【技术实现步骤摘要】
本专利技术属于水文和气象预测，具体涉及一种考虑半干旱区水文特征的数据驱动降水-径流模拟方法。
技术介绍
1、气候变化导致极端降水事件频发，会在不同地区造成大规模洪灾，干旱或半干旱地区受到严重影响。在半干旱地区，当降水强度超过一般水平时，水量会超过土壤的渗透能力，裹挟贫瘠的表面土壤而迅速形成山洪，对下游造成极大的危害。水文学家利用降水-径流模型来预测严重的洪水事件，并根据情景分析提出有效的预防措施。半干旱区由于其径流过程多变性，在多水时期表现出陡涨、陡落的洪水过程，与少水时期的少量且缓变的径流过程存在较大差异性；同时半干旱区较少的水文事件，对于水文规律的归纳、发现与过程驱动模型的构建形成制约，在传统过程驱动的模拟上效果并不理想。因而，对于半干旱区的降水-径流模拟，需要从大数据中充分发掘有效信息，在解决降水-径流模拟难题的同时保持对水文过程规律足够的考量。
技术实现思路
1、为了实现更为精确的半干旱区降水-径流模拟，本专利技术考虑了半干旱区水文特征的时间异质性，提供一种新的数据驱动降水-径流模拟方法，结合了基于数据分割的样本特征识别方法与基于自注意力机制的时序卷积神经网络。
2、本专利技术具体采用以下技术方案：
3、一种考虑半干旱区水文特征的数据驱动降水-径流模拟方法，包括以下步骤：
4、s1.获取研究区逐日尺度实测气象水文数据，包括：径流、降水、气温、地表温度、相对湿度、蒸散发和气压，并对数据进行预处理；对整体时间序列采用时序交叉验证法划分多组训练
5、s2.对训练集每年径流序列采用bai-perron突变点检验进行年内的湿润、干旱时期划分，分别得到湿润、干旱序列；
6、s3.在训练集中，首先采用训练集内全序列预训练一个基于自注意力机制的时序卷积神经网络(temporal convolution network with attention mechanism, tcn-attention，以下简称为tcn-attention)作为基础模型，其次将bai-perron突变点检验得到的湿润、干旱序列样本分别输入基础模型的后部决策层进行微调，分别得到湿润、干旱模型；
7、s4.用训练集中bai-perron突变点检验得到的湿润、干旱序列来训练xgboost分类器(极致梯度提升分类器，extreme gradient boosting，以下都简称为xgboost分类器)；
8、s5.将验证集中除径流外的气象数据输入步骤s4的xgboost分类器中，根据xgboost分类器预测的状态，选择步骤s3对应的湿润/干旱模型进行降水-径流模拟。
9、进一步地，所述步骤s1中对气象水文数据预处理包括：
10、步骤s1.1，对径流、降水、气温、地表温度、相对湿度、蒸散发和气压数据进行一致性、白噪声检验；
11、步骤s1.2，对不同来源的气象水文数据按照时间序列整理对齐，将气象序列进行0-1归一化，将径流序列进行box-cox变换：
12、
13、式中，为经过box-cox变换后的径流序列；为原始径流序列，是径流序列的长度；为box-cox变换参数，通过极大似然估计确定，以使变换后的数据满足典型线性回归模型的所有假设，即变换后的序列服从期望为、标准差为的正态分布。
14、因为数据来源不同，需要整理，使数据在时间上对齐。
15、为了客观地反映总体方差并将随机误差的风险降至最低，本方法采用时序交叉验证方法划分多组验证集和训练集。
16、进一步地，步骤s2中对训练集的历史径流序列，采用bai-perron突变点检验进行年内径流湿润、干旱时期划分。bai-perron突变点检验的方法和原理是现有技术，在此不再赘述。
17、进一步地，所述步骤s3包括：
18、步骤s3.1，将训练集全序列输入到tcn-attention中，预训练基础模型。输入数据为前期气象水文时间序列窗口，窗口长度需要率定，输出数据为未来径流量。
19、前期指的是，如果预测y8，即第8天的径流，输入的x8为第1到8天的气象+第1到7天的径流数据。
20、时序卷积神经网络(temporal convolution network, tcn，以下简称为tcn)由残差连接块组成，其中包含一维因果扩张卷积层和残差连接通道，最终由relu激活函数传递，所述relu激活函数：一维卷积层在同一特征下进行时空卷积，计算特征的不同卷积进行回归；残差连接通道将残差连接到一维卷积层信息回归之外的下一层，并通过将残差从一个区块传递到另一个区块来对残差进行拟合回归。
21、本方法在tcn上加入自注意力机制，加强全局历史信息对于降水-径流拟合的指导，其主要计算机制如下：
22、
23、其中， h b是注意力层中第 b个位置的隐藏状态，共有 n1个位置，即隐藏状态被分成 n1份映射；是大小为 m的输入，即tcn的输出隐藏状态； o是注意层的输出； w是权重矩阵，包括 w q 、w k 、w v三个维度的投影矩阵，用于匹配值，是 q要匹配的向量（键）， d k是 k的维度，是要提取的特征值，主要通过三个投影矩阵的梯度下降来拟合最佳的特征提取变换过程；t代表矩阵转置， q和 k矩阵相乘，需要把 k转置一下；是归一化的激活函数。
24、步骤s3.2，根据数据表现出来的特征与训练得到的效果，对基础模型参数进行人工经验性调整，主要指标为nse，使输出的未来径流量序列更接近真实值，包含值的接近和序列变化的接近，得到最佳参数配置与模型；基础模型参数包括堆叠层数、基础模型预训练学习率、时间序列样本长度、训练批量大小、扩张卷积核形状。
25、步骤s3.3，将bai-perron突变点检验得到的湿润、干旱序列分别输入步骤s3.2得到的基础模型后部决策层，根据训练得到的效果，对湿润、干旱模型的参数，包括堆叠层数、微调学习率、训练批量大小、扩张卷积核形状和微调层数，分别进行微调，分别得到湿润、干旱模型。
26、步骤s3.2、s3.3中模拟效果都可以根据指标rmse、mae、nse、kge进行衡量。
27、进一步地，所述步骤s本文档来自技高网...
【技术保护点】
1.一种考虑半干旱区水文特征的数据驱动降水-径流模拟方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种考虑半干旱区水文特征的数据驱动降水-径流模拟方法，其特征在于，步骤S1中的气象水文数据包括：径流、降水、气温、地表温度、相对湿度、蒸散发和气压。
3.根据权利要求2所述的一种考虑半干旱区水文特征的数据驱动降水-径流模拟方法，其特征在于，步骤S1中对气象水文数据的预处理包括：
4.根据权利要求1所述的一种考虑半干旱区水文特征的数据驱动降水-径流模拟方法，其特征在于，所述步骤S3具体包括：
5.根据权利要求1所述的一种考虑半干旱区水文特征的数据驱动降水-径流模拟方法，其特征在于，所述步骤S4中训练极致梯度提升分类器的具体方法是：将训练集中Bai-Perron突变点检验得到的湿润序列窗口，包括径流在内的气象水文数据及湿润类别作为极致梯度提升分类器的输入数据，输出之后几天的类别；将训练集中Bai-Perron突变点检验得到的干旱序列窗口及干旱类别作为极致梯度提升分类器的输入数据，输出之后几天的类别。
【技术特征摘要】
1.一种考虑半干旱区水文特征的数据驱动降水-径流模拟方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种考虑半干旱区水文特征的数据驱动降水-径流模拟方法，其特征在于，步骤s1中的气象水文数据包括：径流、降水、气温、地表温度、相对湿度、蒸散发和气压。
3.根据权利要求2所述的一种考虑半干旱区水文特征的数据驱动降水-径流模拟方法，其特征在于，步骤s1中对气象水文数据的预处理包括：
4.根据权利要求1所述的一种考虑半干旱区水文特征的数据驱...
【专利技术属性】
技术研发人员：汤梓杰，王国庆，张建云，张江江，金君良，
申请(专利权)人：水利部交通运输部国家能源局南京水利科学研究院，
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。