[发明专利]一种基于深度学习的山洪预警方法

权利要求书

1.一种基于深度学习的山洪预警方法，包括以下几个步骤：

S1：确定预警对象：在GIS地图上勾绘出预警区域所在流域，确定流域内的山洪预警区及其预设的预警雨量或水位、布设的雨量和水位监测站点；

S2：收集整编数据：收集预警区内雨量、水位站和区域蒸发量监测站、县域气象预警的历史资料，计算流域汇流时间，所述流域汇流时间计算方法为推理公式计算或泰森多边形法计算或前述两者综合确定；

其中，所述推理公式计算方法为：选择流域水位控制站历史时段内典型洪水过程，通过推理公式计算，计算公式如下：

式中L为流域分水线到控制站的距离，Q为控制站典型洪峰流量，J为流域平均比降，m为经验汇流系数；

其中，所述泰森多边形法计算方法为：将流域面降雨量与流域水位站汇于一根时间轴上，形成面降雨量与流域控制站流量时序图，采用次洪水分割法得到汇流时间；

S3：监测站互相关性分析：将监测点按降雨和水位或流量分类，按照互相关系数公式分别计算某一站点同其同类站点的互相关系数，当两站实测数据无法获取或与相关站测值差异超出历史系列最大差值N1倍时，通过实测数据代替公式计算成果代替实测值；

其中所述互相关系数公式计算方法如下：设站点序列分别为和{y_t|,t＝1,2,…,n}，构造它们的互相关系数为：

所述实测数据代替公式如下：

式中A为监测站控制的流域面积，雨量站是泰森多边形切割出的面积，水位站是控制流域面积；为x样本均值，为y样本均值；

S4：降雨量预警：建立具有LTSM功能的RNN雨量预报模型，采用集成降雨预报计算得出进行山洪降雨预警预报；

所述集成降雨预报计算得出进行山洪降雨预警预报的方法如下：

S4-1，通过预报评价公式计算预报精度评价指标，

所述预报评价公式为：

式中，E为评价精度，m为预报值与实测值在同一区间次数，n为预报总次数；

S4-2，确定输入层和输出层数据：

输入层包括四个因子，分别是：t时刻站点实时观测值、专业气象公司对站点t+i时刻预报值、t+i时刻省级气象部门网格预报折算至站点的预报值和地方气象部门t时刻发布的暴雨预警值；

输出层为t+i时刻站点的实测值；

所述地方气象部门t时刻发布的暴雨预警值取值分别为：不发布0，蓝色预警为1，黄色为2，橙色为3，红色为4；

S4-3，建立具有LTSM功能的RNN雨量预报模型；

所述建立具有LTSM功能的RNN雨量预报模型方法如下：

构建具有LTSM功能的RNN模型，所述RNN模型包括输入层和隐藏层，计算公式如下：

o_t+1＝V·s_t+1+b_o，

s_t+1＝f(U·x_t+1+W·s_t+b_s)，

o_t+1＝V·s_t+1+b_o，

上式中，U为输入层到隐含层连接权值，V为隐含层到输出层连接权值，W上一隐含层到当前隐含层的连接权值，x_t为输入层数据，S_t隐含层计算输出数据，o_t输出层计算输出数据，b_s为隐藏层偏置数，b_o为输出层偏置数，f()为激励函数；

其中，所述RNN的隐藏层包括对短期输入敏感的短期状态s和保存长期状态的结构c，所述结构c保存的长期状态为单元状态，所述结构c中包括控制单元状态的遗忘门、输入门和输出门，

其中，

所述遗忘门决定上一时刻的单元状态有多少保留到当前时刻ct；

所述输入门决定当前时刻网络的输入和有多少保存到单元状态；

所述输出门控制单元状态有多少输出到当前LSTM的隐藏层值；

计算公式如下：

f_t＝σ(W_t·[h_t-1,x_t]+b_f)，

i_t＝σ(W_i·[h_t-1,x_t]+b_i)，

o_t＝σ(W_o·[h_t-1,x_t]+b_o)，

h_t＝o_t·tanh(c_t)，

上述公式中，f_t表示遗忘门，i_t表示输入门，c_t表示t时刻单元状态，o_t表示输出门，W表示权重，b表示偏置，h_t表示t时刻的输出，σ为激活函数，tanh表示双曲正切激活函数；

所述隐藏层包括二层隐藏层，所述二层隐藏层分别为第一隐藏层和第二隐藏层，其中第一隐藏层采用于输入层相同单元数，第二隐藏层采用输入因子数一半作为隐藏单元数来进行计算；

S4-4，训练和验证：将收集整理的历史实测降雨和预报数据分成训练集和验证集，使用训练集训练出模型参数，以验证集验证计算预报精度；

S4-5，实时数据计算：使用实时数据代入上述计算模型，进行山洪降雨预警预报；

S5：水位/流量预警：建立具有LTSM功能的RNN水位预报模型，使用实时数据代入模型进行计算，实现进行山洪水位预警预报。