[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

说明书

本发明公开了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，包括以下步骤：步骤1、数据准备；步骤2、获取有资料流域水文模型参数集；步骤3、流域特征属性主成分提取；步骤4、构建机器学习决策树算法数据集；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。本发明提出了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，该参数区域化方法不仅客观性强而且能够通过机器学习算法快速准确的为无资料流域寻找参证流域、获得模型参数，为无资料地区水文预报提供支撑。

技术领域

本发明涉及无资料地区水文预报技术领域，尤其涉及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，主要应用决策树机器学习算法来解决无资料水文模型参数识别问题，用于无资料地区水文模拟和洪水预报等工作。

背景技术

无资料地区水文预报(PUB)是国际水文学研究的难点和热点问题。无资料地区通常缺乏实测水文资料(或流量资料)，无法进行水文模型参数率定，极大的限制了水文模型的应用。因此对无资料地区水文模型参数区域化研究对解决无资料地区水文预报、提高水文预报精度具有重要意义。

常用的参数区域化方法包括移植法、回归法和插值法。参数移植法根据流域水文相似性把有资料流域参数(参证流域)移用至无资料流域(目标流域)，包括距离相近法和属性相似法。但这两种参数区域化方法进行水文相似性判断无定量标准，主观性较大，参数移用不确定大。回归法是建立流域属性因子与各参数的统计关系，是一种集总式经验方法，忽略了流域内在产汇流机理，割裂了流域产汇流的整体性，应用结果较差。插值法一般是指空间插值法，该方法需要较大的参证流域样本，且不能反应流域产汇流的整体性，实际应用难度大、不确定性强。

因此，目前各类参数区域化方法存在主观性强、不能反应流域产汇流机理等缺陷，不能够有效应用至无资料地区参数识别中，不能为无资料流域的水文模拟和预报提供有效的帮助。

发明内容

本发明提出了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，应用机器学习算法建立水文模型参数与流域特征关系，能够快速准确识别无资料流域的参证流域，进行无资料地区参数区域化。

为了解决上述存在的技术问题，本发明采用了以下方案：

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，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。

进一步的，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。

进一步的，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。