【技术实现步骤摘要】
本专利技术属于分布式水文模拟，尤其涉及一种基于强化学习的多站点流域水文模型参数集成率定方法。
技术介绍
1、随着互联网+大数据时代的到来，信息技术的发展日新月异，分布式水文模型超越概念性模型和系统模型，已经成为国际水文研究的热点之一。分布式水文模型能够反应实际暴雨洪水产汇流过程的时间和空间分布特性，通过应用数学物理方程，更加全面的刻画流域水文特性。但是，由于流域各水文要素时间和空间分布的不均匀性，参数率定成为了分布式水文模型模拟的重点和难点。
2、随着机器学习技术在预报预测领域取得的显著成果，提出了很多既经济又高效的解决方案，越来越多的水文学者将其应用于水文领域，特别是洪水预报方向。传统的模型自动优化率定方法包括自回归移动平均法(arma)、多元线性回归(mlr)、整合移动平均自回归模型(arima)等，具有短期洪水预报不准确、应用起来较为复杂、计算成本较高等一系列问题。机器学习能够改善模型传统自动优化方法，具有易应用性、低成本性以及高精确性等。通过实践证明，机器学习的一些方法，如人工神经网络(anns)、神经模糊(neuro-fuzzy)、支持向量机(svm)、支持向量回归(svr)在短期和中长期水文预报都取得了较好的模拟效果。但是，由于分布式水文模型参数众多，参数率定过程复杂且耗时长，这直接阻碍了分布式水文模拟技术的进一步发展。因此，如何利用机器学习技术对站点流域水文模型参数集成率定是本领域亟需解决的技术问题。
技术实现思路
1、本专利技术的目的在于提供一种基于强化
2、为实现上述目的，本专利技术提供如下技术方案：
3、本专利技术公开一种基于强化学习的多站点流域水文模型参数集成率定方法，所述方法包括以下步骤：
4、步骤1、对全部站点流域进行站点流域集群划分：基于各站点流域的水文气象特征，采用聚类分析算法将全部站点流域划分为若干站点流域集群；
5、步骤2、对站点流域集群进行小流域单元类划分：基于站点流域集群内各站点流域的dem和dlg数据，结合水文监测站点和水利工程数据，以及遥感影像数据、土地利用和植被类型、土壤质地类型数据和行政区划，综合考虑自然地形地貌、地表汇水关系、行政区划因素，按设定的集水面积将各站点流域划分为若干小流域单元；根据每个站点流域集群的遥感影像数据，利用样本深度学习方法提取集群内各小流域单元的流域水文特征指标，采用相似度指标法判定各小流域单元之间的相似度，将站点流域集群内判定为相似的小流域单元划分为同一个小流域单元类；
6、步骤3、构建站点流域集群水文模型：判断站点流域集群内各站点流域是否满足建模条件，对于满足建模条件的站点流域进行水文模型构建，所述水文模型根据站点流域集群的水文特征选择；所述建模条件为站点流域具有长系列水文气象数据，水文气象数据包括日尺度水文气象数据和小时尺度水文气象数据；对于满足建模条件的站点流域，若共划分y场洪水过程，则0.7y场次洪水用于模型参数率定，其余0.3y场次洪水用于模型参数验证；
7、步骤4、确定模型参数率定所用场次洪水的初始状态：根据微波遥感影像数据获取流域表层土壤湿度反演结果；依据站点流域的水文气象特性选择蒸散发计算模型，基于日尺度水文气象数据进行连续模拟，模拟流域土壤湿度变化过程；采用卡尔曼滤波原理对两种土壤湿度数据进行同化以获取场次洪水前期土壤湿度最优值，确定站点流域水文模型参数率定所用场次洪水的初始状态；
8、步骤5、站点流域集群水文模型参数集成率定：依据步骤3将各站点流域的0.7y场次洪水用于模型参数率定，其余0.3y场次洪水数据用于模型参数验证，基于步骤4的结果设定站点流域各场次洪水的前期土壤湿度即初始状态，基于划分的站点流域集群小流域单元类，利用小时尺度水文气象数据，采用ddpg强化学习算法实现站点流域集群水文模型参数的集成率定；
9、步骤6、参数率定后的水文模型模拟精度评估和率定迭代：采用nse和req指标评估参数集成率定精度，对于各站点流域，基于步骤5率定得到的站点流域集群水文模型参数集合s*，提取站点流域的水文模型参数率定结果sstation*，模拟站点流域验证期场次洪水的雨洪响应过程，并计算各站点流域率定和验证期所有场次的nse、req及其均值，记为和分别计算站点流域集群内所有站点流域和的均值；设定nse和req合格阈值分别为nselim、reqlim，判定率定和验证期所有站点流域和的均值是否在上述合格范围内，若在，认为参数集合s*满足精度要求，反之则调整ddpg强化学习算法参数的状态空间和循环计算次数t，重复参数率定过程，直至nse和req指标合格；若在设定的nse和req合格阈值下，参数集合s*一直无法满足精度要求，则降低nselim、提高reqlim，nselim>0，reqlim>0，重复率定过程，直至指标合格。
10、进一步的是，步骤1中所述水文气象特征包括：年均雨量、年均温度、海拔高度、坡度、土地利用类型和土壤质地类型。
11、进一步的是，步骤2中所述设定的集水面积为10km2。
12、进一步的是，步骤2中所述流域水文特征指标包括类别型指标与数值型指标；所述类别型指标包括土地利用类型以及土壤质地类型，所述土地利用类型包括常绿针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林、混合林、封闭灌草丛、开放灌草丛、灌草丛、草甸、草原、沼泽、耕地、城市用地、耕地/自然植被、冰雪覆盖地、荒地、水，所述土壤质地类型包括砂土、壤砂土、砂壤土、砂粘壤土、砂粘土、粘土、粘壤土、壤土、粉壤土、粉粘壤土、粉粘土、粉土；所述数值型指标包括河道宽度、滩地范围、水库面积、河道水面面积、塘坝面积、作物生长情况。
13、进一步的是，步骤2中所述样本深度学习方法采用cnn遥感影像分类方法，即卷积神经网络方法，包括特征提取层和特征映射层，所述特征提取层包括卷积层、池化层和激活函数，卷积层是通过特征向量对原图各个位置进行特征匹配的卷积计算，计算得出的特征图像通过池化，将图像缩小，降低计算量并通过激化函数，加入非线性元素；所述特征映射层是通过全连接层，将多个特征映射层平化成一个数组，与依据模型样本训练得出的全连接层权重进行加权求和，得出输入图像各个结果的一个数值描述的概率值，从而实现样本深度学习、根据遥感影像数据提取水文特征值、减少网络自由参数个数、降低提取水文元素特征值的计算量并取得分类和提取精度的目的。
14、进一步的是，步骤2中所述采用相似度指标法判定各小流域单元之间的相似度的具体过程为：
15、对于各小流域单元，利用所提取的各项水文特征指标包括土地利用类型、土壤质地类型、河道宽度、滩地范围、水库面积、河道水面面积、塘坝面积、作物生长情况共八项，构建水文相似元，用于计算各小流域单元之间的相似度；
16、对于类别型水文特征指标，即土地利用类型或土壤质地类型，小流域单元a和小流域单元b的水文相似元s(a,b)采用下式计算本文档来自技高网...
【技术保护点】
1.一种基于强化学习的多站点流域水文模型参数集成率定方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于强化学习的多站点流域水文模型参数集成率定方法，其特征在于，步骤1中所述水文气象特征包括：年均雨量、年均温度、海拔高度、坡度、土地利用类型和土壤质地类型。
3.根据权利要求1所述的一种基于强化学习的多站点流域水文模型参数集成率定方法，其特征在于，步骤2中所述设定的集水面积为10km2。
4.根据权利要求1所述的一种基于强化学习的多站点流域水文模型参数集成率定方法，其特征在于，步骤2中所述流域水文特征指标包括类别型指标与数值型指标；所述类别型指标包括土地利用类型以及土壤质地类型，所述土地利用类型包括常绿针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林、混合林、封闭灌草丛、开放灌草丛、灌草丛、草甸、草原、沼泽、耕地、城市用地、耕地/自然植被、冰雪覆盖地、荒地、水，所述土壤质地类型包括砂土、壤砂土、砂壤土、砂粘壤土、砂粘土、粘土、粘壤土、壤土、粉壤土、粉粘壤土、粉粘土、粉土；所述数值型指标包括河道宽度、滩地范围、水库面积、河道水面面积
5.根据权利要求1所述的一种基于强化学习的多站点流域水文模型参数集成率定方法，其特征在于，步骤2中所述样本深度学习方法采用CNN遥感影像分类方法，即卷积神经网络方法，包括特征提取层和特征映射层，所述特征提取层包括卷积层、池化层和激活函数，卷积层是通过特征向量对原图各个位置进行特征匹配的卷积计算，计算得出的特征图像通过池化，将图像缩小，降低计算量并通过激化函数，加入非线性元素；所述特征映射层是通过全连接层，将多个特征映射层平化成一个数组，与依据模型样本训练得出的全连接层权重进行加权求和，得出输入图像各个结果的一个数值描述的概率值，从而实现样本深度学习、根据遥感影像数据提取水文特征值、减少网络自由参数个数、降低提取水文元素特征值的计算量并取得分类和提取精度的目的。
6.根据权利要求4所述的一种基于强化学习的多站点流域水文模型参数集成率定方法，其特征在于，步骤2中所述采用相似度指标法判定各小流域单元之间的相似度的具体过程为：
7.根据权利要求1所述的一种基于强化学习的多站点流域水文模型参数集成率定方法，其特征在于，步骤3中所述长系列水文气象数据指10年以上的降雨径流数据，包括大、中、小水年各种代表性年份，对于场次洪水，湿润地区不少于50场，干旱地区不少于25场。
8.根据权利要求1所述的一种基于强化学习的多站点流域水文模型参数集成率定方法，其特征在于，步骤4中所述卡尔曼滤波原理方程为：
9.根据权利要求1所述的一种基于强化学习的多站点流域水文模型参数集成率定方法，其特征在于，步骤5中采用DDPG强化学习算法实现站点流域集群水文模型参数的集成率定包括以下步骤：
10.根据权利要求1所述的一种基于强化学习的多站点流域水文模型参数集成率定方法，其特征在于，步骤6中所述NSE和REQ合格阈值分别为NSElim＝0.9、REQlim＝5％。
...【技术特征摘要】
1.一种基于强化学习的多站点流域水文模型参数集成率定方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于强化学习的多站点流域水文模型参数集成率定方法，其特征在于，步骤1中所述水文气象特征包括：年均雨量、年均温度、海拔高度、坡度、土地利用类型和土壤质地类型。
3.根据权利要求1所述的一种基于强化学习的多站点流域水文模型参数集成率定方法，其特征在于，步骤2中所述设定的集水面积为10km2。
4.根据权利要求1所述的一种基于强化学习的多站点流域水文模型参数集成率定方法，其特征在于，步骤2中所述流域水文特征指标包括类别型指标与数值型指标；所述类别型指标包括土地利用类型以及土壤质地类型，所述土地利用类型包括常绿针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林、混合林、封闭灌草丛、开放灌草丛、灌草丛、草甸、草原、沼泽、耕地、城市用地、耕地/自然植被、冰雪覆盖地、荒地、水，所述土壤质地类型包括砂土、壤砂土、砂壤土、砂粘壤土、砂粘土、粘土、粘壤土、壤土、粉壤土、粉粘壤土、粉粘土、粉土；所述数值型指标包括河道宽度、滩地范围、水库面积、河道水面面积、塘坝面积、作物生长情况。
5.根据权利要求1所述的一种基于强化学习的多站点流域水文模型参数集成率定方法，其特征在于，步骤2中所述样本深度学习方法采用cnn遥感影像分类方法，即卷积神经网络方法，包括特征提取层和特征映射层，所述特征提取层包括卷积层、池化层和激活函数，卷积层是通过特征向量对原图各个位置进行特征匹配的卷...
【专利技术属性】
技术研发人员：刘荣华，王雪梅，张冰玉，孙朝兴，涂晓霞，翟晓燕，
申请(专利权)人：中国水利水电科学研究院，
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。