[发明专利]基于新安江与深度学习耦合模型的场次洪水预报方法和系统

说明书

本申请涉及一种基于新安江与深度学习耦合模型的场次洪水预报方法和系统，所述方法包括：采集并预处理预研究区域的地理信息数据和雨水情数据，构建新安江三水源小时尺度水文模型；基于所述地理信息数据和雨水情数据获得新安江三水源小时尺度水文模型的洪水初始参数，率定和检验新安江三水源小时尺度水文模型，并通过所述新安江三水源小时尺度水文模型筛选出预定数量的场次洪水，获得各场次洪水的输出变量和中间状态变量；构建与所述新安江三水源小时尺度水文模型适配的深度学习耦合模型，形成新安江与深度学习耦合模型并获得预报结果。本申请大大提高了场次洪水预报的准确性，同时神经网络的泛化能力得到增强，便于迁移应用。

技术领域

本发明涉及洪水预报技术（G06F和G06Q），特别是一种新安江模型结合深度学习耦合模型的场次洪水预报方法。

背景技术

近年来，随着全球城市化进程的加快，洪水的危害性越来越大，洪涝灾害造成的财产损失正成显著增长的趋势。2021年，中国和德国的洪涝灾害，均造成巨大损失。

为了防治洪涝灾害，建立实用的洪水预报模型是重要的任务和手段。目前常用的模型仍然是集总式水文模型，代表性的模型包括Stanford模型、Sacramento模型、tank模型、Xinanjiang模型、和ARNO模型。由于集总式水文模型将流域视为整体，不考虑降水等要素的空间分布，已经不能满足水库防洪作业、洪水预报的精度要求。尤其是在洪峰、洪水起涨阶段等局部位置处，相关模型的预报准确率尚不能达到期望值。

为此，提出了分布式水文模型，主要有VIC模型（the variable infiltrationcapacity model）、SHE模型（the System Hydrologue Europeen model）、CASC2D模型（theraster-based hydrologic model）、WetSpa模型（the water and energy transferbetween soil, plants and atmosphere model）和Vflo模型。基于物理机制的分布式水文模型预报结果看似合理，但是模型的实际预报结果并不可靠。研究表明分布式水文模型比集总水文模型和数据驱动模型具有优势，但其同样存在一些缺点，它们的计算效率低，需要高分辨率的复杂输入数据；同时仅适用于山区，而且较高分辨率的分布式水文模型可能会被小尺度上不断增加的不确定性所影响。除此以外，分布式水文模型的边界条件难以确定，也会对模型精度产生影响。

随着计算机技术的进步，机器学习在水文学中得到了广泛的应用，但是，目前基于数据驱动的水文模型重点关注输出模拟结果的准确性，而忽视了输入、输出数据集之间的物理机制，同时存在计算过程较为模糊（黑箱模型）和不同流域之间与流域内模拟结果难以迁移等问题。

总之，如何提高预测的准确性，减小预测值与观察值之间的误差，增强神经网络的泛化能力，是目前要解决的问题。

发明内容

发明目的：提供一种基于新安江与深度学习耦合模型的场次洪水预报方法，以解决现有技术存在的上述问题之一，例如解决在洪峰、洪水起涨阶段等局部位置处，相关模型的预报准确率较低的问题。

技术方案：

根据本申请的一个方面，基于新安江与深度学习耦合模型的场次洪水预报方法，包括如下步骤：

S1、采集并预处理预研究区域的地理信息数据和雨水情数据，构建新安江三水源小时尺度水文模型；

S2、基于所述地理信息数据和雨水情数据获得新安江三水源小时尺度水文模型的洪水初始参数，率定和检验新安江三水源小时尺度水文模型，并通过所述新安江三水源小时尺度水文模型筛选出预定数量的场次洪水，获得各场次洪水的输出变量和中间状态变量；