基于多源遥感信息和机器学习算法的缺资料河湖水位预测方法与流程

本发明涉及遥感水文，尤其涉及一种基于多源遥感信息和机器学习算法的缺资料河湖水位预测方法。

背景技术：

1、河流和湖泊是流域水文循环的重要组成部分，准确预测河流及湖泊水位的变化趋势对于预报河湖下游流量、预测流域水资源量具有重要意义。当前，构建符合流域实际的水文模型是开展河湖水位预测的重要工具。然而，一方面，全球80％以上的河流、湖泊缺乏地面监测设备，缺乏相应的气象水文观测资料，难以准确率定水文模型的参数，导致河湖水位预测精度较低；另一方面，由于人类尚未完全掌握陆面-河流-湖泊-包气带的水分运移机理，现有基于物理机制的水文模型往往难以完全准确刻画现实世界中的河流-湖泊水文循环，即使对于监测数据较为齐全的河流和湖泊，河湖水位的预测结果也存在较大的不确定性。在这一背景下，缺资料河湖的水位预测精度相对不高，进而导致流域的流量预报或水资源量预测精度难以完全满足业务需求。

技术实现思路

1、本发明的目的在于提供一种基于多源遥感信息和机器学习算法的缺资料河湖水位预测方法，从而解决现有技术中存在的前述问题。

2、为了实现上述目的，本发明采用的技术方案如下：

3、一种基于多源遥感信息和机器学习算法的缺资料河湖水位预测方法，包括如下步骤，

4、s1、卫星遥感产品获取及初步处理：

5、基于目标河流、湖泊及其流域范围文件，获取并处理卫星测高水位产品、卫星遥感降水产品以及卫星遥感蒸散发产品，以分别获取卫星测高水位产品反演数据、卫星遥感降水产品反演数据以及卫星遥感蒸散发产品反演数据；

6、s2、多源遥感反演数据的最优融合：

7、基于各反演数据的时间范围的交集将各反演数据插值到日尺度上并排序；采用广义三角帽方法对多组反演数据进行最优融合，获取目标河湖最优融合水位、河湖流域最优融合降水量和蒸散发量；

8、s3、河湖水位智能预测模型构建：

9、基于多种机器学习模型构建河湖水位智能预测模型，并将最优融合河湖水位、降水量和蒸散发量划分为训练集和测试集，针对各机器学习模型利用训练集做空间n折交叉检验并在每次交叉检验时利用测试集进行测试，将整个训练集上模型输出的n份预测值首尾叠加作为训练集的预测值，并通过评价指标评价模型精度，训练得到最优的河湖水位智能预测模型；

10、s4、未来河湖水位预测：

11、基于降水、蒸散发反演数据的平均值与降水、蒸散发预报结果平均值的比值，获取修正因子；将利用修正因子订正后的未来降水预报数据及蒸散发预报数据输入最优的河湖水位智能预测模型中，获取未来相应时段河湖的水位变化情况。

12、优选的，目标河流、湖泊及其流域范围文件的获取方式为，

13、选定目标河流、湖泊，基于公开的全球河流、湖泊数据集，获取河流、湖泊边界范围；选择合适的数字高程数据，以河流、湖泊出口断面为特征点，在地理信息软件中确定河流、湖泊流域的范围，生成目标河流、湖泊及其流域范围文件。

14、优选的，步骤s1具体包括如下内容，

15、s11、卫星测高水位产品的获取及处理：

16、选择尽可能长的历史时段，下载公开可用的多个卫星测高水位产品，提取目标河湖范围内的所有卫星轨迹点；对于某一个卫星测高水位产品的同一次重访，计算所有卫星轨迹点对应的水位高程中位数和标准差，将水位值大于3倍标准差的数据剔除，以剩余水位数据点的中位数作为该卫星产品的最终水位反演值；对每个卫星测高产品依次重复上述过程；

17、s12、卫星遥感降水产品的获取与处理：

18、选择尽可能长的历史时段，下载公开可用的多个卫星遥感降水产品，提取目标河湖范围内所有栅格点；针对某一个卫星遥感降水产品的同一时刻，计算该时刻河湖流域范围内的面平均雨量，作为该卫星遥感降水产品的降水反演值；对每个卫星遥感降水产品依次重复上述过程；

19、s13、卫星遥感蒸散发产品的获取与处理：

20、选择尽可能长的历史时段，下载公开可用的多个卫星遥感蒸散发产品，提取目标河湖范围内的所有栅格点；针对某一个卫星遥感蒸散发产品的同一时刻，计算该时刻河湖流域范围内的面平均蒸散发，作为该卫星遥感蒸散发产品的蒸散发反演值；对每个卫星遥感蒸散发产品依次重复上述过程。

21、优选的，多个卫星测高水位产品为jason-2、icesat-2、sentinel系列卫星测高产品；多个卫星遥感降水产品为gpm、trmm、persiann系列卫星遥感降水产品；多个遥感蒸散发产品为modis、merra、gleam系列卫星遥感蒸散发产品。

22、优选的，步骤s2具体包括如下内容，

23、s21、多源遥感数据时间序列插值：

24、确定卫星测高水位产品反演数据、卫星遥感降水产品反演数据以及卫星遥感蒸散发产品反演数据的时间范围交集，在该时间范围交集下利用线性插值方法将各反演数据统一插值到日尺度上，并按时间顺序排序；

25、s22、多源遥感数据的最优融合：

26、采用广义三角帽方法对不同数据集的不确定性进行估计，并根据估计的方差进行最优融合；计算公式为，

27、

28、

29、其中，xi为第i个数据集，i＝1,2,…,n；x为i个数据集加权融合的结果；pi为数据集xi对应的权重；ωi为广义三角帽方法估计得到的数据集xi的方差。

30、优选的，步骤s3中在划分训练集和测试集之前，需要对目标河湖最优融合水位、河湖流域最优融合降水量和蒸散发量进行标准化处理。

31、优选的，多种机器学习模型为支持向量回归、随机森林和人工神经网络。

32、优选的，评价指标为平均偏差、相对误差、均方根误差、归一化标准差中的一种或多种。

33、优选的，步骤s4具体包括如下内容，

34、s41、未来降水预报数据订正：

35、选取预测起始时间前一段时间的降水反演数据和蒸散发数据与气象预报产品同时段的预报数据进行对比，计算该时段降水、蒸散发反演数据平均值与降水、蒸散发预报结果平均值的比值，记为修正因子；将修正因子与未来逐时段降水预报结果相乘，获取订正后的未来降水预报数据；

36、s42、河湖水位预测：

37、将订正后的未来降水预报数据及蒸散发预报数据输入最优的河湖水位智能预测模型中，得到未来相应时段河湖的水位变化情况。

38、本发明的有益效果是：1、本发明方法可以克服河流、湖泊缺资料的问题，通过获取多源遥感产品并进行时间插值和最优融合，生成河流、湖泊流域历史降水量及蒸散发数据序列，以及河湖历史水位变化序列，为开展河湖水位预测提供关键的数据支撑。2、本发明方法在利用遥感获取河流、湖泊及其流域相关气象水文数据的基础上，利用机器学习方法建立河湖水位的预测模型，通过大数据方法学习流域气象要素与河湖水位的驱动相应机制，减少传统机理模型对物理过程刻画不准确而带来的误差及不确定性，从而进一步提升河湖水位的预测精度。