System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于属于水文模型算法预测领域,具体涉及一种基于水文模型和神经网络的河道径流量预测方法及系统。
技术介绍
1、全球气候变化导致洪涝灾害频发,根据易受灾地区的地理地貌等先天条件,构建更加精确的洪涝灾害监测预警模型,研发更加完备的洪涝灾害监测及预警系统具有重要意义。暴雨和台风等引起的洪涝灾害严重影响着人们的生命财产安全,在洪涝灾害发生时,特别是流域性的洪涝不仅受不可控自然因素的影响,还可能受到人为因素的干预,进而产生径流预测高度的非线性关系,导致只依靠降雨和地理地形数据进行产汇流分析的水文物理模型预测结果不佳,如何更加精确的对流域径流量进行预测,成为洪涝灾害研究领域的重难点。
技术实现思路
1、为了解决上述问题,本专利技术提出了一种基于水文模型和神经网络的河道径流量预测方法及系统,对流域水文进行模拟预测,既模拟了真实的产汇流过程,又提高了河道断面径流预测精度。
2、本专利技术解决其技术问题采取的技术方案是:
3、一方面,本专利技术实施例提供的基于水文模型和神经网络的河道径流量预测方法,包括以下步骤:
4、采集流域的基础地理信息,制作dem高程数据;
5、采集流域的气象数据,根据dem高程数据对气象数据进行处理;
6、建立crest分布式水文模型模拟流域降雨到产汇流过程;
7、使用结合lstm和稀疏多头自注意力机制的神经网络模型对水文模型的输出结果进行再分析,进行流域河道径流量预测。
8、进一步的
9、采集流域的基础地理信息,制作dem高程数据、坡度数据和流向数据;
10、对流域dem地理高程数据、坡向数据、流向数据进行提取和掩膜裁剪,并将数据格式转换为ascll格式。
11、进一步的,所述气象数据包括卫星降雨数据和潜在蒸散发数据。
12、进一步的,采集流域的气象数据,根据dem高程数据对气象数据进行处理,包括:
13、采集流域的气象数据,根据dem高程数据的分辨率将卫星降雨数据和潜在蒸散发数据差值处理成同分辨率;
14、对插值后的数据进行研究区范围的提取,并将数据格式转换为ascll格式。
15、进一步的,建立crest分布式水文模型模拟流域降雨到产汇流过程,包括:
16、对处理后的基础地理信息和气象数据进行格网化计算;
17、根据计算结果建立crest分布式水文模型,运用sec_ua算法对模型参数进行率定;
18、使用率定后的crest分布式水文模型模拟流域降雨到产汇流过程。
19、进一步的,所述神经网络模型包括lstm网络层、稀疏多头自注意力机制层、dropout层、dense全连接层。
20、进一步的,使用结合lstm和稀疏多头自注意力机制的神经网络模型对水文模型的输出结果进行再分析,进行流域河道径流量预测,包括:
21、将分布式水文模型的输出进行归一化处理并作为lstm网络层的输入;
22、lstm网络层输出的特征向量输入稀疏多头自注意力机制层,添加注意力权重;
23、经过dropout层进行随机抛弃神经元处理,最后经过dense全连接层输出流域河道径流量预测结果。
24、进一步的,所述lstm网络层的具体工作流程为:
25、通过遗忘门层ft选择被遗忘的信息:
26、ft=σ(wf[ht-1,xt]+bf)
27、其中,σ为sigmod激活函数,wf为遗忘门权重,ht-1为上一时刻的短期记忆单元,xt为输入数据,bf为遗忘门偏置向量;
28、通过输入门层it选择被保留的信息:
29、it=σ(wi[ht-1,xt]+bi)
30、
31、其中,wi为输入门权重,bi为输入门偏置向量,为长期记忆单元,wc为记忆单元权重,bc为记忆单元偏置向量,tanh为双曲余弦函数;
32、更新长期记忆单元ct中的信息:
33、
34、其中,ct-1为上一时刻的记忆单元信息;
35、生成输出门ot和隐藏层状态变量ht:
36、ot=σ(wo[ht-1,xt]+bo)
37、ht=ot×tan(ct)
38、其中,wo为输入门权重,bo为输入门偏置向量。
39、另一方面,本专利技术实施例提供的一种基于水文模型和神经网络的河道径流量预测系统,包括:
40、地理信息处理模块,用于采集流域的基础地理信息,制作dem高程数据;
41、气象数据处理模块,用于采集流域的气象数据,根据dem高程数据对气象数据进行处理;
42、水文模型建立模块,用于建立crest分布式水文模型模拟流域降雨到产汇流过程;
43、神经网络算法模块,用于使用神经网络模型对水文模型的输出结果进行再分析,进行流域河道径流量预测。
44、第三方面,本专利技术实施例提供的一种计算机设备,包括处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当所述agv仿真装置运行时,所述处理器与所述存储器之间通过总线通信,所述处理器执行所述机器可读指令,以执行如上述任意一种基于水文模型和神经网络的河道径流量预测方法的步骤。
45、本专利技术实施例的技术方案可以具有的有益效果如下:
46、本专利技术通过自动化构建处理研究区流域基础地理数据和气象数据,驱动crest分布式水文模型,对cresr分布式水文模型的结果进行神经网络算法再分析,并在lstm网络层的基础上引入稀疏多头自注意力机制,即可以对长程的数据特征进行关注又可以注意局部特征变化的影响,克服了普通自注意力机制对长程、全局数据的依赖,提高河道断面径流量的预测效果。
本文档来自技高网...【技术保护点】
1.一种基于水文模型和神经网络的河道径流量预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于水文模型和神经网络的河道径流量预测方法,其特征在于,采集流域的基础地理信息,制作DEM高程数据,包括:
3.根据权利要求1所述的基于水文模型和神经网络的河道径流量预测方法,其特征在于,所述气象数据包括卫星降雨数据和潜在蒸散发数据。
4.根据权利要求3所述的基于水文模型和神经网络的河道径流量预测方法,其特征在于,采集流域的气象数据,根据DEM高程数据对气象数据进行处理,包括:
5.根据权利要求1所述的基于水文模型和神经网络的河道径流量预测方法,其特征在于,建立CREST分布式水文模型模拟流域降雨到产汇流过程,包括:
6.根据权利要求1所述的基于水文模型和神经网络的河道径流量预测方法,其特征在于,所述神经网络模型包括LSTM网络层、稀疏多头自注意力机制层、Dropout层、Dense全连接层。
7.根据权利要求6所述的基于水文模型和神经网络的河道径流量预测方法,其特征在于,使用结合LSTM和稀疏多头自注意力
8.根据权利要求7所述的基于水文模型和神经网络的河道径流量预测方法,其特征在于,所述LSTM网络层的具体工作流程为:
9.一种基于水文模型和神经网络的河道径流量预测系统,其特征在于,包括:
10.一种计算机设备,其特征在于,包括处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当所述计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1-8任一所述的基于水文模型和神经网络的河道径流量预测方法的步骤。
...【技术特征摘要】
1.一种基于水文模型和神经网络的河道径流量预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于水文模型和神经网络的河道径流量预测方法,其特征在于,采集流域的基础地理信息,制作dem高程数据,包括:
3.根据权利要求1所述的基于水文模型和神经网络的河道径流量预测方法,其特征在于,所述气象数据包括卫星降雨数据和潜在蒸散发数据。
4.根据权利要求3所述的基于水文模型和神经网络的河道径流量预测方法,其特征在于,采集流域的气象数据,根据dem高程数据对气象数据进行处理,包括:
5.根据权利要求1所述的基于水文模型和神经网络的河道径流量预测方法,其特征在于,建立crest分布式水文模型模拟流域降雨到产汇流过程,包括:
6.根据权利要求1所述的基于水文模型和神经网络的河道径流量预测方法,其特征在于,所述神经网络模型包括lst...
【专利技术属性】
技术研发人员:刘德虎,王壮,马明普,李晓光,于磊,姜永强,韩庆辉,
申请(专利权)人:山东智洋上水信息技术有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。