[发明专利]一种考虑初损的神经网络流域降雨径流预报方法及系统

说明书

本发明提出了一种考虑初损的神经网络流域降雨径流预报方法及系统，包括：基于流域内历史降雨量洪水径流量数据，得到降雨量‑洪水径流量时间序列；求取降雨初损，将降雨量‑洪水径流量时间序列中扣除降雨初损求得潜在径流量序列数据，将潜在径流量序列数据和降雨量‑洪水径流量时间序列进行整合生成门控循环单元训练数据集；构建GRU神经网络模型；设定GRU神经网络模型的超参数，通过训练数据集训练GRU神经网络模型得到输入输出间的隐藏映射关系，得到训练完成的GRU神经网络模型；将实时雨量数据和径流量输入至训练完成的GRU神经网络模型进行进行径流量预测。

技术领域

本发明属于流域降雨径流预报的技术领域，尤其涉及一种考虑初损的神经网络流域降雨径流预报方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

发明人发现：现阶段的深度学习方法已广泛应用于洪水预报领域，但现有研究通常是对深度学习网络模型进行结构优化或者与其他模型耦合来提高预报性能，大多模型老旧且缺少对降雨-径流机理因素的考虑，难以满足中小河流洪水预报对精确性和时效性的要求。

发明内容

为克服上述现有技术的不足，本发明提供了一种考虑初损的神经网络流域降雨径流预报方法，能有效提高降雨径流预报和洪水演进模拟的精度和速度。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

第一方面，公开了一种考虑初损的神经网络流域降雨径流预报方法，包括：

基于流域内历史降雨量洪水径流量数据，得到降雨量-洪水径流量时间序列；

求取降雨初损，将降雨量-洪水径流量时间序列中扣除降雨初损求得潜在径流量序列数据，将潜在径流量序列数据和降雨量-洪水径流量时间序列进行整合生成门控循环单元训练数据集；

构建GRU神经网络模型，将潜在径流量序列数据作为GRU神经网络模型输入变量，与之对应的未来时段径流量序列数据作为GRU神经网络模型输出变量；

设定GRU神经网络模型的超参数，通过训练数据集训练GRU神经网络模型得到输入输出间的隐藏映射关系，得到训练完成的GRU神经网络模型；

将实时雨量数据和径流量输入至训练完成的GRU神经网络模型进行进行径流量预测。

作为进一步的技术方案，得到的降雨量-洪水径流量时间序列为使用泰森多边形法将流域内雨量站控制面积换算得到的子流域面降雨量及流域出口处洪水径流量时间序列。

作为进一步的技术方案，求取初损方式为：

I₀＝f(d)

d＝W_H-V_m

其中，I₀为初损值，d为土壤水分饱和差，W_H为土壤饱和含水量，V_m为降雨前土壤饱和含水量。

作为进一步的技术方案，还包括：针对生成的训练数据集进行数据标准化处理，将原始的样本数据集处理后变为取值处于[0，1]的数值。

作为进一步的技术方案，训练GRU神经网络模型的步骤为：

流域内m个雨量站n个时间段降水量序列，降水量扣除降雨损失得到的潜在径流量序列数据，两者构成(m+1)×n维输入矩阵，训练目标矩阵为t+1时刻的预报径流量；

拟定GRU网络模型的超参数，包括：批量大小、网络层数、神经元个数及优化器种类；