【技术实现步骤摘要】
本专利技术涉及洪水预报，具体涉及一种耦合机理模型和深度学习的洪水预报模型和方法。
技术介绍
1、洪水灾害是当今世界发生最频繁和损毁最严重的自然灾害之一。准确、及时的预报洪水可以极大地帮助人类减少这类事件造成的破坏程度，减少损失。
2、其中，水文物理模型可以深入了解物理过程，但受制于许多简化的假设，很难从大量的数据中发现可用的信息，而基于数据驱动模型可以很好地从数据中模拟高度非线性和复杂的水文系统。
3、由于大多数深度学习不了解因果关系，只能捕获输入输出之间的相关性，缺乏物理机制成为基于深度学习的水文预测模型的主要限制。因此，如何对物理过程进行定量理解，实现深度学习主导的水文模型与物理一致性，这已成为一个至关重要的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种耦合机理模型和深度学习的洪水预报模型和方法，实现了深度学习主导的水文模型与物理一致性，降低了数据驱动模型的不确定性，提升了洪水预报精度。
2、第一方面，本专利技术提供了一种耦合机理模型和深度学习的洪水预报模型，其特征在于，该洪水预报模型包括：普通神经网络层、p-rnn层、第一循环神经网络层、第二循环神经网络层和输出层，p-rnn层包括预设循环神经元，预设循环神经元是基于水文机理模型编码得到的；普通神经网络层以流域特征数据作为输入数据，输出第一数据；p-rnn层以气象驱动因子时间序列数据作为输入数据，集合第一数据，输出当前径流特征数据；第一循环神经网络层以前期洪水流量数据作为输入数据，
3、在该实施方式中，本申请提出的洪水预报模型包括p-rnn层，p-rnn层具有基于水文机理模型编码得到的神经元，使得机理模型模拟方法作为神经网络的计算内核，实现了机理模型和深度学习模型两种范式的紧凑耦合，实现深度学习主导的水文模型与物理一致性，进而降低基于数据驱动模型的洪水预报模型不确定性，并提升洪水预报精度。
4、在一种可选的实施方式中，第一数据包括平均张力蓄水容量、流域张力蓄水容量曲线分布指数，平均自由水容量和流域自由水容量分布曲线指数，p-rnn层以气象驱动因子时间序列数据作为输入参数，集合第一数据，输出当前径流特征数据包括：p-rnn层以气象驱动因子时间序列数据作为输入参数，对流域当前产生的总径流进行预测，输出当前径流特征数据，p-rnn层的模型参数包括第一数据。
5、在一种可选的实施方式中，p-rnn层的预设循环神经元的状态变量包括上层张力水蓄量、下层张力水蓄量、深层张力水蓄量、自由水蓄量和产流面积。
6、在一种可选的实施方式中，p-rnn层的核心计算方程为：
7、et＝f(wut-1，wlt-1，pt，emt|wkc，wc，wlm)；
8、rt＝g1(wut，wlt，wdt，pt，et|im，wm，b)；
9、
10、rst＝ψ0(rt，pt，et，st，frt|sm，ex)；
11、rit＝ψ1(st，frt|wki)；
12、rgt＝ψ2(st，frt|wkg)；
13、wut＝ω0(wut-1，wlt-1，wdt-1，rt，pt，et|wum，wlm，wdm)；
14、wlt＝ω1(wut-1，wlt-1，wdt-1，rt，pt，et|wum，wlm，wdm)；
15、wdt＝ω2(wut-1，wlt-1，wdt-1，rt，pt，et|wum，wlm，wdm)；
16、st＝η(st-1，frt-1，rt|wki，wkg)；
17、frt＝φ(pt，et，frt-1)；
18、其中，wut，wlt，wdt，st，frt为t时刻的上层张力水蓄量、下层张力水蓄量、深层张力水蓄量、自由水蓄量和产流面积，wut-1，wlt-1，wdt-1，st-1，frt-1为t-1时刻的上层张力水蓄量、下层张力水蓄量和、深层张力水蓄量、自由水蓄量和产流面积，wkc和wc分别为蒸散发折算系数和深层蒸散发扩散系数；rt和分别为流域透水面积产流量和不透水面积产流量；im为不透水面积占比；rst，rit，rgt分别为t时刻产生的地表径流、壤中流和地下流；wki和wkd分别为壤中流的出流系数和地下水的出流系数；wum，wlm，wdm分别为上层张力水容量，下土层张力水容量和深层张力水容量；f，g1，g2，ψ0，ψ1，ψ2，ω0，ω1，ω2，η为计算函数。
19、在一种可选的实施方式中，洪水预报模型是基于tensorflow框架构建的；其中，洪水预报模型包括多个普通神经网络层、一个p-rnn层、多个第一循环神经网络、多个第二神经网络层和一个循环神经网络输出层。
20、第二方面，本专利技术提供了一种耦合机理模型和深度学习的洪水预报模型的训练方法，该耦合机理模型和深度学习的洪水预报模型的训练方法包括：构建训练样本集，训练样本集包括预训练后的气象水文数据；基于预设比例，将训练样本集分为校准样本集和验证样本集；基于预设损失函数，利用校准样本集和验证样本集对上述的洪水预报模型进行训练，通过调整洪水预报模型的epoch、batch-size参数和神经元个数，得到训练后的洪水预报模型。
21、第三方面，本专利技术提供了一种洪水预报方法，该洪水预报方法包括：获取当前水文数据；将当前水文数据输入上述的洪水预报模型中，对当前水文数据的洪水特征进行预测，得到当前洪水流量数据。
22、第四方面，本专利技术提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第二方面的耦合机理模型和深度学习的洪水预报模型的训练方法或第三方面的洪水预报方法。
23、第五方面，本专利技术提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第二方面的耦合机理模型和深度学习的洪水预报模型的训练方法或第三方面的洪水预报方法。
24、第六方面，本专利技术提供了一种计算机程序产品，包括计算机指令，计算机指令用于使计算机执行第二方面的耦合机理模型和深度学习的洪水预报模型的训练方法或第三方面的洪水预报方法。
本文档来自技高网...【技术保护点】
1.一种耦合机理模型和深度学习的洪水预报模型，其特征在于，所述洪水预报模型包括：普通神经网络层、P-RNN层、第一循环神经网络层、第二循环神经网络层和输出层，所述P-RNN层包括预设循环神经元，所述预设循环神经元是基于水文机理模型编码得到的；
2.根据权利要求1所述的耦合机理模型和深度学习的洪水预报模型，其特征在于，所述第一数据包括平均张力蓄水容量、流域张力蓄水容量曲线分布指数，平均自由水容量和流域自由水容量分布曲线指数，所述P-RNN层以气象驱动因子时间序列数据作为输入数据，集合所述第一数据，输出当前径流特征数据包括：
3.根据权利要求1所述的耦合机理模型和深度学习的洪水预报模型，其特征在于，所述P-RNN层的预设循环神经元的状态变量包括上层张力水蓄量、下层张力水蓄量、深层张力水蓄量、自由水蓄量和产流面积。
4.根据权利要求3所述的耦合机理模型和深度学习的洪水预报模型，其特征在于，所述P-RNN层的核心计算方程为：
5.根据权利要求1所述的耦合机理模型和深度学习的洪水预报模型，其特征在于，
6.一种耦合机理模型和深度学
7.一种洪水预报方法，其特征在于，所述方法包括：
8.一种计算机设备，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求6所述的耦合机理模型和深度学习的洪水预报模型的训练方法和权利要求7所述的洪水预报方法。
10.一种计算机程序产品，其特征在于，包括计算机指令，所述计算机指令用于使计算机执行权利要求6所述的耦合机理模型和深度学习的洪水预报模型的训练方法和权利要求7所述的洪水预报方法。
...【技术特征摘要】
1.一种耦合机理模型和深度学习的洪水预报模型，其特征在于，所述洪水预报模型包括：普通神经网络层、p-rnn层、第一循环神经网络层、第二循环神经网络层和输出层，所述p-rnn层包括预设循环神经元，所述预设循环神经元是基于水文机理模型编码得到的；
2.根据权利要求1所述的耦合机理模型和深度学习的洪水预报模型，其特征在于，所述第一数据包括平均张力蓄水容量、流域张力蓄水容量曲线分布指数，平均自由水容量和流域自由水容量分布曲线指数，所述p-rnn层以气象驱动因子时间序列数据作为输入数据，集合所述第一数据，输出当前径流特征数据包括：
3.根据权利要求1所述的耦合机理模型和深度学习的洪水预报模型，其特征在于，所述p-rnn层的预设循环神经元的状态变量包括上层张力水蓄量、下层张力水蓄量、深层张力水蓄量、自由水蓄量和产流面积。
4.根据权利要求3所述的耦合机理...
【专利技术属性】
技术研发人员：沈建明，杨默远，张娟，李丽琴，李晓琳，陈楠，
申请(专利权)人：北京市水科学技术研究院，
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。