本申请提供一种模型训练方法、降雨径流预测方法、装置、设备及介质，涉及地理水文信息领域。该模型训练方法包括：获取降雨径流相关的多组数据；确定每种地理要素因子的空间变异指数和时间变异指数，空间变异指数是指地理要素因子随地理位置变化的速率；时间变异指数是指地理要素因子随时间变化的速率；将第一类地理要素因子在不同地理位置，不同时间段的取值更新为第一固定取值；将第二类地理要素因子在不同地理位置的取值更新为第二固定取值；将第三类地理要素因子在不同时间段的取值更新为第三固定取值；通过经过更新后的多组数据对降雨径流预测模型进行训练。本申请的方法，可以提高降雨径流预测模型的泛化能力。
【技术实现步骤摘要】
本申请涉及地理水文信息领域，尤其涉及一种模型训练方法、降雨径流预测方法、装置、设备及介质。
技术介绍
1、在水文和水资源管理领域，降雨径流是指由降雨所形成的径流，它是降雨在扣除蒸发、土壤入渗、植物截留及洼地滞蓄等水量后，沿地表或地下汇入河流、湖泊或海洋的水流总称。准确地预测降雨径流可以有效减少洪水灾害，优化水资源配置，并支持生态环境保护。
2、现有的基于深度学习的降雨径流预测方法通常先运用地理要素特征数据集对模型进行训练，然后，将待预测的地理要素特征数据输入该训练好的模型，从而输出预测的降雨径流。
3、但是，现有的基于深度学习的降雨径流预测方法对于输入模型的地理要素特征数据集的要求较高，如果在训练时，输入的地理要素特征数据集中的数据存在着数据冗余的问题，那么模型就可能会出现过拟合现象，使得其泛化能力降低，从而导致模型的预测结果误差较大。
技术实现思路
1、本申请提供一种模型训练方法、降雨径流预测方法、装置、设备及介质，用以提高降雨径流预测模型的泛化能力。
>2、第一方面，本申本文档来自技高网...
【技术保护点】
1.一种模型训练方法，其特征在于，所述模型训练方法包括：
2.根据权利要求1所述的模型训练方法，其特征在于，所述确定每种所述地理要素因子的空间变异指数和时间变异指数，包括：
3.根据权利要求2所述的模型训练方法，其特征在于，所述模型训练方法还包括：
4.根据权利要求3所述的模型训练方法，其特征在于，所述确定每种所述地理要素因子的空间变异指数和时间变异指数之前，所述模型训练方法还包括：
5.根据权利要求3所述的模型训练方法，其特征在于，所述确定每种所述地理要素因子的空间变异指数和时间变异指数之前，所述模型训练方法还包括：</p>6.根据
...
【技术特征摘要】
1.一种模型训练方法，其特征在于，所述模型训练方法包括：
2.根据权利要求1所述的模型训练方法，其特征在于，所述确定每种所述地理要素因子的空间变异指数和时间变异指数，包括：
3.根据权利要求2所述的模型训练方法，其特征在于，所述模型训练方法还包括：
4.根据权利要求3所述的模型训练方法，其特征在于，所述确定每种所述地理要素因子的空间变异指数和时间变异指数之前，所述模型训练方法还包括：
5.根据权利要求3所述的模型训练方法，其特征在于，所述确定每种所述地理要素因子的空间变异指数和时间变异指数之前，所述模型训练方法还包括：
6.根据权利要求1至5任一项所述的模型训练方法，其特征在于，所述通过经过所述更新后的所述多组数据对降雨径流预测模型进行训练，包括：
7.根据权利要求6所述的模型...
【专利技术属性】
技术研发人员：徐超伟，陈亚松，王殿常，尹炜，赵云鹏，朱雅婷，沈秋实，侯雨坤，
申请(专利权)人：长江三峡集团实业发展北京有限公司，
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。