【技术实现步骤摘要】
本专利技术涉及水文学的水文预报领域，尤其涉及可解释的概念性降雨径流混合预测方法及系统。
技术介绍
1、近年来，暴雨洪涝灾害频繁发生。随着“双碳”目标的前进步伐不断加快，水电能源在能源结构中的地位将会更加突出，未来在新能源领域中承担的角色也会愈发重要。然而，气候变化和人类活动双重作用导致流域水文动力过程和水循环系统内部要素日趋复杂，水文气象要素的不确定性特征和混沌特性更加显著，给径流系统的高精度模拟和预测带来了巨大挑战。因此，当前迫切需要深入研究变化环境下流域非线性径流综合预报方法，探明变化环境下流域产汇流影响机制和洪水预报新范式，这对水资源优化配置、评估防洪减灾风险具有重要的科学价值和现实意义。
2、物理机制驱动的流域水文模型是洪水预报核心基础，主要包括集总式、半分布式和分布式水文模型架构，常见的集总式水文模型如新安江模型、tank模型、gr4j模型、hymod模型等。然而，任何现有水文模型本质上是对降雨-径流自然现象的简化模拟，其构造与参数化并未能完全捕捉所有影响因素及其相互作用。尤其是在全球气候变暖和人类活动的强烈影响下，降雨径流过程涉及的气象要素、地形地貌、流域特性以及人为干预等因素之间的耦合作用日益凸显。计算机科学的飞速发展引领了深度学习在水文学领域的广泛应用，但是这种典型数据驱动方法被认为是黑箱模型，模型参数结构缺乏物理解释性。为此，完全依赖物理定律和数学方程驱动的水文模型，存在难以准确认识和预报多重因素影响的复杂降雨径流形成过程，多源观测信息难以有效利用等问题。
技术实现思路<
1、本专利技术提供了一种可解释的概念性降雨径流混合预测方法及系统，用于解决降雨径流预测方法准确率低的技术问题。
2、为解决上述技术问题，本专利技术提出的技术方案为：
3、一种可解释的概念性降雨径流混合预测方法，包括：
4、构建目标流域的gr4j水文模型，使用所述gr4j水文模型获取不同气象数据下，所述目标流域的产流中间变量及径流数据；
5、基于所述气象数据及对应的产流中间变量及径流数据构建状态因子集，并基于xgboost-shap可解释框架对所述状态因子集进行重构；
6、将重构后的状态因子集输入到深度学习时间序列预测模型中进行训练，得到目标流域的径流过程。
7、优选的，所述气象数据包括目标流域的面降水量、面蒸发量；所述产流中间变量包括有效降水量、剩余蒸发量、补充产流水库的降水量、产流水库蒸散发量、产流水库产流量、产流水库的总产流量、产流水库蓄水量，所述径流数据包括流域出口断面总流量；构建gr4j水文模型包括：
8、获取目标流域的面降水量p、面蒸发量e，根据目标流域的面降水量p、面蒸发量e，确定有效降水pn和剩余蒸发量en；
9、通过有效降水pn和剩余蒸发量en计算补充产流水库的降水量ps和产流水库蒸散发量es；
10、通过补充产流水库的降水量ps和产流水库蒸散发量es计算产流水库蓄水量st和产流水库的产流量perc；
11、通过产流水库蓄水量st和产流水库的产流量perc计算产流水库的总产流量pr；
12、将产流水库的总产流量pr按预设比例分为流入汇流水库的部分和直接流入到流域出口断面的部分，并分别采用时段单位线进行汇流演算，得到最终流入汇流水库的水量q9和流入到流域出口断面的水量q1；基于最终流入汇流水库的水量和流入到流域出口断面的水量，引入时段水量交换量f计算流域出口断面总流量qsim。
13、优选的，基于最终流入汇流水库的水量和流入到流域出口断面的水量，引入时段水量交换量f计算流域出口断面总流量qsim包括：
14、引入时段水量交换量f计算汇流水库水量r；
15、基于汇流水库水量r计算汇流水库出流量qr；
16、基于流入到流域出口断面的水量q1和时段水量交换量f计算汇流水库出流量qd；
17、基于汇流水库出流量qd和汇流水库出流量qr计算流域出口断面总流量qsim。
18、优选的，所述gr4j水文模型采用洗牌复合形进化算法率定模型参数，其中，面降雨量和面蒸发量采用泰勒多边形法计算得到。
19、优选的，所述状态因子集包括：
20、
21、其中，t表示时刻，xt表示t时刻的状态因子集；pt为t时刻的流域降水量，et为t时刻的蒸发量，为t时刻的有效降水量，为t时刻的剩余蒸发量，为t时刻的补充产流水库的降水量；为t时刻的产流水库蒸散发量es，perct为t时刻的产流水库产流量；为t时刻的产流水库的总产流量；st为t时刻的产流水库蓄水量，为t时刻gr4j计算的流域出口断面总流量。
22、优选的，采用xgboost-shap可解释框架对所述状态因子集进行重构，包括：
23、首先，设置滑动窗口n，获取扩充状态因子集
24、
25、其次，基于扩充后的状态因子集构建xgboost-shap可解释框架：
26、将划分训练集和检验集后作为xgboost模型的输入进行训练，根据xgboost-shap可解释框架生成的shap value值，获取的全局和局部解释，并评估每个特征因子的全局贡献度，选取输入特征全局解释的shap value值排名前n个因子作为时间序列预测模型的输入。
27、优选的，所述深度学习时间序列预测模型为lstm神经网络，所述lstm神经网络的训练集由重构后、且归一化的状态因子集构成，并采用贝叶斯算法优化lstm模型超参数。
28、优选的，还包括评估步骤：
29、采用纳什系数，均方根误差和克林-古普塔效率系数三个指标对所述训练好的lstm神经网络进行评估，并根据评估结果决定是否对所述lstm神经网络进行优化。
30、一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
31、本专利技术具有以下有益效果：
32、1、本专利技术创新性地结合了先进的机器学习技术与传统水文学原理，提出了一种可解释概念性降雨径流混合模型。利用lstm神经网络替代gr4j水文模型的汇流过程，增强模型的非线性时空动态捕捉能力，提升了模型在复杂环境条件下的泛化性能，拓展了模型的适用场景和预测范围。相比于传统的概念性水文模型gr4j，提升了径流预报的精度和可靠性，通过深度学习算法的优化应用，有效减少了预测误差。针对深度学习模型的“黑箱”特性，引入了xgboost-shap因子评估及解释框架，清晰揭示了模型决策背后的驱动因素，提高了预测结果的可解释性，解决了深度学习应用于水文学领域缺乏解释性的难题。本专利技术不仅在技术层面实现了对现有水文模型的显著改进，还在理论与实践应用上开辟了新的路径，为水文学研究和水资源管理提供了强有力的支持工具。
33、除了上面所描述的目的、特征和优点之外，本专利技术还有其它的目的、特征和优点。本文档来自技高网...
【技术保护点】
1.一种可解释的概念性降雨径流混合预测方法，其特征在于，包括：
2.根据权利要求1所述的可解释的概念性降雨径流混合预测方法，其特征在于，所述气象数据包括目标流域的面降水量、面蒸发量；所述产流中间变量包括有效降水量、剩余蒸发量、补充产流水库的降水量、产流水库蒸散发量、产流水库产流量、产流水库的总产流量、产流水库蓄水量，所述径流数据包括流域出口断面总流量；构建GR4J水文模型包括：
3.根据权利要求2所述的可解释的概念性降雨径流混合预测方法，其特征在于，基于最终流入汇流水库的水量和流入到流域出口断面的水量，引入时段水量交换量F计算流域出口断面总流量Qsim包括：
4.根据权利要求3所述的可解释的概念性降雨径流混合预测方法，其特征在于，所述GR4J水文模型采用洗牌复合形进化算法率定模型参数，其中，面降雨量和面蒸发量采用泰勒多边形法计算得到。
5.根据权利要求1-4任意一项所述的可解释的概念性降雨径流混合预测方法，其特征在于，所述状态因子集包括：
6.根据权利要求5所述的可解释的概念性降雨径流混合预测方法，其特征在于，采用XGB
7.根据权利要求6所述的可解释的概念性降雨径流混合预测方法，其特征在于，所述深度学习时间序列预测模型为LSTM神经网络，所述LSTM神经网络的训练集由重构后、且归一化的状态因子集构成，并采用贝叶斯算法优化LSTM模型超参数。
8.根据权利要求7所述的可解释的概念性降雨径流混合预测方法，其特征在于，还包括评估步骤：
9.一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至8任一所述方法的步骤。
...【技术特征摘要】
1.一种可解释的概念性降雨径流混合预测方法，其特征在于，包括：
2.根据权利要求1所述的可解释的概念性降雨径流混合预测方法，其特征在于，所述气象数据包括目标流域的面降水量、面蒸发量；所述产流中间变量包括有效降水量、剩余蒸发量、补充产流水库的降水量、产流水库蒸散发量、产流水库产流量、产流水库的总产流量、产流水库蓄水量，所述径流数据包括流域出口断面总流量；构建gr4j水文模型包括：
3.根据权利要求2所述的可解释的概念性降雨径流混合预测方法，其特征在于，基于最终流入汇流水库的水量和流入到流域出口断面的水量，引入时段水量交换量f计算流域出口断面总流量qsim包括：
4.根据权利要求3所述的可解释的概念性降雨径流混合预测方法，其特征在于，所述gr4j水文模型采用洗牌复合形进化算法率定模型参数，其中，面降雨量和面蒸发量采用泰勒多边形法计算得到。
<...【专利技术属性】
技术研发人员：郭俊，常新雨，覃晖，刘懿，倪修，胡海，
申请(专利权)人：华中科技大学，
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。