【技术实现步骤摘要】
本专利技术涉及地表径流演变，尤其涉及一种基于深度学习和可解释性分析的地表径流成因识别方法及装置。
技术介绍
1、地表径流是降水后沿地表斜坡流动的水流，作为流域出口断面的主要径流组分，直接决定了洪水形成过程和水资源时空分配，其动态变化对水循环和生态系统平衡具有决定性影响。这一物理过程受到地形坡度、土壤渗透性、植被覆盖度和降水特征等多要素的耦合作用，各因子通过非线性交互产生协同效应，导致径流生成机制呈现显著的空间异质性和时间变异性。
2、在全球变暖背景下，气候系统正在经历降水强度、频次和空间分布的深刻重组，这种重组通过改变暴雨-径流响应关系，使得极端径流事件的发生概率和量级呈现倍增效应。因此，定量解析气候-下垫面双重驱动下的径流演变规律，不仅是水资源优化配置的科学基础，更是构建韧性防洪体系的关键前提，其研究成果可直接转化为洪旱灾害风险预警系统的算法内核。
3、现有的地表径流成因识别方法大多采用单一的lstm（long short-term memory，长短期记忆网络）、bilstm（bidirectional lo...
【技术保护点】
1.一种基于深度学习和可解释性分析的地表径流成因识别方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习和可解释性分析的地表径流成因识别方法，其特征在于，所述一维卷积模块包括一维卷积层、随机失活层、残差连接层；所述采用所述一维卷积模块对所述气象水文因子时间序列数据进行卷积操作，输出局部响应特征序列，包括：
3.根据权利要求1所述的基于深度学习和可解释性分析的地表径流成因识别方法，其特征在于，所述双向长短期记忆网络包括双向长短期记忆网络层、标准化层、残差连接层；所述通过所述双向长短期记忆网络对所述局部响应特征序列执行双向处理操作，生成目...
【技术特征摘要】
1.一种基于深度学习和可解释性分析的地表径流成因识别方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习和可解释性分析的地表径流成因识别方法，其特征在于，所述一维卷积模块包括一维卷积层、随机失活层、残差连接层；所述采用所述一维卷积模块对所述气象水文因子时间序列数据进行卷积操作，输出局部响应特征序列，包括：
3.根据权利要求1所述的基于深度学习和可解释性分析的地表径流成因识别方法，其特征在于，所述双向长短期记忆网络包括双向长短期记忆网络层、标准化层、残差连接层；所述通过所述双向长短期记忆网络对所述局部响应特征序列执行双向处理操作，生成目标全面特征序列，包括：
4.根据权利要求1所述的基于深度学习和可解释性分析的地表径流成因识别方法，其特征在于，所述基于多头注意力机制的识别模块包括多头注意力机制层、展平层、全连接层；所述将所述目标全面特征序列输入至所述基于多头注意力机制的识别模块进行识别，输出目标地表径流成因识别结果，包括：
5.根据权利要求1所述的基于深度学习和可解释性分析的地表径流成因识别方法，其特征...
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。