[发明专利]基于过程-数据协同驱动的长期径流预报方法及系统

说明书

本发明提供基于过程‑数据协同驱动的长期径流预报方法及系统，长期径流预报方法包括：步骤1，采集数据；步骤2，构建VIC模型；步骤3，进行插值、偏差校正、离散获得日数据；步骤4，采用气候模式预报数据驱动VIC模型；步骤5，以率定期时段内出口水文站点的实测月径流值作为因变量，以流域内所有网格在不同预见期的产流输出聚合成月数据后作为自变量，选取产流输出为日尺度的第三层土壤含水量，筛选出产流输出对应的网格作为典型网格，构成改进的VIC模型；步骤6，驱动改进的VIC模型，计算全时段网格产流；步骤7，形成待选预报因子集；步骤8，筛选所得的预报因子训练深度学习模型，得到复合模型，进行长期径流预报。

技术领域

本发明属于适用于预测目的的处理方法或系统技术领域，具体涉及基于过程-数据协同驱动的长期径流预报方法及系统。

背景技术

径流预报中通常将预见期在15天以上，1年以内的预报称为长期预报。长期径流预报研究多围绕月尺度展开。准确可靠的月径流预报是水库调度、水资源管理、防洪抗旱等工作的重要基础和依据。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。其中，过程驱动模型通过同化最新的历史气象数据，实时更新预报月前流域初始水文条件，进而以未来的气象强迫数据（通常为气候模式预报数据）作为水文模型的输入，得到特定预见期的径流预报结果；数据驱动模型则仅通过建立历史时期预报对象与预报因子间的映射关系，对未来的径流进行预报。

对于过程驱动模型而言，气候模式预报数据的精度对于预报系统的性能起着至关重要的作用。尽管相关研究表明气候模式的原始预报数据与观测数据之间常具有良好的相关关系，然而受限于人类对于全球气候系统认识的局限性以及当前的计算机发展水平，气候模式预报数据在区域或流域尺度和实测值仍存在较大偏差且空间精度较低，无法满足水文模型，特别是分布式水文模型输入的精度要求。为了解决气候模式输出数据与水文模型输入不匹配的问题，现有的研究多采用统计降尺度方法得到网格或站点尺度的气候模式预报数据以驱动水文模型得到径流预报的结果。

对于数据驱动模型而言，所选的预报模型和其对应的水文气象输入数据的种类和数量对预报效果起着决定性的作用。数据驱动模型通常包括时间序列分析方法、回归分析方法以及机器学习方法等。近年来机器学习方法在径流预报领域展现的良好性能使其受到了广泛的关注。其中，使用深层神经网络来模拟人类思维的深度学习算法突破了浅层机器学习模型存在的泛化能力差、易产生局部最优解等的局限性，掀起了机器学习发展的新浪潮，也引起了广大水文学者们的兴趣。例如，发明申请CN201811590914.2提出了一种基于BLSTM深度学习的中长期径流预报方法；发明申请CN202110966434.7提出了基于深度学习模型的实时月径流预报方法。

虽然如上文所提到的现有的径流预报方法提出了各种优化改进方法，但考虑水文过程的物理机制，与流域特性关系密切的过程驱动模型仍然存在过度依赖气象输入数据的精度、计算成本高、模型复杂以及结构和参数不确定性大等问题，特别是对于分布式水文模型，高昂的计算机存储与运行成本限制了其应用；而灵活性强的数据驱动模型则存在不考虑物理机制而带来的解释性差的问题；这些问题导致了现有的径流预报方法的预报效果都不够理想，不能有效满足高效率且高精度的径流预报需求。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供基于过程-数据协同驱动的长期径流预报方法及系统，构建出了过程驱动和数据驱动特殊作用且协同配合的复合模型，能够大大减少计算成本，高效、精确地获得径流预报数据。

本发明为了实现上述目的，采用了以下方案：

本发明提供基于过程-数据协同驱动的长期径流预报方法，其特征在于，包括以下步骤：

步骤1，采集径流数据、气象数据、气候系统指数、气候模式预报数据、流域高程数据、土壤数据和植被数据；

步骤2，构建目标流域日尺度的VIC分布式水文模型，并进行模型参数的率定与验证；