[发明专利]一种基于机器学习的无资料地区水文模型参数区域化方法

权利要求书

1.一种基于机器学习的无资料地区水文模型参数区域化方法，其特征在于：包括以下步骤：

步骤1、数据准备：包括有资料流域的下垫面数据和长系列水文气象数据，无资料流域的下垫面数据；

步骤2、获取有资料流域水文模型参数集：采用长系列水文气象数据对水文模型进行率定和验证得到；

步骤3、流域特征属性主成分提取：对每类流域特征，建立因子分析模型，运用主成分分析法求解模型，得到各流域特征类型的主成分得分值；

步骤4、构建机器学习决策树算法数据集：数据集中的数据包括各有资料流域主成分得分差值、流域之间的距离、流域参数交叉验证的确定性系数，其中确定性系数作为决策树构建的因变量，主成分得分差值和流域之间距离作为自变量；

步骤5、构建决策树，生成最优决策树；

步骤6、根据决策树分类规则，获得流域最优分类规则；

步骤7、无资料流域参数获取：计算无资料流域与各有资料流域主成分差值、无资料流域与各有资料流域之间距离，根据步骤6所得最优分类规则筛选有资料流域作为最优参证流域，得到水文模型参数。

2.根据权利要求1所述基于机器学习的无资料地区水文模型参数区域化方法，其特征在于：步骤1中，所述下垫面数据包括构建水文模型需要的地形地貌数据、土地利用数据、土壤类型数据，及流域的气候特征数据和流域结构数据。

3.根据权利要求1所述基于机器学习的无资料地区水文模型参数区域化方法，其特征在于：步骤1中，所述有资料流域的长系列水文气象数据是指10年以上的降雨径流数据，数据应包括大、中、小水各种代表年份；洪水场次，湿润地区不少于50场，干旱地区不少25场。

4.根据权利要求3所述基于机器学习的无资料地区水文模型参数区域化方法，其特征在于：步骤2中，用长系列水文气象数据的前2/3场次数据率定水文模型参数，后1/3数据验证水文模型参数。

5.根据权利要求1所述基于机器学习的无资料地区水文模型参数区域化方法，其特征在于：步骤2中，水文模型参数率定和验证精度选用确定性系数来评定，要求率定和验证的确定性系数均值均大于0.7。

6.根据权利要求1所述基于机器学习的无资料地区水文模型参数区域化方法，其特征在于：步骤3中，流域特征属性主成分提取中的流域特征包括流域地形地貌特征、土壤类型与土壤质地特征、土地利用与植被覆盖特征、流域的气候特征和流域结构特征。

7.根据权利要求1所述基于机器学习的无资料地区水文模型参数区域化方法，其特征在于：步骤4中，机器学习数据集包括训练集、验证集和测试集。

8.根据权利要求7所述基于机器学习的无资料地区水文模型参数区域化方法，其特征在于：步骤5中，通过训练集构建完整决策树，通过验证集对决策树进行剪枝和优化，测试集对决策树进一步优化，最终得到最优决策树。

9.根据权利要求1所述基于机器学习的无资料地区水文模型参数区域化方法，其特征在于：步骤6中，决策树分类规则是指决策树的分支规则，该规则的数量与决策树的叶子节点数相同；流域最优分类规则是指因变量最大的决策树分类规则。