一種考慮初損的神經網絡流域降雨徑流預報方法及系統
2024-04-12 03:15:05
1.本發明屬於流域降雨徑流預報的技術領域，尤其涉及一種考慮初損的神經網絡流域降雨徑流預報方法及系統。
背景技術：
2.本部分的陳述僅僅是提供了與本發明相關的背景技術信息，不必然構成在先技術。
3.發明人發現：現階段的深度學習方法已廣泛應用於洪水預報領域，但現有研究通常是對深度學習網絡模型進行結構優化或者與其他模型耦合來提高預報性能，大多模型老舊且缺少對降雨-徑流機理因素的考慮，難以滿足中小河流洪水預報對精確性和時效性的要求。
4.
技術實現要素：
5.為克服上述現有技術的不足，本發明提供了一種考慮初損的神經網絡流域降雨徑流預報方法，能有效提高降雨徑流預報和洪水演進模擬的精度和速度。
6.為實現上述目的，本發明的一個或多個實施例提供了如下技術方案：
7.第一方面，公開了一種考慮初損的神經網絡流域降雨徑流預報方法，包括：
8.基於流域內歷史降雨量洪水徑流量數據，得到降雨量-洪水徑流量時間序列；
9.求取降雨初損，將降雨量-洪水徑流量時間序列中扣除降雨初損求得潛在徑流量序列數據，將潛在徑流量序列數據和降雨量-洪水徑流量時間序列進行整合生成門控循環單元訓練數據集；
10.構建gru神經網絡模型，將潛在徑流量序列數據作為gru神經網絡模型輸入變量，與之對應的未來時段徑流量序列數據作為gru神經網絡模型輸出變量；
11.設定gru神經網絡模型的超參數，通過訓練數據集訓練gru神經網絡模型得到輸入輸出間的隱藏映射關係，得到訓練完成的gru神經網絡模型；
12.將實時雨量數據和徑流量輸入至訓練完成的gru神經網絡模型進行進行徑流量預測。
13.作為進一步的技術方案，得到的降雨量-洪水徑流量時間序列為使用泰森多邊形法將流域內雨量站控制面積換算得到的子流域面降雨量及流域出口處洪水徑流量時間序列。
14.作為進一步的技術方案，求取初損方式為：
15.i0＝f(d)
16.d＝w
h-vm17.其中，i0為初損值，d為土壤水分飽和差，wh為土壤飽和含水量，vm為降雨前土壤飽和含水量。
18.作為進一步的技術方案，還包括：針對生成的訓練數據集進行數據標準化處理，將原始的樣本數據集處理後變為取值處於[0，1]的數值。
[0019]
作為進一步的技術方案，訓練gru神經網絡模型的步驟為：
[0020]
流域內m個雨量站n個時間段降水量序列，降水量扣除降雨損失得到的潛在徑流量序列數據，兩者構成(m+1)
×
n維輸入矩陣，訓練目標矩陣為t+1時刻的預報徑流量；
[0021]
擬定gru網絡模型的超參數，包括：批量大小、網絡層數、神經元個數及優化器種類；
[0022]
模型訓練的正向傳播階段，從輸入矩陣到輸出矩陣正向傳遞數據信息，提取數據特徵值，得出結果；
[0023]
當正向傳播計算的結果不滿足誤差要求時，進行反向傳播階段，將誤差由輸出至輸入分配給不同參數進行訓練修正；
[0024]
模型不斷迭代重複直到滿足精度要求，模型訓練完畢。
[0025]
作為進一步的技術方案，實時雨量數據和徑流量的獲取是根據流域水利雲平臺資料庫實時獲取的。
[0026]
作為進一步的技術方案，利用訓練完成的gru神經網絡模型進行徑流量預測主要包括以下步驟：
[0027]
根據流域水利雲平臺資料庫中搜索流域內雨量站及水文站點數據，獲取當前時刻t0到時間跨度為洪水預見期時刻t
0-n
時刻的雨量數據與徑流量數據；
[0028]
求取準確可靠的降雨初損ia；
[0029]
將降雨量數據扣除降雨初損ia，並與徑流量數據構成潛在徑流量-徑流量矩陣作為輸入數據；
[0030]
將輸入數據輸入至訓練好的gru神經網絡，獲得預見期內的徑流量數值。
[0031]
第二方面，公開了一種考慮初損的神經網絡流域降雨徑流預報系統，包括：
[0032]
訓練數據集獲取模塊，被配置為：基於流域內歷史降雨量洪水徑流量數據，得到降雨量-洪水徑流量時間序列；
[0033]
求取降雨初損，將降雨量-洪水徑流量時間序列中扣除降雨初損求得潛在徑流量序列數據，將潛在徑流量序列數據和降雨量-洪水徑流量時間序列進行整合生成門控循環單元訓練數據集；
[0034]
gru神經網絡模型構建及訓練模塊，被配置為：構建gru神經網絡模型，將潛在徑流量序列數據作為gru神經網絡模型輸入變量，與之對應的未來時段徑流量序列數據作為gru神經網絡模型輸出變量；
[0035]
設定gru神經網絡模型的超參數，通過訓練數據集訓練gru神經網絡模型得到輸入輸出間的隱藏映射關係，得到訓練完成的gru神經網絡模型；
[0036]
徑流量預測模塊，被配置為：將實時雨量數據和徑流量輸入至訓練完成的gru神經網絡模型進行進行徑流量預測。
[0037]
以上一個或多個技術方案存在以下有益效果：
[0038]
本發明考慮初損的神經網絡流域降雨徑流預報方法使用gru神經網絡作為預測工具，相比與之前神經網絡收斂速度更快，並且在參數更新和泛化上性能更佳。
[0039]
本發明考慮初損的神經網絡流域降雨徑流預報方法增加了對於降雨-徑流機理性
hms參數優化求出的降雨初損ia基礎上，將降雨量數據序列中扣除降雨初損ia求得潛在徑流量序列數據，將潛在徑流量序列數據和徑流量序列數據進行整合生成gru((gate recurrent unit，gru))訓練數據集。
[0059]
(3)數據集處理：對數據集進行數據標準化處理，並將數據集按7：3的比例劃分為訓練集和測試集。
[0060]
(4)模型訓練：將潛在徑流量-徑徑流量時間序列作為網絡輸入變量，與之對應的未來時段徑流量序列數據作為輸出變量構建gru神經網絡模型，設定網絡的超參數，通過訓練得到輸入輸出間的隱藏映射關係。
[0061]
上述潛在徑流量-徑流量時間序列指的是潛在徑流量及其對應時間的流域出口處的洪水經流量序列。
[0062]
(5)洪水預測：根據流域水利雲平臺資料庫中的實時雨量數據和徑流量，利用訓練完成的gru神經網絡模型進行徑流量預測。
[0063]
本發明使用gru網絡構建流域降雨徑流預報模型，基於初損後損法考慮降雨過程的產匯流過程，並將潛在徑流量作為輸入變量，有效提高降雨徑流預報和洪水演進模擬的精度和速度。
[0064]
在本實施例子中，步驟1中降雨量-洪水徑流量數據序列為使用泰森多邊形法將流域內雨量站控制面積換算得到的子流域面降雨量及流域出口處洪水徑流量時間序列。
[0065]
如圖2所示，其中w60～w100為劃分子流域。利用泰森多邊形對研究區域進行切分，切分後的每一個泰森多邊形分區包含一個雨量站，即是認為該泰森多邊形區域降雨由該雨量站貢獻，則子流域降雨量由各雨量站泰森多邊形分區在該子流域面積佔比的雨量貢獻。
[0066][0067]
其中p為子流域雨量，pi代表在該子流域的第i個雨量站雨量，ai'代表第i個雨量站泰森多邊形分區在該子流域內的面積，ai第i個雨量站泰森多邊形分區總面積。
[0068]
在本實施例子中，步驟2中基於初損後損法按照下式求取降雨初損：
[0069]
i0＝f(d)
[0070]
d＝w
h-vm[0071]
其中，i0為初損值，d為土壤水分飽和差，wh為土壤飽和含水量，vm為降雨前土壤飽和含水量。
[0072]
之後，根據初損求得潛在徑流量，潛在徑流量為降雨扣除下滲、植被截留和蒸發等損失後剩餘的雨量，表達式如下：
[0073][0074]
式中為潛在徑流量，pt為降雨量，ia為初損，單位均為mm。
[0075]
在本實施例子中，初損應為產流以前的總損失水量，即不包括產流後的下滲損失。
[0076]
在本實施例子中，步驟3中標準化處理方法為離差標準化，將原始的樣本數據集處理後變為取值處於[0,1]的數值，轉換函數為：
[0077][0078]
式中，x
*
代表標準化後的數值，x代表原始樣本數據，x
max
代表樣本數據的最大值，x
min
代表樣本數據中的最小值。
[0079]
在本實施例子中，步驟4中所述的gru神經網絡模型訓練的具體步驟為
[0080]
(4-1)流域內m個雨量站n個時間段降水量序列(p
t-n+1
,p
t-n+2
,p
t-n+3
,...,p
t
)，降水量扣除降雨損失得到的潛在徑流量序列數據兩者構成(m+1)
×
n維輸入矩陣，訓練目標矩陣為t+1時刻的預報徑流量q
n+1
；
[0081]
(4-2)擬定gru網絡模型的超參數，包括：批量大小，網絡層數，神經元個數，優化器種類等；
[0082]
(4-3)模型訓練的正向傳播階段，從輸入矩陣到輸出矩陣正向傳遞數據信息，提取數據特徵值，得出結果；
[0083]
gru網絡所謂數據特徵值一般是指時間序列特徵值，即上一時刻特徵h
t-1
會影響t時刻矩陣運算；
[0084]
(4-4)當正向傳計算的結果不滿足誤差要求時，進行反向傳播階段，將誤差由輸出至輸入分配給不同參數進行訓練修正；
[0085]
(4-5)模型不斷迭代重複直到滿足精度要求，模型訓練完畢。
[0086]
具體的，對網絡模型進行訓練時，目標函數如下
[0087][0088]
其中n為數據集樣本數量，yi為目標真實徑流量，f(xi)為模型的預測值，訓練過程中以目標函數最小為目的進行迭代訓練，直到到達最大迭代次數或網絡學習率收斂。
[0089]
如圖8所示為gru神經網絡結構，網絡接收當前輸入x
t
和來自上一次計算的隱含狀態h
t-1
，gru輸出y
t
及傳遞本次隱含狀態h
t
。具體計算步驟如下：
[0090]
(2-1)接收輸入後，z為更新門(update gate)，決定哪些過去信息保留到未來；r為重置門(reset gate)，主要決定哪些信息的被遺忘，表達式分別如下：
[0091]
z＝σ(w
(z)
xi+u
(z)hi-1
)
ꢀꢀ
(2)
[0092]
r＝σ(w
(r)
xi+u
(r)hi-1
)
ꢀꢀ
(3)
[0093]
其中，σ為sigmoid激活函數，w
(z)
，u
(z)
，w
(r)
，u
(r)
分別為各自的權重矩陣，其它符號所示含義與上文描述相同。更新門與重置門共同決定哪些信息最終作為網絡輸出，其特殊之處在於能夠保存長期序列中的信息，並且不會隨時間而消失或者因為與預報結果不相關聯而被移除。
[0094]
(2-2)得到門控信息後，「重置」後獲得再將h
t-1
'與x
t
拼接，通過tanh函數進行激活，如下所示：
[0095][0096]
其中，w，u為權重矩陣，其它符號所示含義與上文描述相同。這裡h'包含當前輸入x
t
信息，相當於記憶當前狀態。
[0097]
(2-3)如此一來，網絡進行了遺忘和記憶兩個步驟，使用來進行z更新記憶h
t
，表達式如下：
[0098][0099]
(2-4)最終輸出值計算公式為：
[0100]yt
＝σ(w
yht
+b0)
ꢀꢀ
(6)
[0101]
其中，wy為權重矩陣，b0輸出偏置項，其它符號所示含義與上文描述相同。
[0102]
以上機構可以看出，gru網絡的優勢在於使用一個門控單元z同時進行了遺忘和選擇記憶，這一結構設計降低訓練成本，大大提高神經網絡的收斂效率。
[0103]
在本實施例子中，gru網絡的作用在於代替傳統水文模型中後損計算和匯流計算過程，由於中小流域洪水預報特點，流域後損和匯流計算相對於產流計算不確定性更多，使洪水預報的精確度大加折扣，基於此考慮，將水文模型與gru網絡相結合用於降雨-徑流預報。
[0104]
在本實施例子中，步驟5所述根據流域水利雲平臺資料庫中的實時雨量數據和徑流量，利用訓練完成的gru神經網絡模型進行徑流量預測主要包括以下步驟：
[0105]
(5-1)根據流域水利雲平臺資料庫中搜索流域內雨量站及水文站點數據，獲取當前時刻t0到時間跨度為洪水預見期時刻t
0-n
時刻的雨量數據與徑流量數據；
[0106]
(5-2)使用hec-hms優化求取準確可靠的降雨初損ia；
[0107]
(5-3)將降雨量數據扣除降雨初損ia，並與徑流量數據構成潛在徑流量-徑流量矩陣作為輸入數據；
[0108]
(5-4)將輸入數據輸入至訓練好的gru神經網絡，獲得預見期內的徑流量數值。
[0109]
下面結合實例對本公開溯源方法做進一步詳細說明。
[0110]
(1)數據收集：
[0111]
研究區域為山東省濟南市玉符河流域，玉符河上遊流域屬溫帶大陸性季風氣候，季風性較為顯著，其主要氣候特徵是：季風明顯，四季分明；冬冷夏熱，雨量集中。汛期降水集中，降水時空分布不均，局部性暴雨時有發生，且突發性強。流域內多年平均降水量686.3mm，最大年降水量(1964年)1058mm，最小年降水量(2002年)370mm,年際、年內分配極不平衡。北部平原區的平均降水量為650～700mm,南部山區梢多，為700～800mm。由於受季風氣候影響，降水的季節分配不均勻，春季乾燥少雨，夏季炎熱多雨，汛期降水量可佔全年降水址的70％左右，易在流域內形成洪水，降雨空間同樣存在分布不均的現象。
[0112]
子流域數據需要結合個雨量站控制面積來換算得到子流域的面降雨量，採用泰森多邊形發來確定雨量站在各子流域中的權重。劃分子流域如圖2所示，各雨量站在子流域面積所佔比重如下表1所示：
[0113]
表1各雨量站在子流域面積所佔比重
[0114][0115]
(2)優化選取潛在徑流量並初步構建訓練數據集
[0116]
基於流域內土壤及土地利用類型、dem高程數據等數據構建hec-hms模型，優化選取初損結果如下：
[0117]
表2
[0118][0119]
(3)數據集處理
[0120]
本次研究收集到玉符河流域內水文站1973年～2020年的流量資料，以及7個雨量站的汛期長系列降雨資料，分析降雨徑流數據剔除其中代表性差、降雨或徑流資料缺失的洪水場次，對降雨和流量資料插值處理，最終選定出30場洪水過程，共計3166個時段的數據，並劃分為訓練集與測試集。模型輸入輸出結構如圖4所示。
[0121]
在具體實施例子中，模型數據處理過程：
[0122]
(3-1)對玉符河流域1973年～2020年的歷史洪水流量數據，和7個水文站、雨量站的多年汛期降雨數據資料進行了收集。通過對數據的分析與整理，選取了其中降雨或徑流數據完整、具有較強代表性的洪水場次，對流量數據和降雨資料進行異常值修正和數據補足處理，最終選定出30場洪水過程，時間間隔為2小時，共計3068個時段的數據，生成數據集，並劃分為訓練集與測試集。
[0123]
(3-2)子流域數據需要結合個雨量站控制面積來換算得到子流域的面降雨量，採用泰森多邊形發來確定雨量站在各子流域中的權重。
[0124]
表3各雨量站在子流域面積所佔比重
[0125][0126]
(3-3)利用hec-hms模型在玉符河流域所有場次洪水進行模擬優化，以求出模型驅動因子降雨初損ia，獲得的降雨初損ia將應用於模型輸入參數的處理過程中。
[0127]
表4不同場次洪水初損優化ia表(單位：mm)
[0128][0129][0130]
表5不同場次洪水初損優化ia表(單位：mm)
[0131][0132]
(3-4)降雨量數據需要與初滲損失ia數據進行處理，獲得流域降雨徑流模型的數據集，各雨量站根據其所在子流域進行對應的降雨初損量扣除，操作過程如下表中案例所示:
[0133]
表6模型輸入數據處理實例(西營站20050918)
[0134][0135]
(3-4)將淨雨數據和徑流量數據按照時間序列排序整理為數據集，採用離差標準化對數據進行線性變換，將原始數據處理後變為取值處於為的[0,1]數，導入gru網絡模型進行訓練學習，挖掘其中的映射關係。
[0136]
(4)模型訓練
[0137]
模型訓練流程如圖3所示。
[0138]
篩選超參數最終選取如下：隱藏層設置為2層，時間步長為10，神經元數量為256，
批量大小為32，模型訓練中採用rmsprop優化器，衰減係數為0.8，學習率設為0.0001，迭代次數為1000。誤差函數採用均方誤差(mean squared error，mse)，它是模型預測值與實測值之差平方的期望值。
[0139]
(5)洪水預報
[0140]
洪水預報結果見圖5。
[0141]
為定量評價兩種模型降雨徑流模擬預報的精度，使用洪峰流量相對誤差、峰現時間誤差和納什係數和相關性係數四種預報誤差指標評定兩種模型、洪水預報模擬中的精度，分別為洪峰相對誤差rep、峰現時間tep、納什係數nse和相關係數r：
[0142][0143][0144][0145][0146]
式中表示預報洪峰，表示實測洪峰，表示預報峰現時間，表示實測峰現時間，和分別表示t時刻的預報流量和實測流量，表示實測流量均值，n表示場次洪水時段數，表示和的協方差，和分別表示和的方差。
[0147]
表7 lstm模型和ia-gru模型預測峰值rep對比表
[0148][0149]
結合預報洪峰和實測洪峰對比圖6，在對洪峰流量的預測中，未考慮初損的lstm模型的相對誤差較大，其中20050918、20130918兩場洪水的相對誤差超過20％，而ia-gru模型
顯著減小，三場洪水均在20％的許可範圍內。相比之下，ia-gru模型在對峰值的模擬中表現更最為突出，其中以20190815洪水洪峰流量的模擬效果為最佳。
[0150]
表8 lstm模型和ia-gru模型預測峰現時間tep對比表
[0151][0152]
根據上表8，lstm和ia-gru模型和在對降雨徑流預測過程中，lstm峰現時間均出現了滯後現象，20190815場洪水出現了2個計算時段的誤差，超出了峰現時間許可誤差，19950815、20130918場洪水出現了1個計算時段的誤差，其原因可能在於降雨徑流過程中峰值流量增加較快，神經網絡的訓練難度增加，未能準確預測峰現時間。而ia-gru在模型峰現時間方面表現更為優異，除20050918場洪水出現了預測洪峰提前一個時段到來的現象，另外兩場洪水洪峰得到了準確的預測。
[0153]
表9 lstm和ia-gru模型納什係數nse和相關係數r對比表
[0154][0155]
兩種模型20000809場次洪水模擬效果最好，納什係數均高於0.7，相關性係數均高於0.9，可能原因是該場次徑流過程比較順滑，只有一個單峰極大流量值，使得模擬預測效果較好；對20190815場次洪水模擬效果為最差，其原因可能在於該場次洪水序列的長度較短，且流量急速上升的且出現了兩個連續峰值，神經網絡難以很好地模擬。結合lstm模型和ia-gru模型測試集預報流量對比圖(圖7)，測試集總體預報結果的納什係數均為0.8以上，相關性係數均大於0.725，其預測流量和實測流量的吻合程度表現出更好的效果，擬合度較高。
[0156]
綜上所述，從峰現時間、納什係數、相對誤差三個評價標準來看，該預報方法對於降雨-徑流預報的預報是很準確的。
[0157]
實施例二
[0158]
本實施例的目的是提供一種計算機裝置,包括存儲器、處理器及存儲在存儲器上並可在處理器上運行的電腦程式，所述處理器執行所述程序時實現上述方法的步驟。
[0159]
實施例三
[0160]
本實施例的目的是提供一種計算機可讀存儲介質。
[0161]
一種計算機可讀存儲介質，其上存儲有電腦程式，該程序被處理器執行時執行上述方法的步驟。
[0162]
實施例四
[0163]
本實施例的目的是提供了一種考慮初損的神經網絡流域降雨徑流預報系統，包括：
[0164]
訓練數據集獲取模塊，被配置為：基於流域內歷史降雨量洪水徑流量數據，得到降雨量-洪水徑流量時間序列；
[0165]
求取降雨初損，將降雨量-洪水徑流量時間序列中扣除降雨初損求得潛在徑流量序列數據，將潛在徑流量序列數據和降雨量-洪水徑流量時間序列進行整合生成門控循環單元訓練數據集；
[0166]
gru神經網絡模型構建及訓練模塊，被配置為：構建gru神經網絡模型，將潛在徑流量序列數據作為gru神經網絡模型輸入變量，與之對應的未來時段徑流量序列數據作為gru神經網絡模型輸出變量；
[0167]
設定gru神經網絡模型的超參數，通過訓練數據集訓練gru神經網絡模型得到輸入輸出間的隱藏映射關係，得到訓練完成的gru神經網絡模型；
[0168]
徑流量預測模塊，被配置為：將實時雨量數據和徑流量輸入至訓練完成的gru神經網絡模型進行進行徑流量預測。
[0169]
以上實施例二、三和四的裝置中涉及的各步驟與方法實施例一相對應，具體實施方式可參見實施例一的相關說明部分。術語「計算機可讀存儲介質」應該理解為包括一個或多個指令集的單個介質或多個介質；還應當被理解為包括任何介質，所述任何介質能夠存儲、編碼或承載用於由處理器執行的指令集並使處理器執行本發明中的任一方法。
[0170]
本領域技術人員應該明白，上述本發明的各模塊或各步驟可以用通用的計算機裝置來實現，可選地，它們可以用計算裝置可執行的程序代碼來實現，從而，可以將它們存儲在存儲裝置中由計算裝置來執行，或者將它們分別製作成各個集成電路模塊，或者將它們中的多個模塊或步驟製作成單個集成電路模塊來實現。本發明不限制於任何特定的硬體和軟體的結合。
[0171]
上述雖然結合附圖對本發明的具體實施方式進行了描述，但並非對本發明保護範圍的限制，所屬領域技術人員應該明白，在本發明的技術方案的基礎上，本領域技術人員不需要付出創造性勞動即可做出的各種修改或變形仍在本發明的保護範圍以內。