CN115759403A - 一种针对寒区水循环过程的动态组合预测模型构建方法 - Google Patents

Abstract

本发明公开了一种针对寒区水循环过程的动态组合预测模型构建方法。包括以下步骤：S1：收集寒区水循环相关因素基础数据，并按影响限制条件分为多限制因素组和少限制因素组；S2：构建动态贝叶斯网络预测多限制因素组在时段末的值；S3：构建长短期记忆网络模型预测少限制因素组在时段末的值；S4：构建寒区水循环相关因素间影响关系，计算各因素之间的影响概率；S5：构建寒区降水量模型；S6：构建寒区水循环模型。本发明确了气候变化对寒区水循环预测的随机不确定性以及各因素之间的相关性，基于因素受限条件进行自回归的组合预测，提升了模型方法的计算精度和应用范围。

Description

一种针对寒区水循环过程的动态组合预测模型构建方法

技术领域

本发明创造属于农业水管理技术领域，尤其涉及一种针对寒区水循环过程的动态组合预测模型构建方法。

背景技术

寒区水文是水文科学的重要组成部分,也是水文学的一个特殊分支,兼有冰冻圈科学和水文学的双重特性。寒区自然环境恶劣，多为人迹罕至地区，这就增加了寒区特色过程观测的不确定性，导致观测资料的不足和缺失。寒区水循环主要受冰川冻土的影响，冰川冻土存在的寒区对气候变化和人类活动的响应不同于非寒区。与非寒区水文要素相比，寒区水文要素有很大的差异性，冰—水相变是其最大的特点，固—液转化是寒区水文的基本过程，所以寒区水文过程受环境等因素的影响更大。冰川积雪的特殊融化规律以及土壤冻融过程带来的土壤水重新分布都不同程度影响寒区的入渗、蒸发、降水、径流、壤中流等水循环过程。土壤冻结和河流冰封是寒区水循环不同于非寒区的最大特点，了解寒区水循环过程对冻土和水资源演变规律研究具有重要意义。

针对寒区水文循环模型，国内外学者做了很多探索，包括非寒区水文模型经调试后在寒区的直接应用、非寒区水文模型经改进后在寒区的应用、基于模块化建模方法的寒区水文过程模拟和寒区陆面过程模型的开发等。但是在预测寒区水循环的过程中，没有充分考虑各影响因素之间的互作关系，尤其是忽略了各个因素与时间之间存在的密切的动态响应。寒区水循环的各个因素中，有一些因素受多方面条件的影响，而有一些因素受限制的条件较少，但是现有的预测模型极少考虑这个问题对模型精度带来的影响。而气候变化引发的寒区水循环导致了寒区水循环存在更多的随机不确定性，限制了现有模型的计算精度和应用范围。因此，亟需较为全面的考虑寒区水循环的预测，开发一种针对寒区水循环过程的动态组合预测模型构建方法。

发明内容

本发明创造的目的就是针对上述现有技术存在的问题，提供一种针对寒区水循环过程的动态组合预测模型构建方法，考虑了气候变化对寒区水循环预测的随机不确定性以及各因素之间的相关性，基于因素受限条件进行自回归的组合预测，由此提升模型方法的计算精度和应用范围。

本发明具有如下优点：①考虑了寒区水循环各个因素之间的影响关系，创新的构建了针对于寒区水循环要素的预测模型；②充分考虑了时间动态性对模型方法的影响；③针对寒区水循环的各个因素的限制条件不同，构建了自回归的组合预测方法，提高模型预测的精度；④考虑了未来气候变化对寒区水循环过程的随机不确定性，提升模型的计算精度和应用范围。

本发明创造的技术方案是这样实现的：一种针对寒区水循环过程的动态组合预测模型构建方法，其特征在于，包含如下步骤：

S1：收集寒区水循环相关因素基础数据，并按影响限制条件分为多限制因素组和少限制因素组；

S2：构建动态贝叶斯网络预测多限制因素组在时段末的值；

S3：构建长短期记忆网络模型预测少限制因素组在时段末的值；

S4：构建寒区水循环相关因素间影响关系，计算各因素之间的影响概率；

S5：构建寒区降水量模型，当平均气温低于降雪临界温度时，定义降水为降雪，降雪量累加到积雪量中，积雪量随降雪增加，随积雪融化和升华减少，其质量守恒方程为：

S_day＝S₀+R_day-E_sub-S_mlt

式中，S_day某天的积雪水当量，mm；S₀某天的初始积雪水当量(积雪密度与雪深的乘积)，mm；R_day某日平均气温低于降雪临界温度时某天的降雪水当量，mm；E_sub某天的积雪升华量，mm；S_mlt某天的融雪水当量，mm；

S6：构建寒区水循环模型，计算时段末土壤含水量：

式中，W_t时段末土壤水分含量，mm；W₀时段初土壤水分含量，mm；t时段天数，d；S_day第i天的降水量，mm；Q_surf第i天的地表径流量，mm；E_a第i天的蒸散量，mm；Q_gw第i天的回归流水量，mm。

优选地，S1中所述基础数据包括：初始土壤含水量、降水量，降雪量、地表径流量、蒸散量、入渗量、最高温度、最低温度、相对湿度、风标高风速、日照时数、风标高度、积雪密度、雪深、温度、融雪速率、孔隙度、容重、渗透性能、太阳辐射相关因素。

优选地，S1中所述多限制因素组包括：初始土壤含水量、地表径流量、蒸散量、积雪密度、融雪速率；所述少限制因素组包括：降雨量、降雪量、温度。

优选地，S2中所述的动态贝叶斯网络被定义为(B,2TBN)，其中B是BN，它定义了先验分布P(X1)，2TBN是一个包含两个时间片的BN：

式中，

是时间片t上的节点，

为时间片t或t-1上的父节点集，2TBN第一个时间切片中的节点没有任何相关的参数，第二个时间切片中的连续变量节点有一个相关的条件概率分布，每个离散变量都有一个条件概率表，将其定义为

时间片之间的弧线从左到右，反映了时间的流动；时间切片内的弧是任意的；时间切片内的有向弧表示“瞬时”因果关系；动态贝叶斯网络的语义可以通过将2TBN时间片“展开”来定义，直到有T个时间片为止；所得的联合分布为：

动态贝叶斯网络中的每个时间切片都是一个静态贝叶斯网络，由状态变量X_i和证据变量E_i组成；在时间片t，X_i由具有有限个状态

的节点n_(i,t)∈N表示；

表示在时间切片t时这些状态的概率分布，这些时间阶段由若干节点集N₀,…,N_t表示；N_t包括所有与时间切片t相关的随机变量；

连接属于不同时间片的两个变量的弧表示这些变量之间的时间概率依赖性；动态贝叶斯网络可以对随机变量进行模型构建，并可以表示所述随机变量对其他变量未来分布的影响，将这些影响定义为时间切片t-1的变量状态与时间切片t的变量状态之间的转移概率；在所述模型中，下一个时间切片t相对于当前的时间切片t-1是条件独立地，即CPT P(n_i,t|pa(n_i,t))遵循马尔可夫特性；

此外，如果满足以下条件，则条件概率等价于马尔可夫模型：

Pa(n_i,t)＝n_i,t-1and

P(n_i,t|n_i,t-1)＝P_MC

从时间片t＝0时的观测情况出发，通过动态贝叶斯网络推理计算

状态上的概率分布；为了计算

即通过迭代推理方法，使贝叶斯网络形式保持紧凑的连接，利用推理形式把时间概念引入贝叶斯网络；实际上，仅根据时间片t-1时对应的概率，就可以计算任意变量X_i在t时的概率分布，时间片t-1的概率分布可以通过连续的推断计算来得到。

优选地，S3中所述的短期记忆网络模型内部包含三个控制单元状态的门，短期记忆网络模型操作的第一步是决定小区状态需要丢弃哪些信息，所述操作由一个称为“遗忘门”的sigmoid单元处理；所述sigmoid单元处理通过查看h_t-1和x_t信息输出一个介于0和1之间的向量，所述向量内部的0-1值表示单元状态中的哪些C_t-1信息被保留，或者被丢弃；其中，0表示不保留任何信息，1表示两者都保留，使用sigmoid函数和tanh函数分别作为激活函数；

输入门：

I_t＝σ(W_i[h_t-1,x_t]+b_i)

式中，W_i为输入门权重矩阵，σ为Sigmoid函数，h_t-1为记忆单元前一时刻的输出数据，x_t为当前时刻的输入，b_i为输入门的偏置；

遗忘门：

f_t＝σ(W_f[h_t-1,x_t]+b_f)

式中，W_f为遗忘门权重矩阵，b_f为遗忘门的偏置；

输出门：

O_t＝σ(W_o[h_t-1,x_t]+b_o)

式中，W_o为输出门权重矩阵，b_o为输出门的偏置；

记忆单元：

式中，W_C为记忆单元权重矩阵，b_C为记忆单元的偏置；

记忆单元c，更新候选值：

式中，C_t-1指前一时刻的候选值；

记忆单元输出：

h_t＝o_t*tanh(C_t)。

优选地，S3中所述的短期记忆网络模型通过小批量梯度下降算法景祥优化训练，均方误差函数mse作为损失函数：

式中，y_i为第i时刻的预测值；Y_i为第i时刻的真实值；n为模型输入的样本数目。

优选地，S4中所述寒区水循环相关因素间影响关系可通过动态贝叶斯网络建立。

附图说明

图1是一种针对寒区水循环过程的动态组合预测模型构建方法流程示意图；

具体实施方式

一种针对寒区水循环过程的动态组合预测模型构建方法，其特征在于，包含如下步骤：

S1：收集寒区水循环相关因素基础数据，并按影响限制条件分为多限制因素组和少限制因素组；

所述基础数据包括：初始土壤含水量、降水量，降雪量、地表径流量、蒸散量、入渗量、最高温度、最低温度、相对湿度、风标高风速、日照时数、风标高度、积雪密度、雪深、温度、融雪速率、孔隙度、容重、渗透性能、太阳辐射相关因素；

所述多限制因素组包括：初始土壤含水量、地表径流量、蒸散量、积雪密度、融雪速率；所述少限制因素组包括：降雨量、降雪量、温度。

土壤含水量受限制因素包括：降水、孔隙度、容重、渗透性能、施用的肥料等；地表径流量受限制因素包括：降水量、太阳辐射相关因素、气温、风速、压强、相对湿度、流域面积等；蒸散量受限制因素包括：最高温度、最低温度、相对湿度、风标高风速、日照时数、风标高度；积雪密度受限制因素包括：温度、降雪量、降雪面积、风速等；融雪速率受限制因素包括：太阳辐射相关因素、温度、风速等。降雨量主要影响因素为海陆位置、地形、气压带、风带、季风、气旋、锋面、下垫面、洋流等，而当研究区域确定时，降水量与降雪量的规律受时间影响因素很大，受除地域和时间以外的影响因素较少。

S2：构建动态贝叶斯网络预测多限制因素组在时段末的值；

动态贝叶斯网络被定义为(B,2TBN)，其中B1是BN，它定义了先验分布P(X1)，2TBN是一个包含两个时间片的BN。

式中，

是时间片t上的节点，

为时间片t或t-1上的父节点集，2TBN第一个时间片中的节点没有任何相关的参数，但是第二个切片中的连续变量节点都有一个的相关的条件概率分布(CPD)，每个离散变量都有一个条件概率表(CPT)，将其定义为

时间片之间的弧线从左到右，反映了时间的流动。切片内的弧是任意的。时间片内的有向弧表示“瞬时”因果关系。动态贝叶斯网络的语义可以通过将2TBN时间片“展开”来定义，直到有T个时间片为止。所得的联合分布为：

动态贝叶斯网络中的每个时间片都是一个静态贝叶斯网络，由状态变量X_i和证据变量E_i组成。在时间片t，X_i由具有有限个状态

的节点n_(i,t)∈N表示。

表示在时间片t时这些状态的概率分布，这些时间阶段由若干节点集N₀,…,N_t表示。N_t包括所有与时间片t相关的随机变量。

连接属于不同时间片的两个变量的弧表示这些变量之间的时间概率依赖性。动态贝叶斯网络不仅可以对随机变量进行模型的构建，所构建的模型还可以表示这些随机变量对其他变量未来分布的影响，将这些影响定义为时间片t-1的变量状态与时间片t的变量状态之间的转移概率。在这个模型中，下一个时间片t相对于当前的时间片t-1是条件独立地，也就是说CPTP(n_i,t|pa(n_i,t))遵循马尔可夫特性。此外，如果存在：

Pa(n_i,t)＝n_i,t-1and

P(n_i,t|n_i,t-1)＝P_MC

这个条件概率等价于马尔可夫模型。从时间片t＝0时的观测情况出发，通过动态贝叶斯网络推理计算

状态上的概率分布。为了计算

即通过迭代推理方法，使贝叶斯网络形式保持紧凑的连接，利用推理形式把时间概念引入贝叶斯网络。实际上，仅根据时间片t-1时对应的概率，就可以计算任意变量X_i在t时的概率分布，时间片t-1的概率分布可以通过连续的推断计算来得到。

S3：构建长短期记忆网络模型预测少限制因素组在时段末的值；

采用长短期记忆网络模型(LSTM)作为组合影响限制条件少的因素的预测模型，采用小批量梯度下降算法对LSTM模型进行优化训练。均方误差函数mse作为损失函数：

式中，y_i为第i时刻的预测值；Y_i为第i时刻的真实值；n为模型输入的样本数目。

LSTMs能够选择性的遗忘或者保留过去信息，对长信息做出判断，因此，LSTMs能够很好的处理数据量较大的情况。LSTMs的核心是单元状态，由贯穿单元的水平线表示。LSTM网络能够通过一种称为门的结构来删除或添加细胞状态的信息。LSTM内部包含三个控制细胞状态的门。LSTM的第一步是决定小区状态需要丢弃哪些信息。这部分操作由一个称为“遗忘门”的sigmoid单元处理。它通过查看h_t-1和x_t信息输出一个介于0和1之间的向量，这个向量内部的0-1值表示单元状态中的哪些C_t-1信息被保留，或者有多少信息被丢弃。0表示不保留任何信息，1表示两者都保留，使用sigmoid函数和tanh函数作为激活函数。

输入门：

I_t＝σ(W_i[h_t-1,x_t]+b_i)

式中，W_i为输入门权重矩阵，σ为Sigmoid函数，h_t-1为记忆单元前一时刻的输出数据，x_t为当前时刻的输入，b_i为输入门的偏置。

遗忘门：

f_t＝σ(W_f[h_t-1,x_t]+b_f)

式中，W_f为遗忘门权重矩阵，b_f为遗忘门的偏置。

输出门：

O_t＝σ(W_o[h_t-1,x_t]+b_o)

式中，W_o为输出门权重矩阵，b_o为输出门的偏置。

记忆单元：

式中，W_C为记忆单元权重矩阵，b_C为记忆单元的偏置。

记忆单元c，更新候选值：

式中，C_t-1指前一时刻的候选值。

记忆单元输出：

h_t＝o_t*tanh(C_t)

S4：构建寒区水循环相关因素间影响关系，计算各因素之间的影响概率；

将寒区水循环的影响因素通过S2和S3步骤进行预测后，将预测的数据再次输入到动态贝叶斯网络中，探索寒区水循环相关因素之间的影响关系，得到各个因素之间的影响概率。

S5：构建寒区降水量模型，当平均气温低于降雪临界温度时，定义降水为降雪，降雪量累加到积雪量中，积雪量随降雪增加，随积雪融化和升华减少，其质量守恒方程为：

S_day＝S₀+R_day-E_sub-S_mlt

式中，S_day某天的积雪水当量，mm；S₀某天的初始积雪水当量(积雪密度与雪深的乘积)，mm；R_day某日平均气温低于降雪临界温度时某天的降雪水当量，mm；E_sub某天的积雪升华量，mm；S_mlt某天的融雪水当量，mm；

S6：构建寒区水循环模型，计算时段末土壤含水量：

式中，W_t时段末土壤水分含量，mm；W₀时段初土壤水分含量，mm；t时段天数，d；S_day第i天的降水量，mm；Q_surf第i天的地表径流量，mm；E_a第i天的蒸散量，mm；Q_gw第i天的回归流水量，mm。

Claims (7)

1.一种针对寒区水循环过程的动态组合预测模型构建方法，其特征在于，包含如下步骤：S1：收集寒区水循环相关因素基础数据，并按影响限制条件分为多限制因素组和少限制因素组；

S2：构建动态贝叶斯网络预测多限制因素组在时段末的值；

S3：构建长短期记忆网络模型预测少限制因素组在时段末的值；

S4：构建寒区水循环相关因素间影响关系，计算各因素之间的影响概率；

S5：构建寒区降水量模型，当平均气温低于降雪临界温度时，定义降水为降雪，降雪量累加到积雪量中，积雪量随降雪增加，随积雪融化和升华减少，其质量守恒方程为：

S_day＝S₀+R_day-E_sub-S_mlt

式中，S_day某天的积雪水当量，mm；S₀某天的初始积雪水当量(积雪密度与雪深的乘积)，mm；R_day某日平均气温低于降雪临界温度时某天的降雪水当量，mm；E_sub某天的积雪升华量，mm；S_mlt某天的融雪水当量，mm；

S6：构建寒区水循环模型，计算时段末土壤含水量：

式中，W_t时段末土壤水分含量，mm；W₀时段初土壤水分含量，mm；t时段天数，d；S_day第i天的降水量，mm；Q_surf第i天的地表径流量，mm；E_a第i天的蒸散量，mm；Q_gw第i天的回归流水量，mm。

2.根据权利要求1所述的一种针对寒区水循环过程的动态组合预测模型构建方法，其特征在于：S1中所述基础数据包括：初始土壤含水量、降水量，降雪量、地表径流量、蒸散量、入渗量、最高温度、最低温度、相对湿度、风标高风速、日照时数、风标高度、积雪密度、雪深、温度、融雪速率、孔隙度、容重、渗透性能、太阳辐射相关因素。

3.根据权利要求1所述的一种针对寒区水循环过程的动态组合预测模型构建方法，其特征在于：S1中所述多限制因素组包括：初始土壤含水量、地表径流量、蒸散量、积雪密度、融雪速率；所述少限制因素组包括：降雨量、降雪量、温度。

4.根据权利要求1所述的一种针对寒区水循环过程的动态组合预测模型构建方法，其特征在于：S2中所述的动态贝叶斯网络被定义为(B,2TBN)，其中B是BN，它定义了先验分布P(X1)，2TBN是一个包含两个时间片的BN：

式中，

是时间片t上的节点，

为时间片t或t-1上的父节点集，2TBN第一个时间切片中的节点没有任何相关的参数，第二个时间切片中的连续变量节点有一个相关的条件概率分布，每个离散变量都有一个条件概率表，将其定义为

时间片之间的弧线从左到右，反映了时间的流动；时间切片内的弧是任意的；时间切片内的有向弧表示“瞬时”因果关系；动态贝叶斯网络的语义可以通过将2TBN时间片“展开”来定义，直到有T个时间片为止；所得的联合分布为：

动态贝叶斯网络中的每个时间切片都是一个静态贝叶斯网络，由状态变量X_i和证据变量E_i组成；在时间片t，X_i由具有有限个状态

的节点n_(i,t)∈N表示；

表示在时间切片t时这些状态的概率分布，这些时间阶段由若干节点集N₀,…,N_t表示；N_t包括所有与时间切片t相关的随机变量；

连接属于不同时间片的两个变量的弧表示这些变量之间的时间概率依赖性；动态贝叶斯网络可以对随机变量进行模型构建，并可以表示所述随机变量对其他变量未来分布的影响，将这些影响定义为时间切片t-1的变量状态与时间切片t的变量状态之间的转移概率；在所述模型中，下一个时间切片t相对于当前的时间切片t-1是条件独立地，即CPT P(n_i,t|pa(n_i,t))遵循马尔可夫特性；

此外，如果满足以下条件，则条件概率等价于马尔可夫模型：

从时间片t＝0时的观测情况出发，通过动态贝叶斯网络推理计算

状态上的概率分布；为了计算

即通过迭代推理方法，使贝叶斯网络形式保持紧凑的连接，利用推理形式把时间概念引入贝叶斯网络；实际上，仅根据时间片t-1时对应的概率，就可以计算任意变量X_i在t时的概率分布，时间片t-1的概率分布可以通过连续的推断计算来得到。

5.根据权利要求1所述的一种针对寒区水循环过程的动态组合预测模型构建方法，其特征在于：S3中所述的短期记忆网络模型内部包含三个控制单元状态的门，短期记忆网络模型操作的第一步是决定小区状态需要丢弃哪些信息，所述操作由一个称为“遗忘门”的sigmoid单元处理；所述sigmoid单元处理通过查看h_t-1和x_t信息输出一个介于0和1之间的向量，所述向量内部的0-1值表示单元状态中的哪些C_t-1信息被保留，或者被丢弃；其中，0表示不保留任何信息，1表示两者都保留，使用sigmoid函数和tanh函数分别作为激活函数；

输入门：

I_t＝σ(W_i[h_t-1,x_t]+b_i)

式中，W_i为输入门权重矩阵，σ为Sigmoid函数，h_t-1为记忆单元前一时刻的输出数据，x_t为当前时刻的输入，b_i为输入门的偏置；

遗忘门：

f_t＝σ(W_f[h_t-1,x_t]+b_f)

式中，W_f为遗忘门权重矩阵，b_f为遗忘门的偏置；

输出门：

O_t＝σ(W_o[h_t-1,x_t]+b_o)

式中，W_o为输出门权重矩阵，b_o为输出门的偏置；

记忆单元：

式中，W_C为记忆单元权重矩阵，b_C为记忆单元的偏置；

记忆单元c，更新候选值：

式中，C_t-1指前一时刻的候选值；

记忆单元输出：

h_t＝o_t*tanh(C_t)。

6.根据权利要求1所述的一种针对寒区水循环过程的动态组合预测模型构建方法，其特征在于：S3中所述的短期记忆网络模型通过小批量梯度下降算法景祥优化训练，均方误差函数mse作为损失函数：

式中，y_i为第i时刻的预测值；Y_i为第i时刻的真实值；n为模型输入的样本数目。

7.根据权利要求1所述的一种针对寒区水循环过程的动态组合预测模型构建方法，其特征在于：S4中所述寒区水循环相关因素间影响关系可通过动态贝叶斯网络建立。

Images