【技术实现步骤摘要】
本申请属于水文模拟，具体涉及一种湖泊热力学过程模拟方法及模拟系统。
技术介绍
1、湖泊是全球气候和环境变化的“哨兵”。受气候变暖影响，全球平均湖表温度以0.34℃/decade的速率迅速上升，直接影响湖泊内部的热力结构、对流与混合等物理水文过程，导致出现热力分层等反常现象。与此同时，湖泊也是区域气候和环境的“调节者”。湖泊因其巨大的热容量、较强的蒸发和平坦的下垫面等特征影响区域微气候；而热力分层等现象会进一步改变湖泊水环境（例如含氧量、营养盐浓度等），间接影响区域生物地球化学循环。具体而言，气候变化导致的湍流混合会引起水温变化，进而影响湖水的稳定性，导致湖泊出现热力分层等现象，对湖泊生态系统产生重大影响。研究表明，随着全球湖泊表层温度的上升，会导致热力分层可能会更早开始，随后致使深水温度变暖、温跃层变深变陡。这种气候诱导的分层物候可能会改变营养物质的垂直分布、溶解氧和湖冰物候，进而改变湖泊混合机制，对水生生态系统生产力产生难以逆转的副作用。因此，了解气候变化导致的湖泊热力学过程变化是当前之大势所趋。
2、随着人工智能的快速发展，研发数据驱动的地球系统/陆地表层模型已成为大势所趋。在湖泊模式方面，基于遥感数据、再分析资料和观测资料的机器学习与深度学习模型已可准确模拟湖泊水位、湖泊水质参数、湖表温度和湖水温度等湖泊关键物理参量的变化过程。然而，纯数据驱动的深度学习模型需要大量的观测资料参与训练，其可解释性、通用性备受诟病。
技术实现思路
1、为了解决现有技术中存在的至少一个
2、第一方面，本申请公开了一种湖泊热力学过程模拟方法，包括如下步骤：
3、步骤s101、获取所选区域的基础数据，所述基础数据包括所选区域的气象驱动数据集和湖水温度观测数据集；
4、步骤s102、确定模拟计算域，提取所述模拟计算域中包含的所述基础数据；
5、步骤s103、基于步骤s102得到的所述基础数据并结合所选区域特征，配置物理过程模型的输入文件；
6、步骤s104、使用所述模拟计算域内的气象驱动数据集运行所述物理过程模型，并提取所述物理过程模型所计算得到的湖水温度廓线的时间序列数据，从而形成低置信度的湖水温度模拟数据集；
7、步骤s105、在所述模拟计算域内随机选取至少2组配点，并记录其深度和时间信息，再依据基础数据插值至每个配点所在位置，生成随机配点数据集；
8、步骤s106、根据湖水温度与气象驱动数据的非线性关系，构建物理信息神经网络模型，所述物理信息神经网络模型包含预测湖水温度的正向深度神经网络与求解导热率的反向深度神经网络；
9、步骤s107、以所述模拟计算域中的气象驱动数据为模型输入，所述低置信度的湖水温度模拟数据集为数据标签，采用所述物理信息神经网络模型，最小化模型的损失，预训练所述正向深度神经网络与反向深度神经网络，初始化神经网络模型中的权重与误差项，形成基于物理过程模拟的低置信度参数集，其中，步骤s105中生成的至少2组配点数据集可用于监督本步骤中物理信息神经网络模型在无观测域内的可信度；
10、步骤s108、使用所述模拟计算域中的气象驱动数据与逐深度的湖水温度观测数据集，在所述低置信度参数集的基础上，微调所述正向深度神经网络与反向深度神经网络的参数集，形成具有高置信度参数集的湖泊热力学过程的深度学习模型，其中，步骤s105中生成的至少2组配点数据集可用于监督本步骤中所述物理信息神经网络模型在无观测域内的可信度，以及用于最小化所述深度学习模型的损失；
11、步骤s109、采用所述深度学习模型，以所述模拟计算域中的气象驱动数据集为输入数据，预测湖泊水体温度的长时序变化驱动，形成所选区域的湖水温度数据集。
12、可选地，所述气象驱动数据集中的数据类型选自如下数据中的至少一种：
13、2m空气温度、东西向与南北向的10m风速、降雨速率、比湿、地表气压、下行长波和短波辐射数据集。
14、可选地，在所述步骤s103中，所述物理过程模型为天气预报模型中的关于湖泊方案的wrf-lake模型。
15、可选地，在所述步骤s106中，湖水温度与气象驱动数据的非线性关系以如下偏微分方程的形式植入于深度学习模型中的损失函数中：
16、
17、其中，为湖水温度，单位为k；和分别为时间和湖水深度；是湖水的导热率；为体积热容量；为湖泊接收到的剩余辐射量。
18、可选地，所述步骤s106构建的物理信息神经网络模型中，具有用来度量模型预测结果与验证数据集之间误差的损失函数，其定义为湖水温度与气象驱动数据的非线性关系，而在所述步骤s107与s108中，是将所述损失函数和偏微分方程进行融合，从而获得如下的最终损失函数：
19、
20、其中，表示湖水温度与气象驱动数据的非线性关系，即公式（1）的残差量，为参数集，为物理信息神经网络模型在配点数据集处模拟获得的湖水温度，为该项的权重；表示物理信息神经网络模型的模拟结果与观测数据之间的均方误差，为物理信息神经网络模型在观测数据点位模拟获得的湖水温度，为该项的权重；表示物理信息神经网络模型的模拟结果与低置信度的湖水温度模拟数据集的均方误差，为物理信息神经网络模型在低置信度的湖水温度模拟点位的湖水温度，为该项的权重。
21、第二方面，本申请还公开了一种湖泊热力学过程模拟系统，包括：
22、数据获取模块，用于获取所选区域的基础数据，所述基础数据包括所选区域的气象驱动数据集和湖水温度观测数据集；
23、数据处理模块，用于确定模拟计算域，提取所述模拟计算域中包含的所述基础数据；
24、模型构建模块，用于基于数据处理模块得到的所述基础数据并结合所选区域特征，配置物理过程模型的输入文件；
25、低置信度模拟模块，用于使用所述模拟计算域内的气象驱动数据集运行所述物理过程模型，并提取所述物理过程模型所计算得到的湖水温度廓线的时间序列数据，从而形成低置信度的湖水温度模拟数据集；
26、配点提取模块，用于在所述计算域内随机选取至少2组配点，并记录其深度和时间信息，再依据基础数据插值至每个配点所在位置，生成随机配点数据集；
27、模拟框架构建模块，用于根据湖水温度与气象驱动数据的非线性关系，构建物理信息神经网络模型，所述物理信息神经网络模型包含预测湖水温度的正向深度神经网络与求解导热率的反向深度神经网络；
28、模型预训练模块，用于以所述模拟计算域中的气象驱动数据为模型输入，所述低置信度的湖水温度模拟数据集为数据标签，采用所述物理信息神经网络模型，最小化模型的损失，预训练所述正向深度神经网络与反向深度神经网络，初始化神经网络模型中的权重与误差项，形成基于物理过程模拟的低置信度参数集，其中，所述配点提取模块中生成的至少2组配点数据集可用于监督本模块中所述本文档来自技高网...
【技术保护点】
1.一种湖泊热力学过程模拟方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的湖泊热力学过程模拟方法，其特征在于，所述气象驱动数据集中的数据类型选自如下数据中的至少一种：
3.根据权利要求1所述的湖泊热力学过程模拟方法，其特征在于，在所述步骤S103中，所述物理过程模型为天气预报模型中的关于湖泊方案的WRF-Lake模型。
4.根据权利要求1所述的湖泊热力学过程模拟方法，其特征在于，在所述步骤S106中，湖水温度与气象驱动数据的非线性关系以如下偏微分方程的形式植入于深度学习模型中的损失函数中：
5.根据权利要求1所述的湖泊热力学过程模拟方法，其特征在于，所述步骤S106构建的物理信息神经网络模型中，具有用来度量模型预测结果与验证数据集之间误差的损失函数，其定义为湖水温度与气象驱动数据的非线性关系，而在所述步骤S107与S108中，是将所述损失函数和偏微分方程进行融合，从而获得如下的最终损失函数：
6.一种湖泊热力学过程模拟系统，其特征在于，包括：
7.根据权利要求6所述的湖泊热力学过程模拟系统，其特征在
8.根据权利要求6所述的湖泊热力学过程模拟系统，其特征在于，所述模型构建模块（203）中的物理过程模型为天气预报模型中的关于湖泊方案的WRF-Lake模型。
9.根据权利要求6所述的湖泊热力学过程模拟系统，其特征在于，湖水温度与气象驱动数据的非线性关系以如下偏微分方程的形式植入于深度学习模型中的损失函数中：
10.根据权利要求6所述的湖泊热力学过程模拟系统，其特征在于，所述模拟框架构建模块（206）构建的物理信息神经网络模型中，具有用来度量模型预测结果与验证数据集之间误差的损失函数，其定义为湖水温度与气象驱动数据的非线性关系，而在所述模型预训练模块（207）与模型微调模块（208）中，是将所述损失函数和偏微分方程进行融合，从而获得如下的最终损失函数：
...【技术特征摘要】
1.一种湖泊热力学过程模拟方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的湖泊热力学过程模拟方法，其特征在于，所述气象驱动数据集中的数据类型选自如下数据中的至少一种：
3.根据权利要求1所述的湖泊热力学过程模拟方法，其特征在于，在所述步骤s103中，所述物理过程模型为天气预报模型中的关于湖泊方案的wrf-lake模型。
4.根据权利要求1所述的湖泊热力学过程模拟方法，其特征在于，在所述步骤s106中，湖水温度与气象驱动数据的非线性关系以如下偏微分方程的形式植入于深度学习模型中的损失函数中：
5.根据权利要求1所述的湖泊热力学过程模拟方法，其特征在于，所述步骤s106构建的物理信息神经网络模型中，具有用来度量模型预测结果与验证数据集之间误差的损失函数，其定义为湖水温度与气象驱动数据的非线性关系，而在所述步骤s107与s108中，是将所述损失函数和偏微分方程进行融合，从而获得如下的最终损失函数：
6...
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。