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】
本专利技术涉及灾害预测,具体涉及一种基于深度学习的山洪时空预测方法。
技术介绍
1、山洪预警是山洪灾害防御的重要非工程措施,也是最有效的手段之一。准确及时地山洪预报,可向受灾害威胁的组织和个人提前发布灾害警报,传递并执行撤离或转移的指令,为山洪防御工作争取宝贵的时间窗口,从而避免或降低山洪带来的灾害和损失。然而,由于山区地形起伏大,植被类型和下垫面条件复杂,局部短时强降雨突发性强,且时空分布严重不均,导致山洪过程变化剧烈,产汇流非线性特征强,因此山洪分析模拟与预测难度大,是全世界水文学者在洪水预报领域与减灾实践过程中面临的难点问题。
2、目前洪水预警模型主要可归纳为物理驱动的方法和数据驱动的方法两类。物理驱动的方法主要采用水文模型和水动力模型对洪水进行模拟预测,如新安江模型、mike模型等,此类模型技术多已趋于成熟,在数据完备和时间充足的前提下可以对洪水过程进行较为准确地模拟。然而山洪灾害突发性强,其短时临近预测对模型的效率要求较高,采用物理驱动方法构建的模型由于计算复杂耗时,难以满足快速和高精度山洪预测的实际需求。
3、随着计算机科学和数据采集技术的不断发展,以数据驱动为基础的山洪预测模型成为可能。近年来,国内外学者将机器学习方法应用于洪水预报的研究表明,基于机器学习方法的洪水预测模型在挖掘产汇流规律、提高计算速度和实时预测校正方面极具潜能。然而,传统机器学习模型通常采用时间序列先分解后合成的思路来构造特征,但是由于洪水过程的高度非线性特点,其特征提取效果难以保证,从而影响模型预测性能。
4
技术实现思路
1、本专利技术为了克服以上技术的不足,提供了一种基于深度学习的山洪时空预测方法。本专利技术基于深度学习方法,即,基于pytorch深度学习框架实现的卷积神经网络(cnn)和循环神经网络(rnn),构建了山洪时空预测代理模型,该山洪时空预测代理模型通过在水文模型和水动力模型模拟的大量降雨和对应山洪淹没数据样本中训练学习,拟合降雨到山洪之间的复杂非线性关系,完成针对山洪时空预测任务的物理模型代理,本专利技术的山洪时空预测代理模型可根据降雨时间序列,快速并较精确地预测山洪淹没的时空变化过程,服务于山洪灾害的短时临近预报任务。
2、术语解释:
3、1、cnn:convolutional neural networks,卷积神经网络。
4、2、rnn:recurrent neural networks,循环神经网络。
5、3、lstm:long short term memory,长短期记忆。
6、4、gru:gate recurrent unit,门控循环单元。
7、5、dem:digital elevation model,数字高程模型。
8、6、scs:soil conservation service,水土保持局。
9、7、lisflood-fp:一款洪水淹没二维水动力模型的模型名字。
10、8、arcgis:一款地理信息系统软件,用于管理、分析和展示地理空间数据。
11、9、fc:fully connected,全连接。
12、10、conv:convolution,卷积。
13、11、convgru:convolutional gated recurrent unit,卷积门控循环单元。
14、12、relu:rectified linear unit,线性整流函数。
15、13、mse:mean squared error,均方误差。
16、14、mae:mean absolute error,平均绝对误差。
17、15、mape:mean absolute percentage error,平均绝对百分比误差。
18、16、r2:可决系数。
19、本专利技术克服其技术问题所采用的技术方案是:
20、一种基于深度学习的山洪时空预测方法,包括如下步骤:
21、s1、通过栅格式scs水文模型模拟目标区域的山洪产流过程:将栅格式scs水文模型所需的静态数据以及降雨时间序列样本输入栅格式scs水文模型中,进行参数率定后,模拟目标区域的山洪产流过程,山洪产流过程至少包括径流量;
22、s2、通过lisflood-fp水动力模型模拟山洪淹没过程:将lisflood-fp水动力模型所需的静态数据和栅格式scs水文模型模拟的径流量输入lisflood-fp水动力模型中,对于一维河道采用浅水方程模拟水流运动,对于二维洪泛区采用连续方程和动量方程模拟水流的扩散和淹没过程;
23、s3、创建物理模拟的降雨-山洪数据集:通过栅格式scs水文模型和lisflood-fp水动力模型物理模拟得到降雨-山洪初始样本集,每条样本在降雨触及暴雨橙色预警信号标准的时刻,提取该时刻过去小时和未来小时的降雨时间序列作为输入,对应未来小时的山洪时空序列作为输出,以此创建降雨-山洪数据集,其中,的取值范围为[3,48],的取值范围为[3,12],且和均为整数;
24、s4、基于pytorch深度学习框架构建山洪时空预测代理模型;
25、s5、通过步骤s3得到的降雨-山洪数据集,对步骤s4得到的山洪时空预测代理模型进行训练和测试。
26、进一步地,步骤s1中,栅格式scs水文模型所需的静态数据至少包括填洼后的数字高程模型、河网、水流方向、坡度、土壤类型和流速系数;步骤s2中,lisflood-fp水动力模型所需的静态数据至少包括填洼后的数字高程模型、河网和河网河道宽度;其中,河网、水流方向、坡度和河网河道宽度均为通过对数字高程模型进行填洼处理后提取得到,土壤类型和流速系数为公开渠道获得,具体地,土壤类型可以从国家土壤信息服务平台获取,流速系数的获取是可以先从中国科学院资源环境数据中心获取土地利用特征数据后,根据流速系数推荐取值表换算得到。
27、进一步地,步骤s1中,降雨时间序列样本是基于目标区域发布的降雨触及暴雨橙色预警信号标准的历史降雨观测记录和设计暴雨雨型进行蒙特卡洛抽样,模拟若干条包含不同雨型的降雨时间序列,每条降雨时间序列包含小时的每小时降雨量,的取值范围为[24,72],为整数且。
28、进一步地,步骤s1中,山洪本文档来自技高网...
【技术保护点】
1.一种基于深度学习的山洪时空预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于深度学习的山洪时空预测方法,其特征在于,步骤S1中,栅格式SCS水文模型所需的静态数据至少包括填洼后的数字高程模型、河网、水流方向、坡度、土壤类型和流速系数;步骤S2中,LISFLOOD-FP水动力模型所需的静态数据至少包括填洼后的数字高程模型、河网和河网河道宽度;其中,河网、水流方向、坡度和河网河道宽度均为通过对数字高程模型进行填洼处理后提取得到,土壤类型和流速系数为公开渠道获得。
3.根据权利要求1所述的基于深度学习的山洪时空预测方法,其特征在于,步骤S1中,降雨时间序列样本是基于目标区域发布的降雨触及暴雨橙色预警信号标准的历史降雨观测记录和设计暴雨雨型进行蒙特卡洛抽样,模拟若干条包含不同雨型的降雨时间序列,每条降雨时间序列包含小时的每小时降雨量,的取值范围为[24,72],为整数且。
4.根据权利要求1所述的基于深度学习的山洪时空预测方法,其特征在于,步骤S1中,山洪产流的计算如公式(1)和公式(2):
5.根据权利要求1所述的基于
6.根据权利要求3所述的基于深度学习的山洪时空预测方法,其特征在于,步骤S3具体包括如下:
7.根据权利要求6所述的基于深度学习的山洪时空预测方法,其特征在于,步骤S4中,山洪时空预测代理模型包括四个模块:时间特征提取模块、空间特征提取模块、时空特征提取模块和还原输出模块。
8.根据权利要求7所述的基于深度学习的山洪时空预测方法,其特征在于,步骤S4中,
9.根据权利要求1所述的基于深度学习的山洪时空预测方法,其特征在于,步骤S5中,采用均方误差指标作为山洪时空预测代理模型训练的损失函数,采用平均绝对误差、平均绝对百分比误差和可决系数三个指标对山洪时空预测代理模型的预测性能进行验证;
10.根据权利要求9所述的基于深度学习的山洪时空预测方法,其特征在于,步骤S5中,将降雨-山洪数据集随机划分为训练集、验证集和测试集,其中,训练集用于山洪时空预测代理模型的训练,训练集数量占降雨-山洪数据集的60%-80%;验证集用于调整山洪时空预测代理模型的超参数和验证山洪时空预测代理模型的训练是否收敛,验证集数量占降雨-山洪数据集的10%-20%;测试集用于评估山洪时空预测代理模型的性能和泛化能力,测试集数量占降雨-山洪数据集的10%-20%;山洪时空预测代理模型训练时,通过Adam优化器来最小化损失函数,当在验证集上的值在至少25次迭代后都未下降时,视为山洪时空预测代理模型的训练已收敛,此时停止训练,取验证集上最小值的迭代回合作为山洪时空预测代理模型的训练结果;在测试集样本中,分别统计计算山洪时空预测代理模型预测未来小时山洪淹没时空序列误差的空间分布和未来小时逐小时的各评价指标,根据误差的空间分布统计判断山洪时空预测代理模型是否识别山洪易发栅格,根据各评价指标判断山洪时空预测代理模型逐小时预测与物理模拟的一致性,评估山洪时空预测代理模型的预测性能。
...【技术特征摘要】
1.一种基于深度学习的山洪时空预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于深度学习的山洪时空预测方法,其特征在于,步骤s1中,栅格式scs水文模型所需的静态数据至少包括填洼后的数字高程模型、河网、水流方向、坡度、土壤类型和流速系数;步骤s2中,lisflood-fp水动力模型所需的静态数据至少包括填洼后的数字高程模型、河网和河网河道宽度;其中,河网、水流方向、坡度和河网河道宽度均为通过对数字高程模型进行填洼处理后提取得到,土壤类型和流速系数为公开渠道获得。
3.根据权利要求1所述的基于深度学习的山洪时空预测方法,其特征在于,步骤s1中,降雨时间序列样本是基于目标区域发布的降雨触及暴雨橙色预警信号标准的历史降雨观测记录和设计暴雨雨型进行蒙特卡洛抽样,模拟若干条包含不同雨型的降雨时间序列,每条降雨时间序列包含小时的每小时降雨量,的取值范围为[24,72],为整数且。
4.根据权利要求1所述的基于深度学习的山洪时空预测方法,其特征在于,步骤s1中,山洪产流的计算如公式(1)和公式(2):
5.根据权利要求1所述的基于深度学习的山洪时空预测方法,其特征在于,步骤s2中,对于一维河道,采用浅水方程模拟水流运动,如公式(4)和公式(5)所示:
6.根据权利要求3所述的基于深度学习的山洪时空预测方法,其特征在于,步骤s3具体包括如下:
7.根据权利要求6所述的基于深度学习的山洪时空预测方法,其特征在于,步骤s4中,山洪时空预测代理模型包括四个模块:时间特征提取模块、空间...
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。