基于极限学习机的洪水预测方法技术

本发明专利技术公开了基于极限学习机的洪水预测方法，涉及灾害预测技术领域，本发明专利技术根据多种洪水成因、极限学习机以及地理信息系统GIS建立洪水预测模型，通过确定系数r、威尔默特指数WI、纳什效率指数E

【技术实现步骤摘要】
基于极限学习机的洪水预测方法
本专利技术涉及灾害预测
，特别是涉及基于极限学习机的洪水预测方法。
技术介绍
洪水是最具有破坏性的自然灾害之一，洪水的发生给居民的生命和财产造成了极大的伤害。因此，洪水模型的建立以达到对区域洪水的预警是十分迫切的。近几年，由于信息科学的发展，人工神经网络等机器学习算法逐渐被应用到各个领域中。查阅相关文献发现当前对洪水的预测方法基本可以分为两类，一种是基于线性模型将区域降雨量与径流量进行相关性计算进而分析径流量，以达到洪水预测的效果；另外一种是基于神经网络，将人工神经网络与地理信息系统(GIS)相结合，通过分析地理信息系统相关数据以高程数据作为输入，径流量作为输出以达到对洪水预测的目的。然而，前者的方法仅考虑了降雨量，没有将其他因素考虑进来，导致预测结果不准确，后者的方法使用人工神经网络，存在效率低下的问题。
技术实现思路
本专利技术实施例提供了基于极限学习机的洪水预测方法，将极限学习方法和多因素指标融合在预测方法中，可以解决现有技术中存在的问题。本专利技术提供了基于极限学习机的洪水预测方法，包括以下步骤：构建多因素指标体系，该多因素指标体系中的指标包括最大三天降水量M3PD、数字高程模型DEM、地形湿度指数TWI、归一化植被指数NDVI、河流功率指数SPI、土壤质地指数ST、离河距离指数DR、坡度指数SL和土地利用模式LUP；将多因素指标体系中的指标输入极限学习机的输入层，根据输入层的数据计算输出层结果，即径流量，根据径流量采用反向误差传播的方式修正隐藏层节点的输出权重，最终得到预测的径流量输出结果，根据径流量的大小判断洪水发生的风险。优选地，所述极限学习机表示为：其中，m是隐藏层节点的数量，n是输入层节点的数量，βi是第i个隐藏层节点的输出权重，g(·)为激活函数，wi是第i个隐藏层节点的输入权重，bi是第i个隐藏层节点的偏置，xj表示第j个输入层节点的输入数据，Oj表示输出层的结果；所述极限学习机的学习目标为输出结果的误差最小，表达式即寻找wi、xj和bi使得该目标用矩阵表示为Hβ＝T，其中H是隐藏层节点的输出矩阵，β为隐藏层节点的输出权重矩阵，T表示期望输出矩阵，tj为T中的元素；在输入权重wi和隐藏层节点的偏置bi被确定后，隐藏层节点的输出矩阵H唯一确定，训练所述极限学习机的目标转化为线性公式Hβ＝T，据此，隐藏层节点的输出权重的评估值被唯一确定为其中H+表示矩阵H的加号广义逆。优选地，求解隐藏层节点的输出矩阵H时使用正交分解法计算。优选地，所述激活函数采用Sigmoid函数。优选地，选用洪水形成前期的降水数据作为所述地形湿度指数。本专利技术中的基于极限学习机的洪水预测方法，根据多种洪水成因、极限学习机以及地理信息系统GIS建立洪水预测模型，通过确定系数r、威尔默特指数WI、纳什效率指数Ens、均方根误差RMSE、平均绝对误差MAE和相关误差RE验证了极限学习机相对于人工神经网络的效率与精度优势，实验结果表明，极限学习机的学习速度是人工神经网络的32倍，而且极限学习机的噪音处理能力要优于人工神经网络，与人工神经网络相比，极限学习在预测能力与效率方面具有很大的优势，是洪水预报模型较为合适的选择。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术中基于极限学习机的洪水预测方法采用的极限学习机的拓扑模型；图2为人工神经网络和本专利技术的极限学习机预测得到的径流量与观测值的折线示意图；图3为人工神经网络和本专利技术的极限学习机预测得到的径流量与观测值的散点示意图；图4为人工神经网络和本专利技术的极限学习机预测得到的径流量在不同评价指标下的结果示意图；图5为人工神经网络和本专利技术的极限学习机预测得到的径流量在RE指标下的评估结果示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术提供了采用极限学习机的基于极限学习机的洪水预测方法，极限学习机的拓扑结构如图1所示，其包括输入层、隐藏层和输出层，所述基于极限学习机的洪水预测方法包括以下步骤：步骤1，构建多因素指标体系，本实施例中采用的多因素包括最大三天降水量M3PD、数字高程模型DEM、地形湿度指数TWI、归一化植被指数NDVI、河流功率指数SPI、土壤质地指数ST、离河距离指数DR、坡度指数SL和土地利用模式LUP，共九个因素，将这些因素以时间序列的形式作为输入层的数据输入到极限学习机中。(1)最大三天降水量降水量是洪水精确预测的重要输入参数，一个精确的洪水预报系统基本是依据大量的水文数据，本实施例根据数据拟合程度，对比洪水发生前一天至六天的降水量数据作为预测训练数据，得到前三天的数据拟合程度最高，因此选用最大三天降水量作为输入层的指标。(2)数字高程模型地形特点是洪水发生的重要元素，地形坡度的不同会直接影响到洪水流速，数字高程模型DEM是通过有限的高程数据实现对地面地形的数字化，是利用一组有序数值表示地面高程的一种模型，DEM在水文、气象、地质和土壤等方面有广泛的用处。(3)地形湿度指数地形湿度分为绝对湿度和相对湿度，由于地形湿度不便于测量，因此选用洪水形成前期的降水数据作为地形湿度指数，当土壤完全达到饱和状态时，此时土壤吸收水分的最大值，之后，降水的增量直接等于洪水量。(4)归一化植被指数归一化植被指数NDVI反映了植被生长状态和植被覆盖度，归一化植被指数能反映出地面潮湿程度，雪和枯叶等，其计算公式为：NDVI＝(NIR-R)/(NIR+R)，其中NIR为近红外波段的反射值，R为红光波段的反射值。(5)河流功率指数根据Florinsky,2011的说法，河流功率指数是描述某一河流截面潜在的水流侵蚀程度，随着集水面积的增大坡度的增大，上坡区所贡献的水量和水流速度增大，因此河流功率指数会随之增大，所以该指数应该与数字高程模型一同作为洪水风险的评估指数。(6)土壤质地指数在Florinsky,2011的说法中，土壤质地指数是反应研究区域的土壤类型，其描述了不同颗粒的含量以及相对比例，进而可以检测出土壤的入渗能力，而土壤入渗率是指单位时间内地表面积土壤的入渗水量，入渗率在入渗初期比较大，继而随着降雨的增加，入渗率又由大变小进而保持一个稳定的值，初始入渗率和最后稳定值分别被称为初入渗率和稳渗率。(7)离河距离指数...

【技术保护点】
1.基于极限学习机的洪水预测方法，其特征在于，包括以下步骤：/n构建多因素指标体系，该多因素指标体系中的指标包括最大三天降水量M3PD、数字高程模型DEM、地形湿度指数TWI、归一化植被指数NDVI、河流功率指数SPI、土壤质地指数ST、离河距离指数DR、坡度指数SL和土地利用模式LUP；/n将多因素指标体系中的指标输入极限学习机的输入层，根据输入层的数据计算输出层结果，即径流量，根据径流量采用反向误差传播的方式修正隐藏层节点的输出权重，最终得到预测的径流量输出结果，根据径流量的大小判断洪水发生的风险。/n

【技术特征摘要】
1.基于极限学习机的洪水预测方法，其特征在于，包括以下步骤：
构建多因素指标体系，该多因素指标体系中的指标包括最大三天降水量M3PD、数字高程模型DEM、地形湿度指数TWI、归一化植被指数NDVI、河流功率指数SPI、土壤质地指数ST、离河距离指数DR、坡度指数SL和土地利用模式LUP；
将多因素指标体系中的指标输入极限学习机的输入层，根据输入层的数据计算输出层结果，即径流量，根据径流量采用反向误差传播的方式修正隐藏层节点的输出权重，最终得到预测的径流量输出结果，根据径流量的大小判断洪水发生的风险。


2.如权利要求1所述的基于极限学习机的洪水预测方法，其特征在于，所述极限学习机表示为：



其中，m是隐藏层节点的数量，n是输入层节点的数量，βi是第i个隐藏层节点的输出权重，g(·)为激活函数，wi是第i个隐藏层节点的输入权重，bi是第i个隐藏层节点的偏置，xj表示第j个输入层节点的...

【专利技术属性】
技术研发人员：刘扬，刘雪梅，王立虎，闫新庆，杨礼波，刘明堂，
申请(专利权)人：华北水利水电大学，
类型：发明
国别省市：河南;41