CN115688614B - 基于陆海气耦合模式的生态流量预测方法和*** - Google Patents
基于陆海气耦合模式的生态流量预测方法和*** Download PDFInfo
- Publication number
- CN115688614B CN115688614B CN202310005760.0A CN202310005760A CN115688614B CN 115688614 B CN115688614 B CN 115688614B CN 202310005760 A CN202310005760 A CN 202310005760A CN 115688614 B CN115688614 B CN 115688614B
- Authority
- CN
- China
- Prior art keywords
- data
- area
- resolution
- river
- sea
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 230000008878 coupling Effects 0.000 title claims abstract description 41
- 238000010168 coupling process Methods 0.000 title claims abstract description 41
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 41
- 238000011160 research Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 90
- 230000008569 process Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000009825 accumulation Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000001556 precipitation Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012805 post-processing Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229940049705 immune stimulating antibody conjugate Drugs 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于陆海气耦合模式的生态流量预测方法和***，该方法主要包括采集研究区域的基础资料，构建陆海气耦合模型，并以所述基础数据作为输入数据，通过陆海气耦合模型计算获得未来预定时间内的低分辨率月尺度数据；构建卷积神经网络降尺度模块，以低分辨率月尺度数据作为输入，获得待研究区域的高分辨率月尺度数据；对待研究区域进行概化，获得待研究区域的流域拓扑图，构建待研究区域的SWAT模型，以高分辨率月尺度数据为SWAT模型的输入数据，预测待研究区域的月尺度径流；基于所述月尺度径流采用改进的动态算法计算待研究区域的生态流量。本发明大大提高了预测的速度和准确率，获得了良好的社会效益。
Description
技术领域
本发明涉及生态流量预测方法，尤其一种基于陆海气耦合模式的生态流量预测方法和***。
背景技术
目前已见发表的生态流量计算方法有200多种，其中水文学法是最早研究生态流量的一类方法，也是应用最广泛的方法。纵观现有水文学法，虽然计算生态流量的方式各有不同，但所需的数据都是研究区域的历史水文资料，也就是说现有的水文学法都是基于水文序列平稳性的基本假定。
然而诸多研究表明，受全球气候变化和人类活动的影响，很多国家地区的径流时空分布规律发生了显著变异，水文序列平稳性的基本假定将不再适用。这种情况下采用传统的水文学方法开展生态流量计算，将会导致较大的偏差，误导河道生态流量的调控。气候***的高度非线性、非稳态性使得基于过去十几年甚至几十年建立的经验统计关系未来可能不会完全重现。这种假设使得统计降尺度模型在应用到未来场景降尺度的时候备受质疑。如何判断水文序列的平稳性，现有技术给出了DF、ADF、PP等检验方法，但是还存在一些问题。
所以，需要提供新的技术来解决上述问题。
发明内容
发明目的：本申请的一个方面在于，提供一种基于陆海气耦合模式的生态流量预测方法，以解决现有技术存在的问题之一。本申请的另一方面在于提供一种实现上述方法的***。
技术方案：
根据本申请的一个方面，提供一种基于陆海气耦合模式的生态流量预测方法，包括如下步骤：
步骤S1、采集研究区域的基础资料，构建陆海气耦合模型，并以所述基础数据作为输入数据，通过陆海气耦合模型计算获得未来预定时间内的低分辨率月尺度数据；
步骤S2、构建卷积神经网络降尺度模块，以低分辨率月尺度数据作为输入，获得待研究区域的高分辨率月尺度数据；
步骤S3、将待研究区域划分为至少两个子流域，对待研究区域进行概化，获得待研究区域的流域拓扑图，构建待研究区域的SWAT模型，以高分辨率月尺度数据为SWAT模型的输入数据，预测待研究区域的月尺度径流；
步骤S4、基于所述月尺度径流采用动态算法计算待研究区域的生态流量。
根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、划定研究区域，选取N种气候模式分别对应构建陆海气耦合模型并给出该研究区域的过去若干年的月尺度降水预测数据和多源加权集合降雨数据集，N为大于等于2的正整数；
步骤S12、将各个气候模式的分辨率进行差值处理，达到相同的网格分辨率；
步骤S13、在同一网格分辨率下，对各个气候模式的预测精度进行降序排列，选取排列靠前的若干组气候模式对应的陆海气耦合模型作为预选陆海气耦合模型；
步骤S14、构建并筛选后处理模型，对预选陆海气耦合模型进行评估和偏差修订，获得待研究区域的月尺度降水预测模型，并进行预测，获得未来预定时间内的低分辨率月尺度数据。
根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、读取上一步骤获得的未来预定时间内的低分辨率月尺度数据，并将其分成训练集和测试集；
步骤S22、构建卷积神经网络降尺度模块，至少包括第一卷积神经网络降尺度单元和第二卷积神经网络降尺度单元，第一卷积神经网络降尺度单元用于将低分辨率月尺度数据处理为中间分辨率月尺度数据，第二卷积神经网络降尺度单元用于将中间分辨率月尺度数据增强到预定的高分辨率月尺度数据；
步骤S23、判断神经网络降尺度模块获得的高分辨率月尺度数据是否达到预设要求，若是，进行输出。
根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、获取研究区域的水文基础数据，从水文基础数据中提取河网拓扑和分水线信息；
步骤S32、基于河网拓扑查找河流交汇点，并以交汇点将河流划分为若干河段有向集合，查找各个河段与相邻分水线组成的集水区域，构建河段与集水区域的映射关系集合；
步骤S33、针对每一集水区域，建立产汇流各个节点的变异系数并求积，得到综合变异系数；对每一河段对应的集水区域进行网格化处理，并将高分辨率月尺度数据分解到各个网格，获得网格化数据集；
步骤S34、构建待研究区域的SWAT模型，以网格化的数据集作为输入数据，预测待研究区域的月尺度径流；
步骤S35、计算各个集水区域的综合变异系数，并计算标准差，形成标准差矩阵，基于标准差矩阵与预存储数据的差值，判断水文序列是否平稳。
根据本申请的一个方面，还包括步骤S36：
步骤S36a、将预测时长分成若干个预测单元，针对每个预测单元，基于所述河网拓扑查找每一雨水汇流路径，形成雨水汇流路径集合；
步骤S36b、读取雨水汇流路径中每一节点的变异系数，计算该雨水汇流路径的综合变异系数；
步骤S36c、针对每个预测单元，以综合变异系数升序的方式排列雨水汇流路径；
步骤S36d、计算雨水汇流路径的变异系数在不同预测单元之间的逆序数，并降序排列。
根据本申请的一个方面，所述步骤S31进一步为：获取研究区域的水文基础数据，提取数字高程模型，基于数字高程模型对数据进行填洼处理，提取河网数据、分水线、河流节点和水流方向；
其中计算水流方向的方法为，计算中心栅格与邻域栅格的最大坡降，并基于最大坡降所在的方向确定水流方向。
根据本申请的一个方面，所述步骤S32进一步为：
步骤S32a、从水文基础数据中提取河网主干数据，构建研究区域的河网拓扑骨架；
步骤S32b、 利用水流方向栅格数据计算出每一个栅格在水流方向上累积的栅格数，通过栅格数计算研究区域的汇流积累量；
步骤S32c、分级查找汇流积累量大于阈值的水流路径，将其标记为次级河网，并加入河网拓扑中；
步骤S32d、基于各个河流的汇流积累量数据，采用施里夫分级法对河网拓扑中的河流进行分级；
步骤S32e、提取研究区域的集水区域，构建河段与集水区域的映射关系集合；
根据本申请的一个方面，所述步骤S33进一步为：
步骤S33a、顺次提取每一集水区域及与之映射的河流，并获取产汇流各个节点，为每一节点赋予变异系数，变异系数的初始值为1；建立雨水汇集流动全过程中各个环节的变异系数集合，通过求积运算获得综合变异系数；
步骤S33b、对集水区域和河段进行栅格化处理，并将高分辨率月尺度数据分解到各个网格，获得网格化数据集。
根据本申请的另一个方面，提供一种基于陆海气耦合模式的生态流量预测***，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的基于陆海气耦合模式的生态流量预测方法。
有益效果：本发明通过构建陆海气耦合模式的生态流量预测模型，并通过卷积神经网络进行降尺度，最后通过流域拓扑图和SWAT模型，对生态流量进行预测，大大提高了预测的效率和准确率。相关技术细节和优势，将在下文详细描述。
附图说明
图1是本发明的流程图。
图2是本发明步骤S1的流程图。
图3是本发明步骤S2的流程图。
图4是本发明步骤S3的流程图。
图5是本发明步骤S32的流程图。
图6是本发明步骤S33的流程图。
具体实施方式
正如背景技术所言，随着气候变化和人类活动的影响，目前的径流分布规律发生了较为明显的变化，也成为近年来研究的热点。为了解决这一问题，现有技术给出了多种技术路线，在一定程度上获得了较好的效果。但是，在一些环节上还存在技术难点和不足之处，需要进一步研究和创新。例如，目前的降尺度方法主要是动力降尺度和统计降尺度，统计降尺度的基本原理就是利用大气环流的观测资料建立大尺度气候要素和区域气候要素之间的统计关系，这种方法需要三个基本假设，大尺度气候场和区域气候观测场之间具有显著的统计关系：大尺度气候场能被GCM较好地模拟：在变化的气候情景下，建立的统计关系是有效的。该方法存在的问题在于，现有的假设关系已经发生了变化，比如统计关系发生了变化；其次在于，缺乏物理机制，可解释性比较弱，受观测资料的影响比较大，并难以获得空间连续的结果。而动力降尺度的方法采用全球模式的预测结果驱动区域模式，从而得到精细时空尺度上的区域气候变化信息。然而，这样做会将全球模式的误差传递到区域模式中，从而降低降尺度模拟的可信度。为了解决动力降尺度的问题，需要进行全球模式或区域模式的误差修正，大大降低了效率。现有方法在判断水文序列一致性的过程中，也存在一些技术问题，需要进行研究和创新。
为此，本申请为了提高降尺度的准确率和效率，提供了一种基于卷积神经网络降尺度并通过拓扑结构修正的方案，不仅提高了模型的可解释性，也大大提高了降尺度和预测的效率及准确率。具体如下所述。
如图1所示，根据本申请的一个方面，提供一种基于陆海气耦合模式的生态流量预测方法，包括如下步骤：
步骤S1、采集研究区域的基础资料，构建陆海气耦合模型，并以所述基础数据作为输入数据，通过陆海气耦合模型计算获得未来预定时间内的低分辨率月尺度数据，比如在某些实施例中，为0.2°或者0.25°；这里的高分辨率和低分辨率是相对而言的，在不同的实施例中，可以是不同的。
步骤S2、构建卷积神经网络降尺度模块，以低分辨率月尺度数据作为输入，获得待研究区域的高分辨率月尺度数据，比如在某些情况下，需要0.0008°或0.0005°；在一些实施例中，也可以从1~3°到0.1~0.3°。
步骤S3、将待研究区域划分为至少两个子流域，对待研究区域进行概化，获得待研究区域的流域拓扑图，构建待研究区域的SWAT模型，以高分辨率月尺度数据为SWAT模型的输入数据，预测待研究区域的月尺度径流；
步骤S4、基于所述月尺度径流采用动态算法计算待研究区域的生态流量。
在本实施例中，通过卷积神经网络进行降尺度处理，获得初步的高分辨率月尺度数据，然后通过拓扑模型对数据进行处理，使得在降雨汇集时，物理过程更加清晰，同时反过来而言，如果在物理过程阶段，发现问题，则可以反查降尺度过程的准确率。因此，相对现有技术而言，本申请具有更好的可解释性和更快的速度。在获得准确的月尺度径流数据后，可以通过水文学、水力学、生境模拟法或整体分析法等方法，或者动态算法对待研究区域的生态流量进行预测。
为了更加清晰地描述本申请的技术细节，对步骤S1进行描述如下。
根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、划定研究区域，选取N种气候模式分别对应构建陆海气耦合模型并给出该研究区域的过去若干年的月尺度降水预测数据和多源加权集合降雨数据集，N为大于等于2的正整数；
步骤S12、将各个气候模式的分辨率进行差值处理，达到相同的网格分辨率；
步骤S13、在同一网格分辨率下，对各个气候模式的预测精度进行降序排列，选取排列靠前的若干组气候模式对应的陆海气耦合模型作为预选陆海气耦合模型；
步骤S14、构建并筛选后处理模型，对预选陆海气耦合模型进行评估和偏差修订，获得待研究区域的月尺度降水预测模型，并进行预测，获得未来预定时间内的低分辨率月尺度数据。
在该实施例中，为了提高后续降尺度处理的准确率，需要对数据进行预处理，具体包括通过全球十一种气候模式给出的降水预测数据和多源加权集合降雨数据。基础数据来源包括BOM（Bureau of Meteorology）、CMA（China Meteorological Adminstration）、ECMWF（the European Centre for Medium-Range Weather Forecasts）、ECCC（Environment and Climate Change Canada）、CNR-ISAC（the Institute of AtmosphericSciences and Climate of the National Research Council）、HMCR（theHydrometeorological Centre of Russia）、JMA（the Japan Meteorological Agency）、KMA（the Korea Meteorological Administration）、CNRM（Centre National deRecherche Meteorologiques）、NCEP（the National Centers for EnvironmentalPrediction）和UKMO（the Met Office）。由于各个气候模式的分辨率并不统一，有的为2°×2°，有的为1°×1°，有的为1.1°×1.4°，因此需要进行处理分辨率，使之能够达到相同的分辨率。同时需要注意的是，由于时间范围也并不相同，因此需要在时间序列方面也进行处理。在处理后，对模式进行优选，具体是给定同一场景下的数据，然后不同气候模式进行预测，进行优选。最后通过后处理方法对模型进行修正，从而对优选后的模型进行再次优化。最后通过选出的模型进行预测，给出待研究地区预定时间范围内的低分辨率月尺度数据。为后续的数据处理提供基础数据。
根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、读取上一步骤获得的未来预定时间内的低分辨率月尺度数据，并将其分成训练集和测试集；
步骤S22、构建卷积神经网络降尺度模块，至少包括第一卷积神经网络降尺度单元和第二卷积神经网络降尺度单元，第一卷积神经网络降尺度单元用于将低分辨率月尺度数据处理为中间分辨率月尺度数据，第二卷积神经网络降尺度单元用于将中间分辨率月尺度数据增强到预定的高分辨率月尺度数据；
步骤S23、判断神经网络降尺度模块获得的高分辨率月尺度数据是否达到预设要求，若是，进行输出。
正如上文而言，现有的动力降尺度和统计降尺度还存在较多的问题，为了解决上述问题，现有技术也提出了一些深度学习降尺度的技术，但是深度学习的方法，在降尺度的过程中，在获得高分辨率的过程中细微的误差将给预报带来低命中率及高的虚假预警率。为了解决上述问题，给出了本实施例的解决方案。首先读取上一步骤获得的数据集并分成训练集和测试集，在一些实施例中，也可以分成训练集、验证集和测试集。然后构建卷积神经网络降尺度模块，主要包括卷积层、池化层和全连接层。需要注意的是，在这一模块中，通过构建至少两个降尺度单元，形成至少两个降尺度过程。例如需要将2°×2°转化为0.1°×0.1°，可以通过第一个降尺度单元转化为0.5°×0.5°，然后通过第二个单元从0.5°×0.5°转化为0.1°×0.1°，因此在这种情况，可以从中间结果判断卷积神经网络模块的中间结果是否符合要求，从而判断出在哪个过程中出现问题。在其他实施例中，根据低分辨率与高分辩率之间的差值，还可以设置更多的降尺度单元，比如设置3个或者5个降尺度单元，通过阶梯式，渐进式的降尺度，解决高分辩率数据获得过程中细微的误差将给预报带来低命中率及高的虚假预警率的问题。换句话说，在神经网络降尺度的过程中，如果如何分析并发现细微的数据误差对结果造成的不利影响，是目前存在一大难题。通过上述方法，从中间结果判断是否存在问题，从而能够将误差锁定在预定的范围内，有利于及时发现和处理上述问题。在获得最终结果后，根据预置的数据判断是否达到预期要求，若达到，则停止处理。在这一实施例中，学习率、隐藏层神经元数量、最大迭代次数、收敛阈值、训练样本和验证样本的比例等相关参数可以根据实际需要进行设置。同时不同的卷积神经网络单元的参数可以是不相同的。总之通过阶梯式和渐进式的降尺度，可以获得更好的效果，同时通过中间结果可以锁定数据发生的位置，从而能够更加快速地判断是否出现了上述情况，从而能够更块地解决上述问题。
根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、获取研究区域的水文基础数据，从水文基础数据中提取河网拓扑和分水线信息；
步骤S32、基于河网拓扑查找河流交汇点，并以交汇点将河流划分为若干河段有向集合，查找各个河段与相邻分水线组成的集水区域，构建河段与集水区域的映射关系集合；
步骤S33、针对每一集水区域，建立产汇流各个节点的变异系数并求积，得到综合变异系数；对每一河段对应的集水区域进行网格化处理，并将高分辨率月尺度数据分解到各个网格，获得网格化数据集；
步骤S34、构建待研究区域的SWAT模型，以网格化的数据集作为输入数据，预测待研究区域的月尺度径流；
步骤S35、计算各个集水区域的综合变异系数，并计算标准差，形成标准差矩阵，基于标准差矩阵与预存储数据的差值，判断水文序列是否平稳。
在上述实施例中，通过神经网络等方法获得的降尺度数据，还存在物理过程不明确等问题，在后续的处理过程中，如果能够有更为明确的物理过程，则可以提高最终数据的准确率，同时提高方法的可解释性。为此，提供本实施例的方案。在本实施例中，首先通过水文基础数据构建河网拓扑，提取分水线信息，然后通过查找河流交汇点的方式将河流分成若干个河段，不同的河段对应不同的集水区域的边缘，通过河段、分水线等作为集水区的边界线。如果河段与河段之间没有分水线，则计算中线，以中线作为分界线，从而获得每个河段对应的集水区，划分河段后，通过河段与集水区的映射关系，构建河网的整体拓扑。在某些实施例中，集水区可以概化成与河段连通的来水区或储水区，因此可以统一进行概化，形成产汇流的有向流动拓扑。
在后续的过程中，针对集水区域，建立产汇流各个节点的变异系数，比如某个实施例中，有四个节点，可以分别设置γ1、γ2、γ3和γ4等四个系数，然后相乘，形成综合变异系数，针对每一集水区域对应的流动有向图，可以形成变异系数矩阵。然后不同预测单元，即不同的时间段内，具有不同的变异系数矩阵，根据变异系数矩阵的数值，可以推测相关积水区域的水文系数是否符合平稳性假设，如果发生变化，则对应节点及后续的变异系数会发生变化，从而能够在矩阵中各个参数中反应出来。比如某个集水区域因为盖房子，绿化面积大大减小，则这种情况下，水文参数发生了明显的变化，则这个节点的变异系数就不为1，后续汇流至附近的河流中，河流与集水区域之间的节点的变异系数也发生了变化，因此通过构建拓扑有向图并通过对节点的控制，可以构建起变异系数矩阵，通过对矩阵的研究，即可实现对水文参数是否发生变化的判断，从而能够快速判断哪些集水区域发生了何种变化，为后续的准确预测提供了数据保障。需要说明的是，还可采用标准差矩阵或变异概率矩阵来实现上述过程，在数学上等价或基本等价的方式均可。
根据本申请的一个方面，还包括步骤S36：
步骤S36a、将预测时长分成若干个预测单元，针对每个预测单元，基于所述河网拓扑查找每一雨水汇流路径，形成雨水汇流路径集合；
步骤S36b、读取雨水汇流路径中每一节点的变异系数，计算该雨水汇流路径的综合变异系数；
步骤S36c、针对每个预测单元，以综合变异系数升序的方式排列雨水汇流路径；
步骤S36d、计算雨水汇流路径的变异系数在不同预测单元之间的逆序数，并降序排列。
在上述实施例中，为了更为准确地判断全过程的各个节点是否发生了变化，再次提供本实施例。换句话说，除了集水区域外，水文参数发生变化在河网中也产生影响，比如某一河网节点一条支流的上游的某个集水区域的水文参数发生了变化，而另一河网支流的上游的集水区域没有发生水文参数变化，则在同一降水预测下，汇流至该节点处的水流发生了变化，反应在流量、水位等相关水文参数中。因此，如果对河网拓扑进行计算，则可以更快更准确地判断出哪些集水区域发生了水文变化。同时，假如多个积水区域的水文参数发生了变化，则可以通过不同预测单元下，变异系数的逆序数进行计算和判断。首先计算每一河水有向图中，综合变异系数最高的若干个有向段，然后针对不同预测单元中的上述若干个有向段之间的变异系数，计算逆序数，如果逆序数比较小，则说明该有向段中大概率有集水区域的水文参数发生了改变，而如果逆序数较大，则说明在不同的预测单元中，水文参数的变化是不稳定的，有可能是其他预测数据对计算结果造成了影响。因此通过上述方式，可以更为准确快速地判断是否有水文参数发生改变。换句话说，能够稳定造成下游各个节点的系数发生变异的，则集水区域水文参数发生变化的概率是非常大的。通过这一思路，可以快速获得集水区域的基本情况，从而能够提高准确率，同时增加模型的可解释性。
需要说明的是，除了采用变异系数的逆序数外，还可以采用其他方式，比如采用标准差或其他统计学上的实施手段。实际上，只要能够解决变异系数的随时间误差的统计学方式，都是可以的。在该实施例中，如果变异系数是稳定的，则在不同的预测单元，即不同时间段内，每个河流有向段的排序是稳定的，不会发生变化，比如某一河段的水文参数，在不同时期的绝对值是不同的，但是在所有河段中的排序基本是稳定的，可以将其概化为连通官网，在同样的***条件下，不同的降雨，导致管网各处的水文参数绝对值是不同的，但是占比是基本稳定的。如果***参数发生变化，则会导致占比发生变化，因此排序也会发生变化。因此如果一个河段或节点的水文参数，在不同的预测下，即不同的时间段内，其排序发生了明显的变化，则说明相关参数不稳定。而如果没有发生变化，则说明变异系数相对较为稳定。因此，可以通过对变异系数的排序判断是相关参数变异导致的，还是***出现的误差。综合变异系数越大，说明该拓扑支路中发生变异系数的概率越高，综合变异系数越稳定，说明该拓扑支路中的综合变异系数的稳定性和发生概率越高。
为了更加详细地描述相关过程，通过下文的实施例对相关步骤进行描述。需要说明的是，有些过程或细节可以采用现有技术实现，而并不一定需要采用本实施例提供的技术内容实现。本实施例提供的内容不应理解为对本申请核心创新点的限制。
根据本申请的一个方面，所述步骤S31进一步为：获取研究区域的水文基础数据，提取数字高程模型，基于数字高程模型对数据进行填洼处理，提取河网数据、分水线、河流节点和水流方向；其中计算水流方向的方法为，计算中心栅格与邻域栅格的最大坡降，并基于最大坡降所在的方向确定水流方向。
所述步骤S32进一步为：
步骤S32a、从水文基础数据中提取河网主干数据，构建研究区域的河网拓扑骨架；
步骤S32b、 利用水流方向栅格数据计算出每一个栅格在水流方向上累积的栅格数，通过栅格数计算研究区域的汇流积累量；
步骤S32c、分级查找汇流积累量大于阈值的水流路径，将其标记为次级河网，并加入河网拓扑中；
步骤S32d、基于各个河流的汇流积累量数据，采用施里夫分级法对河网拓扑中的河流进行分级；
步骤S32e、提取研究区域的集水区域，构建河段与集水区域的映射关系集合。
在这一实施例中，通过对研究区域水文参数的提取、模型构建和映射关系构建，可以快速获得解决本申请技术问题所需的基础数据。需要说明的是，这一过程也可以采用其他方式实现，并不局限有本申请提供的方案。在一些实施例中，还可以通过神经网络模型，实现自动化构建和提取，相关技术细节将在其他专利中描述。在另外一些实施例中，还可以采用现有方案实现河网骨架的提取，水文参数的采集，相关方式在此不再详述。
所述步骤S33进一步为：
步骤S33a、顺次提取每一集水区域及与之映射的河流，并获取产汇流各个节点，为每一节点赋予变异系数，变异系数的初始值为1；建立雨水汇集流动全过程中各个环节的变异系数集合，通过求积运算获得综合变异系数；
步骤S33b、对集水区域和河段进行栅格化处理，并将高分辨率月尺度数据分解到各个网格，获得网格化数据集。
在本实施例中，首先从DEM（Digital Elevation Model）提取相关数据，然后构建河网拓扑骨架。通过坡降等方法计算确定水流方向，形成微河流***。最后提取所有的水流路径，形成初级、次级河网***。在具体的实施过程中，可以采用DEM-GIS，或者arcgis等方式来实现上述过程。在不同的实现方式中，可能存在细节上的区别，但是只要能够获得上述结果即可。
需要说明的是，由于新技术不断涌现，采用其他软件或自制软件等也可以实现上述过程，因此上述过程并不限制具体的实现方式。对于SWAT模型等内容，由于属于现有技术，因此在本文没有详细介绍。
在步骤S4中，还可以采用诸如湿周法、增量法、R2CROSS法、7Q10法、水质目标法等方法进行计算，而不局限于动态算法。
根据本申请的另一个方面，提供一种基于陆海气耦合模式的生态流量预测***，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的基于陆海气耦合模式的生态流量预测方法。需要说明的是，由于存储器、处理器等硬件内容为现有内容，因此只需要将本发明的方法或算法编译成软件模块，然后设置在硬件中，即可实现上述生态流量预测***。相关方法为现有技术，在本文不再进行详细描述。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。
Claims (8)
1.基于陆海气耦合模式的生态流量预测方法，其特征在于，包括如下步骤：
步骤S1、采集研究区域的基础资料，构建陆海气耦合模型，并以所述基础资料作为输入数据，通过陆海气耦合模型计算获得未来预定时间内的低分辨率月尺度数据；
步骤S2、构建卷积神经网络降尺度模块，以低分辨率月尺度数据作为输入，获得待研究区域的高分辨率月尺度数据；
步骤S3、将待研究区域划分为至少两个子流域，对待研究区域进行概化，获得待研究区域的流域拓扑图，构建待研究区域的SWAT模型，以高分辨率月尺度数据为SWAT模型的输入数据，预测待研究区域的月尺度径流；
步骤S4、基于所述月尺度径流采用动态算法计算待研究区域的生态流量；
所述步骤S1进一步为：
步骤S11、划定研究区域，选取N种气候模式分别对应构建陆海气耦合模型并给出该研究区域的过去若干年的月尺度降水预测数据和多源加权集合降雨数据集，N为大于等于2的正整数；
步骤S12、将各个气候模式的分辨率进行差值处理，达到相同的网格分辨率；
步骤S13、在同一网格分辨率下，对各个气候模式的预测精度进行降序排列，选取排列靠前的若干组气候模式对应的陆海气耦合模型作为预选陆海气耦合模型；
步骤S14、构建并筛选后处理模型，对预选陆海气耦合模型进行评估和偏差修订，获得待研究区域的月尺度降水预测模型，并进行预测，获得未来预定时间内的低分辨率月尺度数据。
2.如权利要求1所述的基于陆海气耦合模式的生态流量预测方法，其特征在于，所述步骤S2进一步为：
步骤S21、读取上一步骤获得的未来预定时间内的低分辨率月尺度数据，并将其分成训练集和测试集；
步骤S22、构建卷积神经网络降尺度模块，至少包括第一卷积神经网络降尺度单元和第二卷积神经网络降尺度单元，第一卷积神经网络降尺度单元用于将低分辨率月尺度数据处理为中间分辨率月尺度数据，第二卷积神经网络降尺度单元用于将中间分辨率月尺度数据增强到预定的高分辨率月尺度数据；
步骤S23、判断神经网络降尺度模块获得的高分辨率月尺度数据是否达到预设要求，若是，进行输出。
3.如权利要求1所述的基于陆海气耦合模式的生态流量预测方法，其特征在于，所述步骤S3进一步为：
步骤S31、获取研究区域的水文基础数据，从水文基础数据中提取河网拓扑和分水线信息；
步骤S32、基于河网拓扑查找河流交汇点，并以交汇点将河流划分为若干河段有向集合，查找各个河段与相邻分水线组成的集水区域，构建河段与集水区域的映射关系集合；
步骤S33、针对每一集水区域，建立产汇流各个节点的变异系数并求积，得到综合变异系数；对每一河段对应的集水区域进行网格化处理，并将高分辨率月尺度数据分解到各个网格，获得网格化数据集；
步骤S34、构建待研究区域的SWAT模型，以网格化的数据集作为输入数据，预测待研究区域的月尺度径流；
步骤S35、计算各个集水区域的综合变异系数，并计算标准差，形成标准差矩阵，基于标准差矩阵与预存储数据的差值，判断水文序列是否平稳。
4.如权利要求3所述的基于陆海气耦合模式的生态流量预测方法，其特征在于，还包括步骤S36：
步骤S36a、将预测时长分成若干个预测单元，针对每个预测单元，基于所述河网拓扑查找每一雨水汇流路径，形成雨水汇流路径集合；
步骤S36b、读取雨水汇流路径中每一节点的变异系数，计算该雨水汇流路径的综合变异系数；
步骤S36c、针对每个预测单元，以综合变异系数升序的方式排列雨水汇流路径；
步骤S36d、计算雨水汇流路径的变异系数在不同预测单元之间的逆序数，并降序排列。
5.如权利要求4所述的基于陆海气耦合模式的生态流量预测方法，其特征在于，
所述步骤S31进一步为：获取研究区域的水文基础数据，提取数字高程模型，基于数字高程模型对数据进行填洼处理，提取河网数据、分水线、河流节点和水流方向；
其中计算水流方向的方法为，计算中心栅格与邻域栅格的最大坡降，并基于最大坡降所在的方向确定水流方向。
6.如权利要求4所述的基于陆海气耦合模式的生态流量预测方法，其特征在于，
所述步骤S32进一步为：
步骤S32a、从水文基础数据中提取河网主干数据，构建研究区域的河网拓扑骨架；
步骤S32b、 利用水流方向栅格数据计算出每一个栅格在水流方向上累积的栅格数，通过栅格数计算研究区域的汇流积累量；
步骤S32c、分级查找汇流积累量大于阈值的水流路径，将其标记为次级河网，并加入河网拓扑中；
步骤S32d、基于各个河流的汇流积累量数据，采用施里夫分级法对河网拓扑中的河流进行分级；
步骤S32e、提取研究区域的集水区域，构建河段与集水区域的映射关系集合。
7.如权利要求4所述的基于陆海气耦合模式的生态流量预测方法，其特征在于，所述步骤S33进一步为：
步骤S33a、顺次提取每一集水区域及与之映射的河流，并获取产汇流各个节点，为每一节点赋予变异系数，变异系数的初始值为1；建立雨水汇集流动全过程中各个环节的变异系数集合，通过求积运算获得综合变异系数；
步骤S33b、对集水区域和河段进行栅格化处理，并将高分辨率月尺度数据分解到各个网格，获得网格化数据集。
8. 一种基于陆海气耦合模式的生态流量预测***，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-7任一项所述的基于陆海气耦合模式的生态流量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310005760.0A CN115688614B (zh) | 2023-01-04 | 2023-01-04 | 基于陆海气耦合模式的生态流量预测方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310005760.0A CN115688614B (zh) | 2023-01-04 | 2023-01-04 | 基于陆海气耦合模式的生态流量预测方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115688614A CN115688614A (zh) | 2023-02-03 |
| CN115688614B true CN115688614B (zh) | 2023-03-21 |
Family
ID=85057622
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310005760.0A Active CN115688614B (zh) | 2023-01-04 | 2023-01-04 | 基于陆海气耦合模式的生态流量预测方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115688614B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113987969A (zh) * | 2021-10-26 | 2022-01-28 | 严大莲 | 多高程尺度水流网的陆地水动态仿真模型 |
| CN114970377A (zh) * | 2022-07-29 | 2022-08-30 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于新安江与深度学习耦合模型的场次洪水预报方法和*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107256293B (zh) * | 2017-05-24 | 2020-09-15 | 南京雨后地软环境技术有限公司 | 一种气候-生态***耦合建模方法 |
-
2023
- 2023-01-04 CN CN202310005760.0A patent/CN115688614B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113987969A (zh) * | 2021-10-26 | 2022-01-28 | 严大莲 | 多高程尺度水流网的陆地水动态仿真模型 |
| CN114970377A (zh) * | 2022-07-29 | 2022-08-30 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于新安江与深度学习耦合模型的场次洪水预报方法和*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115688614A (zh) | 2023-02-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Arnal et al. | Skilful seasonal forecasts of streamflow over Europe? | |
| Mehdizadeh et al. | Hybrid artificial intelligence-time series models for monthly streamflow modeling | |
| Mazzoleni et al. | Can assimilation of crowdsourced data in hydrological modelling improve flood prediction? | |
| Hasanpour Kashani et al. | Evaluation of efficiency of different estimation methods for missing climatological data | |
| CN107292098A (zh) | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 | |
| CN106597575B (zh) | 基于交叉验证和二维高斯分布赋权的降水量空间插值方法 | |
| CN101480143B (zh) | 一种预测灌区作物单产量的方法 | |
| Solaiman et al. | Development of probability based intensity-duration-frequency curves under climate change | |
| Lima et al. | Modeling and forecasting of Brazilian reservoir inflows via dynamic linear models | |
| CN109840587A (zh) | 基于深度学习的水库入库流量预测方法 | |
| Gu et al. | A surrogate model for the Variable Infiltration Capacity model using deep learning artificial neural network | |
| KR20140103589A (ko) | Ｍａｐｌｅ 기상예보자료를 이용한 홍수예측 방법 및 그 장치 | |
| CN112215393B (zh) | 基于自适应时空尺度选择的降水数值预报后处理订正方法 | |
| Boelee et al. | Estimation of uncertainty in flood forecasts—A comparison of methods | |
| CN114723188A (zh) | 水质预测方法、装置、计算机设备和存储介质 | |
| CN107423857A (zh) | 一种区域长期来水多目标联合概率预测方法 | |
| KR101463493B1 (ko) | 추계학적 태풍모의를 적용한 전지구 기후모델의 보완방법 | |
| Zhang et al. | Enhancing daily streamflow simulation using the coupled SWAT-BiLSTM approach for climate change impact assessment in Hai-River Basin | |
| Wei | Comparing single-and two-segment statistical models with a conceptual rainfall-runoff model for river streamflow prediction during typhoons | |
| Sohrabi et al. | Coupling large-scale climate indices with a stochastic weather generator to improve long-term streamflow forecasts in a Canadian watershed | |
| Patra et al. | Regional groundwater sequential forecasting using global and local LSTM models | |
| CN115688614B (zh) | 基于陆海气耦合模式的生态流量预测方法和*** | |
| Velasco et al. | Days-ahead water level forecasting using artificial neural networks for watersheds | |
| Karimi et al. | Monthly rainfall prediction using ARIMA and gene expression programming: A case study in Urmia, Iran | |
| CN116955450A (zh) | 一种融合流域产汇流时空过程的水文预报方法和*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |