一种基于深度学习的特征提取水文预报的方法技术

本发明专利技术提供了一种基于深度学习的特征提取水文预报的方法，属于水资源高效利用与水文预报领域，方法包括：首先利用流域历史信息获得流域水文预报特征因子集合，其次利用数据挖掘算法训练特征因子集合并获得不同因子作用下“量值”和“过程形态”相似的多组场次洪水过程集合，然后基于深度学习算法开展传统水文预报中各模型、方法的参数率定，并形成模型、方法与参数方案配套的模型库和方法库，最后结合聚类分析完成水文预报计算。相对于已有方法，本发明专利技术有效改进了传统水文预报方法预报精度较低、有效预见期较短等不足，在开展水文预报时能够明显提高预报精度、延长预见期，具有良好的适用性和可行性，为流域水文预报提供了行之有效的技术方法。

A method of feature extraction hydrological forecast based on deep learning

【技术实现步骤摘要】
一种基于深度学习的特征提取水文预报的方法
本专利技术涉及水资源高效利用与水文预报领域，更具体地，涉及一种基于深度学习的特征提取水文预报的方法。
技术介绍
水文预报既是水旱灾害防御的重要技术支撑，又是水库兴利调度和资源高效利用的重要手段。水文预报的相关模型和方法众多，大都能够反映水文学的一些基本规律，但由于人类对流域水文气象现象认识有限，自然界规律变化又错综复杂，传统模型和方法难以全面反映客观规律，例如统计类预报方法通常面临物理意义考虑不充分的问题，而陆气耦合类方法往往存在气象信息与水文模型空间尺度不匹配的矛盾。随着下发《新一代人工智能发展规划》，人工智能正式上升为国家战略。深度学习作为人工智能的主要分支，是一种利用大数据进行训练，不断地通过正反馈来优化结果的方法。随着互联网、物联网的快速发展，人类的计算能力不断提高，深度学习在很多领域表现出优越的性能，尤其是在海量数据信息提取与生产应用方面。水文气象数据体量庞大、来源广泛、类型繁多，以长江流域为例，每天接收来自长江水利委员会水文局15个分中心、14个省(直辖市)水文局、中国气象局本文档来自技高网...

【技术保护点】
1.一种基于深度学习的特征提取水文预报的方法，其特征在于，依次包括如下步骤：/nS1、提取流域历史信息，通过对所有历史信息进行物理成因分析、相关性分析和显著性检验，获得流域水文预报特征因子集合；/nS2、利用数据挖掘算法针对水文预报特征因子集合进行训练，获得不同因子作用下量值和过程形态相似的多组场次洪水过程集合；/nS3、构建传统水文预报模型库和方法库，基于步骤S2所述特征因子和场次洪水过程，采用深度学习算法开展模型、方法的参数率定，获得对应不同模型和方法的多组参数方案的集合，并形成模型、方法与参数方案配套的模型库和方法库；/nS4、针对预见期内可能出现的洪水过程，提取其所能获得的基础信息，通...

【技术特征摘要】
1.一种基于深度学习的特征提取水文预报的方法，其特征在于，依次包括如下步骤：
S1、提取流域历史信息，通过对所有历史信息进行物理成因分析、相关性分析和显著性检验，获得流域水文预报特征因子集合；
S2、利用数据挖掘算法针对水文预报特征因子集合进行训练，获得不同因子作用下量值和过程形态相似的多组场次洪水过程集合；
S3、构建传统水文预报模型库和方法库，基于步骤S2所述特征因子和场次洪水过程，采用深度学习算法开展模型、方法的参数率定，获得对应不同模型和方法的多组参数方案的集合，并形成模型、方法与参数方案配套的模型库和方法库；
S4、针对预见期内可能出现的洪水过程，提取其所能获得的基础信息，通过聚类分析方法实现基础信息和所述特征因子集合的匹配，进而获得可能发生洪水的所述量值和所述过程形态，然后在模型库和方法库中选择相应的模型、方法及配套参数完成水文预报计算，以获得预报信息；
S5、进行预报效果检验，判断预报精度是否满足需求，若是，则结束预报；若否，则重复所述步骤S4，更换模型、方法及配套参数重新预报，直至预报精度满足要求为止。


2.根据权利要求1所述的一种基于深度学习的特征提取水文预报的方法，其特征在于，所述步骤S1包括如下步骤：
S11、提取流域历史信息：按照信息覆盖层面和物理成因进行分类，划分为下垫面条件和前期气象条件，所述下垫面条件包括前期降雨、径流、前期影响雨量、土壤湿度、温度；所述前期气象条件包括130项环流指数，所述130项环流指数包括88项大气环流指数、26项海温指数和16项其它指数；
S12、所述通过对所有历史信息进行物理成因分析、相关性分析，计算公式如下：



其中：






式中：rxy表示不同种类历史信息x和y之间的相关系数；Sxy表示不同种类历史信息x和y之间的协方差；Sx表示历史信息x的标准差；Sy表示历史信息y的标准差；xi、yi分别为历史信息x和y的第i个个体；分别为历史信息x和y的平均值；n为不同种类历史信息的个体数量；
S13、针对相关性分析计算结果进行显著性检验，计算公式如下：



式中：SalS(Ik)为某类历史信息的显著性值；Ik为某类历史信息的第k个个体；Ii为某类历史信息的任意第i个个体；I为某类历史信息的集合。


3.根据权利要求1所述的一种基于深度学习的特征提取水文预报的方法，其特征在于，所述步骤S2中所述数据挖掘算法包括多维欧式距离聚类方法和阶跃函数和推土机距离聚类方法；
所述多维欧式距离聚类方法针对不同历史洪水过程计算不同预报因子的欧式距离，以确定不同分类的所述量值相似的历史洪水过程，计算公式如下：



式中：D(X,Y)为不同场次历史洪水过程中某一类预报因子的欧式距离；X、Y分别代表两个不同场次的历史洪水过程；xi、yi为相应历史洪水过程中某类预报因子的第i个值；
所述推土机距离聚类方法计算不同历史洪水过程中所述过程形态相似的场次洪水，并标记为一类，计算公式如下：
阶跃函数：

f(t)＝(Xt-Xt+1)/(Yt-Yt+1)
推土机距离：



其中，H(t)为阶跃函数值；f(t)为过程形态函数；t为某场次洪水过程中的第t时刻；Xt、Y...

【专利技术属性】
技术研发人员：程海云，闵要武，冯宝飞，陈瑜彬，牛文静，李玉荣，许银山，张俊，秦昊，张潇，曾明，张涛，
申请(专利权)人：长江水利委员会水文局，
类型：发明
国别省市：湖北;42