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】
本专利技术属于水文预报,更具体地,涉及一种考虑极端径流的径流预报模型及其构建方法和系统。
技术介绍
1、水资源是人类生存、发展中必不可缺的重要资源之一,高精度的径流预报对于水资源的规划管理、集约利用具有重要的参考价值。然而,准确的长期径流预报一直以来是本领域的科研高地,一方面是由于径流的变化为诸多因素共同耦合作用下的结果,其机理极其复杂;另一方面是目前所掌握的技术与预报手段还存在一定的局限性,不能清晰刻画各要素与径流的数学物理关系。因此,集成挖掘径流驱动机制并对其进行长期预报的深度学习模型显得尤为重要。
2、径流是全球水循环中最为关键的过程之一。目前,气候和人类活动被认为是影响径流变化的主要因素。人类活动量化较为复杂,且并没有统一的认知,所以,当前绝大多数径流预报的研究中多选取气候要素作为径流预报系统中的自变量。对于被选取的气候变量,以流域实测气象资料为主。该类变量虽然被广泛使用,但也存在着各区域资料长度不一、无资料地区无法使用等问题,遥相关气候因子指数可以很好地解决该问题,并且长期径流的产生和变化往往与这类全球气候指数的关系更为密切。从成因上分析,遥相关气候因子更适合径流的长期预报。
3、长期径流的形成机理复杂,难以直接使用数学物理关系对其进行描述。深度学习模型是一种可以无需考虑作用过程,直接生成结果的黑箱模型,近年来,该技术被广泛应用于径流预报领域;但其也存在着对长期径流预测模型精度不高,对极端径流预报偏差较大等问题。
技术实现思路
1、针对现有技术的以
2、为实现上述目的,按照本专利技术的第一方面,提出了一种考虑极端径流的径流预报模型构建方法,包括如下步骤:
3、s1、采集并预处理研究区域的历史水文气象数据和遥相关气候因子数据,得到多个预报因子,形成预报因子集;
4、s2、确定各预报因子的贡献度,并初筛得到贡献度最高的n个预报因子;将该n个预报因子按贡献度从高到低排序,得到关键预报因子集;
5、s3、将所述关键预报因子集中的前n个、前n-1个、…、前1个预报因子分别输入初步预报模型进行训练和测试,从而得到n个预报方案,每个预报方案包括输入的预报因子和对应训练好的初步预报模型;
6、对于n个预报方案,分别计算其测试时的纳什效率系数,并选取纳什效率系数最高的一组预报方案作为常规模型;
7、同时,对于n个预报方案,在超过径流极端阈值的范围内,分别对测试时初步预报模型输出的预报径流和实际径流进行拟合,选取拟合最佳的一组预报方案作为极端值模型;
8、s4、将常规模型和极端值模型耦合,得到综合的径流预报模型。
9、作为进一步优选的,通过特征初筛模型确定各预报因子的贡献度;所述特征初筛模型包括xgboost模型和shap模型,其中,xgboost模型用于根据预报因子预测径流,该xgboost模型通过所述预报因子集训练而成;shap模型用于根据xgboost模型输出的径流预测结果计算各预报因子对径流预测结果的贡献度。
10、作为进一步优选的,所述初步预报模型基于bo-bilstm模型构建而成。
11、作为进一步优选的,所述bo-bilstm模型内的优化参数包括l2正则项。
12、作为进一步优选的,所述径流极端阈值的确定方法为:计算历史径流数据的均值和标准差,根据3σ原则,取均值与3倍标准差之和为径流极端阈值。
13、作为进一步优选的,所述历史水文气象数据包括月降水量、月蒸散量、月径流量;所述遥相关气候因子数据包括大气环流因子、海温指数和其他相关指数。
14、作为进一步优选的,所述预处理包括:根据历史水文气象数据和遥相关气候因子数据得到的初始预报因子,根据时间上的缺失情况,对预报因子进行删除和插补;然后对预报因子进行时滞处理,形成预报因子集。
15、按照本专利技术的第二方面,提供了一种考虑极端径流的径流预报模型构建系统,包括处理器,所述处理器用于执行上述考虑极端径流的径流预报模型构建方法。
16、按照本专利技术的第三方面,提供了一种径流预报模型,其特征在于,采用上述考虑极端径流的径流预报模型构建方法构建而成。
17、按照本专利技术的第四方面,提供了一种基于上述径流预报模型的径流预报方法,其特征在于,包括如下步骤:实时获取研究区域的各预报因子,将对应的预报因子分别输入常规模型和极端值模型,得到常规径流数据和极端径流数据。
18、总体而言,通过本专利技术所构思的以上技术方案与现有技术相比,主要具备以下的技术优点:
19、1.本专利技术按贡献度对预报因子进行初筛,进而采用不同标准构建常规模型和极端值模型,得到综合的径流预报模型,可有效兼顾实时的长期径流预报和未来极端洪水预报,提高预报准确性和可靠性,适用范围广。
20、2.本专利技术通过将xgboost模型和shap模型结合,以获取各预报因子对径流预报结果的贡献度,从而筛选出贡献度较高的预报因子进行后续分析,可提高模型构建效率和最终预报模型的准确性。
21、3.本专利技术模型是基于历史流域实测资料与遥相关气候因子进行径流预报,完全不涉及未来信息,可用于实际长期月预报。
本文档来自技高网...【技术保护点】
1.一种考虑极端径流的径流预报模型构建方法,其特征在于,包括如下步骤:
2.如权利要求1所述的考虑极端径流的径流预报模型构建方法,其特征在于,通过特征初筛模型确定各预报因子的贡献度;所述特征初筛模型包括XGBoost模型和SHAP模型,其中,XGBoost模型用于根据预报因子预测径流,该XGBoost模型通过所述预报因子集训练而成;SHAP模型用于根据XGBoost模型输出的径流预测结果计算各预报因子对径流预测结果的贡献度。
3.如权利要求1所述的考虑极端径流的径流预报模型构建方法,其特征在于,所述初步预报模型基于BO-BiLSTM模型构建而成。
4.如权利要求3所述的考虑极端径流的径流预报模型构建方法,其特征在于,所述BO-BiLSTM模型内的优化参数包括L2正则项。
5.如权利要求1所述的考虑极端径流的径流预报模型构建方法,其特征在于,所述径流极端阈值的确定方法为:计算历史径流数据的均值和标准差,根据3σ原则,取均值与3倍标准差之和为径流极端阈值。
6.如权利要求1-5任一项所述的考虑极端径流的径流预报模型构建方法,
7.如权利要求6所述的考虑极端径流的径流预报模型构建方法,其特征在于,所述预处理包括:根据历史水文气象数据和遥相关气候因子数据得到的初始预报因子,根据时间上的缺失情况,对预报因子进行删除和插补;然后对预报因子进行时滞处理,形成预报因子集。
8.一种考虑极端径流的径流预报模型构建系统,其特征在于,包括处理器,所述处理器用于执行如权利要求1-7任一项所述的考虑极端径流的径流预报模型构建方法。
9.一种径流预报模型,其特征在于,采用如权利要求1-7任一项所述的考虑极端径流的径流预报模型构建方法构建而成。
10.一种基于如权利要求9所述的径流预报模型的径流预报方法,其特征在于,包括如下步骤:实时获取研究区域的各预报因子,将对应的预报因子分别输入常规模型和极端值模型,得到常规径流数据和极端径流数据。
...【技术特征摘要】
1.一种考虑极端径流的径流预报模型构建方法,其特征在于,包括如下步骤:
2.如权利要求1所述的考虑极端径流的径流预报模型构建方法,其特征在于,通过特征初筛模型确定各预报因子的贡献度;所述特征初筛模型包括xgboost模型和shap模型,其中,xgboost模型用于根据预报因子预测径流,该xgboost模型通过所述预报因子集训练而成;shap模型用于根据xgboost模型输出的径流预测结果计算各预报因子对径流预测结果的贡献度。
3.如权利要求1所述的考虑极端径流的径流预报模型构建方法,其特征在于,所述初步预报模型基于bo-bilstm模型构建而成。
4.如权利要求3所述的考虑极端径流的径流预报模型构建方法,其特征在于,所述bo-bilstm模型内的优化参数包括l2正则项。
5.如权利要求1所述的考虑极端径流的径流预报模型构建方法,其特征在于,所述径流极端阈值的确定方法为:计算历史径流数据的均值和标准差,根据3σ原则,取均值与3倍标准差之和为径流极端阈值。
6.如权利...
【专利技术属性】
技术研发人员:闫宝伟,常建波,周学叡,孙明博,古东霖,杨东旭,唐仪伟,邹旖轩,
申请(专利权)人:华中科技大学,
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。