一种基于静态物理特征增强和区域模型的径流预测方法
本发明属于水文预报，具体公开了一种基于静态物理特征增强和区域模型的径流预测方法。
背景技术：
1、近年来，随着气候变暖，极端天气事件的发生频率和强度均有上升趋势。这对洪水预报研究提出了新的挑战。
2、影响洪水形成的因素众多且错综复杂。传统利用水文模型的预报方法难以完全准确的描述流域的水文过程，且相当依赖水文专家的经验。随着计算机技术的发展，一些深度学习的模型被提出用于洪水预报。相较于传统方法，深度学习模型能够很好挖掘数据之间的非线性关系，这有利于对流量数据和其他众多因素之间的关系进行建模。目前，洪水预报模型的最常用方法是lstm(长短时间记忆网络)，这种方法属于rnn(循环神经网络)的一种，能够有效的处理时间序列。lstm内部通过三个门控制器(输入门、遗忘门和输出门)以及一个细胞状态来有效的控制和调节信息的流动。但是，lstm只能推理单向的数据流，这就忽视了可预测数据(如：降水等)的未来趋势对当前时刻预报的影响。
3、在目前基于深度学习的洪水预报模型中，一个主流的方法是通过特征融合来学习多种因素与流量数据之间的变化关系。这种方法能够很好的让深度学习模型学习到输入特征和流量变化之间的关系，进而使得洪水预报在这些特征的辅助下更加准确。然而，目前大多数特征融合方法都只聚焦于静态物理特征和时序数据的简单相加，认为静态物理特征在整个洪水过程中是完全不变的，这些方法没有考虑不同静态物理特征在不同时刻对流量的影响可能是有差异的。流域的静态属性，如流域面积、地形坡度、土壤类型以及植被覆盖情况，都是流域水循环中重要的一环。这些因素的共同作用，一定程度上决定了洪水发生的概率和强度。
4、现有中小流域洪水预报方法多聚焦于特定的流域。这些方法对流域内的普通洪水事件有着较好的预报精度，但是对于极端洪水事件，这类方法显得不那么有效。一个主要原因是：极端洪水事件发生的频率小，流域内收集的历史数据中可能不包含相关事件。因此，对于特定流域的洪水预报模型可能无法准确预测极端洪水事件。据此，可以通过区域模型的思路进行洪水预报模型的训练。区域模型是指利用一个区域内所有的流域进行洪水预报模型的训练。通过这种方式，让模型从其他相似流域的历史数据中学习到极端洪水事件的洪水模式，利用这些数据指导未来可能发生的极端洪水事件的预报。
技术实现思路
1、发明目的：本发明提出一种基于静态物理特征增强和区域模型的径流预测方法，克服现有技术中因没有充分利用未来可预测数据、或因忽略流域静态数据对洪水预报准确率的影响。
2、技术方案：本发明所述的一种基于静态物理特征增强和区域模型的径流预测方法，包括以下步骤：
3、(1)收集区域内所有中小流域的静态物理特征，以及典型历史洪水过程中监测到的时序数据和各个测站的气候数据；
4、(2)采用标准差归一化对时序数据进行归一化处理，并采用马氏距离计算方式，基于时序数据、气候数据以及静态物理特征，按照一定的阈值筛选出相似流域；
5、(3)对筛选出来的流域中的静态物理特征进行处理，将不同维度的静态物理特征嵌入到与时序数据相同的维度空间中；
6、(4)构建基于静态物理特征增强的洪水预报模型se-lstm，包括编码器和解码器，其中编码器encoder采用bi-lstm作为骨架，学习过去监测值和未来预报值对当前时刻流量的影响；编码器中的静态特征融合模块sfu放大每个时刻对流量影响最大的流域静态特征；解码器decoder采用lstm作为骨架处理输入，利用编码器中学习到的模式进行预测；
7、(5)将经过步骤(2)和步骤(3)处理后的数据按一定的比例划分成训练集、验证集和测试集；用训练集和验证集训练模型，优化洪水预报模型se-lstm内部权重参数；
8、(6)用测试集测试训练好的洪水预报模型se-lstm，使用预测流量值和真实流量值进行比较评估洪水预报模型se-lstm性能。
9、进一步地，步骤(1)所述的静态物理特征包括平均蒸散、平均气温、地表平均气温、平均海拔、流域面积、坡度、下垫面类型。
10、进一步地，步骤(1)所述的所述时序数据包括降雨、河道流量、蒸散、气温、湿度、风速数据。
11、进一步地，所述步骤(2)实现过程如下：
12、(21)对动态的时序数据序列x＝{x1,x2…xn}，首先计算出标准差σ和平均值μ，然后采用如下公式进行预处理，得到处理结果x*：
13、
14、对归一化后的结果按照预设长度的回视窗口进行分段，得到输入数据：
15、
16、(22)使用寻峰算法统计时序数据的峰值，将计算出来的结果作为特征，整合以上所有的特征；
17、(23)对所有特征采用马氏距离计算相似度，马氏距离公式为：
18、
19、其中，x表示各个属性的矩阵，μ表示各个属性的均值矩阵，s表示协方差矩阵，由于静态特征和时序特征对预测的贡献程度不同，w为权重矩阵；
20、(24)按照预设阈值对计算出的马氏距离进行筛选，收集的小流域结果都在预设值内，筛选出相似流域。
21、进一步地，所述步骤(3)实现过程如下：
22、计算所有流域数据的公共起止时间；从公共起点开始对流域数据进行分割，设置回看窗口长度为120个时间步，预测长度为1个时间步；将每个静态物理特征和输入长度都嵌入到120维度的向量空间中。
23、进一步地，步骤(4)所述基于静态特征增强的流量预测模型se-lstm工作过程如下：
24、模型中的encoder部分接收动态时序数据以及静态数据，每个时刻输入的序列数据首先和静态数据使用sfu计算出带权重的输入；然后将输入送到bi-lstm中，期间产生的中间状态存储在lstm中的记忆器中；正向lstm学习过去雨量值对当前的影响，反向lstm学习未来预报值对当前流量的潜在影响；encoder中所有的数据学习完后，将正反两部分记忆器融合，作为decoder的初始输入；
25、模型中的decoder部分利用encoder中学习到的记忆器和静态特征权重设置初始状态；decoder接收除流量外的所有时序数据，与静态特征权重融合之后作为模型的输入，利用记忆器中学习到的知识输出预测值。
26、进一步地，步骤(4)所述静态特征融合模块sfu工作流程如下：
27、嵌入后的静态特征首先通过sigmoid函数计算出当前静态物理特征对时序数据的影响权重，然后给时序数据乘以该权重，最后再用一个残差结构将融合静态特征的数据和原始数据相加；输入变量x't和静态特征通过门控机制筛选出权重的公式如下：
28、
29、
30、其中，表示第i个静态特征的嵌入结果，resi表示第i个静态特征和时序数据融合后的结果；
31、对于嵌入后的结果集res1,res2,…,resn在通道方向进行聚合，得到所有静态特征和输入数据在各自通道融合结果的集合：
32、res＝concat(rea1,res2,…,resn)
33、将聚合后的数据[sequence_len,n]通过一个注意力层，提取不同静态特征对时序数据的影响，得到一个形状如[sequence_len,1]的序列；最后再和原始时序序列进行残差连接得到output：
34、output'＝attention(res)
35、output＝output'+x't
36、使用sigmoid激活函数来提取output数据中的非线性关系，之后通过dropout层和全连接层进行处理，得到经过静态特征增强的时序数据，并将其作为输入送入bi-lstm模型以进行进一步的分析和处理.
37、进一步地，步骤(24)所述的预设阈值为卡方分布临界值22.36，系按照自由度为13，概率值为0.05计算得出。
38、有益效果：与现有技术相比，本发明的有益效果：
39、1、对于现有预测方法中没有考虑静态物理特征对流量的影响可能存在实时变化，本发明采用sfu模块对每个时刻的输入提取不同的静态物理特征，增强模型可解释性的同时，提升预测精度；
40、2、采用区域模型的训练思想，得到的模型能够学习多个流域的水文特征，对那些数据集之外的相似流域，本发明也能有很好的预测效果；同时，对于极端洪水事件，本发明解决了目标流域由于缺少历史数据而预测不准确的问题；区域模型能够从其他流域中学习历史上的极端洪水事件模式，用于目标流域的预测中。
技术特征：
1.一种基于静态物理特征增强和区域模型的径流预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于静态物理特征增强和区域模型的径流预测方法，其特征在于，步骤(1)所述的静态物理特征包括平均蒸散、平均气温、地表平均气温、平均海拔、流域面积、坡度、下垫面类型。
3.根据权利要求1所述的一种基于静态物理特征增强和区域模型的径流预测方法，其特征在于，步骤(1)所述的所述时序数据包括降雨、河道流量、蒸散、气温、湿度、风速数据。
4.根据权利要求1所述的一种基于静态物理特征增强和区域模型的径流预测方法，其特征在于，所述步骤(2)实现过程如下：
5.根据权利要求1所述的一种基于静态物理特征增强和区域模型的径流预测方法，其特征在于，所述步骤(3)实现过程如下：
6.根据权利要求1所述的一种基于静态物理特征增强和区域模型的径流预测方法，其特征在于，步骤(4)所述基于静态特征增强的流量预测模型se-lstm工作过程如下：
7.根据权利要求1所述的一种基于静态物理特征增强和区域模型的径流预测方法，其特征在于，步骤(4)所述静态特征融合模块sfu工作流程如下：
8.根据权利要求4所述的一种基于静态物理特征增强和区域模型的径流预测方法，其特征在于，步骤(24)所述的预设阈值为卡方分布临界值22.36，系按照自由度为13，概率值为0.05计算得出。
技术总结
本发明公开了一种基于静态物理特征增强和区域模型的径流预测方法，收集区域内所有中小流域的静态物理特征，以及典型历史洪水过程中监测到的时序数据和各个测站的气候数据；并对数据进行处理；构建基于静态物理特征增强的洪水预报模型SE‑LSTM，包括编码器和解码器，其中编码器Encoder采用Bi‑LSTM作为骨架，学习过去监测值和未来预报值对当前时刻流量的影响；编码器中的静态特征融合模块SFU放大每个时刻对流量影响最大的流域静态特征；解码器Decoder采用LSTM作为骨架处理输入，利用编码器中学习到的模式进行预测。本发明能够有效的利用各个小流域的静态特征，学习各个流域中径流模式，使其在面对极端事件的时候有更好的预测精度。
技术研发人员：陆佳民,林俊,冯钧
受保护的技术使用者：河海大学
技术研发日：
技术公布日：2024/9/23