洪水预报模型、信息处理方法、存储介质、计算机设备技术

本发明专利技术属于洪水预测技术领域，公开了一种洪水预报模型、信息处理方法、存储介质、计算机设备，时空特征抽象层，用于从地形‑降雨量时空特征中提取特征；特征融合层，用于通过Concat连接操作，将卷积网络抽象出的时空特征与历史趋势特征相结合；预测输出层，用于预测未来T个小时的流量变化情况。本发明专利技术为了解决传统模型需要大量的参数率定和数据驱动模型无法对洪水过程进行准确预测的问题，将基于二维卷积的卷积神经网络CNN引入到洪水预报领域，利用CNN的特征抽象能力，融合降雨量时空分布特征、地形地貌特征和流量变化趋势特征，构建了预见期为24个小时和36个小时的洪水预报模型。经检验，模型符合洪水预报的要求。

【技术实现步骤摘要】
洪水预报模型、信息处理方法、存储介质、计算机设备
本专利技术属于洪水预测
，尤其涉及一种洪水预报模型、信息处理方法、存储介质、计算机设备。
技术介绍
目前，洪水灾害通常会造成大量的人员伤亡和财产损失，据统计，40％的经济损失通常都是由洪灾造成。因此准确预测河流水位对公共安全以及水文水资源的管理至关重要。随着防洪抗讯意识的增强和科技水平的发展，各国都投入了大量的人力财力以改善洪水预报的能力。实际上，对洪水水位的预测一直是人们关注的热点，洪水过程的形成受到如降雨、地形地貌、植被、土壤以及蒸发量等多种因素的影响，是一种复杂的非线性过程。任何单一的数学和物理模型都不能准确的描述这一过程。为减小洪水造成的损失，专家学者们进行了大量的研究。我们通常将已有的洪水预报模型分为两种类型，一种是传统水文预报模型，另一种是数据驱动的水文预报模型。Sherman等人在1932年提出了单位线模型，研究了降雨与流量的关系，其物理基础是认为一个区域任意时刻的流量与该时刻的净雨成一定的比例。1973年赵人俊等人提出了一个完整的降雨径流模型-新安江模型，被广泛的应用在湿润和半湿润地区，该方法综合考虑了当地的气候和自然地理条件，从洪水形成的原理上进行了建模。Beven和Kirkby在1979年提出了TOPMODEL(TopgraphbasedhydrologicalMODEL)模型，该模型使用了地貌指数来反映流域的水文现象，分析径流运动的规律，是一个以地形为基础的半分布式水文模型。TOPKAPI(TOPographicKinematicApproximateandIntegration)模型是Todini等人在1999年提出的一种分布式水文模，是一个基于运动学和流域地形学相结合的方法，被广泛的应用在无资料地区的洪水计算。英国水文研究所的Morris在1980年开发了一款具有物分布式降雨径流模型IHDM(InstituteofHydrologyDistributedModel)，该模型将流域划分为多个跌落式的河道和代表坡面，并假设下游的河道对上游流域出口断面没有影响。随着水文信息化的推进，关于水文的各种特征和数据也日渐丰富起来，部分专家学者通过对数据本身进行建模，设计了大量的基于数据驱动的洪水预报模型。CharlesA等人提出了一种基于成分分析的洪水预报模型；Rudolf利用线性三角回归算法和最近邻算法实现了长期和短期洪水预报；WahidPalash等人基于线性回归算法提出ReqSim(RequisiteSimplicity)模型。由于人工神经网络在解决非线性问题上具有良好的表现，在洪水预报领域也得到了广泛的应用。JiYounSung等人利用3层ANN分别搭建了预见期为1、2、3个小时的洪水预报模型；Ramli等人在ANN输出结果的基础上引入卡尔曼滤波来修正输出的结果。覃光华等把自适应BP算法引入到单步洪水预报中，利用权重公式中的动量项，帮助模型脱离局部最优值，提高了预测结果的准确性。周雨婷等设计了基于小波分析的人工神经网络洪水预报模型，实现水情的长期预报。随着深度学习网络在图像、自然语言处理和语音上取得的巨大成功，部分学者开始尝试将深度学习中的一些算法和思想迁移到洪水预报任务中。Xuan-HienLe等人基于LSTM(Long-ShortTermMemory)构建了洪水预报模型；WuYirui等人将注意力机制引入到LSTM中，提出了一种基于上下文注意力机制的CA-LSTM(Context-aware-LSTM)洪水预报模型。通过上述分析，现有技术存在的问题及缺陷为：(1)传统的水文预报模型往需要具有专业背景知识和从业经验的人员进行参数率定，极大的降低了预报的效率。(2)传统的水文预报模型不同地区的参数取值也不一样，甚至有些参数都无法直接取得，因而在实际使用过程中都采用默认参数的方式，极大的影响了预报的准确性。(3)基于数据驱动的水文预报模型属于单点预测，即预测未来某个时刻的流量值，而不是洪水过程预测。因此这些模型无法实现对洪水峰值以及峰值到达时间的预测，不能完全满足实际的洪水预报要求。解决以上问题及缺陷的难度为：洪水的形成受到多种因素的影响，如降雨量、地形地貌、土壤、植被覆盖和蒸发量等，要实现洪水过程的准确预测，需要引入更多、更复杂的特征。解决以上问题及缺陷的意义为：(1)免去了传统水文预报模型需要复杂的参数人工率定工作，提高了预报的效率；(2)实现对洪水过程的准确预测就能得到准确的洪水峰值及其到达时间，为决策部门提供数据支持，减小洪水造成的财产损失和人员伤亡。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种洪水预报模型、信息处理方法、存储介质、计算机设备。本专利技术是这样实现的，一种洪水预报模型，所述洪水预报模型包括：时空特征抽象层，用于从地形-降雨量时空特征中提取高级特征；经过三层卷积层，得到多个特征图，这些特征图就表示地形-降雨量时空分布数据的高级抽象特征，再将这些特征图转化为一个向量；特征融合层，用于通过Concat连接操作，将卷积网络抽象出的时空高级特征与历史趋势特征相结合；即两个向量拼接在一起；预测输出层，用于预测未来T个小时的流量变化情况。将融合的特征即上述的拼接在一起的向量输入到两层全连接网络中，最后输出未来T个小时的流量值。进一步，所述时空特征抽象层由三层卷积层组成的时空特征抽象层。进一步，所述预测输出层由三层全连接层构成的预测输出层。进一步，所述洪水预报模型卷积层的卷积核大小依次设置为8x8，5x5和3x3，且步长设置为2；卷积层和全连接层的激活函数均为ReLU，在卷积层添加BatchNormalizaiton，全连接层添加Dropout、操作以增强模型的泛化能力。本专利技术的另一目的在于提供一种所述洪水预报模型的信息处理方法，所述洪水预报模型的信息处理方法包括：第一步，利用三层卷积神经网络从地形-降雨量时空特征中提取特征；第二步，通过Concat连接操作，将卷积网络抽象出的复杂特征与流量趋势特征连接在一起形成组合特征；第三步，将第二步中的组合特征输入三层全连接网络预测未来T个小时的流量变化情况。进一步，所述洪水预报模型的信息处理方法采用相关性分析定量的测定一个流域单位时段的降雨对未来流量变化影响的时间长度，用于表示两个变量之间的线性相关性，计算公式表示为：其中W是水位数据，是水位数据均值；R是降雨量数据，是降雨量数据的均值；δ是降雨过程与水位过程之间的时间差，δ>0。进一步，所述洪水预报模型的信息处理方法将流域网格化，一个雨量站所统计的降雨量只能作为某个网格内的降雨量，而其他没有雨量站统计的网格则采用反距离加权的方式进行补全，得到一个较为精确的流域降雨量空间分布图。进一步，所述洪水预报模型的信息处理方法通过网格化的方式得到降雨量的空间分布，再将不同时刻的降雨量空间分布矩阵堆叠起来，得到降雨量时空分布张量。本专利技术的另一目的在于提供一本文档来自技高网...

【技术保护点】
1.一种洪水预报模型，其特征在于，所述洪水预报模型包括：/n时空特征抽象层，用于从地形-降雨量时空特征中提取高级特征；经过三层卷积层，得到多个特征图，所述特征图就表示地形-降雨量时空分布数据的高级抽象特征，再将所述特征图转化为一个向量；/n特征融合层，用于通过Concat连接操作，将卷积网络抽象出的时空高级特征与历史趋势特征相结合，两个向量拼接在一起；/n预测输出层，用于预测未来T个小时的流量变化情况。将融合的特征即上述的拼接在一起的向量输入到两层全连接网络中，最后输出未来T个小时的流量值。/n

【技术特征摘要】
1.一种洪水预报模型，其特征在于，所述洪水预报模型包括：
时空特征抽象层，用于从地形-降雨量时空特征中提取高级特征；经过三层卷积层，得到多个特征图，所述特征图就表示地形-降雨量时空分布数据的高级抽象特征，再将所述特征图转化为一个向量；
特征融合层，用于通过Concat连接操作，将卷积网络抽象出的时空高级特征与历史趋势特征相结合，两个向量拼接在一起；
预测输出层，用于预测未来T个小时的流量变化情况。将融合的特征即上述的拼接在一起的向量输入到两层全连接网络中，最后输出未来T个小时的流量值。


2.如权利要求1所述的洪水预报模型，其特征在于，所述时空特征抽象层由三层卷积层组成的时空特征抽象层。


3.如权利要求1所述的洪水预报模型，其特征在于，所述预测输出层由三层全连接层构成的预测输出层。


4.如权利要求1所述的洪水预报模型，其特征在于，所述洪水预报模型卷积层的卷积核大小依次设置为8x8，5x5和3x3，且步长设置为2；卷积层和全连接层的激活函数均为ReLU，在卷积层添加BatchNormalizaiton，全连接层添加Dropout、操作以增强模型的泛化能力。


5.一种如权利要求1所述洪水预报模型的信息处理方法，其特征在于，所述洪水预报模型的信息处理方法包括：
第一步，从地形-降雨量时空特征中提取特征；
第二步，通过Concat连接操作，将卷积网络抽象出的时空特征与历史趋势特征相结合；
第三步，预测未来T个小时的流量变化情况。


6.如权利要求5所述的水预报模型的信息处理方法，其特征在于，所述...

【专利技术属性】
技术研发人员：陈晨，惠强，吕宁，周扬，肖凤林，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61