[发明专利]一种基于水文监测数据构建流量-水面宽的关系曲线的方法

权利要求书

1.一种基于水文监测数据构建流量-水面宽的关系曲线的方法，其特征在于：包括：

S1、根据水文监测站获取河道及其上下游若干年的历史流量数据，并对流量数据进行归一化处理，补充流量数据缺失值，得到关于流量数据的时间序列数据；

S2、以时间序列数据作为输入数据进行监督学习，得到训练样本数据和测试样本数据；

S3、根据训练样本数据和测试样本数据构建Bi-LSTM模型，并基于测试样本数据对Bi-LSTM模型进行测试，获取作为预测输出结果的河道流量数据；

S4、根据步骤S3中得到的预测输出结果河道流量数据Q和河道断面水面宽w之间的水力函数关系构建河道水面宽水力模型：

W＝a*Q*b

其中，a、b均为河道水面宽水力模型系数；

S5、基于遥感实时测量监测河道断面水面宽W0，将河道断面水面宽W0作为步骤S4的输出结果进行参数a、b的优化求解，得到最优河道水面宽水力模型，并获取作为预测输出结果的河道断面水面宽w；

S6、将同一时间内的若干组河道断面水面宽w和河道流量数据Q进行人工神经网络拟合，得到人工神经网络模型；

S7、将河道断面水面宽w作为输入变量输入人工神经网络模型中，得到河道流量数据Q与河道断面水面宽w之间的关系曲线。

2.根据权利要求1所述的基于水文监测数据构建流量-水面宽的关系曲线的方法，其特征在于：所述步骤S1中采用minmaxscaler算法对历史流量数据进行归一化处理。

3.根据权利要求1所述的基于水文监测数据构建流量-水面宽的关系曲线的方法，其特征在于：所述步骤S2中通过训练样本数据进行Bi-LSTM神经网络训练之前，设置与Bi-LSTM神经网络训练相关的Bi-LSTM神经网络超参数，包括：用Keras搭建Bi-LSTM神经网络，确定Bi-LSTM的层数包括输入层、Bi-LSTM层、输出层的节点数，并选择MAE作为损失函数，选择adam作为优化器，选择relu函数作为激活函数。

4.根据权利要求1所述的基于水文监测数据构建流量-水面宽的关系曲线的方法，其特征在于：所述步骤S2中训练样本数据和测试样本数据之间的比例为5:2。

5.根据权利要求1所述的基于水文监测数据构建流量-水面宽的关系曲线的方法，其特征在于：所述步骤S3中将测试样本数据作为Bi-LSTM模型的输入，得到作为预测输出结果的河道流量数据。

6.根据权利要求1所述的基于水文监测数据构建流量-水面宽的关系曲线的方法，其特征在于，所述步骤S5中系数a、b优化求解包括：

S5.1、将N组河道流量数据Q作为输入、河道断面水面宽W0作为输出带入河道水面宽水力模型中，得到N组系数a_i、b_i，其中，a_i、b_i分别为求解得到的第i组的系数a、b，i＝1、2、…N，N≥70000；

S5.2、随机选取M组系数a_j、b_j，j＝1、2、…M，100≤M≤N，将M组系数分别带入水面宽水力模型W＝a_j*Q*b_j中，采用遍历算法随机选取河道流量数据Q作为输入，得到河道断面水面宽测试值w_j；

S5.3、若河道断面水面测试值w_j与对应的遥感实时测量监测河道断面水面宽W0之间的相对误差大于0.01，则剔除用于求取得到河道断面水面测试值w_j的系数a_j、b_j；

S5.4、选取河道断面水面测试值w_j与对应的遥感实时测量监测河道断面水面宽W0之间的相对误差小于等于0.01对应的n组系数a_n、b_n，n＝1、2、…j，1≤n≤j；

S5.5、分别计算n组系数a_n、b_n的均值系数a’、b’，并将均值系数a’、b’作为最优系数带入W＝a_m*Q*b_m中。

7.根据权利要求1所述的基于水文监测数据构建流量-水面宽的关系曲线的方法，其特征在于，所述步骤S6将同一时间内的若干组河道断面水面宽w和河道流量数据Q进行人工神经网络拟合，得到人工神经网络模型包括：

采用Matlab平台进行人工神经网络模型拟合，基于Matlab平台上的神经网络工具箱中的阈值和权重初值，采用样本自变量河道断面水面宽w作为输入层数据和河道流量数据Q作为输出层数据，提供模型训练样本，通过迭代训练收敛，得到人工神经网络模型。