨-径流原始观测序列进行预处理与特征工程构建多维特征数据集,为后续分析提供了涵盖气象驱动、流域状态及水文响应的全面数据基础。其次,通过相关性分析与机理约束提取代表性特征子集、过程动态特征子集和最强关联特征子集,实现了多维属性的解耦,有效降低了特征间的冗余与耦合干扰,使各子集分别聚焦于宏观状态、瞬时动态和主控关联,为后续阶段识别提供了高效且物理意义清晰的输入。在此基础上,采用多准则聚类方法进行层级递进式阶段识别,显著提高了阶段划分的精细度和可靠性。进一步地,通过建立基于径流演化机理的状态转移约束集合并对非法跳变进行识别与校正,将水文物理规律融入数据驱动结果,消除了纯数据聚类中因特征相似性或噪声导致的逻辑冲突,使识别出的水文阶段标签序列符合实际径流演化的连贯性与物理约束。最后,根据校正后的水文阶段标签序列划分训练样本并构建独立的基准预测子模型,在预测时基于样本属于各水文阶段的后验概率进行决策级加权融合,使得每个子模型能够专注学习对应阶段的局部映射关系,同时通过概率权重实现不同阶段预测输出的平滑过渡,避免了传统全局模型在非平稳条件下对阶段性差异的忽视以及硬切换引起的预测跳变,从而在整体上大幅提升了非平稳径流预测的准确性与鲁棒性。