[发明专利]基于时间序列网络的面降水-水位模拟方法

说明书

本发明涉及水位模拟技术领域，公开了基于时间序列网络的面降水‑水位模拟方法，包括获取面降雨输入影像、水文控制模块输入影像、水位数据、对格网数据产品进行影像预处理、选取合适的短期水位预测时间d₁、选取合适的时间序列网络延迟参数d₂、对输入数据进行PCA降维处理、对时间序列网络进行训练和计算网络模拟精度。本发明提高了短期水位预测结果的精度，适用于原位传感器布设少和地形复杂的区域，数据完整性更强，规避了地面原位传感器在地形复杂区域分布稀疏的问题，提高了短期水位预测精度，短期水位预测所用的数据、方法、特征和知识具有可扩展性。

技术领域

本发明涉及水位模拟技术领域，具体涉及基于时间序列网络的面降水-水位模拟方法。

背景技术

由于全球极端天气引起的洪灾事件频繁发生，降水-水位模拟在水文气象领域的研究地位越来越高,通过水位预报可初步估算淹没区范围，对防洪减灾具有重要的作用。

现有的水位预报方法一般分为模型驱动方法和数据驱动方法，模型驱动方法通常有一个明确的物理原理作为模型的基础，但由于现实世界的复杂性，往往无法测量复杂的物理参数，导致预测精度相对较低，现阶段的模型驱动的纳什效率系数一般在85％以下；随着人工智能的发展，数据驱动方法得到了广泛的应用，水文预报方法也从模型驱动模式转变为数据驱动模式，数据驱动模型通常具有较高的预测精度，相关系数一般可以达到0.9或更高。

目前，随着面降水产品的成熟，有很多研究开始采用TRMM、CHRIPS、GLDAS等网格降水产品作为预测模型的数据源，使用面降水产品数据作为水位预测模型的输入数据源可以获得较为理想的模拟精度，在地面站点数据缺失或站点分布稀疏地区能够发挥较大的作用，但数据驱动模型通常不能从水文驱动物理过程的角度解释预测结果，所以现有研究多从数据拟合精度的角度进行改进，单纯从“数据”到“数据”的统计学拟合方法偏离了水文领域的研究内容，而且由于没有考虑其他变量例如水文过程的土壤和植被要素，通常会出现额外的误差；另外，降水引起的水位变化并不是一个即时过程，可能需要一段时间才能对水位变化表现出影响。考虑到水位变化过程中的时滞效应，非线性自回归外生模型(NARX)等回归神经网络模型理论上能比人工神经网络模型取得更好的效果。

围绕上述数据驱动模型存在的物理机制不明确的问题，本专利提出一种结合现有物理水文模型的基于时间序列网络的面降水-水位模拟方法。

发明内容

基于以上描述的现有数据驱动水文模拟中存在的建模机制不完善的问题，本发明提供一种基于时间序列网络的面降水-水位模拟方法，从水文循环的角度，考虑面降水-水位过程的时间延迟效应以及降水-水位变化过程中的多元影响因素，提出一套物理意义明确的面降水-水位模拟流程，并通过使用面降雨产品解决原位传感器空间布设离散的问题，同时通过带外部输入的非线性自回归(nonlinear autoregressive exogenous model，NARX)时间序列网络模型来模拟水文过程的累积效应。

为解决以上技术问题，本发明提供了基于时间序列网络的面降水-水位模拟方法，包括以下步骤：

步骤1：划分通过流域水系，确定水位控制站点C及水位控制站点C所在流域范围，以下将水位控制站点C简称为站点C，获取站点C所在流域范围内一定时段T的面降雨输入影像及所需的水文控制模块输入影像，并获取同时段T的站点C的水位数据作为目标数据，输入数据与目标数据的时间分辨率均为1天，并记待预测水位为站点C的第X天的水位；

步骤2：对格网数据产品进行影像预处理，使用站点C所在流域的矢量shp文件对网格数据产品进行裁剪，并将所有网格数据产品重采样成统一分辨率；

步骤3：选取合适的短期水位预测时间d₁，并将输入数据及目标数据序列化，并使用被预测日水位前d₁天的数据作为训练数据；