【技术实现步骤摘要】
本专利技术涉及径流回溯模拟，尤其涉及一种融合物理机制和人工智能的径流回溯模拟方法及系统。
技术介绍
1、高质量的长系列径流数据是流域风险评估、农业生产管理、生态保护、水文模拟以及水利工程规划设计的重要基础资料。传统的径流数据主要依赖水文站点观测，但是站网通常密度较小且空间布设不均，难以准确反映水文变量的时空变化特性，不能满足水资源调查评价和防洪风险评估等工程应用需要。
2、近年来，卫星遥测技术和数据反演算法快速发展，基于卫星遥感反演的气象观测产品具有较宽的覆盖范围和更高的时空分辨率，有效弥补了气象站点布设不足的缺陷，并为无资料地区提供了新的数据参考。同时，随着人类观测手段和数据同化技术日渐成熟，学者们对多种来源(地面、船舶、无线电探空、测风气球、飞机、卫星等)的观测资料进行质量控制，提出利用数值天气预报的数据同化技术来回溯模拟长期历史气候过程，即所谓的再分析数据集，它同化了数值天气预报和大量的地面观测数据与卫星遥感信息，具有时空分辨率精度高、时间跨度长等优点。
3、随着遥感技术的发展，采用气象数据反演或回溯模拟径流系列已成为一条新途径，部分学者采用卫星降水和再分析气温数据应用于流域水文模拟，从而回溯模拟长系列径流数据。但是卫星和再分析气象数据往往存在一定的偏差，国内外学者评估了反演数据集在不同气候区气象、农业和水文等领域的适用性，少量研究校正了降水气温数据集的系统偏差。但是，不同偏差校正方法存在一定差异，对径流模拟带来较大的不确定性，现有方法的模拟效果欠佳。少量研究采用机器学习模型或水文模型开展水文模拟，
技术实现思路
1、针对现有技术中存在的技术问题，本专利技术提供一种融合物理机制和人工智能的径流回溯模拟方法及系统，用以解决现有技术中针对日径流回溯模拟没有考虑植被和下垫面变化影响的缺陷。
2、根据本专利技术的第一方面，本专利技术提供一种融合物理机制和人工智能的径流回溯模拟方法，包括以下步骤：
3、步骤100、采集卫星遥测和再分析数据集，搜集大尺度气候因子及流域出口断面水文测站的日径流系列；
4、步骤200、采用长系列卫星遥测和再分系数据集计算得到长系列的饱和水汽压亏缺、相对湿度和比湿；
5、步骤300、采用气象数据和水文站点观测的日径流系列率定分布式水文模型，模拟得到流域内各格点的径流深；
6、步骤400、采用泰森多边形方法推求上述模拟径流深及各变量的流域平均日系列，并采用随机森林模型，优选影响流域日径流的关键因子；
7、步骤500、基于所述优选的关键因子和流域水文测站的径流观测数据，构建多种人工智能模型；
8、步骤600、基于所述人工智能的模拟结果，采用月尺度贝叶斯模型推求各优选人工智能模型的权重参数；
9、步骤700、采用长系列关键因子数据集驱动所述人工智能模型和月尺度贝叶斯模型，生成长系列的流域日径流回溯模拟数据集。
10、在上述技术方案的基础上，本专利技术还可以作出如下改进。
11、可选的，步骤100包括以下步骤：
12、采集1940年以来的气象、水文、植被和土地利用数据集合；包括欧洲中期天气预报中心的第五代大气再分析数据集的日尺度气象、水文、植被数据；
13、获取大尺度气候因子中的enso指数、大气环流指数、印度洋偶极子，搜集流域出口断面水文站观测的日径流系列，并将上述所有数据均转化为日尺度数据集。
14、可选的，步骤200中，计算饱和水汽压亏缺和相对湿度代入克劳修斯-克拉珀龙热力学方程，表示为：
15、
16、其中，t0和es0为第一积分常数和第二积分常数，分别取273.16k和611pa；lv为汽化潜热常数，取2.5×106j kg-1；rv为水汽气体常数，取461j kg-1k-1；
17、将第五代大气再分析数据集2m气温(t2m)和露点温度(tdew)分别代入公式(1)，计算得到近饱和水汽压亏缺vpd＝esat(t2m)-esat(tdew)，并计算得到相对湿度rh＝esat(tdew)/esat(t2m)。
18、可选的，步骤200中，采用第五代大气再分析数据集近地气压p和露点温度计算得到比湿，公式如下：
19、
20、可选的，步骤300中，采用气象数据和水文站点观测的日径流系列率定分布式水文模型，模拟得到流域内各格点的径流深包括：
21、采用第五代大气再分析数据集格点化的的气温和降水数据集、地形数据、土壤数据和植被数据驱动vic分布式水文模型，率定该模型后模拟得到流域各格点的径流深。
22、可选的，步骤400中，采用随机森林模型，优选影响流域日径流的关键因子包括：
23、随机森林模型对各输入变量对模拟变量的重要性进行排序，并设置阈值，选取排名阈值前的变量作为关键因子；所述各输入变量包括但不限于vic模拟径流深、气温、比湿、相对湿度、饱和水汽压亏缺、降水量、土壤湿度、水汽通量散度、云层覆盖率、径流深、短波辐射、叶片面积指数、不透水面积、陆地水储量以及若干个大尺度气候因子。
24、可选的，步骤500中，所述构建多种人工智能模型包括但不限于：人工神经网络、支持向量机、长短期记忆模型、随机森林、高斯广义加性模型、朴素贝叶斯、卷积神经网络、决策树、多元自适应回归样条模型、高斯线性回归模型。
25、可选的，步骤600中，基于所述人工智能的模拟结果，采用月尺度贝叶斯模型推求各优选人工智能模型的权重参数包括：
26、对每一个月份均构建一套贝叶斯模型平均模型，推求各机器学习模型在模拟日径流方面的权重参数，即构建月尺度贝叶斯模型平均模型；所述月尺度贝叶斯模型平均模型表示为：
27、
28、式中：表示均值为fk，方差为的正态分布；e表示函数期望值，wk为第k个人工智能模型的权重，k取值＝10。
29、可选的，步骤700中，采用长系列关键因子数据集驱动所述人工智能模型和月尺度贝叶斯模型，生成长系列的流域日径流回溯模拟数据集包括：
30、基于步骤400优选的关键因子，采用1940年以来的长系列数据集驱动步骤500建立的多个机器学习模型，得到长系列日径流的回溯模拟数据集；
31、考虑步骤600得到的权重参数，生成一套1940年以来的长系列月径流回溯模拟数据集；表示如下
32、q(t,i)＝ωk(i)·qk(t,i) (6)
33、式中：q(t,i)为第i个月份(i＝1,2,…,12)第t时刻的各模型加权得到的模拟月径流；ωk(i)为第k个人工智能模型在第i个月份的权重；qk(t,i)为第k个人工智能模型在第i个月份第t时刻的模拟日径流。
<本文档来自技高网...【技术保护点】
1.一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，步骤100包括以下步骤：
3.根据权利要求1所述的一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，步骤200中，计算饱和水汽压亏缺和相对湿度代入克劳修斯-克拉珀龙热力学方程，表示为：
4.根据权利要求3所述的一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，步骤200中，采用第五代大气再分析数据集近地气压p和露点温度计算得到比湿q，公式如下：
5.根据权利要求1所述的一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，步骤300中，采用气象数据和水文站点观测的日径流系列率定分布式水文模型，模拟得到流域内各格点的径流深包括：
6.根据权利要求1所述的一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，步骤400中，采用随机森林模型，优选影响流域日径流的关键因子包括：
7.根据权利要求1所述的一种融合物理机制和人工智能的径流回
8.根据权利要求1所述的一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，步骤600中，基于所述人工智能的模拟结果，采用月尺度贝叶斯模型推求各优选人工智能模型的权重参数包括：
9.根据权利要求1所述的一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，步骤700中，采用长系列关键因子数据集驱动所述人工智能模型和月尺度贝叶斯模型，生成长系列的流域日径流回溯模拟数据集包括：
10.一种融合物理机制和人工智能的径流回溯模拟系统，其特征在于，包括：
...【技术特征摘要】
1.一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，步骤100包括以下步骤：
3.根据权利要求1所述的一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，步骤200中，计算饱和水汽压亏缺和相对湿度代入克劳修斯-克拉珀龙热力学方程，表示为：
4.根据权利要求3所述的一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，步骤200中，采用第五代大气再分析数据集近地气压p和露点温度计算得到比湿q，公式如下：
5.根据权利要求1所述的一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，步骤300中，采用气象数据和水文站点观测的日径流系列率定分布式水文模型，模拟得到流域内各格点的径流深包括：
6.根据权利要求1所述的一种融合物理机制和人工智能的径流回溯模拟方法，其特征在于，...
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。