[发明专利]基于深度学习模型的实时月径流预报方法

说明书

本发明提供基于深度学习模型的实时月径流预报方法，包括：步骤1.基于历史信息和未来气象信息收集预报因子，并根据流域历史时期月径流的自相关性分析确定前期月径流对预报月影响的最长滞时；步骤2.对训练期的预报因子和月径流数据分别进行归一化处理，再采用基于嵌入式思想的LASSO回归方法自动筛选预报因子；步骤3.采用基于划分思想的K均值聚类方法对训练期样本集进行聚类，将样本分成互不重合的K类；步骤4.计算验证集预报因子向量与K个训练集的聚类中心的距离，找到距离最近的训练集然后以该数据集训练卷积神经网络与门控循环单元网络结合的组合深度学习预报模型；步骤5.采用自回归滑动平均模型对预报残差进行实时校正。

技术领域

本发明属于水文预报技术领域，具体涉及基于深度学习模型的实时月径流预报方法。

技术背景

月径流预报是水文学领域的重要工程技术难题之一，不仅能为解决天然来水与人为用水不协调、指导流域水资源开发管理提供信息支持，还是决策者掌握防洪抗旱工作主动权，有效规避自然灾害的前提和依据之一。月径流过程作为弱相关且高度复杂的非线性动力系统，对预报模型构建要求较高。

通常而言，月径流预报模型可分为过程驱动和数据驱动两类。过程驱动模型又称物理成因分析法，需要借助能够反映流域产汇流特征的水文模型，以未来预报气象信息作为输入获取预报结果。然而，构建过程驱动模型较为复杂且与流域特性关系密切，工程应用性较差。数据驱动模型直接基于历史数据建立预报对象与预报因子的数学关系，进而预报未来水文变量。数据驱动模型通常包括时间序列分析(差分自回归滑动平均模型等)、回归分析(岭回归等)以及机器学习方法(支持向量机、人工神经网络等)。近年来机器学习方法在径流预报领域受到广泛关注，尤其是深度学习算法展现了良好的预报性能。例如，李文武等提出了基于变分模态分解和深度门控网络的径流预测方法(水力发电学报，2020，39(3):34-44)；专利CN202010285986.7提出了基于多模型组合的中长期径流集合预报方法；岳兆新等提出了基于改进深度信念网络模型的中长期径流预测方法(水力发电学报，2020，39(10):33-46)。

然而，现有的基于深度学习的月径流预报方法存在三大问题：(1)预报因子来源单一，仅考虑了历史时期的观测数据，未考虑将数值预报产品预报的未来气象信息作为预报因子；(2)预报因子筛选方法单一，当前大部分研究均采用过滤法(如皮尔逊相关系数、互信息系数等)筛选预报因子，预报因子个数基于主观意愿，存在较大的任意性和不确定性；(3)预报模型单一，未能考虑月径流的时间异质性，尤其是对于汛期和非汛期径流，采用统一的模型欠缺考虑。此外，现有深度学习模型输出的月径流预报的精度与实际需求仍存在一定的差距。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种基于深度学习模型的实时月径流预报方法，能够保证良好的月径流预报精度。

本发明为了实现上述目的，采用了以下方案：

本发明所提供的基于深度学习模型的实时月径流预报方法，包括以下步骤：

步骤1.基于历史信息和未来气象信息收集预报因子，并根据流域历史时期月径流的自相关性分析确定前期月径流对预报月影响的最长滞时，并以此值统一作为其它预报因子的最长影响滞时；历史信息包括：流域当地气象信息，包含大气环流指数ACIs、海温指数SSTs和其它指数OCIs的全球气候指数，包含地表温度、实际蒸散发、潜在蒸散发、归一化植被指数及土壤湿度的多源遥感数据；包含预报月以前的历史月径流数据的前期径流；未来信息包括数值气象预报的月降水和月气温数据；

步骤2.对训练期的预报因子和月径流数据分别进行归一化处理，再采用基于嵌入式思想的LASSO回归方法筛选预报因子；

步骤3.采用基于划分思想的K均值聚类方法对训练期样本集进行聚类，应用最近邻规则将样本分成互不重合的K类；包括如下子步骤：