一种基于Transformer-Unet架构的中小流域洪水智能预报方法与流程

本发明涉及洪水智能预报，具体为一种基于transformer-unet架构的中小流域洪水智能预报方法。

背景技术：

1、中小流域洪水预报受资料匮乏与地形复杂等因素影响，一直是水文预报领域的难点。现有的洪水预报方法主要包括过程驱动的水文模型与数据驱动的深度学习模型。过程驱动模型依据物理方程描述产汇流过程，但需要大量实测资料率定参数，在缺资料的中小流域适用性受限；数据驱动模型直接学习降雨等输入与流量输出的映射关系，但对空间结构的刻画较为粗糙，多采用固定尺寸的卷积核提取局部特征，难以自适应地建模不同网格单元之间非线性空间依赖的动态变化，导致对降雨空间异质性强、汇流路径错综复杂的中小流域预报能力不足。另外，现有深度学习模型通常在规则网格上直接处理多通道输入，忽略了流域固有的流向及汇流拓扑这一关键先验信息，使得模型在推求径流时空演化时容易偏离物理规律，尤其在预见期延长时精度下降明显。如何在数据稀缺条件下，在不依赖大量手动设计特征的前提下，使模型既能灵活捕捉任意网格单元间的空间关联，又能将流域水文拓扑先验结构化地引入模型输入，是提升中小流域洪水智能预报精度亟须解决的问题。

技术实现思路

1、本发明提供一种基于transformer-unet架构的中小流域洪水智能预报方法，用以克服现有技术中流域空间依赖建模能力不足和缺乏水文拓扑先验利用的问题，实现适用于资料缺乏中小流域的高精度洪水预报。

2、为了实现上述目的，本发明提供如下技术方案：本发明提供一种基于transformer-unet架构的中小流域洪水智能预报方法，该方法将transformer的空间自注意力机制与unet的多尺度编码-解码结构相结合，在精确刻画流域汇流拓扑的基础上，实现对洪水演进过程的高分辨率智能预报。该方法包括：获取目标流域的静态下垫面特征集合、起报时刻的水动力状态场以及未来多个预报时刻的逐时降雨强迫场；依据所述静态下垫面特征集合中的数字高程数据，构建所述目标流域的规则网格系统，并对所述规则网格系统中的每一个网格单元，建立流向索引编码和汇流路径拓扑关系，由此将流域地表水流运动的物理规律嵌入网格化数据组织中，为后续模型提供可靠的水文结构先验；将所述水动力状态场、所述逐时降雨强迫场和所述静态下垫面特征集合分别进行量纲归一化处理后，统一映射至所述规则网格系统，形成空间对齐的多通道输入张量集合，使多源异构数据在统一空间基准下实现融合；对所述多通道输入张量集合执行基于网格单元的空间关联度量运算，生成用于表征所述规则网格系统中各网格单元之间空间依赖程度的第一关联权重矩阵，从而自适应地捕获流域内任意网格间洪水波传播的长程和短程依赖关系；根据所述第一关联权重矩阵，对所述多通道输入张量集合在所述规则网格系统上的空间分布进行重分配，得到对应于当前预报时刻的流域状态空间映射值，该映射值作为unet编码器输出的深层空间特征图，由解码器进一步恢复出精细的洪水要素预报结果，在降低洪峰预报误差和空间分布偏差方面表现突出。

3、作为本发明的一个优选技术方案，所述依据静态下垫面特征集合中的数字高程数据构建规则网格系统并建立流向索引编码和汇流路径拓扑关系的步骤，具体包括：以目标流域的预设中心点坐标为基准点，按照预设的空间分辨率和网格行列数，生成覆盖所述目标流域的矩形栅格框架，作为所述规则网格系统；遍历所述规则网格系统中的每一个网格单元，根据该网格单元在数字高程数据中的高程值及其相邻八个网格单元的高程值，确定该网格单元的水流方向编码，并以所述水流方向编码作为该网格单元的流向索引编码；根据各个网格单元的所述流向索引编码，采用栈扫描算法追踪每一个网格单元沿水流方向到达预设河道网格单元的路径，形成各个网格单元的汇流路径拓扑关系。优选的，所述水流方向编码采用d8单流向算法，根据中心网格单元与相邻八个网格单元之间的高程梯度最大值确定水流方向编码，确保了流向确定的地形合理性；所述栈扫描算法为深度优先搜索算法，以各网格单元的流向索引编码为边，沿水流方向递归追踪至预设河道网格单元，准确形成各网格单元的汇流路径拓扑关系。通过上述处理，流域内任意网格的水量输移路径得以明确编码，为神经网络感知汇流过程提供了显式的物理引导。

4、作为本发明的另一优选技术方案，获取目标流域的静态下垫面特征集合的步骤，包括：获取所述目标流域的数字高程模型数据、叶面积指数栅格数据、土地利用类型占比栅格数据、土壤沙土含量栅格数据、土壤粘土含量栅格数据和土壤有机质含量栅格数据；根据所述数字高程模型数据，计算坡度栅格数据、坡向正弦分量栅格数据、坡向余弦分量栅格数据、汇流累积量栅格数据和高度高于最近排水渠道指数栅格数据；根据所述数字高程模型数据，提取所述目标流域的河网掩膜栅格数据，并计算所述规则网格系统中每一网格单元到最近河道网格单元的平面距离栅格数据；将上述全部栅格数据按通道组合，构成所述静态下垫面特征集合。优选的，所述数字高程模型数据、叶面积指数栅格数据、土地利用类型占比栅格数据、土壤沙土含量栅格数据、土壤粘土含量栅格数据和土壤有机质含量栅格数据均来源于预设空间分辨率的卫星遥感反演产品。该多通道静态特征集合全面涵盖了影响产汇流的地形、植被、土壤和土地利用等关键因子，使模型具备感知不同下垫面产流机制差异的能力。

5、作为本发明的进一步优选技术方案，将所述水动力状态场、逐时降雨强迫场和静态下垫面特征集合分别进行量纲归一化处理后统一映射至规则网格系统，形成空间对齐的多通道输入张量集合的步骤，具体包括：对所述水动力状态场中的水深分量、东向流速分量和北向流速分量，分别采用线性缩放运算，将各分量的数值范围映射至预设的第一数值区间，以消除不同物理量间的量纲差异；对所述逐时降雨强迫场中的每一个降雨量栅格，执行以自然常数为底的对数变换运算后，再采用线性缩放运算，将所述降雨量栅格的数值范围映射至预设的第二数值区间，这种对数-线性组合归一化能有效压缩强降雨数据的极端峰值，改善模型对降雨空间异质性的建模稳定性；对所述静态下垫面特征集合中的各栅格数据，按照各栅格数据的数据类型，分别执行线性缩放运算或对数变换结合线性缩放运算，将各栅格数据的数值范围映射至预设的第三数值区间；将映射至第一数值区间的水动力状态场、映射至第二数值区间的逐时降雨强迫场和映射至第三数值区间的静态下垫面特征集合，通过双线性插值重采样运算，统一映射至所述规则网格系统的空间分辨率和网格对齐方式，形成所述多通道输入张量集合。优选的，所述线性缩放运算采用最小-最大归一化方法，将待归一化数据中的每个元素值减去该数据的最小值后除以该数据的极差，实现数值范围映射。该归一化与对齐过程确保了多源数据在数值分布和空间位置上严格匹配，是后续空间关联运算获得有效表达的基础。

6、作为一种优选方案，对所述多通道输入张量集合执行基于网格单元的空间关联度量运算，生成第一关联权重矩阵的步骤，包括：以所述规则网格系统中的每一个网格单元作为目标中心单元，在所述多通道输入张量集合中提取所述目标中心单元的多通道特征向量，并提取所述目标中心单元的空间邻域范围内各个邻域网格单元的多通道特征向量；计算所述目标中心单元的多通道特征向量与每一个所述邻域网格单元的多通道特征向量之间的向量内积，得到多个空间关联原始度量值；对所述多个空间关联原始度量值执行柔性最大值归一化运算，生成所述第一关联权重矩阵中对应于所述目标中心单元与各所述邻域网格单元之间的关联权重值。这种基于数据驱动的空间注意力运算，使得网格间的作用强度无需显式设定即可自动从数据中学习，能够有效反映地形阻隔、河道走向引起的各向异性依赖。

7、相应地，根据所述第一关联权重矩阵对多通道输入张量集合的空间分布进行重分配，得到流域状态空间映射值的步骤，包括：以所述规则网格系统中的每一个网格单元作为目标加权单元，根据所述第一关联权重矩阵，提取所述目标加权单元对应的多个邻域网格单元的多通道特征向量；将所述多个邻域网格单元的多通道特征向量分别与所述第一关联权重矩阵中对应的关联权重值执行逐元素乘法运算，得到多个加权特征向量；对所述多个加权特征向量执行逐元素求和运算，得到所述目标加权单元的聚合特征向量，并以所述聚合特征向量作为该网格单元的流域状态空间映射值。因此，每个网格单元的输出不仅包含自身的水动力和属性信息，还自适应地融合了邻域乃至更远相关网格的信息，极大增强了模型对洪水空间传播过程的表达能力。将上述映射值输入unet架构下的多级解码网络中，能够逐级还原出未来时刻的水深和流速预报场，在中小流域洪水预报中显著提升了洪峰到达时间、洪峰水位及淹没范围的预报准确度，并具有良好的计算效率，可满足实时预报的时效性要求。

8、在上述技术方案中，本发明提供的技术效果和优点：

9、多通道输入张量形成后，对规则网格系统中的每一个网格单元，提取其自身及空间邻域内各网格单元的多通道特征向量，并计算目标单元与各邻域单元特征向量之间的向量内积，得到多个空间关联原始度量值；再对这些度量值执行柔性最大值归一化运算，生成第一关联权重矩阵中对应的关联权重值。该权重矩阵直接体现了每对网格单元之间数据驱动的空间依赖程度，突破了固定邻域卷积操作只能提取局部一致结构的局限。得到权重矩阵后，以每一个网格单元作为目标加权单元，提取其多个邻域单元的多通道特征向量，分别与对应的关联权重值进行逐元素乘法并求和，形成聚合特征向量作为流域状态空间映射值。这一重分配过程使任意两个空间位置之间均可基于数据自适应地传递信息，即使相距较远但与产汇流过程强相关的网格单元也能获得高权重响应，对中小流域内降雨落区分散、产流机制差异显著的情形，能更精细地刻画洪水时空演变，从而提升预报对降雨空间异质性的适应性。

10、在构建输入结构时，依据数字高程数据建立规则网格系统，并利用d8单流向算法为各网格单元生成水流方向编码作为流向索引编码，再采用栈扫描算法沿水流方向追踪至河道网格，形成完整的汇流路径拓扑关系。该拓扑关系实质上是以网格单元为节点、以水流方向为边构建的有向图结构，将地表径流沿地形梯度逐级汇集的物理过程显式编码为网格空间的可计算关系。在多通道输入张量集合中保留这一结构化信息，替代了让深度学习模型从零开始隐式学习水文路径的做法。将该拓扑关系嵌入模型的输入空间后，后续的空间关联度量与状态重分配运算间接获得了物理约束引导，使网格间依赖性的学习不再单纯依赖于统计相关性，而受到真实流域汇流结构的规范，减少了对大量训练样本的依赖，在地形陡峭、河网发育密集的中小流域可有效缓解预报结果违背实际水流路径的问题，增强预报的物理合理性和在数据稀缺条件下的泛化能力。