[发明专利]一种基于对抗神经网络的无资料地区水文参数率定方法

说明书

本发明公开了一种基于对抗神经网络的无资料地区水文参数率定方法，它包括：采集土壤质地、植被覆盖度、土地利用率、地形数据、径流系数、年蒸发总量、比降和坡度数据；将率定区域划分为30平方公里以下的计算单元；确定每一个计算单元每一个参数下垫面及气象相关因子；采用对抗神经网络GAN对有资料流域水文参数的自动率定，得到每个单元最优的水文参数；采用有资料地区所有计算单元的最优水文参数，基于对抗神经网络GAN训练统一的参数生成器；通过训练好的参数生成器对无资料地区水文参数进行确定；解决了现有技术工作重复性、效率低和复杂度极高，不利用水文模型的应用推广等技术问题。

技术领域

本发明属于水文参数率定技术，尤其涉及一种基于对抗神经网络的无资料地区水文参数率定方法。

背景技术

水文模型在进行水文规律研究和解决生产实际问题中起着重要的作用，随着现代科学技术的飞速发展，以计算机和通信为核心的信息技术在水文水资源及水利工程科学领域的广泛应用，使水文模型的研究得到迅速发展，并广泛应用于水文基本规律研究、水旱灾害防治、水资源评价与开发利用、水环境和生态系统保护、气候变化及人类活动对水资源和水环境影响分析等领域。因此，研究如何提高水文模型的预测精度,具有重要的科学意义和应用价值。

任何模型均伴有误差和不确定性，模型建模工作中，误差源是大量的，其误差来源主要有以下几个方面：

(1)被排除在外的因素引起的误差

在建模过程中，水文模型需要考虑“降水——产流——汇流”整个水文过程的每个环节，每个环节都有许多影响因子，把每个因子都引入到模型中是不可能做到的。所以要对这些影响因子有所选择产生一定的预测误差。

(2)实测历史记录资料的误差

实测数据资料精度的高低、误差的大小决定于测量技术的先进和成熟程度，影响模型模拟的拟合度，从而影响模型的预测精度。这些资料不但包括传统的水文(流量)气象(降雨)资料，还包括地质、植被、土壤和土地利用等因素。

(3)参数误差

分布式水文模型参数具有比较明确的物理意义，易于估计参数的变化范围，但是参数最优值难以确定。

(4)模型结构误差

在模型设计和建立过程中采用的不正确的计算方法，不合适的时间步长，不恰当的运行次序，不完整或有偏差的模型结构等都会引起模型预测误差。

为了消除上述原因引起的模型预测误差，参数的率定是提高水文模型预测精度的一个重要环节，大部分的流域水文模型特别是中小流域的一些参数不能直接通过观测试验确定，它们的取值却与流域的下垫面特征有着一定的关系，但却不能与流域的下垫面特征建立起关系，所以对于流域水文模型来说参数的率定仍然是一个困难的问题。

在现有技术中针对有资料流域具体应用时，水文模型的参数率定一般采用传统的试错法，即通过人工不断调整水文模型的参数值，以达到模拟精度要求，但是对于无资料的水文模型参数的率定，采用该方法就存在率定准确率低，严重影响水文预报精确度等问题。

发明内容

本发明要解决的技术问题是：提供一种基于对抗神经网络的无资料地区水文参数率定方法，以解决现有技术针对无资料流域水文模型参数确定采用传统的试错法，即通过人工不断调整水文模型的参数值，以达到模拟精度要求，采用该方法存在率定准确率低，严重影响水文预报精确度等问题。

本发明的技术方案是：

一种基于对抗神经网络的无资料地区水文参数率定方法，它包括：

步骤1、采集土壤质地、植被覆盖度、土地利用率、地形数据、径流系数、年蒸发总量、比降和坡度数据；

步骤2、将率定区域划分为30平方公里以下的计算单元；