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
一种针对寒区水循环过程的动态组合预测模型构建方法 Download PDFInfo
- Publication number
- CN115759403A CN115759403A CN202211442607.6A CN202211442607A CN115759403A CN 115759403 A CN115759403 A CN 115759403A CN 202211442607 A CN202211442607 A CN 202211442607A CN 115759403 A CN115759403 A CN 115759403A
- Authority
- CN
- China
- Prior art keywords
- water circulation
- cold region
- constructing
- model
- time
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000008569 process Effects 0.000 title claims abstract description 25
- 238000010276 construction Methods 0.000 title claims abstract description 10
- 230000015654 memory Effects 0.000 claims abstract description 23
- 238000001556 precipitation Methods 0.000 claims abstract description 10
- 239000002689 soil Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000002844 melting Methods 0.000 claims description 12
- 230000008018 melting Effects 0.000 claims description 11
- 230000006403 short-term memory Effects 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 5
- 230000000717 retained effect Effects 0.000 claims description 5
- 230000008595 infiltration Effects 0.000 claims description 4
- 238000001764 infiltration Methods 0.000 claims description 4
- 230000035699 permeability Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000001364 causal effect Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000008022 sublimation Effects 0.000 claims description 3
- 238000000859 sublimation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 239000005413 snowmelt Substances 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000004148 unit process Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000008014 freezing Effects 0.000 description 3
- 238000007710 freezing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 102100024873 Ceramide-1-phosphate transfer protein Human genes 0.000 description 1
- 101710189399 Ceramide-1-phosphate transfer protein Proteins 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000005457 ice water Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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:
Sday=S0+Rday-Esub-Smlt
式中,Sday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;Rday某日平均气温低于降雪临界温度时某天的降雪水当量,mm;Esub某天的积雪升华量,mm;Smlt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,Wt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;Sday第i天的降水量,mm;Qsurf第i天的地表径流量,mm;Ea第i天的蒸散量,mm;Qgw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Xi和证据变量Ei组成;在时间片t,Xi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,…,Nt表示;Nt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(ni,t|pa(ni,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Xi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ht-1和xt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Ct-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:
It=σ(Wi[ht-1,xt]+bi)
式中,Wi为输入门权重矩阵,σ为Sigmoid函数,ht-1为记忆单元前一时刻的输出数据,xt为当前时刻的输入,bi为输入门的偏置;
遗忘门:
ft=σ(Wf[ht-1,xt]+bf)
式中,Wf为遗忘门权重矩阵,bf为遗忘门的偏置;
输出门:
Ot=σ(Wo[ht-1,xt]+bo)
式中,Wo为输出门权重矩阵,bo为输出门的偏置;
记忆单元:
式中,WC为记忆单元权重矩阵,bC为记忆单元的偏置;
记忆单元c,更新候选值:
式中,Ct-1指前一时刻的候选值;
记忆单元输出:
ht=ot*tanh(Ct)。
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,yi为第i时刻的预测值;Yi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Xi和证据变量Ei组成。在时间片t,Xi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,…,Nt表示。Nt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(ni,t|pa(ni,t))遵循马尔可夫特性。此外,如果存在:
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Xi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,yi为第i时刻的预测值;Yi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ht-1和xt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Ct-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:
It=σ(Wi[ht-1,xt]+bi)
式中,Wi为输入门权重矩阵,σ为Sigmoid函数,ht-1为记忆单元前一时刻的输出数据,xt为当前时刻的输入,bi为输入门的偏置。
遗忘门:
ft=σ(Wf[ht-1,xt]+bf)
式中,Wf为遗忘门权重矩阵,bf为遗忘门的偏置。
输出门:
Ot=σ(Wo[ht-1,xt]+bo)
式中,Wo为输出门权重矩阵,bo为输出门的偏置。
记忆单元:
式中,WC为记忆单元权重矩阵,bC为记忆单元的偏置。
记忆单元c,更新候选值:
式中,Ct-1指前一时刻的候选值。
记忆单元输出:
ht=ot*tanh(Ct)
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:
Sday=S0+Rday-Esub-Smlt
式中,Sday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;Rday某日平均气温低于降雪临界温度时某天的降雪水当量,mm;Esub某天的积雪升华量,mm;Smlt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,Wt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;Sday第i天的降水量,mm;Qsurf第i天的地表径流量,mm;Ea第i天的蒸散量,mm;Qgw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:
Sday=S0+Rday-Esub-Smlt
式中,Sday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;Rday某日平均气温低于降雪临界温度时某天的降雪水当量,mm;Esub某天的积雪升华量,mm;Smlt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,Wt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;Sday第i天的降水量,mm;Qsurf第i天的地表径流量,mm;Ea第i天的蒸散量,mm;Qgw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Xi和证据变量Ei组成;在时间片t,Xi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,…,Nt表示;Nt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(ni,t|pa(ni,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:
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ht-1和xt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Ct-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:
It=σ(Wi[ht-1,xt]+bi)
式中,Wi为输入门权重矩阵,σ为Sigmoid函数,ht-1为记忆单元前一时刻的输出数据,xt为当前时刻的输入,bi为输入门的偏置;
遗忘门:
ft=σ(Wf[ht-1,xt]+bf)
式中,Wf为遗忘门权重矩阵,bf为遗忘门的偏置;
输出门:
Ot=σ(Wo[ht-1,xt]+bo)
式中,Wo为输出门权重矩阵,bo为输出门的偏置;
记忆单元:
式中,WC为记忆单元权重矩阵,bC为记忆单元的偏置;
记忆单元c,更新候选值:
式中,Ct-1指前一时刻的候选值;
记忆单元输出:
ht=ot*tanh(Ct)。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211442607.6A CN115759403B (zh) | 2022-11-15 | 2022-11-15 | 一种针对寒区水循环过程的动态组合预测模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211442607.6A CN115759403B (zh) | 2022-11-15 | 2022-11-15 | 一种针对寒区水循环过程的动态组合预测模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115759403A true CN115759403A (zh) | 2023-03-07 |
CN115759403B CN115759403B (zh) | 2023-12-15 |
Family
ID=85372899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211442607.6A Active CN115759403B (zh) | 2022-11-15 | 2022-11-15 | 一种针对寒区水循环过程的动态组合预测模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115759403B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203810A (zh) * | 2017-05-22 | 2017-09-26 | 河海大学 | 一种基于深度网络的降水量预测方法 |
US20190354873A1 (en) * | 2018-02-16 | 2019-11-21 | Lucas Pescarmona | Analysis system and hydrology management for basin rivers |
CN110598242A (zh) * | 2019-07-24 | 2019-12-20 | 浙江大学 | 一种新的基于网格化流域和分类率定的水文模型 |
CN110633859A (zh) * | 2019-09-18 | 2019-12-31 | 西安理工大学 | 一种两阶段分解集成的水文序列预测方法 |
CN111310968A (zh) * | 2019-12-20 | 2020-06-19 | 西安电子科技大学 | 一种基于互信息的lstm神经网络循环水文预报方法 |
CN111639748A (zh) * | 2020-05-15 | 2020-09-08 | 武汉大学 | 一种基于lstm-bp时空组合模型的流域污染物通量预测方法 |
CN111833202A (zh) * | 2020-07-14 | 2020-10-27 | 中国水利水电科学研究院 | 考虑作物系数动态变化与降雨的农田蒸散量短期预测方法 |
CN112183721A (zh) * | 2020-09-16 | 2021-01-05 | 河海大学 | 一种基于自适应差分进化的组合水文预测模型的构建方法 |
CN114818367A (zh) * | 2022-05-18 | 2022-07-29 | 珠江水利委员会珠江水利科学研究院 | 适用于高寒地区的径流模拟分析方法、***及介质 |
CN114819395A (zh) * | 2022-05-19 | 2022-07-29 | 浙江大学 | 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法 |
US20220268964A1 (en) * | 2021-02-19 | 2022-08-25 | Si Analytics Co., Ltd. | Method Of Predicting Amount Of Precipitation Based On Deep Learning |
CN115221800A (zh) * | 2022-09-20 | 2022-10-21 | 武汉大学 | 天气发生器和深度学习融合的延伸期径流集合预测方法 |
-
2022
- 2022-11-15 CN CN202211442607.6A patent/CN115759403B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203810A (zh) * | 2017-05-22 | 2017-09-26 | 河海大学 | 一种基于深度网络的降水量预测方法 |
US20190354873A1 (en) * | 2018-02-16 | 2019-11-21 | Lucas Pescarmona | Analysis system and hydrology management for basin rivers |
CN110598242A (zh) * | 2019-07-24 | 2019-12-20 | 浙江大学 | 一种新的基于网格化流域和分类率定的水文模型 |
CN110633859A (zh) * | 2019-09-18 | 2019-12-31 | 西安理工大学 | 一种两阶段分解集成的水文序列预测方法 |
CN111310968A (zh) * | 2019-12-20 | 2020-06-19 | 西安电子科技大学 | 一种基于互信息的lstm神经网络循环水文预报方法 |
CN111639748A (zh) * | 2020-05-15 | 2020-09-08 | 武汉大学 | 一种基于lstm-bp时空组合模型的流域污染物通量预测方法 |
CN111833202A (zh) * | 2020-07-14 | 2020-10-27 | 中国水利水电科学研究院 | 考虑作物系数动态变化与降雨的农田蒸散量短期预测方法 |
CN112183721A (zh) * | 2020-09-16 | 2021-01-05 | 河海大学 | 一种基于自适应差分进化的组合水文预测模型的构建方法 |
US20220268964A1 (en) * | 2021-02-19 | 2022-08-25 | Si Analytics Co., Ltd. | Method Of Predicting Amount Of Precipitation Based On Deep Learning |
CN114818367A (zh) * | 2022-05-18 | 2022-07-29 | 珠江水利委员会珠江水利科学研究院 | 适用于高寒地区的径流模拟分析方法、***及介质 |
CN114819395A (zh) * | 2022-05-19 | 2022-07-29 | 浙江大学 | 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法 |
CN115221800A (zh) * | 2022-09-20 | 2022-10-21 | 武汉大学 | 天气发生器和深度学习融合的延伸期径流集合预测方法 |
Non-Patent Citations (3)
Title |
---|
姜淞川;陆建忠;陈晓玲;刘子旋;: "基于LSTM网络鄱阳湖抚河流域径流模拟研究", 华中师范大学学报(自然科学版), no. 01 * |
李保琦;肖伟华;王义成;孙青言;刘卓娅;: "寒区水文循环模型研究进展", 西南民族大学学报(自然科学版), no. 04 * |
邢贞相;张涵;付强;宫兴龙;李衡;: "考虑气象因子不确定性的概率降水预报研究", 灌溉排水学报, no. 10 * |
Also Published As
Publication number | Publication date |
---|---|
CN115759403B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | A non-linear rainfall-runoff model using radial basis function network | |
Unver et al. | Model for real-time optimal flood control operation of a reservoir system | |
Bae et al. | Monthly dam inflow forecasts using weather forecasting information and neuro-fuzzy technique | |
CN110288157A (zh) | 一种基于注意力机制和lstm的径流预测方法 | |
CN112541839B (zh) | 基于神经微分方程的水库入库流量预测方法 | |
Chang et al. | Counterpropagation fuzzy-neural network for city flood control system | |
CN108830419B (zh) | 一种基于ecc后处理的梯级水库群入库流量联合预报方法 | |
CN116523269B (zh) | 一种基于模型预测控制的河网动态智能调控方法 | |
CN114492233B (zh) | 一种基于webGIS平台及考虑综合利用要求的流域水模拟方法 | |
CN114386693A (zh) | 基于PSO-LSTM-Attention模型的水库水位预测预警方法 | |
CN116011731A (zh) | 基于机器学习算法与雨洪数值模型的厂网河联合调度方法 | |
CN114676882A (zh) | 一种水文多模型时变权重组合预报方法 | |
Sojitra et al. | Comparative study of daily rainfall forecasting models using adaptive-neuro fuzzy inference system (ANFIS) | |
CN117332908B (zh) | 一种耦合集合预报的梯级水库多目标优化调度方法及*** | |
CN115759403B (zh) | 一种针对寒区水循环过程的动态组合预测模型构建方法 | |
Kim et al. | Analysis of AI-based techniques for forecasting water level according to rainfall | |
CN110532500B (zh) | 一种区域大气水文模型中水库群参数化方案的构建方法 | |
Lamond et al. | Water reservoir applications of Markov decision processes | |
Chang et al. | Multi-step-ahead reservoir inflow forecasting by artificial intelligence techniques | |
Gokayaz et al. | From Probabilistic Seasonal Streamflow Forecasts to Optimal Reservoir Operations: A Stochastic Programming Approach | |
Rodriguez Aguilar et al. | Decentralized ellipsoidal state estimation for linear model predictive control of an irrigation canal | |
Chua | Considerations for data-driven and physically-based hydrological models in flow forecasting | |
Chandramouli et al. | Study on water sharing in a multi-reservoir system using a dynamic programming-neural network model | |
Suryanarayana | Development of Adaptive Neuro Fuzzy Inference System for Estimation of Evapotranspiration | |
Suprapty et al. | Rainfall prediction using fuzzy inference system for preliminary micro-hydro power plant planning |
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 |