[发明专利]基于气象水文预报因子分类和深度学习模型耦合的日径流预报方法

权利要求书

1.一种基于气象水文预报因子分类和深度学习模型耦合的日径流预报方法，其特征在于，包括以下步骤：

前期准备：了解流域特征和径流来水过程特点，收集研究区日尺度径流、降雨及大气环流指数、海温指数等相关数据；

步骤1：数据分类

根据收集的数据，确定日径流量及其相应的候选影响因素集，形成具有多个输入-输出的总样本数据集，采用模糊C聚类(Fuzzy C-means，FCM)方法，根据高径流量、中径流量和低径流量规则，将总样本训练集分为不同训练样本子集，并准备根据不同的子样本数据集分别建立日径流量预报模型；多个输入-输出的总样本数据集为多个候选影响因素的输入-日径流量输出的总样本数据集；

步骤2：因子筛选

候选影响因素包括前期降雨、当日降雨、大气环流指数、海温指数、前期径流影响等中的一类或几类，根据不同的子样本数据集分别利用偏互信息方法(Partial MutualInformation，PMI)识别研究区的关键影响因素；因子筛选实现预报模型结构的优化，避免冗余变量影响模型的计算速度和预测精度。

步骤3：预报模型建模；

根据利用筛选的关键影响因素分别更新子子样本数据集，利用深度学习方法分别建立日径流量预报模型，模拟径流影响因素与日径流之间的关系，分析深度学习方法的结构和参数对预报模型的预测精度的影响规律，耦合优化算法自动优化深度学习结构和参数，提高模型的预报精度；

步骤4：预报模型评估

应用改进验证方法从拟合验证、预测验证和模型结构验证三方面共同评估深度学习模型的预报精度；另外，建立多元非线性回归、径向基函数神经网络、支持向量机回归模实现日径流量预报，并与深度学习模型进行对比预报精度，选出最优预报模型；

步骤5

模型应用：利用已建立的模型实现未来不同预见期的预报，分析径流预报的变化趋势。