[发明专利]基于BP人工神经网络和情景模拟组合的径流变化归因识别方法

摘要

本发明公开了一种基于BP人工神经网络和情景模拟组合的径流变化归因识别方法，包括以下步骤：筛选关键驱动因子；对关键驱动因子数据并进行规范化处理；建立关键驱动因子到径流的BP人工神经网络；设计情景，模拟对应情景下的径流；组合不同情景，计算驱动因子对径流变化的独立影响。本发明依据流域水量平衡关系细化了变化环境下径流变化的驱动因子，有效保证了驱动因子与径流的物理关系，建立起各驱动因子到径流的非线性映射关系，对不同情境下的径流组合以考虑因子间影响，从而实现对变化环境下径流变化归因定量识别。

主权项

1.一种基于BP人工神经网络和情景模拟组合的径流变化归因识别方法，其特征在于，包括以下步骤：步骤1，筛选关键驱动因子，具体如下：依据流域的水量平衡关系，针对水量平衡方程中除径流外的各分项选择驱动因子，包括选择降水要素、气温和风速作为驱动因子，筛选出关键驱动因子X1，X2，...，Xi，...，Xn，n为自然数；步骤2，对所述关键驱动因子进行规范化处理，具体如下：搜集关键驱动因子的序列资料及径流资料，将其规范化，生成数据样本；步骤3，建立关键驱动因子到径流的BP人工神经网络，具体如下：步骤31、构建网络拓扑结构：构建包含输入层、单隐层和输出层的3层BP网络拓扑结构；输入层各节点对应所选各个驱动因子，输出层则对应径流；根据Lippmann提出的经验公式确定隐层节点数h＝1×(n+1)，n为自然数；步骤32、选择网络参数与激发函数：采用双曲正切Sigmoid函数作为激发函数，u 为输入参数，学习速率取0.6，动量因子取0.5，网络的权值、阈值的初值均在(‑1，1)随机生成；步骤33、进行网络训练和校验：数据样本的前70％做训练样本拟合用，采用Delta学习规则，当全局误差小于0.001或者训练次数大于20000时终止训练，数据样本的后30％用于网络检验；步骤4，设计情景，模拟对应情景下的径流，具体如下：步骤41、为每个驱动因子构造一个增量，驱动因子Xi构造的增量为：Δxj＝βj·t   j＝1，2，…，n式中：βj为驱动因子Xi序列的斜率，t为序列长度，Δxj为驱动因子Xi增量；步骤42、为每个驱动因子构造一个增量序列，驱动因子Xi构造的增量序列表示为(xi，1+Δxj，xi，2+Δxj，...，xi，j+Δxj，...，xi，t+Δxj)，i、j、t为自然数；此时每个驱动因子均有2 个序列，即原始序列和增量序列；步骤43、定义一个包含所有驱动因子1个序列的矩阵为1个情景，对所有驱动因子的原始序列、增量序列排列组合，生成2n个情景，将各个情景的序列资料规范化后输入已建立好的BP网络模拟各情景下的径流；步骤5，组合不同情景，计算各因子对径流变化的独立影响，具体包括如下步骤：步骤51、对驱动因子X_i而言，将2^n‑1个X_i为原始序列的情景统称为X_i的原始情景组，其余的2^n‑1个情景X_i均为增量序列，统称为增量情景组；记原始情景组中各个情景的模拟径流序列为k＝1，2，…，2^n‑1，增量情景组中各个情景的模拟径流序列为k＝1，2，…，2^n‑1；步骤52、计算驱动因子X_i对径流的影响序列：式中：ΔR_i为驱动因子X_i对径流的影响序列；步骤53、计算径流影响序列ΔRi的均值，即驱动因子Xi对径流影响：式中：Δri，j为驱动因子Xi对径流第j年的影响量，ci为径流影响序列ΔRi的均值；步骤54、按照以上步骤，计算出各个驱动因子对径流的影响后，计算贡献占比：式中：ωi为驱动因子Xi对径流变化的贡献占比，ci为径流影响序列ΔRi的均值。