【技术实现步骤摘要】
本申请涉及水文预报的，尤其涉及融合稀疏自注意力机制的深度学习洪水预报方法、装置。
技术介绍
1、相关技术中，对未来时期洪水的预报通常单纯依赖于公式模型，由于这些公式模型难以对洪水影响因素作出全面评估，而且这些公式模型中难以避免地带有人为经验成分，导致预测结果不够精准。
技术实现思路
1、有鉴于此，本申请提供融合稀疏自注意力机制的深度学习洪水预报方法、装置，能够提升洪水预报的准确性。
2、第一方面，本申请提供一种融合稀疏自注意力机制的深度学习洪水预报方法，包括：
3、根据目标流域的数字高程数据，对该目标流域内的蒸发量数据序列进行空间插值以获得栅格蒸发量数据序列；
4、根据目标流域的数字高程数据，对该目标流域内的降雨量数据序列进行空间插值以获得栅格降雨量数据，由栅格降雨量数据确定栅格前期影响雨量数据，并由栅格前期影响雨量数据和栅格降雨量数据堆叠形成栅格降雨量数据序列、栅格前期影响雨量数据序列；
5、通过将站点流量数据序列、所述栅格蒸发量数据序列、所述栅格降雨量数据序列、所述栅格前期影响雨量数据序列作为convlstm-ssa深度学习模型训练的输入对象，构建洪水预报模型，以由所述洪水预报模型生成未来时期的洪水预报结果。
6、可选地，由栅格降雨量数据确定栅格前期影响雨量数据，采用降雨径流关系图法。
7、可选地，栅格蒸发量数据序列的空间插值、栅格降雨量数据的空间插值为反距离权重插值。
8、可选地，根据目标流域
9、按照经纬度对目标流域进行网格划分得到每个格点的经纬度坐标，基于所述格点经纬度坐标对原始dem数据进行插值计算以得到每个格点的高程；
10、基于所述格点的高程，将每个时刻的蒸发量数据插值成栅格蒸发量数据，并将不同时刻的栅格蒸发量数据堆叠形成栅格蒸发量数据序列。
11、可选地，根据目标流域的数字高程数据对该目标流域内的降雨量数据序列进行空间插值以获得栅格降雨量数据，包括：
12、按照经纬度对目标流域进行网格划分得到每个格点的经纬度坐标，基于所述格点经纬度坐标对原始dem数据进行插值计算以得到每个格点的高程；
13、基于所述格点的高程，将每个时刻的降雨量数据插值成栅格降雨量数据。
14、可选地，构建洪水预报模型还包括：
15、在convlstm-ssa深度学习模型训练之后，对convlstm-ssa深度学习模型采用折交叉验证方式进行优化。
16、可选地，所述反距离权重插值，通过以下公式执行，
17、确定流域内每个格点到所有雨量站或气象站的水平距离 di：
18、；
19、确定流域内某一个格点到所有雨量站或气象站的垂直距离 hi：
20、；
21、根据水平距离 di、垂直距离 hi确定权重 wi：
22、；
23、根据权重 wi确定目标流域内不同格点的降雨量或者是蒸发量数据z：
24、；
25、式中，( x,y)为某一个格点的经纬度坐标， h为某一个格点的高程，( xi ,yi)为第 i个雨量站或气象站的经纬度坐标， hi为第 i个雨量站或气象站的高程， p为方次参数， n为雨量站点或气象站的总数， zi为第 i个雨量站或气象站的降雨量或者是蒸发量。
26、第二方面，本申请提供一种融合稀疏自注意力机制的深度学习洪水预报装置，包括：
27、第一空间插值模块，用以根据目标流域的数字高程数据，对该目标流域内的蒸发量数据序列进行空间插值以获得栅格蒸发量数据序列；
28、第二空间插值模块，用以根据目标流域的数字高程数据，对该目标流域内的降雨量数据序列进行空间插值以获得栅格降雨量数据，由栅格降雨量数据确定栅格前期影响雨量数据，并由栅格前期影响雨量数据和栅格降雨量数据堆叠形成栅格降雨量数据序列、栅格前期影响雨量数据序列；
29、构建模块，用以通过将站点流量数据序列、所述栅格蒸发量数据序列、所述栅格降雨量数据序列、所述栅格前期影响雨量数据序列作为convlstm-ssa深度学习模型训练的输入对象，构建洪水预报模型，以由所述洪水预报模型生成未来时期的洪水预报结果。
30、第三方面，本申请提供一种计算机可读存储介质，包括程序，当所述程序在计算机上运行时，使得计算机执行如上述的方法。
31、第四方面，本申请提供一种执行设备，包括处理器和存储器，所述处理器与所述存储器耦合；
32、所述存储器，用于存储程序；
33、所述处理器，用于执行所述存储器中的程序，使得所述执行设备执行如上述的方法。
34、本申请所公开方法中，通过convlstm-ssa深度学习模型作为洪水预报模型，并以栅格降雨、前期影响雨量以及蒸发作为输入，综合考虑了多种气象数据的时空信息进行洪水预报，由此提高了洪水预报的精准性。此外，convlstm-ssa深度学习模型嵌入了稀疏注意力机制（ssa），能够降低现有深度学习模型的计算复杂度，提升了模型的适用性。
本文档来自技高网...【技术保护点】
1.一种融合稀疏自注意力机制的深度学习洪水预报方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，由栅格降雨量数据确定栅格前期影响雨量数据，采用降雨径流关系图法。
3.根据权利要求1所述的方法，其特征在于，栅格蒸发量数据序列的空间插值、栅格降雨量数据的空间插值为反距离权重插值。
4.根据权利要求1所述的方法，其特征在于，根据目标流域的数字高程数据对该目标流域内的蒸发量数据序列进行空间插值，包括：
5.根据权利要求1所述的方法，其特征在于，根据目标流域的数字高程数据对该目标流域内的降雨量数据序列进行空间插值以获得栅格降雨量数据，包括：
6.根据权利要求1所述的方法，其特征在于，构建洪水预报模型还包括：
7.根据权利要求3所述的方法，其特征在于，所述反距离权重插值，通过以下公式执行，
8.一种融合稀疏自注意力机制的深度学习洪水预报装置，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，包括程序，当所述程序在计算机上运行时，使得计算机执行如权利要求1至7中任一项所述
10.一种执行设备，其特征在于，包括处理器和存储器，所述处理器与所述存储器耦合；
...【技术特征摘要】
1.一种融合稀疏自注意力机制的深度学习洪水预报方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，由栅格降雨量数据确定栅格前期影响雨量数据，采用降雨径流关系图法。
3.根据权利要求1所述的方法，其特征在于，栅格蒸发量数据序列的空间插值、栅格降雨量数据的空间插值为反距离权重插值。
4.根据权利要求1所述的方法，其特征在于，根据目标流域的数字高程数据对该目标流域内的蒸发量数据序列进行空间插值，包括：
5.根据权利要求1所述的方法，其特征在于，根据目标流域的数字高程数据对该目标流域内的...
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。