【技术实现步骤摘要】
本申请涉及径流推求，且更为具体地，涉及一种基于深度学习的缺资料小流域径流推求系统及方法。
技术介绍
1、在全球水资源管理与水文学研究中，准确评估流域的径流情况对于防洪减灾、水资源规划及环境保护等方面具有重要意义。然而，对于众多小型或偏远地区的流域而言，由于监测设施缺乏、数据记录不完整或技术限制等因素，往往难以获取直接且连续的径流数据。这类被称为“缺资料小流域”的区域，其水文特性的准确评估成为了水文科学研究中的一个重要挑战。
2、传统上，解决缺资料流域径流评估问题的方法多依赖于经验公式、区域化方法或基于邻近流域的类比法。这些方法虽然在一定程度上能够弥补数据缺失的不足，但往往受限于区域特异性、气候变化影响及地形地貌的复杂性，导致预测结果的准确性和适用性受限。特别是在全球气候变化背景下，缺资料小流域的水文特性评估面临着更大的不确定性。
3、近年来，随着地理信息系统（gis）技术、遥感技术以及大数据处理能力的飞速发展，利用全球性降水数据和地理空间信息来推求缺资料流域的水文特征成为可能。因此，期待一种基于深度学习的缺资料小流域径流推求系统及方法。
技术实现思路
1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于深度学习的缺资料小流域径流推求系统及方法，其通过从先验数据库提取已知流域的径流数据集来作为参考样本，并采用深度学习算法对目标缺资料小流域的地理数据和各个参考数据样本进行语义嵌入编码，以提取出目标缺资料小流域地理数据和各个参考数据样本的语义嵌入表
2、相应地，根据本申请的一个方面，提供了一种基于深度学习的缺资料小流域径流推求方法，其包括：
3、获取目标缺资料小流域的地理数据；
4、从先验数据库提取已知流域的径流数据集，其中，所述已知流域的径流数据集中的各个数据样本包括地理数据、径流数据和全球性降水数据；
5、对所述已知流域的径流数据集中的各个数据样本和所述目标缺资料小流域的地理数据分别进行矢量化编码以得到已知流域样本数据嵌入编码向量的集合和目标缺资料小流域地理数据嵌入编码向量；
6、以所述目标缺资料小流域地理数据嵌入编码向量作为查询向量，对所述查询向量和所述已知流域样本数据嵌入编码向量的集合进行基于自适应决策锚定的流域数据高维语义模糊查询以得到目标缺资料小流域语义查询动态响应编码向量；
7、基于所述目标缺资料小流域语义查询动态响应编码向量，确定所述目标缺资料小流域的径流推求值。
8、根据本申请的另一个方面，提供了一种基于深度学习的缺资料小流域径流推求系统，其包括：
9、缺资料小流域地理数据获取模块，用于获取目标缺资料小流域的地理数据；
10、已知流域径流数据提取模块，用于从先验数据库提取已知流域的径流数据集，其中，所述已知流域的径流数据集中的各个数据样本包括地理数据、径流数据和全球性降水数据；
11、矢量化编码模块，用于对所述已知流域的径流数据集中的各个数据样本和所述目标缺资料小流域的地理数据分别进行矢量化编码以得到已知流域样本数据嵌入编码向量的集合和目标缺资料小流域地理数据嵌入编码向量；
12、语义模糊查询编码模块，用于以所述目标缺资料小流域地理数据嵌入编码向量作为查询向量，对所述查询向量和所述已知流域样本数据嵌入编码向量的集合进行基于自适应决策锚定的流域数据高维语义模糊查询以得到目标缺资料小流域语义查询动态响应编码向量；
13、径流推求模块，用于基于所述目标缺资料小流域语义查询动态响应编码向量，确定所述目标缺资料小流域的径流推求值。
14、与现有技术相比，本申请提供的基于深度学习的缺资料小流域径流推求系统及方法，其通过从先验数据库提取已知流域的径流数据集来作为参考样本，并采用深度学习算法对目标缺资料小流域的地理数据和各个参考数据样本进行语义嵌入编码，以提取出目标缺资料小流域地理数据和各个参考数据样本的语义嵌入表示，进而以目标缺资料小流域的地理信息作为查询，通过对已知流域的样本数据进行高维语义模糊匹配编码，以利用具有地理相似性的已知流域样本中的径流数据和全球性降水数据来推求目标缺资料小流域的径流情况。通过这种方式，可以充分利用全球化信息，提高缺资料小流域径流推求的准确性和适用性。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的缺资料小流域径流推求方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的缺资料小流域径流推求方法，其特征在于，所述已知流域的径流数据集中的各个数据样本包括地理数据、径流数据和全球性降水数据。
3.根据权利要求2所述的基于深度学习的缺资料小流域径流推求方法，其特征在于，以所述目标缺资料小流域地理数据嵌入编码向量作为查询向量，对所述查询向量和所述已知流域样本数据嵌入编码向量的集合进行基于自适应决策锚定的流域数据高维语义模糊查询以得到目标缺资料小流域语义查询动态响应编码向量，包括：
4.根据权利要求3所述的基于深度学习的缺资料小流域径流推求方法，其特征在于，对所述查询向量以及所述已知流域样本数据嵌入编码向量的集合中的各个已知流域样本数据嵌入编码向量分别进行深度隐含特征提取以得到目标缺资料小流域语义查询特征深度隐含编码向量和已知流域样本数据语义特征深度隐含编码向量的集合，包括：
5.根据权利要求4所述的基于深度学习的缺资料小流域径流推求方法，其特征在于，基于所述目标流域-已知流域样本数据语义响应锚定编码矩阵
6.根据权利要求5所述的基于深度学习的缺资料小流域径流推求方法，其特征在于，计算所述目标流域-已知流域样本数据语义响应锚定编码矩阵的集合中各个目标流域-已知流域样本数据语义响应锚定编码矩阵的决策锚自适应拼接因子以得到目标流域-已知流域样本数据决策锚自适应拼接因子的集合，包括：
7.根据权利要求6所述的基于深度学习的缺资料小流域径流推求方法，其特征在于，基于所述目标流域-已知流域样本数据语义响应锚定编码矩阵的集合中各个目标流域-已知流域样本数据语义响应锚定编码矩阵的统计特征值，计算所述各个目标流域-已知流域样本数据语义响应锚定编码矩阵的决策锚自适应拼接因子以得到所述目标流域-已知流域样本数据决策锚自适应拼接因子的集合，包括：
8.根据权利要求7所述的基于深度学习的缺资料小流域径流推求方法，其特征在于，基于所述目标缺资料小流域语义查询动态响应编码向量，确定所述目标缺资料小流域的径流推求值，包括：
9.一种基于深度学习的缺资料小流域径流推求系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于深度学习的缺资料小流域径流推求方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的缺资料小流域径流推求方法，其特征在于，所述已知流域的径流数据集中的各个数据样本包括地理数据、径流数据和全球性降水数据。
3.根据权利要求2所述的基于深度学习的缺资料小流域径流推求方法，其特征在于，以所述目标缺资料小流域地理数据嵌入编码向量作为查询向量，对所述查询向量和所述已知流域样本数据嵌入编码向量的集合进行基于自适应决策锚定的流域数据高维语义模糊查询以得到目标缺资料小流域语义查询动态响应编码向量，包括：
4.根据权利要求3所述的基于深度学习的缺资料小流域径流推求方法，其特征在于，对所述查询向量以及所述已知流域样本数据嵌入编码向量的集合中的各个已知流域样本数据嵌入编码向量分别进行深度隐含特征提取以得到目标缺资料小流域语义查询特征深度隐含编码向量和已知流域样本数据语义特征深度隐含编码向量的集合，包括：
5.根据权利要求4所述的基于深度学习的缺资料小流域径流推求方法，其特征在于，基于所述目标流域-已知流域样本数据语义响应锚定编码矩阵的集合中的各个目标流域-已知流域样本数据语义响应锚定编码矩阵的特征...
【专利技术属性】
技术研发人员：胡庆芳，刘连，隆院男，于兵兵，黄对，张根瑞，
申请(专利权)人：水利部交通运输部国家能源局南京水利科学研究院，
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。