基于陆海气耦合模式的生态流量预测方法和系统技术方案

本发明专利技术公开了一种基于陆海气耦合模式的生态流量预测方法和系统，该方法主要包括采集研究区域的基础资料，构建陆海气耦合模型，并以所述基础数据作为输入数据，通过陆海气耦合模型计算获得未来预定时间内的低分辨率月尺度数据；构建卷积神经网络降尺度模块，以低分辨率月尺度数据作为输入，获得待研究区域的高分辨率月尺度数据；对待研究区域进行概化，获得待研究区域的流域拓扑图，构建待研究区域的SWAT模型，以高分辨率月尺度数据为SWAT模型的输入数据，预测待研究区域的月尺度径流；基于所述月尺度径流采用改进的动态算法计算待研究区域的生态流量。本发明专利技术大大提高了预测的速度和准确率，获得了良好的社会效益。获得了良好的社会效益。获得了良好的社会效益。

【技术实现步骤摘要】
基于陆海气耦合模式的生态流量预测方法和系统


[0001]本专利技术涉及生态流量预测方法，尤其一种基于陆海气耦合模式的生态流量预测方法和系统。

技术介绍

[0002]目前已见发表的生态流量计算方法有200多种，其中水文学法是最早研究生态流量的一类方法，也是应用最广泛的方法。纵观现有水文学法，虽然计算生态流量的方式各有不同，但所需的数据都是研究区域的历史水文资料，也就是说现有的水文学法都是基于水文序列平稳性的基本假定。
[0003]然而诸多研究表明，受全球气候变化和人类活动的影响，很多国家地区的径流时空分布规律发生了显著变异，水文序列平稳性的基本假定将不再适用。这种情况下采用传统的水文学方法开展生态流量计算，将会导致较大的偏差，误导河道生态流量的调控。气候系统的高度非线性、非稳态性使得基于过去十几年甚至几十年建立的经验统计关系未来可能不会完全重现。这种假设使得统计降尺度模型在应用到未来场景降尺度的时候备受质疑。如何判断水文序列的平稳性，现有技术给出了DF、ADF、PP等检验方法，但是还存在一些问题。
[0004]所以，需要提供新的技术来解决上述问题。

技术实现思路

[0005]专利技术目的：本申请的一个方面在于，提供一种基于陆海气耦合模式的生态流量预测方法，以解决现有技术存在的问题之一。本申请的另一方面在于提供一种实现上述方法的系统。
[0006]技术方案：根据本申请的一个方面，提供一种基于陆海气耦合模式的生态流量预测方法，包括如下步骤：步骤S1、采集研究区域的基础资料，构建陆海气耦合模型，并以所述基础数据作为输入数据，通过陆海气耦合模型计算获得未来预定时间内的低分辨率月尺度数据；步骤S2、构建卷积神经网络降尺度模块，以低分辨率月尺度数据作为输入，获得待研究区域的高分辨率月尺度数据；步骤S3、将待研究区域划分为至少两个子流域，对待研究区域进行概化，获得待研究区域的流域拓扑图，构建待研究区域的SWAT模型，以高分辨率月尺度数据为SWAT模型的输入数据，预测待研究区域的月尺度径流；步骤S4、基于所述月尺度径流采用动态算法计算待研究区域的生态流量。
[0007]根据本申请的一个方面，所述步骤S1进一步为：步骤S11、划定研究区域，选取N种气候模式分别对应构建陆海气耦合模型并给出该研究区域的过去若干年的月尺度降水预测数据和多源加权集合降雨数据集，N为大于等
于2的正整数；步骤S12、将各个气候模式的分辨率进行差值处理，达到相同的网格分辨率；步骤S13、在同一网格分辨率下，对各个气候模式的预测精度进行降序排列，选取排列靠前的若干组气候模式对应的陆海气耦合模型作为预选陆海气耦合模型；步骤S14、构建并筛选后处理模型，对预选陆海气耦合模型进行评估和偏差修订，获得待研究区域的月尺度降水预测模型，并进行预测，获得未来预定时间内的低分辨率月尺度数据。
[0008]根据本申请的一个方面，所述步骤S2进一步为：步骤S21、读取上一步骤获得的未来预定时间内的低分辨率月尺度数据，并将其分成训练集和测试集；步骤S22、构建卷积神经网络降尺度模块，至少包括第一卷积神经网络降尺度单元和第二卷积神经网络降尺度单元，第一卷积神经网络降尺度单元用于将低分辨率月尺度数据处理为中间分辨率月尺度数据，第二卷积神经网络降尺度单元用于将中间分辨率月尺度数据增强到预定的高分辨率月尺度数据；步骤S23、判断神经网络降尺度模块获得的高分辨率月尺度数据是否达到预设要求，若是，进行输出。
[0009]根据本申请的一个方面，所述步骤S3进一步为：步骤S31、获取研究区域的水文基础数据，从水文基础数据中提取河网拓扑和分水线信息；步骤S32、基于河网拓扑查找河流交汇点，并以交汇点将河流划分为若干河段有向集合，查找各个河段与相邻分水线组成的集水区域，构建河段与集水区域的映射关系集合；步骤S33、针对每一集水区域，建立产汇流各个节点的变异系数并求积，得到综合变异系数；对每一河段对应的集水区域进行网格化处理，并将高分辨率月尺度数据分解到各个网格，获得网格化数据集；步骤S34、构建待研究区域的SWAT模型，以网格化的数据集作为输入数据，预测待研究区域的月尺度径流；步骤S35、计算各个集水区域的综合变异系数，并计算标准差，形成标准差矩阵，基于标准差矩阵与预存储数据的差值，判断水文序列是否平稳。
[0010]根据本申请的一个方面，还包括步骤S36：步骤S36a、将预测时长分成若干个预测单元，针对每个预测单元，基于所述河网拓扑查找每一雨水汇流路径，形成雨水汇流路径集合；步骤S36b、读取雨水汇流路径中每一节点的变异系数，计算该雨水汇流路径的综合变异系数；步骤S36c、针对每个预测单元，以综合变异系数升序的方式排列雨水汇流路径；步骤S36d、计算雨水汇流路径的变异系数在不同预测单元之间的逆序数，并降序排列。
[0011]根据本申请的一个方面，所述步骤S31进一步为：获取研究区域的水文基础数据，提取数字高程模型，基于数字高程模型对数据进行填洼处理，提取河网数据、分水线、河流节点和水流方向；
其中计算水流方向的方法为，计算中心栅格与邻域栅格的最大坡降，并基于最大坡降所在的方向确定水流方向。
[0012]根据本申请的一个方面，所述步骤S32进一步为：步骤S32a、从水文基础数据中提取河网主干数据，构建研究区域的河网拓扑骨架；步骤S32b、 利用水流方向栅格数据计算出每一个栅格在水流方向上累积的栅格数，通过栅格数计算研究区域的汇流积累量；步骤S32c、分级查找汇流积累量大于阈值的水流路径，将其标记为次级河网，并加入河网拓扑中；步骤S32d、基于各个河流的汇流积累量数据，采用施里夫分级法对河网拓扑中的河流进行分级；步骤S32e、提取研究区域的集水区域，构建河段与集水区域的映射关系集合；根据本申请的一个方面，所述步骤S33进一步为：步骤S33a、顺次提取每一集水区域及与之映射的河流，并获取产汇流各个节点，为每一节点赋予变异系数，变异系数的初始值为1；建立雨水汇集流动全过程中各个环节的变异系数集合，通过求积运算获得综合变异系数；步骤S33b、对集水区域和河段进行栅格化处理，并将高分辨率月尺度数据分解到各个网格，获得网格化数据集。
[0013]根据本申请的另一个方面，提供一种基于陆海气耦合模式的生态流量预测系统，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的基于陆海气耦合模式的生态流量预测方法。
[0014]有益效果：本专利技术通过构建陆海气耦合模式的生态流量预测模型，并通过卷积神经网络进行降尺度，最后通过流域拓扑图和SWAT模型，对生态流量进行预测，大大提高了预测的效率和准确率。相关技术细节和优势，将在下文详细描述。
附图说明
[0015]图1是本专利技术的流程图。
[0016]图2是本专利技术步骤S1的流程图。
[0017]图3是本专利技术步骤S2的流程图。
[0018]图4是本专利技术步骤S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于陆海气耦合模式的生态流量预测方法，其特征在于，包括如下步骤：步骤S1、采集研究区域的基础资料，构建陆海气耦合模型，并以所述基础数据作为输入数据，通过陆海气耦合模型计算获得未来预定时间内的低分辨率月尺度数据；步骤S2、构建卷积神经网络降尺度模块，以低分辨率月尺度数据作为输入，获得待研究区域的高分辨率月尺度数据；步骤S3、将待研究区域划分为至少两个子流域，对待研究区域进行概化，获得待研究区域的流域拓扑图，构建待研究区域的SWAT模型，以高分辨率月尺度数据为SWAT模型的输入数据，预测待研究区域的月尺度径流；步骤S4、基于所述月尺度径流采用动态算法计算待研究区域的生态流量。2.如权利要求1所述的基于陆海气耦合模式的生态流量预测方法，其特征在于，所述步骤S1进一步为：步骤S11、划定研究区域，选取N种气候模式分别对应构建陆海气耦合模型并给出该研究区域的过去若干年的月尺度降水预测数据和多源加权集合降雨数据集，N为大于等于2的正整数；步骤S12、将各个气候模式的分辨率进行差值处理，达到相同的网格分辨率；步骤S13、在同一网格分辨率下，对各个气候模式的预测精度进行降序排列，选取排列靠前的若干组气候模式对应的陆海气耦合模型作为预选陆海气耦合模型；步骤S14、构建并筛选后处理模型，对预选陆海气耦合模型进行评估和偏差修订，获得待研究区域的月尺度降水预测模型，并进行预测，获得未来预定时间内的低分辨率月尺度数据。3.如权利要求1所述的基于陆海气耦合模式的生态流量预测方法，其特征在于，所述步骤S2进一步为：步骤S21、读取上一步骤获得的未来预定时间内的低分辨率月尺度数据，并将其分成训练集和测试集；步骤S22、构建卷积神经网络降尺度模块，至少包括第一卷积神经网络降尺度单元和第二卷积神经网络降尺度单元，第一卷积神经网络降尺度单元用于将低分辨率月尺度数据处理为中间分辨率月尺度数据，第二卷积神经网络降尺度单元用于将中间分辨率月尺度数据增强到预定的高分辨率月尺度数据；步骤S23、判断神经网络降尺度模块获得的高分辨率月尺度数据是否达到预设要求，若是，进行输出。4.如权利要求1所述的基于陆海气耦合模式的生态流量预测方法，其特征在于，所述步骤S3进一步为：步骤S31、获取研究区域的水文基础数据，从水文基础数据中提取河网拓扑和分水线信息；步骤S32、基于河网拓扑查找河流交汇点，并以交汇点将河流划分为若干河段有向集合，查找各个河段与相邻分水线组成的集水区域，构建河段与集水区域的映射关系集合；步骤S33、针对每一集水区域，建立产汇流各个节点的变异系数并求积，得到综合变异系数；对每一河段对应的集水区域进行网格化处理，并将高分辨率月尺度数据分解到各个网格，获得网格化...

【专利技术属性】
技术研发人员：李玮钰，
申请(专利权)人：河海大学，
类型：发明
国别省市：