[发明专利]基于BP人工神经网络和情景模拟组合的径流变化归因识别方法

权利要求书

1.一种基于BP人工神经网络和情景模拟组合的径流变化归因识别方法，其特征在于，包括以下步骤：

步骤1，筛选关键驱动因子，具体如下：

依据流域的水量平衡关系，针对水量平衡方程中除径流外的各分项选择驱动因子，包括选择降水要素、气温和风速作为驱动因子，筛选出关键驱动因子X₁，X₂，...，X_i，...，X_n，n为自然数；

步骤2，对所述关键驱动因子进行规范化处理，具体如下：

搜集关键驱动因子的序列资料及径流资料，将其规范化，生成数据样本；

步骤3，建立关键驱动因子到径流的BP人工神经网络，具体如下：

步骤31、构建网络拓扑结构：构建包含输入层、单隐层和输出层的3层BP网络拓扑结构；输入层各节点对应所选各个驱动因子，输出层则对应径流；根据Lippmann提出的经验公式确定隐层节点数h＝1×(n+1)，n为自然数；

步骤32、选择网络参数与激发函数：采用双曲正切Sigmoid函数作为激发函数，u 为输入参数，学习速率取0.6，动量因子取0.5，网络的权值、阈值的初值均在(-1，1)随机生成；

步骤33、进行网络训练和校验：数据样本的前70％做训练样本拟合用，采用Delta学习规则，当全局误差小于0.001或者训练次数大于20000时终止训练，数据样本的后30％用于网络检验；

步骤4，设计情景，模拟对应情景下的径流，具体如下：

步骤41、为每个驱动因子构造一个增量，驱动因子X_i构造的增量为：

Δx_j＝β_j·t j＝1，2，…，n

式中：β_j为驱动因子X_i序列的斜率，t为序列长度，Δx_j为驱动因子X_i增量；

步骤42、为每个驱动因子构造一个增量序列，驱动因子X_i构造的增量序列表示为(x_i，1+Δx_j，x_i，2+Δx_j，...，x_i，j+Δx_j，...，x_i，t+Δx_j)，i、j、t为自然数；此时每个驱动因子均有2个序列，即原始序列和增量序列；

步骤43、定义一个包含所有驱动因子1个序列的矩阵为1个情景，对所有驱动因子的原始序列、增量序列排列组合，生成2ⁿ个情景，将各个情景的序列资料规范化后输入已建立好的BP网络模拟各情景下的径流；

步骤5，组合不同情景，计算各因子对径流变化的独立影响，具体包括如下步骤：

步骤51、对驱动因子X_i而言，将2^n-1个X_i为原始序列的情景统称为X_i的原始情景组，其余的2^n-1个情景X_i均为增量序列，统称为增量情景组；记原始情景组中各个情景的模拟径流序列为k＝1，2，…，2^n-1，增量情景组中各个情景的模拟径流序列为k＝1，2，…，2^n-1；

步骤52、计算驱动因子X_i对径流的影响序列：式中：ΔR_i为驱动因子X_i对径流的影响序列；

步骤53、计算径流影响序列ΔR_i的均值，即驱动因子X_i对径流影响：

式中：Δr_i，j为驱动因子X_i对径流第j年的影响量，c_i为径流影响序列ΔR_i的均值；

步骤54、按照以上步骤，计算出各个驱动因子对径流的影响后，计算贡献占比：

式中：ω_i为驱动因子X_i对径流变化的贡献占比，c_i为径流影响序列ΔR_i的均值。

2.一种基于BP人工神经网络和情景模拟组合的径流变化归因识别方法，其特征在于，包括如下步骤：

步骤1、筛选关键驱动因子：对于一个给定的流域，水量平衡关系表示为：

P＝E+R+S+ΔV

式中：P为降水量，E为蒸发量，S为生产和生活耗用水量，ΔV为流域储存的水量，在多年平均的尺度上，ΔV为0，径流R是对降水、蒸发和人类耗水量的响应；针对水量平衡方程中除径流外的各分项选择驱动因子，选择降水要素、气温和风速作为驱动因子，筛选出n个关键驱动因X₁，X₂，...，X_i，...，X_n；

步骤2、对关键驱动因子进行规范化处理：搜集n个关键驱动因子的序列资料，序列长度为t，驱动因子X_i的序列资料记为(x_i，1，x_i，2，...，x_i，j，...，x_i，t)，由于各个驱动因子的量级和量纲不同，将其规范化到(0，1)：

式中：x_i，j为驱动因子X_i序列第j年时的实际值，x_i，max、x_i，min分别为驱动因子X_i序列实际值中的极大值和极小值，a_i，j为规范化后数值；

同样对搜集到的径流序列资料(r₁，r₂，...，r_j，...，r_t)归一化：

式中：r_j为径流第j年的观测值，r_max、r_min分别为径流序列中的中的极大值和极小值，b_j为径流归一化值；

步骤3、建立关键驱动因子到径流的BP人工神经网络，从而得到各驱动因子到径流的映射关系，具体分为以下几个子步骤：

(1)网络拓扑结构：构建包含输入层、单隐层和输出层的3层BP网络拓扑结构，输入层各节点对应所选各个驱动因子，输出层则对应径流；根据Lippmann经验公式确定隐层节点数h＝1×(n+1)；

(2)网络参数与激发函数：采用双曲正切Sigmoid函数作为激发函数，学习速率取0.6，动量因子取0.5，网络的权值、阈值的初值均在(-1，1)随机生成；

(3)网络训练和校验：数据样本前70％做训练样本拟合用，采用Delta学习规则，当全局误差小于0.001或者训练次数大于20000时终止训练，数据样本后30％用于网络检验；

步骤4、设计情景，采用建立好的BP人工神经网络模型模拟对应情景下的径流，具体分为以下几个子步骤：

步骤41、为每个驱动因子构造一个增量，驱动因子X_i构造的增量为：

Δx_j＝β_j·t i＝1，2，…，n

式中：β_j为驱动因子X_i序列的斜率，t为序列长度，Δx_j为驱动因子X_i增量；

步骤42、为每个驱动因子构造一个增量序列，驱动因子X_i构造的增量序列表示为(x_i，1+Δx_j，x_i，2+Δx_j，...，x_i，j+Δx_j，...，x_i，t+Δx_j)，此时每个驱动因子均有2个序列，即原始序列和增量序列；

步骤43、定义一个包含所有驱动因子1个序列的矩阵为1个情景，那么对所有驱动因子的原始序列、增量序列排列组合，生成2ⁿ个情景，将各个情景的序列资料规范化后输入步骤3建立好的BP网络模拟各情景下的径流；

步骤5、组合不同情景，计算各因子对径流变化的独立影响，具体分为以下几个子步骤：

步骤51、对驱动因子X_i而言，将2^n-1个X_i为原始序列的情景统称为X_i的原始情景组，其余的2^n-1个情景X_i均为增量序列，统称为增量情景组；记原始情景组中各个情景的模拟径流序列为k＝1，2，…，2^n-1，增量情景组中各个情景的模拟径流序列为k＝1，2，…，2^n-1；

步骤52、计算驱动因子X_i对径流的影响序列：式中：ΔR_i为驱动因子X_i对径流的影响序列；

步骤53、计算径流影响序列ΔR_i的均值，即驱动因子X_i对径流影响：

式中：Δr_i，j为驱动因子X_i对径流第j年的影响量，c_i为径流影响序列ΔR_i的均值；

步骤54、按照以上步骤，计算出各个驱动因子对径流的影响后，即可计算贡献占比：

式中：ω_i为驱动因子X_i对径流变化的贡献占比。