【技术实现步骤摘要】
本申请一般地涉及干旱预测，尤其涉及一种基于深度学习的黄河流域干旱预测方法及系统。
技术介绍
1、干旱是指气象、气候、水文和生态系统中长时间缺乏水分的状态，这种状态通常导致土地水分的严重不足，影响农业、生态和社会经济发展。据联合国粮食及农业组织的数据显示：仅2019年全球有超过5.7亿人受到干旱的影响，其中大多数人口分布在亚洲和非洲。全球气候变暖加快了水文循环的过程；同时，人口的增长和农业、工业用水的增加近一步加剧了水资源的短缺。因此，干旱预测关系到自然灾害应对和社会协调发展，对于应对干旱和缓解水资源紧缺有重要价值。
2、黄河发源于青藏高原，自西向东流经青海、甘肃、宁夏、四川、陕西、河南和山东等9个省区，流域面积79.5万km2，干流全长5464km，是中国第二长河。黄河流域长期以来一直受到干旱的威胁，严重影响了黄河流域的居民的正常生活，因此需要对黄河流域进行干旱等级的预测，以及时制定应对措施，那么，如何精确预测黄河流域的干旱等级是一个亟待解决的问题。
技术实现思路
1、为了解决本申请的上述技术问题，本申请提供了一种基于深度学习的黄河流域干旱预测方法及系统，以精准预测黄河流域上每个水文站点的干旱等级。
2、本申请第一方面，提供了一种基于深度学习的黄河流域干旱预测方法，用于预测黄河流域上每个水文站点的干旱等级，所述预测方法包括：获取待测水文站点的邻接气象站点，并基于所述邻接气象站点在预设时间段内的气象参数序列获取所述待测水文站点的气象参数融合序列，所述预设时间段
3、在一个实施例中，所述获取待测水文站点的邻接气象站点包括：将所述黄河流域邻域范围内的所有气象站点作为候选气象站点；计算一个候选气象站点与所述黄河流域上每个水文站点之间的距离值，将所述候选气象站点作为所述距离值的最小值对应水文站点的邻接气象站点遍历所有候选气象站点，得到每个水文站点的邻接气象站点，所述待测水文站点为所述黄河流域上所有水文站点中的任意一个。
4、在一个实施例中，一个水文站点对应一个干旱预测网络，所述干旱预测网络包括第一时序模块、第二时序模块和回归模块；所述第一时序模块用于对所述气象参数融合序列进行时序特征提取，得到气象参数特征；所述第二时序模块用于对所述水文参数序列进行特征提取，得到水文参数特征；将所述水文参数特征和所述气象参数特征输入所述回归模块以输出所述干旱预测网络对应水文站点的未来干旱指数。
5、在一个实施例中，所述待测水文站点对应的干旱预测网络的训练方法包括：在任意一个历史时刻，采集所述待测水文站点的水文参数序列和气象参数融合序列以作为一组训练样本，并采集所述待测水文站点在所述历史时刻的干旱指数作为样本标签；利用粒子群算法确定所述干旱预测网络的超参数后，将所述训练样本输入所述干旱预测网络以输出预测结果，所述超参数包括学习率、dropout比例和梯度裁剪；基于所述预测结果和所述样本标签计算均方差损失函数值；依据所述超参数和所述均方差损失函数值对所述干旱预测网络进行反向传播，更新所述干旱预测网络的训练参数，完成一次训练；迭代地采集训练样本以训练所述干旱预测网络，不断更新所述干旱预测网络的超参数和训练参数，直至所述均方差损失函数值小于预设损失值时停止，得到训练完毕的干旱预测网络。
6、在一个实施例中，采集所述待测水文站点在所述历史时刻的干旱指数作为样本标签包括：依据所述待测水文站点在所述历史时刻的水文参数序列计算标准化径流指数；依据所述待测水文站点在所述历史时刻的气象参数融合序计算标准化降水指数；基于所述标准化径流指数和所述标准化降水指数计算所述干旱指数，所述干旱指数满足关系式：
7、其中，spi为所述待测水文站点的标准化降水指数，sri为所述待测水文站点的标准化径流指数，copula(spi，sri)表示计算spi和sri之间的copula函数值，表示标准正态分布的反函数，g为所述待测水文站点的干旱指数。
8、在一个实施例中，所述利用粒子群算法确定所述干旱预测网络的超参数包括：在超参数空间中部署多个能够自由移动的粒子，所述超参数空间中的一个空间位置对应一种学习率、dropout比例和梯度裁剪的超参数组合；依据所述训练样本计算粒子在任意一个空间位置处的评价值，所述评价值为将所述干旱预测网络的超参数置所述空间位置对应的数值后，将所述训练样本输入所述干旱预测网络得到的均方差损失函数值；对于任意一个粒子，获取所述粒子在历史迭代过程中评价值最小值的空间位置作为所述粒子的个体最优点，并将所有个体最优点中评价值最小值的空间位置作为全局最优点；基于所述个体最优点、所述全局最优点以及所述粒子在当前次迭代中的空间位置计算所述粒子在下一次迭代中的空间位置，所述粒子在下一次迭代中的空间位置满足关系式：
9、
10、其中，为第i个粒子在下一次迭代中的空间位置，为第i个粒子在当前次迭代中的空间位置，为第i个粒子在下一次迭代中的移动速度，为第i个粒子在当前次迭代中的移动速度，为第i个粒子在当前次迭代的个体最优点，为当前次迭代的全局最优点，ω为惯性权重，c1和c2分别为个体学习因子和群体学习因子，r1和r2分别为区间[0,1]内的个体随机数和群体随机数；迭代地更新所有粒子的空间位置，响应于迭代次数等于预设迭代次数，停止迭代并将最后一次迭代的全局最优点作为所述干旱预测网络的超参数。
11、在一个实施例中，当前次迭代中的惯性权重满足关系式：
12、其中，ωmax为最大惯性权重，ωmin为最小惯性权重，n为当前次迭代的迭代次数，nmax为所述预设迭代次数，ω为当前次迭代中的惯性权重；当前次迭代中的个体学习因子满足关系式：
13、当前次迭代中的群体学习因子满足关系式：
14、其中，cmax为最大个体学习因子，cmin为最小个体学习因子，n为当前次迭代的迭代次数，nmax为所述预设迭代次数，c1为当前次迭代中的个体学习因子，c2为当前次迭代中的群体学习因子。
15、在一个实施例中，基于所述相关性、所述待测水文站点和所述邻接水文站点的未来干旱指数，以及每个干旱预测网络的决定系数计算所述待测水文站点的目标干旱指数包括：计算所述待测水文站点和本文档来自技高网...
【技术保护点】
1.一种基于深度学习的黄河流域干旱预测方法，其特征在于，用于预测黄河流域上每个水文站点的干旱等级，所述预测方法包括：
2.根据权利要求1所述的一种基于深度学习的黄河流域干旱预测方法，其特征在于，所述获取待测水文站点的邻接气象站点包括：
3.根据权利要求1所述的一种基于深度学习的黄河流域干旱预测方法，其特征在于，一个水文站点对应一个干旱预测网络，所述干旱预测网络包括第一时序模块、第二时序模块和回归模块；
4.根据权利要求3所述的一种基于深度学习的黄河流域干旱预测方法，其特征在于，所述待测水文站点对应的干旱预测网络的训练方法包括：
5.根据权利要求4所述的一种基于深度学习的黄河流域干旱预测方法，其特征在于，采集所述待测水文站点在所述历史时刻的干旱指数作为样本标签包括：
6.根据权利要求4所述的一种基于深度学习的黄河流域干旱预测方法，其特征在于，所述利用粒子群算法确定所述干旱预测网络的超参数包括：
7.根据权利要求6所述的一种基于深度学习的黄河流域干旱预测方法，其特征在于，当前次迭代中的惯性权重满足关系式：
...【技术特征摘要】
1.一种基于深度学习的黄河流域干旱预测方法，其特征在于，用于预测黄河流域上每个水文站点的干旱等级，所述预测方法包括：
2.根据权利要求1所述的一种基于深度学习的黄河流域干旱预测方法，其特征在于，所述获取待测水文站点的邻接气象站点包括：
3.根据权利要求1所述的一种基于深度学习的黄河流域干旱预测方法，其特征在于，一个水文站点对应一个干旱预测网络，所述干旱预测网络包括第一时序模块、第二时序模块和回归模块；
4.根据权利要求3所述的一种基于深度学习的黄河流域干旱预测方法，其特征在于，所述待测水文站点对应的干旱预测网络的训练方法包括：
5.根据权利要求4所述的一种基于深度学习的黄河流域干旱预测方法，其特征在于，采集所述待测水文站点在所述历史时刻的干旱指数作为样本标签包括：
6.根据权利要求4所述的一种基于深度学习的黄河流域干旱预测方法，其特征在于，所述利用粒子群算法确定所述干旱...
【专利技术属性】
技术研发人员：李艳玲，黄春艳，王炳禹，张云鹏，
申请(专利权)人：华北水利水电大学，
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。