一种基于自组织神经网络的相似流域辨识与参数移植方法与流程

本发明涉及无监督机器学习，具体而言，涉及一种基于自组织神经网络的相似流域辨识与参数移植方法。

背景技术：

1、在无资料或缺资料流域的水文模拟与预报中，由于缺乏能够直接用于水文模型率定的长期径流观测资料，通常需要借助有资料流域的地形、气象、下垫面等流域属性识别水文特征相近的参证流域，再利用参证流域已经率定的水文模型参数推求目标流域参数。随着流域属性数据来源增多，单纯依赖地理邻近关系或少数属性进行人工选取已难以满足多维流域特征处理需求，利用聚类、机器学习等数据分析方法对多个流域进行特征归类并据此开展相似流域辨识，已经成为无资料流域水文参数区域化的重要技术路径。

2、现有技术中，中国发明专利申请cn103488871a-一种无径流资料地区的洪水预报方法，在候选范围内根据与水文模型参数相关的流域特征进行聚类，在相似流域数量不足时继续扩大搜索范围直至满足数量要求。在这种处理方式下，候选流域是否适合作为参数来源主要取决于最终的综合特征关系，当候选范围内流域属性分布不均匀、不同属性组合产生相近的综合评价结果时，相似流域集合容易受到搜索范围及候选样本构成变化的影响，使部分水文响应特征差异较大的流域进入参数来源集合，进而增加水文模型参数移植结果的不确定性。

3、因此，有必要设计一种基于自组织神经网络的相似流域辨识与参数移植方法用以解决当前技术中存在的问题。

技术实现思路

1、鉴于此，本发明提出了一种基于自组织神经网络的相似流域辨识与参数移植方法，旨在解决缺资料流域在扩大参证流域搜索范围时易混入水文属性突变流域而导致参数来源不稳定的问题。

2、本发明提出了一种基于自组织神经网络的相似流域辨识与参数移植方法，包括：

3、获取目标流域及参证流域的流域特征数据，标准化获得流域特征向量；

4、将所述流域特征向量输入自组织神经网络进行机器学习，以竞争学习确定优胜神经元并形成神经元映射关系；

5、根据所述神经元映射关系确定目标优胜神经元；所述目标优胜神经元内无参证流域时，沿相邻神经元向外确定扩展层级并形成邻域扩展支路，将所述邻域扩展支路中神经元映射的参证流域确定为候选参证流域；

6、确定所述候选参证流域与所述目标流域的端点特征差异及其与同一邻域扩展支路中前序参证流域的局部增量差异；无前序参证流域时，以所述目标流域作为比较对象；局部增量差异大于局部增量阈值时，停止所述邻域扩展支路自当前候选参证流域所在扩展层级向外扩展；局部增量差异不大于所述局部增量阈值且端点特征差异不大于端点差异阈值时，保留当前候选参证流域；

7、根据已保留候选参证流域形成相似参证流域集合，利用所述相似参证流域集合的水文模型参数生成所述目标流域的移植水文参数。

8、进一步的，形成邻域扩展支路时，包括：与所述目标优胜神经元直接相邻的神经元为第一扩展层级；与前一扩展层级直接相邻且未归入已确定扩展层级的神经元为下一扩展层级；按层级递增方向连接相邻神经元。

9、进一步的，所述前序参证流域的确定，包括：选取同一邻域扩展支路中所在神经元的扩展层级小于当前候选参证流域所在神经元的扩展层级且层级差最小的参证流域；存在两个以上参证流域时，分别确定各参证流域与所述目标流域的端点特征差异，将端点特征差异最小的参证流域确定为所述前序参证流域。

10、进一步的，确定局部增量差异时，包括：

11、所述流域特征向量包括地形特征分量、气象特征分量和下垫面特征分量；

12、基于三类特征分量分别确定三类局部增量差异；任一类局部增量差异大于该类局部增量阈值时判定超限，三类局部增量差异均不大于各自局部增量阈值时判定未超限。

13、进一步的，所述局部增量阈值的确定，包括：根据所述神经元映射关系划分模式聚类类别，将分别映射至相邻神经元且属于同一模式聚类类别的两个参证流域组成参证流域对；将三类局部增量差异中每一类的最大值确定为该类局部增量阈值。

14、进一步的，所述邻域扩展支路的阻断方式为：局部增量差异超限时，将当前候选参证流域所在神经元确定为阻断起点，停止沿所述邻域扩展支路自所述阻断起点向外搜索，并停止从所述邻域扩展支路中的所述阻断起点以及所在扩展层级大于所述阻断起点所在扩展层级的神经元中选取候选参证流域。

15、进一步的，所述端点特征差异超限时的处理方式为：端点特征差异大于端点差异阈值且局部增量差异未超限时，排除当前候选参证流域，并保持该邻域扩展支路向外扩展。

16、进一步的，所述已保留候选参证流域超过预设数量时的筛选方式为：

17、针对每一已保留候选参证流域，分别确定其所在邻域扩展支路截至该候选参证流域所在扩展层级的各类局部增量差异与该类局部增量阈值的比值，将所得比值中的最大值确定为路径最大增量比值；

18、按照所述路径最大增量比值由小至大选取，所述路径最大增量比值相同时，按照端点特征差异由小至大选取。

19、进一步的，多支路神经元的处理方式为：

20、同一神经元位于两条以上邻域扩展支路时，分别判断从所述目标优胜神经元至该神经元的各邻域扩展支路段是否包含阻断起点；

21、全部邻域扩展支路段均包含阻断起点时，不选取该神经元中的参证流域；

22、存在至少一条邻域扩展支路段不包含阻断起点时，将该神经元中的参证流域确定为候选参证流域。

23、进一步的，所述已保留候选参证流域未达到预设数量时的扩展方式为：

24、沿未阻断的邻域扩展支路增加扩展层级；已保留候选参证流域达到预设数量时停止扩展；未达到预设数量且各未阻断的邻域扩展支路均不存在能够纳入下一扩展层级的相邻神经元时停止扩展，以当前已保留候选参证流域形成相似参证流域集合。

25、与现有技术相比，本发明的有益效果在于：通过将目标流域与参证流域的流域特征数据标准化并输入自组织神经网络，利用竞争学习形成神经元映射关系，在目标优胜神经元缺少参证流域时，不再仅依据扩大搜索范围后获得的整体相似结果直接选取参数来源，而是沿相邻神经元形成具有层级关系的邻域扩展支路，并同时利用候选参证流域与目标流域之间的端点特征差异以及候选参证流域与前序参证流域之间的局部增量差异，对候选参证流域本身的相似程度和搜索方向上的水文属性连续性进行区分判断；当局部增量差异超过阈值时，及时停止该邻域扩展支路继续向外扩展，避免搜索范围扩大过程中跨越水文属性突变区域后仍将外层参证流域纳入参数来源，而在局部变化保持连续且端点特征差异满足要求时保留候选参证流域，由此使相似参证流域集合不仅具备目标流域层面的整体相似性，还保持搜索路径上的局部水文属性连续性，从而降低不同属性组合形成相近综合评价结果以及候选样本构成变化对相似流域辨识结果的干扰，提高了参证流域筛选的稳定性和水文属性一致性，并减少了不适宜参证流域参与水文模型参数移植所产生的参数偏差，提高了缺资料流域移植水文参数的可靠性和适用性。

1.一种基于自组织神经网络的相似流域辨识与参数移植方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，形成邻域扩展支路时，包括：与所述目标优胜神经元直接相邻的神经元为第一扩展层级；与前一扩展层级直接相邻且未归入已确定扩展层级的神经元为下一扩展层级；按层级递增方向连接相邻神经元。

3.根据权利要求1所述的方法，其特征在于，所述前序参证流域的确定，包括：

4.根据权利要求3所述的方法，其特征在于，确定局部增量差异时，包括：

5.根据权利要求4所述的方法，其特征在于，所述局部增量阈值的确定，包括：根据所述神经元映射关系划分模式聚类类别，将分别映射至相邻神经元且属于同一模式聚类类别的两个参证流域组成参证流域对；将三类局部增量差异中每一类的最大值确定为该类局部增量阈值。

6.根据权利要求4所述的方法，其特征在于，所述邻域扩展支路的阻断方式为：局部增量差异超限时，将当前候选参证流域所在神经元确定为阻断起点，停止沿所述邻域扩展支路自所述阻断起点向外搜索，并停止从所述邻域扩展支路中的所述阻断起点以及所在扩展层级大于所述阻断起点所在扩展层级的神经元中选取候选参证流域。

7.根据权利要求4所述的方法，其特征在于，所述端点特征差异超限时的处理方式为：端点特征差异大于端点差异阈值且局部增量差异未超限时，排除当前候选参证流域，并保持该邻域扩展支路向外扩展。

8.根据权利要求4所述的方法，其特征在于，所述已保留候选参证流域超过预设数量时的筛选方式为：

9.根据权利要求6所述的方法，其特征在于，多支路神经元的处理方式为：

10.根据权利要求6所述的方法，其特征在于，所述已保留候选参证流域未达到预设数量时的扩展方式为：