[发明专利]一种基于物理模型混合深度学习模型的日尺度径流估算方法

权利要求书

1.一种基于物理模型混合深度学习模型的日尺度径流估算方法，其特征在于，它包括以下步骤：

步骤(一)利用研究区内的气象数据和径流数据通过分布式水文模型HIMS进行率定和验证，基于率定和验证后的分布式水文模型HIMS进行初步径流估算，获取初步径流估算Q’；

步骤(二)将物理模型的输入D与输出Y_PHY一同作为深度学习模型f_PHY的输入特征构建混合物理数据模型HPD；基于所构建的混合物理数据模型HPD，将步骤(一)水文模型估算获得的初步径流数据和其他站点观测数据作为训练数据集，获取最优混合物理数据模型HPD，并利用最优混合物理数据模型HPD开展日径流估算。

2.根据权利要求1所述的一种基于物理模型混合深度学习模型的日尺度径流估算方法，其特征在于，所述步骤(一)包括以下子步骤：

子步骤1-1：获取研究区内2000年至2016年的气象站的最低温、最高温、降水数据和水文径流数据；

子步骤1-2：数据预处理：对子步骤1-1所获取到的气象数据和径流数据利用线性插值方法进行缺失值填补，得到时间序列连续的数据集，并调整为HIMS模型的TXT输入数据格式；

子步骤1-3：选取2000年至2009年时间序列的数据作为率定期数据，对HIMS模型进行参数率定；

子步骤1-4：选取2010年至2016年时间序列的数据作为验证期数据，综合体积误差、纳什效率系数和皮尔森相关系数对HIMS模型率定期的优化参数进行验证；

子步骤1-5：使用经子步骤1-4验证后的HIMS模型对径流进行估算，获取初步径流估算，用Q’表示。

3.根据权利要求2所述的一种基于物理模型混合深度学习模型的日尺度径流估算方法，其特征在于，子步骤1-3中所述参数率定的方法为：基于HIMS系统平台进行自动优化，其中参数率定时采用的评价系数包括：体积误差、纳什效率系数和皮尔森相关系数。

4.根据权利要求2或者3所述的一种基于物理模型混合深度学习模型的日尺度径流估算方法，其特征在于，体积误差、纳什效率系数和相关系数表达式如下：

其中，V_e为体积误差；NSE为效率系数；r为相关系数；Q_obs,i和Q_sim,i分别是实测和模拟径流序列；和分别为实测和模拟多年平均径流；n为实测径流个数。