[发明专利]一种基于深度学习的特征提取水文预报的方法

说明书

本发明提供了一种基于深度学习的特征提取水文预报的方法，属于水资源高效利用与水文预报领域，方法包括：首先利用流域历史信息获得流域水文预报特征因子集合，其次利用数据挖掘算法训练特征因子集合并获得不同因子作用下“量值”和“过程形态”相似的多组场次洪水过程集合，然后基于深度学习算法开展传统水文预报中各模型、方法的参数率定，并形成模型、方法与参数方案配套的模型库和方法库，最后结合聚类分析完成水文预报计算。相对于已有方法，本发明有效改进了传统水文预报方法预报精度较低、有效预见期较短等不足，在开展水文预报时能够明显提高预报精度、延长预见期，具有良好的适用性和可行性，为流域水文预报提供了行之有效的技术方法。

技术领域

本发明涉及水资源高效利用与水文预报领域，更具体地，涉及一种基于深度学习的特征提取水文预报的方法。

背景技术

水文预报既是水旱灾害防御的重要技术支撑，又是水库兴利调度和资源高效利用的重要手段。水文预报的相关模型和方法众多，大都能够反映水文学的一些基本规律，但由于人类对流域水文气象现象认识有限，自然界规律变化又错综复杂，传统模型和方法难以全面反映客观规律，例如统计类预报方法通常面临物理意义考虑不充分的问题，而陆气耦合类方法往往存在气象信息与水文模型空间尺度不匹配的矛盾。

深度学习作为人工智能的主要分支，是一种利用大数据进行训练，不断地通过正反馈来优化结果的方法。随着互联网、物联网的快速发展，人类的计算能力不断提高，深度学习在很多领域表现出优越的性能，尤其是在海量数据信息提取与生产应用方面。

水文气象数据体量庞大、来源广泛、类型繁多，以长江流域为例，每天接收来自长江水利委员会水文局15个分中心、14个省(直辖市)水文局、中国气象局、湖北省气象局、三峡梯调中心、金沙江调控中心、以及各支流集控中心等数十家单位(部门)的实时观测数据约97万条，年接收数据量约3.54亿条，如此海量数据的交换、共享及信息融合直接关系到流域防洪预报调度的准确性和时效性，同时也隐藏着大量常规水文模型和方法无法探知的信息和规律。但是，目前为止，深度学习技术在水文预报中的应用鲜为少见，如此海量数据所包含甚至隐藏的信息尚未得到充分的挖掘和利用，导致现阶段水文预报仍然存在精度偏低、预见期不足的问题，不仅难以满足时代发展、社会进步所要求的越来越高的预报精度要求，而且极易造成数据资源的浪费。

因此，基于大数据和人工智能相关理论和技术的发展，采用深度学习相关理论、方法和技术，利用现有丰富的历史数据，将数据之间的物理关系用统计关系表达出来，毋需借助物理模型那么多严格的分布参数来描述流域的下垫面情况，而是通过统计关系直接实现水文预报，简化水文预报工作的复杂性和繁琐性，显著提高水文预报精度，有效延长预见期，成为水文预报方法重要的研究方向之一。

发明内容

本发明的目的在于针对上述现有技术的不足，提供了一种基于深度学习的特征提取水文预报的方法，由此解决利用传统水文预报模型和方法开展水文预报存在的预见期较短、预报精度较低的问题。

为实现上述目的，本发明采用了如下技术方案：

本发明提供了一种基于深度学习的特征提取水文预报的方法，依次包括如下步骤：

S1、提取流域历史信息，通过对所有历史信息进行物理成因分析、相关性分析和显著性检验，获得流域水文预报特征因子集合；

S2、利用数据挖掘算法针对水文预报特征因子集合进行训练，获得不同因子作用下量值和过程形态相似的多组场次洪水过程集合；

S3、构建传统水文预报模型库和方法库，基于步骤S2所述特征因子和场次洪水过程，采用深度学习算法开展模型、方法的参数率定，获得对应不同模型和方法的多组参数方案的集合，并形成模型、方法与参数方案配套的模型库和方法库；