一种无资料流域区域化径流预测方法、装置及系统制造方法及图纸

本发明专利技术公开了无资料流域区域化径流预测方法、装置及系统，包括获取有资料流域数据，包括气象数据、径流时间序列以及静态属性数据；获取无资料流域数据，包括气象数据和静态属性数据；对径流时间序列进行聚类，将所有有资料流域划分为K个类别，构建用来表征静态属性数据和流域的类别之间映射关系的随机森林模型；针对各类别对应的有资料流域数据，训练基于深度学习的神经网络模型，得到K个训练完成的径流预测模型；基于无资料流域的静态属性数据，以及随机森林模型确定出无资料流域所属的类别；将无资料流域的历史第t‑τ+1到t天气象数据输入到对应类别的径流预测模型中预测出第t天的径流。本发明专利技术能够解决基于水文模型的无资料流域径流预测中的模型参数移植不确定性问题。

【技术实现步骤摘要】

本专利技术属于水利大数据，尤其涉及无资料地区水文模拟与洪水预报，具体涉及一种基于流域分类和深度学习的无资料流域区域化径流预测方法、装置及系统。

技术介绍

1、水是人类生存与发展的关键资源。然而，在无资料地区，水资源管理面临巨大困难，缺乏可靠的水文数据限制了对水资源的预测和规划能力。因此，开展区域化径流预测研究可以为无资料地区提供准确的水资源预测和规划基础，有助于合理分配水资源、解决水资源短缺问题，并推动社会经济的可持续发展和生态环境的保护。

2、基于物理过程的水文模型通常采用参数区域化的方法来实现无资料流域的径流预测。其基本假设认为相似流域之间的水文参数是可以相互移植的。而相似流域的判定方法通常采用距离邻近法或物理相似法。然而，这些方法在确定流域相似性过程中存在较大不确定性，受到人为主观影响。此外，水文模型的参数具有实际物理意义，需要进一步验证是否可将其参数应用于其他流域。

3、近年来，在水文径流预测研究中，深度学习中的循环神经网络结构模型，如长短时记忆神经网络(long short-term memory networks，lst本文档来自技高网...

【技术保护点】

1.一种无资料流域区域化径流预测方法，其特征在于，包括：

2.根据权利要求1所述的一种无资料流域区域化径流预测方法，其特征在于，所述对有资料流域的径流时间序列进行聚类，将所有有资料流域划分为K个类别，具体包括：计算所有有资料流域径流时间序列之间的距离相似度；

3.根据权利要求2所述的一种无资料流域区域化径流预测方法，其特征在于：所述距离相似度的计算方法包括：

4.根据权利要求3所述的一种无资料流域区域化径流预测方法，其特征在于：所述基于所述距离相似度，结合K-means聚类技术对来自不同的有资料流域径流时间序列进行聚类，包括：>

5.根据权利...

【技术特征摘要】

1.一种无资料流域区域化径流预测方法，其特征在于，包括：

2.根据权利要求1所述的一种无资料流域区域化径流预测方法，其特征在于，所述对有资料流域的径流时间序列进行聚类，将所有有资料流域划分为k个类别，具体包括：计算所有有资料流域径流时间序列之间的距离相似度；

3.根据权利要求2所述的一种无资料流域区域化径流预测方法，其特征在于：所述距离相似度的计算方法包括：

4.根据权利要求3所述的一种无资料流域区域化径流预测方法，其特征在于：所述基于所述距离相似度，结合k-means聚类技术对来自不同的有资料流域径流时间序列进行聚类，包括：

5.根据权利要求1所述的一种无资料流域区域化径流预测方法，其特征在于：所述静态属性数据包括地形位置、气候、土地覆盖、土壤...

【专利技术属性】
技术研发人员：江善虎，贺淼，任立良，刘懿，袁山水，杨肖丽，王孟浩，
申请(专利权)人：河海大学，
类型：发明
国别省市：