[发明专利]一种基于深度学习和物理模型的河湖生态流量预报预警方法

说明书

本发明公开了一种基于深度学习和物理模型的河湖生态流量预报预警方法，旨在建立河湖生态流量预测预报模型，提出生态流量预警保障机制。所述方法包括：1)基于水文学方法推算河湖断面生态流量核定值；2)基于河湖生态保护对象提出不同预警等级和预警阈值；3)基于流域内水文和气象数据，通过深度学习预报河湖生态流量预警信息；4)当出现河湖生态流量预警时，通过加强水利工程优化调度，运用物理模型计算河湖断面流量，满足断面生态流量目标要求值。本发明的方法能够准确地预报河湖生态流量预警信息；能够有效地提高水利工程优化调度能力；能够为河湖生态流量达标提供决策依据。

技术领域

本发明涉及生态流量预报预警技术领域，尤其是涉及一种基于深度学习和物理模型的河湖生态流量预报预警方法。

背景技术

目前，大多数河流生态系统正面临气候变化和人类活动干扰，如降雨量的急剧减少和极端天气事件(如极端干旱和气候变暖)的增加，水资源枯竭、水污染、景观变化、生物资源过度利用和水文条件变化，以及自然干扰，如洪水、干旱和水土流失。河流生态系统在物种组成、群落结构和生态功能方面已开始出现退化迹象，提出生态流量的概念是为了遏制过度用水造成的河流生态系统退化。确定河湖生态流量既是保护河湖生态系统的重要举措，又是开展水利工程生态调度的重要依据。因此，利用流域内水文、气象条件，结合水利工程实际运行调度能力，建立生态流量预测预报模型，提出生态流量预警保障机制，已是流域水资源保护和管理工作的重中之重。

现阶段对于河湖重要断面的生态流量目标值制定已经日趋完善，但是对于生态流量的预报预警机制缺乏研究，仅仅通过计算生态流量阈值，无法有效地提高河湖生态流量保障工作。同时，由于生态流量不同预警等级之间流量数值差别较小，传统水文模型很难精确的提供预报预警结果，进而影响流域内水利工程优化生态调度，无法为流域水资源保护和监管提供决策依据。

发明内容

本发明的目的在于针对现有河湖生态流量预报预警模型的不足，提供一种基于深度学习和物理模型的河湖生态流量预报预警方法，通过结合深度学习和物理模型，以弥补河湖生态流量预报预警中单一水文模型的预报精度不足，提高流域内水利工程优化生态调度能力。

为实现上述目标，本发明采用的技术方案如下：

一种基于深度学习和物理模型的河湖生态流量预报预警方法，包含以下步骤：

(1)获得历史河湖断面日尺度流量数据，对河湖生态流量进行核定，获得生态流量核定值；具体的：采用逐月最小生态流量法和流量历时曲线法分别计算河湖断面的生态流量，将其平均值作为生态流量核定值。其中逐月最小生态流量法取天然月均流量系列中逐月流量系列的最小值作为河湖断面的生态流量，流量历时曲线法选取95％历时点流量作为河湖断面生态流量的计算依据。

(2)确定生态流量控制断面预警阈值并划分预警等级；通过充分考虑河湖生态保护对象用水需求特征、管理需求、水文特征和监测实施条件等因素，可以根据生态流量核定值将生态流量预警等级分为3级，按生态流量核定值的120％～110％、110％～100％和小于100％设置蓝色、黄色和红色预警。

(3)获得流域内历史降水和蒸发等日尺度数据，将河湖断面日尺度流量数据根据预警阈值确定相应的预警等级，通过深度学习XGBoost(eXtreme Gradient BoostingTree)模型，以降水和蒸发数据作为输入，以生态流域预警等级作为输出,得到生态流量预警预报模型；

具体的，可以利用80％数据来训练模型，剩下的20％测试模型的精度，XGBoost模型基本流程如图1所示。根据深度学习理论，可以采用主成分分析法，将前期3天的实测降雨和蒸发作为模型的输入因子，生态流域预警信息为模型输出值。主成分析法利用数学变换的方法将给定的多个指标因子转化为少数几个主成分，用少数的主成分因子代替原始多维相关变量的过程。XGBoost预测模型的核心思想是通过每次学习一个新函数来拟合先前预测的残差，从而根据样本特征计算每个节点对应的得分，所有分数的总和就是样本的预测值，其表示为：