面向水库生态调度的高原河流流域生态需水智能预测方法与流程

本技术涉及水资源管理和人工智能，具体涉及一种面向水库生态调度的高原河流流域生态需水智能预测方法。

背景技术：

1、西藏阿里地区噶尔藏布流域属于典型的高原高寒缺资料地区，地面水文监测站点稀疏，鱼类、湿地、植被的生态需水数据几乎空白，上游在建的中型水库需要同时保障河道内冷水鱼（如裂腹鱼亚科、条鳅亚科）的三场（产卵场、索饵场、越冬场）和繁殖期（2~7月）的水文需求，以及河道两侧湿地自然保护区的淹没需水和草地、植被的蒸散发需水。

2、鱼类产卵期、湿地生长期、植被生长期三类生态需水在时间轴上存在明显错峰特征，鱼类产卵期（3~5月）需要短期脉冲流量，湿地和植被生长期（5~9月）需要持续稳定的供水，越冬期需要保障基流，传统生态需水计算方法难以精细刻画这种时间窗约束，无法实现三类生态需水的动态协调，且如强化学习等现有的人工智能预测方法大多将河道内生态需水（鱼类）与河道外生态需水（湿地、植被）分开计算，再通过环境反馈优化，导致预测周期长，精度低，严重依赖长序列的地面监测数据，不适用于西藏高原环境。

技术实现思路

1、有鉴于此，本技术实施例提供一种面向水库生态调度的高原河流流域生态需水智能预测方法，该方法包括：

2、采集目标高原河流流域的静态地形数据、当前决策日的气象预报数据、历史实测水文气象数据和历史遥感影像数据，以及上一决策日的实际水库下泄流量；基于静态地形数据、当前决策日的气象预报数据、历史实测水文气象数据、历史遥感影像数据和上一决策日的实际水库下泄流量，构建当前决策日的第一特征向量；将第一特征向量输入至训练好的基于transformer与动态偏置注入的水库下泄流量预测模型，得到当前决策日的水库下泄流量预测值；

3、其中，基于transformer与动态偏置注入的水库下泄流量预测模型包括线性嵌入层、包含三个可学习调度向量的场景原型嵌入层、四个transformer编码器层、由mlp组成的超网络动态偏置生成器和输出层；第一特征向量经线性嵌入层映射得到第二特征向量；场景原型嵌入层将三个可学习调度向量与第二特征向量进行拼接，得到扩展特征矩阵；将扩展特征矩阵输入四个transformer编码器层进行编码，并将超网络动态偏置生成器根据当前决策日的生态情境特征生成的动态偏置矩阵注入各transformer编码器层内各自注意力头的注意力分数中，经四个transformer编码器层处理后得到编码输出特征；编码输出特征经输出层映射得到当前决策日的水库下泄流量预测值；

4、三个可学习调度向量分别为鱼类产卵期、湿地生长期、植被生长期三类生态需水场景的全局可训练原型向量；生态情境特征包括从第一特征向量中提取的生态变量，以及三类生态需水场景分别对应的二值时间窗指示变量，若当前决策日处于参考生态需水场景的时段内，则对应二值时间窗指示变量取值为1，否则取值为0；参考生态需水场景为鱼类产卵期、湿地生长期、植被生长期中的任意一种。

5、可选地，生态情境特征包括归一化植被指数、改进型归一化水体指数、土壤含水量、预报降水量、预报气温；超网络动态偏置生成器包括三个独立且不共享权重的超网络模块，每个超网络模块包括两层mlp，每个超网络模块对应一种生态需水场景；每个transformer编码器包括八个自注意力头；将扩展特征矩阵输入四个transformer编码器层进行编码，并将超网络动态偏置生成器根据当前决策日的生态情境特征生成的动态偏置矩阵注入各transformer编码器层内各自注意力头的注意力分数中，经四个transformer编码器层处理后得到编码输出特征，包括：通过三个独立的超网络模块将8维生态情境特征分别映射为三类生态需水场景生成32维的动态调制系数；基于可学习的基础偏置矩阵、动态调制系数和sigmoid函数，生成的动态偏置矩阵；按照动态偏置矩阵中的行索引对应transformer编码器层，列索引对应transformer编码器层中的自注意力头的方式，将动态偏置矩阵中各个元素作为对应transformer编码器层中自注意力头的情境感知偏置；对于每个transformer编码器层，通过当前transformer编码器层的输入序列扩展特征矩阵生成对应的查询矩阵、键矩阵和值矩阵，并基于查询矩阵和键矩阵生成每个自注意力头对应的原始注意力分数；若当前transformer编码器层为第一个transformer编码器层，输入序列为扩展特征矩阵；若当前transformer编码器层不是第一个transformer编码器层，输入序列为前一个transformer编码器层的输出特征；将每个transformer编码器层中每个自注意力头对应的情境感知偏置和对应的原始注意力分数相加，得到目标注意力分数；根据目标注意力分数和值矩阵计算对应transformer编码器层的输出特征，并将第四个transformer编码器层的输出特征作为最终的编码输出特征。

6、可选地，输出层包括线性投影模块、sigmoid激活函数和物理缩放模块；输出层的处理过程包括：利用线性投影模块将编码输出特征进行线性映射，并通过sigmoid激活函数压缩至(0, 1)区间，得到初始映射特征；通过物理缩放模块基于目标水库的生态基流和最大下泄能力，对初始映射特征进行线性映射，得到水库下泄流量预测值。

7、可选地，所述方法还包括：利用目标水库的最大下泄能力对水库下泄流量预测值进行安全截断处理，得到可执行水库下泄流量；将可执行水库下泄流量生成目标水库的闸门控制指令，输出至目标水库闸门控制系统执行，以补给目标水库下游目标高原河流流域的生态需水。

8、可选地，利用目标水库的最大下泄能力对水库下泄流量预测值进行安全截断处理，得到可执行水库下泄流量，包括：若水库下泄流量预测值大于目标水库的最大下泄能力，将目标水库的最大下泄能力作为可执行水库下泄流量；若水库下泄流量预测值小于或等于目标水库的最大下泄能力，将水库下泄流量预测值作为可执行水库下泄流量。

9、可选地，基于transformer与动态偏置注入的水库下泄流量预测模型的训练方法包括：利用srtm dem提取的河道断面数据与实测流量率定swat分布式水文模型的关键参数，得到逐日模拟径流；通过曼宁公式将逐日模拟径流转换为流速和水深，计算鱼类生境适宜度指数；基于归一化植被指数和改进型归一化水体指数的时序数据，采用penman-monteith公式计算逐日潜在蒸散发，得到理论蒸散发需水量和理论湿地需水量；以历史实测入库流量为边界条件，基于鱼类生境适宜度指数、理论蒸散发需水量和理论湿地需水量，以全年累积鱼类生境适宜度最大化为第一优化目标、植被蒸散发补给率最大化为第二优化目标、湿地淹水面积维持率最大化为第三优化目标，采用nsga-iii多目标进化算法求解pareto前沿，从中选取曲率最大点作为最优解，通过三次样条插值还原365天逐日序列，得到教师下泄流量标签；植被蒸散发补给率为水库实际可供植被利用的下泄水量与理论蒸散发需水的比值，湿地淹水面积维持率为实际模拟淹水面积与理论湿地需水量所对应的目标淹水面积的比值；基于教师下泄流量标签、包含知识蒸馏损失的损失函数，以及计划采样策略不断更新基于transformer与动态偏置注入的水库下泄流量预测模型的网络参数，直至满足收敛条件，得到训练好的基于transformer与动态偏置注入的水库下泄流量预测模型；网络参数至少包括三个可学习调度向量。

10、可选地，包含知识蒸馏损失的损失函数表示为：

11、；

12、其中，为知识蒸馏损失；为平稳性惩罚项；为逐日掩码，当连续10天以上遥感变量缺失时，否则；表示预测的天数，表示模型预测的第天的水库下泄流量；表示模型预测的第天的水库下泄流量；表示第天的教师下泄流量标签；为平衡系数。

13、可选地，计划采样策略包括：

14、在训练过程中的前100个训练轮次，将第天对应输入特征向量中第天的实际水库下泄流量赋值为第天的教师下泄流量标签；

15、在训练过程中的101~150个训练轮次，以50%的概率将第天对应输入特征向量中第天的实际水库下泄流量赋值为第天的教师下泄流量标签，50%的概率将第天对应输入特征向量中第天的实际水库下泄流量赋值为模型对第天水库下泄流量的预测值；

16、在训练过程中的151~200个训练轮次，以20%的概率将第天对应输入特征向量中第天的实际水库下泄流量赋值为第天的教师下泄流量标签，80%的概率将第天对应输入特征向量中第天的实际水库下泄流量赋值为模型对第天水库下泄流量的预测值。

17、在本技术实施例中，采集目标高原河流流域的静态地形数据、当前决策日的气象预报数据、历史实测水文气象数据和历史遥感影像数据，以及上一决策日的实际水库下泄流量；基于静态地形数据、当前决策日的气象预报数据、历史实测水文气象数据、历史遥感影像数据和上一决策日的实际水库下泄流量，构建当前决策日的第一特征向量；将第一特征向量输入至训练好的基于transformer与动态偏置注入的水库下泄流量预测模型，得到当前决策日的水库下泄流量预测值。

18、如此，通过采集目标高原河流流域的静态地形数据、当前决策日的气象预报数据、历史实测水文气象数据和历史遥感影像数据等多源数据，避免了现有方法中对密集地面水文监测站网和长序列实测数据的依赖，使方案适用于高原高寒缺资料地区；通过场景原型嵌入层将三个可学习调度向量与第二特征向量进行拼接，能够将三类生态需水场景的全局调度策略以可训练原型的形式嵌入网络结构，使模型在单日决策时具备全局视野；由于生态情境特征包括从第一特征向量中提取的生态变量，以及三类生态需水场景分别对应的二值时间窗指示变量，因此通过将超网络动态偏置生成器根据当前决策日的生态情境特征生成的动态偏置矩阵注入各transformer编码器层内各自注意力头的注意力分数中，使注意力调制同时具备物理情境响应和日历先验约束的双重驱动力，从而实现对三类生态需水场景关注强度的定向调节，且生态情境特征中的三个时间窗指示变量为超网络动态偏置生成器提供先验时间信息，使其能够根据当前决策日所处的生态需水时段，驱动超网络动态偏置生成器生成相应的动态偏置，从而实现三类生态需水场景在时间轴上的错峰统筹与重叠期平滑过渡。此外，训练好的基于transformer与动态偏置注入的水库下泄流量预测模型基于多源数据构建的第一特征向量进行一次毫秒级前向传播便可以得到水库下泄流量预测值，解决了现有技术中预测周期长的问题，使得高原河流流域生态需水的实时调度成为可能。