基于多时间尺度深度学习网络的降雨径流模拟方法与流程

本发明属于水文模型的，尤其涉及一种基于多时间尺度深度学习网络的降雨径流模拟方法。

背景技术：

1、径流预测是水资源管理、调配和高效利用的基础。水文模型通过获取降水等气象资料来计算径流量，达到预测和预报的目的，是一个极为复杂的非线性系统。经典的径流时间序列预测需要优化率定水文模型的参数，但概念性模型的解析方程难以对如此复杂的动力学系统进行准确的刻画，因此传统的降雨径流模拟物理方法相比深度学习方法难以取得更好的精度。

2、影响流域水文模型具体实际应用的因素有很多，其中时间尺度是一个很重要的因素。水文理论和实践表明，不同时间段的水文变量通常呈现出迥然不同的水文特性，不同时间尺度的模型参数和变量往往不能进行直接地移用。降雨径流模拟缺乏采用同一个模型跨时间尺度预测的研究。以往的模型大多基于一个时间尺度的数据建立模型进行径流模拟，例如，月尺度水文模型和日尺度水文模型参数无法直接转化。在参数相同的情况下，径流模拟结果对模拟时间步长是比较敏感的，不同时间步长模拟的径流过程与实测的径流过程有较大差异。现有的研究例如最优极限学习机（op-elm）、混合最小二乘支持向量机（lssvm-gsa）、混合长短期记忆神经网络（lstm-alo）、混合粒子群优化（elm-psogwo）、混合自适应神经模糊推理（anfis-wcamfo）、混合支持向量回归（svr-samoa）算法等大部分研究只采用一个时间尺度的模型，因此难以考虑不同时间尺度模型参数的异参同效性，在推导不同时间尺度间的参数定量转化关系时存在一定的局限性。当时间的维度从一维走向多维，时序上的建模方式也需要相应的改变，现有的研究没有充分关注长期和短期数据的差异，不足以提取高度非线性和复杂的水文特征。

3、深度学习方法在图像识别、语音识别、无人驾驶等多个领域取得了极为成功的应用。已有研究主要利用支持向量机、随机森林、以及深度学习等方法。例如，2018年，kratzert.rainfall–runoff modelling using long short-term memory (lstm)networks[j]. hydrology and earth system sciences, 2018, 22(11): 6005-6022.在公开发布的美国大样研究数据集中测试了lstm模型；2020年，kao.exploring a longshort-term memory based encoder-decoder framework for multi-step-ahead floodforecasting[j]. journal of hydrology, 2020, 583: 124631.提出了基于编码器和解码器的lstm模型用于多步洪水预测；2020年，xiang.a rainfall‐runoff model withlstm‐based sequence‐to‐sequence learning[j]. water resources research, 2020,56(1): e2019wr025326.介绍了一种基于lstm和序列结构（seq2seq）来估计小时尺度的降雨-径流关系的方法；2022年，feng.enhancing streamflow forecast and extractinginsights using long‐short term memory networks with data integration atcontinental scales[j]. water resources research, 2022, 56(9).提出了一种数据集成方法，可以利用各种类型的观测数据作为输入来提高精度，并在lstm中加入cnn单元，可以减少过拟合现象。然而，对于深度学习在降雨径流时间序列数据的应用研究仅仅局限于使用单一模型，忽视了结合不同时间尺度数据的信息和特征，仅使用同一时间步长的数据进行预测。在深度学习常用的方法中，不同模型对于时间序列数据的适应性也会存在差异，传统研究忽视了不同时间尺度下径流的相关数据，没有充分提取可用的有效信息。。

技术实现思路

1、本发明的目的在于提供一种基于多时间尺度深度学习网络的降雨径流模拟方法，解决现有技术中大部分研究只采用一个时间尺度的模型，忽视了不同时间尺度下径流的相关数据，没有充分提取可用的有效信息的技术问题。

2、为了解决上述技术问题，本发明采用如下方案实现：

3、基于多时间尺度深度学习网络的降雨径流模拟方法，包括如下步骤：

4、步骤s1：获取目标流域内各水文站点不同时间尺度的气象数据和该流域出口径流数据，并对气象数据进行预处理；

5、步骤s2：基于卷积神经网络cnn与长短期记忆神经网络lstm进行融合训练建模，生成多时间尺度深度学习网络模型cnn-lstm；以步骤s1中预处理后的数据作为输入，利于多时间尺度深度学习网络模型cnn-lstm模拟径流量值，具体包括：

6、步骤s2.1：对目标流域不同时间尺度的预处理后的数据，采用卷积神经网络cnn提取潜在特征，然后进行池化处理，形成四维的特征矩阵，再把不同时间尺度的特征矩阵进行拼接，同时提取数据中的中长期信息与短期信息，更好捕获数据的复杂性和动态性；

7、步骤s2.2：将步骤s2.1中池化后的数据进行展平，并输入到长短期记忆神经网络lstm模型中进行训练，快速适应和捕捉时间序列中的短期变化，模拟径流量值；

8、步骤s3：选取步骤s1中前70%时间序列的气象数据作为训练集，采用多任务输出同时预测不同时间尺度的径流输出，并在均方误差优化目标上加入多时间尺度径流过程的惩罚项，再次训练多时间尺度深度学习网络模型；

9、步骤s4：利用步骤s3中再次训练的多时间尺度深度学习网络模型，对目标流域的多时间尺度径流量同时进行预测。

10、进一步优化，所述步骤s1中，气象数据包括径流量、降水量、温度、湿度、辐射和潜在蒸散发。

11、进一步优化，所述步骤s1中，数据预处理包括：

12、步骤s1.1：根据泰森多边形法确定各水文站点的权重，然后加权计算目标流域各气象数据的面平均数据；

13、步骤s1.2：对各面平均数据进行归一化处理，并形成矩阵。

14、进一步优化，所述步骤s2中，模拟径流量的多时间尺度深度学习网络模型cnn-lstm如下：

15、(1);

16、式中， 为月模拟径流量，为天模拟径流量，为小时模拟径流量； x为归一化处理后的气象数据，作为输入数据，表示月尺度下的输入数据，表示日尺度下的输入数据，表示小时尺度下的输入数据，具体包括径流量、降水量、温度、湿度、辐射和潜在蒸散发； f为多时间尺度深度学习网络cnn-lstm模型。

17、进一步优化，所述步骤s2.1中，潜在特征包括局部模式特征和跨时间尺度的交互特征；

18、所述局部模式特征包括每种时间尺度下，各个预处理后的气象数据呈现的变化趋势及周期信息；

19、所述跨时间尺度的交互特征是指针对同一种预处理后的气象数据，更小时间尺度下的数据对更大时间尺度的数据变化趋势的影响。

20、进一步优化，所述步骤s2.1中，卷积神经网络cnn的卷积层通过权值共享的卷积核，按照如下公式提取潜在特征：

21、（2）；

22、式中，是通过卷积神经网络cnn提取的潜在特征；是relu激活函数； l和 m为指定的卷积核大小的长和宽，分别为6和4； b表示共享的偏置参数，为共享的权重参数，二者通过深度学习网络反向传播的优化迭代确定；为卷积层接收的预处理后的输入数据矩阵。

23、进一步优化，所述四维矩阵的四个维度包括时间序列长度、输入的气象数据类别、神经网络cnn的卷积核大小和卷积单元数。

24、进一步优化，所述步骤s2.2中，展平为将步骤s2.1中最大池化后的四维矩阵重新塑型到二维矩阵，去除神经网络cnn的卷积核大小和卷积单元数，使其符合lstm的输入数据类型。

25、进一步优化，所述步骤s4中，同时预测不同时间尺度的径流输出，在模型传统的均方误差优化目标上加入多时间尺度径流过程的惩罚项，目标函数计算公式如下：

26、（3）;

27、（4）;

28、式中，式中，为目标函数；  mse m是模拟月尺度径流量数据的均方误差； λ m为 mse m的权重系数； mse d是模拟日尺度径流量数据的均方误差； λ d为 mse d的权重系数； mse h是模拟小时尺度径流量数据的均方误差； λ h为 mse h的权重系数； t 1∈[1, t m]， t m为月尺度的时间长度， t 2∈[1, t d]，td为天尺度的时间长度， t 3∈[1, t h]， t h为小时尺度的时间长度。

29、进一步优化，所述所述 λ m取0.2、 λ d取0.3、 λ h取0.5。

30、与现有技术相比，本发明的有益效果是：

31、1、本发明通过构建多时间尺度的降雨径流模拟方法，不仅可弥补传统方法无法在同一个模型中模拟不同时间尺度径流的局限和不足，而且可以更深入利用不同时间尺度的特征取得更好的预测效果，提升水文模拟精度。

32、2、本发明提供的径流模拟方法和传统的方法相对比，解决了水文模型不能解决跨时间尺度的问题，通过设置优选函数的惩罚项，提高了更精细时间尺度模拟的精度。

33、3、本发明所述多时间尺度的降雨径流模拟方法可以广泛应用于降雨径流模拟中，能系统完整的完成径流模拟和预测，为科学决策提供依据。