基于深度学习的河网密集流域水情趋势预测方法及其应用技术

本发明专利技术公开了一种基于深度学习的河网密集流域水情趋势预测方法及其应用，该方法包括下述步骤：收集全流域范围内所有雨量站、河道水位站日尺度的降雨、水位时间序列点数据及各测站的经纬度信息，并进行整编；通过反距离权法及等值面图渲染法将整编后的降雨、水位时间序列点数据转换为时空数据；构建并训练流域高分辨率水位预报模型，分别输入降雨、水位时空数据张量；流域高分辨率水位预报模型包括初步空间特征提取模块、时空特征提取模块、堆叠模块、拼接模块和特征还原模块；模型输出预见期内全流域的水位等值面图，获取流域水情变化趋势。本发明专利技术能从历史水文数据中充分挖掘出流域的产汇流机理，可对整个流域的时空水情变化做出精确地预报。出精确地预报。出精确地预报。

【技术实现步骤摘要】
基于深度学习的河网密集流域水情趋势预测方法及其应用


[0001]本专利技术涉及全流域的水情趋势预测
，具体涉及一种基于深度学习的河网密集流域水情趋势预测方法及其应用。

技术介绍

[0002]以往的水文预报研究大都集中在对某一水文测站、特定河道断面或者单一水体的未来水文情况作出定量或定性的预测，无法对某一地区或整个流域作出高分辨率的格点式预报。当流域内河网分布密集，各河道水流往复运动，很难使用某河道一个站点或一个地区的水位过程来衡量整个流域的水势情况，当同时对多个站点建模进行水文预报时，可能出现输入数据复杂以及维数灾害等问题，导致预报精度过低，单独预测每个站点的水情状况，则无法综合考虑各站点之间的水文空间分布的相关性，且极大增强了建模的工作量。
[0003]当前全流域水情趋势预测的实现方式主要有两种，一种是二、三维的物理水动力过程模型，另一种是纯数据驱动的模型，即神经网络模型。物理水动力过程模型主要根据各种水动力学方程对流域内的产汇流排水系统进行真实的模拟计算，建模过程繁琐，且计算速度极为迟缓。神经网络模型没有明确的物理建模过程，因本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的河网密集流域水情趋势预测方法，其特征在于，包括下述步骤：收集全流域范围内所有雨量站、河道水位站日尺度的降雨、水位时间序列点数据以及各测站的经纬度信息，并对原始数据进行整编；通过反距离权法以及等值面图渲染法将整编后的降雨、水位时间序列点数据转换为时空数据；构建并训练流域高分辨率水位预报模型，分别输入降雨、水位时空数据张量；所述流域高分辨率水位预报模型包括初步空间特征提取模块、时空特征提取模块、堆叠模块、拼接模块和特征还原模块；所述初步空间特征提取模块将输入的降雨、水位时空数据张量进行初步空间特征提取；所述时空特征提取模块通过ConvGRU网络对初步空间特征提取后的数据进行时空特征提取；所述堆叠模块堆叠初步空间特征提取模块和时空特征提取模块；所述拼接模块将降雨、水位时空数据经堆叠模块的输出数据进行拼接；所述特征还原模块将拼接后的数据采用两层堆叠的特征还原算法进行特征还原，得到模型的预测输出，输出预见期内全流域的水位等值面图，获取流域水情变化趋势。2.根据权利要求1所述的基于深度学习的河网密集流域水情趋势预测方法，其特征在于，所述对原始数据进行整编，在数据的整编过程中，将每日的降雨、水位数据分别保存到一个txt文件中，并以相应的日期命名，每个txt文件包括当日全流域所有水位测站、雨量测站的水位或者降雨数据，以及各测站对应的经纬度信息且各测站的数据按照行排列。3.根据权利要求1所述的基于深度学习的河网密集流域水情趋势预测方法，其特征在于，所述通过反距离权法以及等值面图渲染法将整编后的降雨、水位时间序列点数据转换为时空数据，具体步骤包括：通过反距离权重法将流域内各测站的点数据插值为网格数据，计算要插值格点到各测站点的距离，再计算各个测站点的权重，插值格点值为各测站点的权重与特征值乘积的累加，计算公式表示为：为：其中，d
i
为第i个测站到插值点的距离，λ
i
为第i个测站的计算权重，Z(x
i
,y
i
)为第i个测站的特征值，Z(x0,y0)为插值点插值结果；根据生成的网格数据创建等值线填色图层，等值面栅格数据的不同颜色代表了不同的特征值区间，归一化处理降雨、水位栅格数据，使每个通道上的像素点都收敛到[0，1]之间。4.根据权利要求1所述的基于深度学习的河网密集流域水情趋势预测方法，其特征在于，所述初步空...

【专利技术属性】
技术研发人员：杨芳，丁武，宋利祥，张炜，刘红岩，沈灿城，魏灵，李文，陈土明，区文达，郑典璇，肖鸿武，陈玉超，陈嘉雷，杨志伟，
申请(专利权)人：珠江水利委员会珠江水利科学研究院，
类型：发明
国别省市：