[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

说明书

本发明公开了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，它包括以下步骤：(一)基于HIMS水文模型的初步径流估算；(二)基于混合物理数据模型HPD，将步骤(一)水文模型估算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HPD模型，并利用最优模型开展日径流估算。本发明具有如下有益效果：本发明结合了物理模型与深度学习模型的优点，具有良好的模拟径流的学习能力，更为准确的进行径流估算；同时对峰值径流的估算有所优化。

技术领域

本发明涉及一种模拟区域日径流量的方法，特别是一种基于混合物理模型和深度学习网络模型的日径流估算方法。

背景技术

径流是水循环运动中的一个重要环节，它在某种程度决定了一定区域内的水资源状况、生态环境优劣，及时准确的获取不同时间尺度上河川径流的动态变化显得尤为重要。径流预测是有效水资源管理的关键任务之一，其目的是通过一定的先验知识与技术手段获知某一流域内的径流量，针对径流预测结果来制定相关的方案、政策，准确的径流预测能使人们在抗旱和防洪、弃水与蓄水等问题上及早采取相应措施，并进行统筹安排，可以更好的在安全的前提下将综合效益最大化。

目前径流预测的方法主要分为水文模型和数据驱动两大类，水文模型基于物理模型展示了输入和输出变量之间可解释的关系，模型各项参数具有明确的物理意义，对极端降雨事情引起的径流异常值能较好的捕获，但模型复杂并且严重依赖专家知识，在建模过程中对水循环过程进行了假设和简化，通常将几个物理参数集中为一个参数以降低模型的复杂性。

近年来，深度学习技术在许多计算机视觉和自然语言处理应用中取得了巨大的成功。这些技术在包括水文在内的地球科学应用中越来越受欢迎，基于深度学习技术的数据驱动径流预测方法可较好捕获输入特征与径流之间的非线性关系，可获得更高的径流预测精度(Kratzert,Klotz et al.2018,Anh,Loc et al.2020,Gauch,Kratzert et al.2021,Frame,Kratzert et al.2022)。

由于深度学习模型只能捕获变量之间的相关性，即使基于深度学习方法的数据驱动模型的性能预测很高，但除了其拟合能力外，它很少提供物理解释，深度学习方法完全无视数据集背后的物理定律，对物理的基本定律视而不见，因此缺乏可以可靠地用于模拟水文过程的泛化模型。

基于物理的模型非常适合表示在概念上很好理解的过程。深度学习模型可以很好地拟合观察到的数据，但预测可能在物理上不一致，即使是轻微的干扰也会导致大的变化。因此，物理引导的深度学习模型是解决当前问题的可能方法。

发明内容

针对现有技术存在的上述不足，本发明的目的是提供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，从而进一步的提高径流估算精度，尤其是对于极值径流的估算。

为了解决上述问题，本发明采用了以下技术方案：

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。

相比现有技术，本发明具有如下有益效果：

传统水文模型具有明确的物理意义，但所需输入参数较多，模型形式较为复杂，深度学习模型可利用较少的输入数据获取较高的预测精度，但输入参数与径流之间的物理关系不明确，不具有可解释性。