【技术实现步骤摘要】
本专利技术涉及洪水预报与计算机结合的，更具体地说，它涉及一种融合多源降雨数据的流域洪水预报的方法。
技术介绍
1、洪水灾害由于其突发性和破坏性，一直是威胁人类生命财产安全的主要自然灾害之一。准确预测流域洪水对于防灾减灾至关重要。传统的洪水预测方法主要依赖于地面雨量站网的观测数据，但这种方法存在多个不足：雨量站网分布密度有限、观测数据可能存在缺失及不确定性等。
2、随着遥感和模型模拟技术的发展，将地面雨量站网观测、雷达遥感估算、数值天气预报模型模拟等多源降雨数据通过新颖的数据融合技术无缝集成，并将融合后的高精度降雨场数据输入分布式流域水文模型，耦合长短期降雨预报实现全时段洪水过程模拟预测，可以有效的提高洪水预测的准确率。
3、但是强降雨可能会诱发山体滑坡、沙石流等次生灾害，这些次生灾害可能会阻塞河道，改变河网系统的水力学特性，干扰洪水传播过程，从而导致洪水预测的准确率大大降低。
技术实现思路
1、本专利技术的目的就在于为了解决上述问题而提供一种融合多源降雨数据的流域洪水预报的方法。
2、本专利技术提供了一种融合多源降雨数据的流域洪水预报的方法，包括以下步骤：
3、步骤100、获取流域区域的历史的多源降雨数据、历史的地理数据和历史的灾害数据，对流域区域的历史的多源降雨数据、历史的地理数据和历史的灾害数据进行预处理，基于预处理后的历史的多源降雨数据、历史的地理数据和历史的灾害数据构建训练数据集；
4、多源降雨数据包括实测落地雨数
5、地理数据包括地形数据、遥感数据；
6、灾害数据包括流域区域内发生的洪水事件数据和山体滑坡事件数据；
7、步骤200、构建洪水预报模型，采用训练数据集对洪水预报模型进行训练，生成训练后的洪水预报模型；
8、所述洪水预报模型包括节点图生成层、图注意力层、特征融合层和全连接层；
9、步骤300、获取流域实时的多源降雨数据和实时的地理数据，处理后输入洪水预报模型，输出洪峰数值。
10、作为本专利技术的进一步优化方案，节点图生成层用于构建节点图，具体为，节点图中包含多个节点和边，节点表示流域的一个地理区域，所有节点之间均有无向边；
11、为每个节点、边赋予特征，节点特征由预处理后的多源降雨数据、地理数据、灾害数据生成，边特征由边所连接的节点表示的地理区域之间的距离、高度差生成；
12、地理区域之间的距离表示地理区域的几何中心的距离，地理区域之间的高度差表示地理区域的平均高度的差。
13、作为本专利技术的进一步优化方案，生成节点特征的方法包括：
14、基于多源降雨数据、地理数据、灾害数据的生成的单模态的编码向量融合获得节点特征。
15、作为本专利技术的进一步优化方案，生成边特征的方法包括：
16、将地理区域之间的距离、高度差作为边特征的分量。
17、作为本专利技术的进一步优化方案，图注意力层用于自动学习节点之间的关系权重，对每个节点i，计算相邻节点j对i的注意力权重系数，然后通过注意力系数对相邻节点特征进行加权求和，计算公式为：
18、；
19、其中，表示节点j对节点i的注意力权重系数，表示可学习的注意力参数，表示转置，leakyrelu表示leakyrelu激活函数，表示向量拼接操作，表示l层的权重矩阵，表示第l-1层的节点i的节点特征，表示第l-1层的节点j的节点特征；1≤l≤k，l=1时，表示仅有一层图注意力层，l=k时，表示具有k层图注意力层；
20、第l层的节点i的节点更新公式为：
21、；
22、其中，表示激活函数，表示与第i个顶点直接连接的顶点的集合。
23、作为本专利技术的进一步优化方案，特征融合层用于将流域中的所有节点的特征进行加权求和，流域中所有的节点表示为，计算公式为：
24、；
25、其中，为距离衰减加权系数，表示更新后的节点的节点特征
26、作为本专利技术的进一步优化方案，全连接层的计算公式为：
27、；
28、其中，表示流域的洪峰数值，表示全连接层的权重矩阵，表示全连接层的偏置参数，表示全连接层的激活函数。
29、作为本专利技术的进一步优化方案，在训练过程中，定义损失函数，计算公式为：
30、；
31、其中，为训练样本总数，为第m个样本的预测流域的洪峰数值，为第m个样本的流域的洪峰数值的实际值；
32、使用adam优化器最小化损失。
33、一种融合多源降雨数据的流域洪水预报系统，其用于执行如上述的一种融合多源降雨数据的流域洪水预报的方法，包括：
34、数据获取模块，用于获取流域区域的历史的多源降雨数据、历史的地理数据和历史的灾害数据，对流域区域的历史的多源降雨数据、历史的地理数据和历史的灾害数据进行预处理，基于预处理后的历史的多源降雨数据、历史的地理数据和历史的灾害数据构建训练数据集；
35、多源降雨数据包括实测落地雨数据、雷达短临降雨数据、气象降雨数据；
36、地理数据包括地形数据、遥感数据；
37、灾害数据包括流域区域内发生的洪水事件数据和山体滑坡事件数据；
38、数据处理模块，用于构建洪水预报模型，采用训练数据集对洪水预报模型进行训练，生成训练后的洪水预报模型；
39、所述洪水预报模型包括节点图生成层、图注意力层、特征融合层和全连接层；
40、洪水预报模块，获取流域实时的多源降雨数据和实时的地理数据，处理后输入洪水预报模型，输出洪峰数值。
41、一种存储介质，其存储了非暂时性计算机可读指令，当非暂时性计算机可读指令由计算机执行时，能够执行如上述的一种融合多源降雨数据的流域洪水预报的方法中的步骤。
42、本专利技术的有益效果在于：本专利技术可通过洪水预报模型对流域区域的历史多源降雨数据、历史地理数据和历史灾害数据进行分析和学习，获知次生灾害对河网系统的水力学特性的影响参数以及干扰洪水传播过程的影响参数，从而有效提高洪水预测的准确率，降低因洪水预测误差而对流域周边的城镇或农田造成不可逆的损毁，从而减少社会经济的损失。
本文档来自技高网...【技术保护点】
1.一种融合多源降雨数据的流域洪水预报的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种融合多源降雨数据的流域洪水预报的方法，其特征在于，节点图生成层用于构建节点图，具体为，节点图中包含多个节点和边，节点表示流域的一个地理区域，所有节点之间均有无向边；
3.根据权利要求2所述的一种融合多源降雨数据的流域洪水预报的方法，其特征在于，生成节点特征的方法包括：
4.根据权利要求2所述的一种融合多源降雨数据的流域洪水预报的方法，其特征在于，生成边特征的方法包括：
5.根据权利要求4所述的一种融合多源降雨数据的流域洪水预报的方法，其特征在于，图注意力层用于自动学习节点之间的关系权重，对每个节点i，计算相邻节点j对i的注意力权重系数，然后通过注意力系数对相邻节点特征进行加权求和，计算公式为：
6.根据权利要求5所述的一种融合多源降雨数据的流域洪水预报的方法，其特征在于，特征融合层用于将流域中的所有节点的特征进行加权求和，流域中所有的节点表示为，计算公式为：
7.根据权利要求6所述的一种融合多源降雨数据的流域
8.根据权利要求7所述的一种融合多源降雨数据的流域洪水预报的方法，其特征在于，在训练过程中，定义损失函数，计算公式为：
9.一种融合多源降雨数据的流域洪水预报系统，其特征在于，其用于执行如权利要求1-8任一项所述的一种融合多源降雨数据的流域洪水预报的方法，包括：
10.一种存储介质，其特征在于，其存储了非暂时性计算机可读指令，当非暂时性计算机可读指令由计算机执行时，能够执行如权利要求1-8任一项所述的一种融合多源降雨数据的流域洪水预报的方法中的步骤。
...【技术特征摘要】
1.一种融合多源降雨数据的流域洪水预报的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种融合多源降雨数据的流域洪水预报的方法，其特征在于，节点图生成层用于构建节点图，具体为，节点图中包含多个节点和边，节点表示流域的一个地理区域，所有节点之间均有无向边；
3.根据权利要求2所述的一种融合多源降雨数据的流域洪水预报的方法，其特征在于，生成节点特征的方法包括：
4.根据权利要求2所述的一种融合多源降雨数据的流域洪水预报的方法，其特征在于，生成边特征的方法包括：
5.根据权利要求4所述的一种融合多源降雨数据的流域洪水预报的方法，其特征在于，图注意力层用于自动学习节点之间的关系权重，对每个节点i，计算相邻节点j对i的注意力权重系数，然后通过注意力系数对相邻节点特征进行加权求和，计算公式为：
6....
【专利技术属性】
技术研发人员：李占华，赵红兵，程元庚，段勇，王福良，王超，王璐，荣钦彪，安凯，芦昌兴，
申请(专利权)人：水发数字科技有限公司，
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。