一种耦合神经网络和分布式VIC模型的水文预报方法及系统与流程
本发明属于水文预报技术领域，更具体地，涉及一种耦合神经网络和分布式vic模型的水文预报方法及系统。
背景技术：
传统的可变下渗能力(variableinfiltrationcapacity，vic)水文模型能够考虑流域内降雨、蒸发、植被覆盖、土壤等自然条件的空间变化情况，但其简单的线性叠加汇流模块很难反映河道汇流过程中人类活动对其造成的影响。神经网络模型能够对多维非线性问题进行辨识和模拟，但在相同的参数配置下其优化结果存在浮动，存在一定的不确定性和不可重复性。
综上，现有水文预报方法很难反映河道汇流过程中人类活动对其造成的影响，且现有水文预报方法简单结合神经网络模型也存在不确定性和不可重复性。
技术实现要素：
针对现有技术的缺陷，本发明的目的在于现有水文预报方法很难反映河道汇流过程中人类活动对其造成的影响，且现有水文预报方法简单结合神经网络模型也存在不确定性和不可重复性的技术问题。
为实现上述目的，第一方面，本发明实施例提供了一种耦合神经网络和分布式vic模型的水文预报方法，包括：根据当前流域降雨量量、温度、地形、植被覆盖以及土壤品种信息，建立流域内各子流域的vic模型，所述vic模型用于模拟各子流域当前径流序列；分析每个子流域前期实测径流序列与每个子流域当前实测径流序列的相关性，依据赤池信息准则(akaikeinformationcriterion，aic)准则从每个子流域前期实测径流序列中选取与每个子流域当前径流序列的相关性高于相关性阈值的序列集；将为每个子流域当前径流序列选取的序列集作为输入构建三层神经网络模型，对所述vic模型模拟的每个子流域当前径流序列进行校正；将校正后的各子流域的当前径流序列作为输入构建三层神经网络模型，对各子流域的径流序列进行汇流并校正得到流域出流序列；其中，三层神经网络独立运行多次，取区间值作为最终校正结果，三层神经网络用于概化大坝、水库或农业对流域的调蓄作用，提高水文预报精度。
其中，相关性阈值可取经验值，也可根据实际需要选择，例如可取0.9。
本发明引入aic准则与互相关性方法，先使用神经网络模型对子流域的模拟误差进行校正，再输入神经网络汇流模型中，极大的减小了vic模型模拟误差，可以概化大坝、水库或农业对流域的调蓄作用，提高水文预报精度。本发明使用神经网络区间预报均值法，独立运行多次神经网络，取平均值作为最终模拟结果，能够减少不确定性，均化模拟值，提高适用性。
可选地，每个子流域校正后的当前径流序列为：
其中，
可选地，当子流域为三个时，流域出流序列为：
其中，qall(t)表示在t时刻的流域出流序列，
可选地，该方法还包括：使用最速下降法对三层神经网络模型进行训练。
可选地，该方法还包括：根据率定与校验期数据，运用尝试错误法(tryanderror)确定三层神经网络隐含层的节点数。
第二方面，本发明实施例提供了一种耦合神经网络和分布式vic模型的水文预报系统，包括：vic模型建立模块、前期序列集选取模块、径流序列校正模块以及流域出流序列校正模块。
vic模型建立模块，用于根据当前流域降雨量量、温度、地形、植被覆盖以及土壤品种信息，建立流域内各子流域的vic模型，所述vic模型用于模拟各子流域当前径流序列。
前期序列集选取模块，用于分析每个子流域前期实测径流序列、vic模型模拟的每个子流域当前径流序列以及每个子流域当前实测径流序列的互相关性，依据aic准则从每个子流域前期实测径流序列中选取与每个子流域当前径流序列的相关性高于相关性阈值的序列集。
径流序列校正模块，用于将为每个子流域当前径流序列选取的序列集作为输入构建三层神经网络模型，对所述vic模型模拟的每个子流域当前径流序列进行校正。
流域出流序列校正模块，用于将校正后的各子流域的当前径流序列作为输入构建三层神经网络模型，对各子流域的径流序列进行汇流并校正得到流域出流序列。
其中，三层神经网络独立运行多次，取区间值作为最终校正结果，三层神经网络用于概化大坝、水库或农业对流域的调蓄作用，提高水文预报精度。
可选地，径流序列校正模块得到的每个子流域校正后的当前径流序列为：
其中，
可选地，当子流域为三个时，所述流域出流序列校正模块得到的流域出流序列为：
其中，qall(t)表示在t时刻的流域出流序列，
可选地，径流序列校正模块和流域出流序列校正模块使用最速下降法对三层神经网络模型进行训练。
可选地，径流序列校正模块和流域出流序列校正模块根据率定与校验期数据，运用尝试错误法确定三层神经网络隐含层的节点数。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
1、现有vic模型只能适用于不受人类活动影响的理想流域，而本发明通过结合神经网络模型考虑人类活动对出流的影响，可模拟大坝、水库、农业、工业用水对河道的影响。
2、现有适用于子流域的vic模型模拟结果存在一定误差，vic模型直接用于输入神经网络汇流模型，会影响汇流结果。本发明引入aic准则与互相关性方法，先使用神经网络模型对子流域的模拟误差进行校正，再输入神经网络汇流模型中，极大的减小了vic模型模拟误差。
3、现有技术中神经网络在相同的结构下运行的结果存在一定的随机性，结果存在浮动。本发明使用神经网络区间预报均值法，独立运行多次神经网络，取平均值作为最终模拟结果，能够减少不确定性，均化模拟值，提高适用性。
附图说明
图1为本发明实施例提供的一种耦合神经网络和分布式vic模型的水文预报方法流程示意图；
图2为本发明实施例提供的各子流域径流与总流域出流相关性示意图；
图3为本发明实施例提供的一种耦合神经网络和分布式vic模型的架构示意图；
图4为本发明实施例提供的一种耦合神经网络和分布式vic模型的水文预报系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1为本发明实施例提供的一种耦合神经网络和分布式vic模型的水文预报方法流程示意图，如图1所示，包括步骤s101至步骤s104。
s101，根据当前流域降雨量量、温度、地形、植被覆盖以及土壤品种信息，建立流域内各子流域的vic模型，所述vic模型用于模拟各子流域当前径流序列。
s102，分析每个子流域前期实测径流序列、vic模型模拟的每个子流域当前径流序列以及每个子流域当前实测径流序列的互相关性，依据aic准则从每个子流域前期实测径流序列中选取与每个子流域当前径流序列的相关性高于相关性阈值的序列集。
s103，将为每个子流域当前径流序列选取的序列集作为输入构建三层神经网络模型，对所述vic模型模拟的每个子流域当前径流序列进行校正。
s104，将校正后的各子流域的当前径流序列作为输入构建三层神经网络模型，对各子流域的径流序列进行汇流并校正得到流域出流序列；其中，三层神经网络独立运行多次，取区间值作为最终校正结果，三层神经网络用于概化大坝、水库或农业对流域的调蓄作用，提高水文预报精度。
可选地，每个子流域校正后的当前径流序列为：
其中，
可选地，当子流域为三个时，计算子流域序列与总流域序列的相关性，如图2所示为各子流域径流与总流域出流相关性示意图，选取每个子流域输入序列个数分别为r、m和n。
流域出流序列为：
其中，qall(t)表示在t时刻的流域出流序列，
可选地，该方法还包括：使用最速下降法对三层神经网络模型进行训练。
可选地，该方法还包括：根据率定与校验期数据，运用尝试错误法确定三层神经网络隐含层的节点数。
图3本发明实施例提供的一种耦合神经网络和分布式vic模型的架构示意图。
如图3所示，以一个流域包括三个子流域为例，首先分别建立各个子流域的vic模型，详细步骤如下：
在获取流域降雨、温度、地形、植被覆盖、土壤等数据的基础上，从上至下分别建立流域内各子流域的vic模型。该模型通过计算能量平衡、植被蒸腾和土壤蒸发、冠层水量平衡、地表径流、基流以及产汇流过程得到各子流域的出流过程。
vic模型的能力平衡计算主要包括地表温度、感热通量、潜热通量以及地热变化，其中感热通量、潜热通量以及地热变化由地表温度确定，潜热通量是水量平衡和能力平衡的连接因子。地表覆盖的能量由下式计算：
rn＝h+ρwlee+g
rn＝(1-α)rs+ε(rl-σts4)
其中rn是净辐射，h是感热通量，ρw是水密度，le是水的蒸发潜热，ρwlee是潜热通量，e包括植被蒸发、蒸腾以及裸土蒸发，g是地表热通量。α是某类植被覆盖类型的地表反射率，rs是向下的短波辐射，ε是比辐射率，rl是向下的长波辐射，σ是stefan-boltzmann常数。ts是地表温度，ta是大气温度，rh是热通量的空气动力学阻抗。地表热通量g通过对两层土壤的热量估计来计算：cs是土壤热传导能力系数，t1-是d1处在时段末土壤温度，t2是d2深度的恒温度，κ是土壤的热传导系数。
vic模型规定流域按网格划分，在每个计算网格内，地表假定有n+1种类型，第1到第n种地表为植被，第n+1种地表为裸土。对于每个网格内土层间的水分交换、蒸发及产流，是由不同的植被类型决定的，最终是通过每种植被类型的叶面积指数、植被阻抗和植被根系在上下层土壤中的比例来计算的，这些植被参数根据植被的蒸散发潜力以及空气动力学阻抗、地表蒸发阻抗和叶面气孔阻抗等属性分别确定的。
vic模型中的土壤分为三层，第一层表示有很小降雨发生时，立即会有裸土蒸发，第二层土壤产生直接径流，第三层控制基流的发生。对于土壤饱和容量分布不均匀对直接径流的影响，vic模型引进流域饱和容量曲线的思想，且只针对上层土壤。基于大尺度的考虑，忽略不透水面积上的计算。
根据前期各子流域实测流量自相关信息，运用互相关方法结合aic准则，选取各子流域的前期流量值作为输入分别构建三层神经网络模型，对子流域模拟结果进行校正，使用最速下降法对模型进行训练，各子流域神经网络模型独立运行多次，例如100次，取其区间均值作为最终校正结果。分析每个子流域输入变量的自相关性，相关性分析公式如下所示：
其中，r表示相关性系数，n表示序列时序个数，j表示子流域的编号，xi,j表示第j个子流域i时刻序列值，xi+1,j表示第j子流域第i+1时刻序列值，
再使用aic准则，优选出出最优的前期输入变量。aic准则是赤池信息准则，它建立在熵的概念基础上，可以权衡所估计模型的复杂度和此模型拟合数据的优良性。在一般的情况下，aic可以表示为：aic＝2k-2ln(l)，其中：k是参数的数量，l是似然函数。假设条件是模型的误差服从独立正态分布。为使n转为观察数，引入rss(剩余平方和)，那么aic变为：aic＝2k+nln(rss/n)。各子流域根据所选出的输入序列，输入神经网络模型：
其中
研究神经网络校正后的各子流域流量与流域总出流的互相关关系，互相关方法结合aic准则，选取各子流域的前期输入序列作为神经网络汇流模型的输入，率定期与检验期数据同时运用tryanderror方法获取隐含层的节点数，模型独立运行多次，例如100次，取其区间均值作为最终校正结果，该方法概化大坝、水库、农业等对河道的调蓄作用，可提高水文模拟精度。应用互相关方法结合aic准则，选取每个子流域不同前期输入量作为输入，驱动神经网络汇流模型。
其中qall(t)是流域总出流量，
图4为本发明实施例提供的一种耦合神经网络和分布式vic模型的水文预报系统结构示意图，如图4所示，包括：vic模型建立模块、前期序列集选取模块、径流序列校正模块以及流域出流序列校正模块。
vic模型建立模块，用于根据当前流域降雨量量、温度、地形、植被覆盖以及土壤品种信息，建立流域内各子流域的vic模型，所述vic模型用于模拟各子流域当前径流序列。
前期序列集选取模块，用于分析每个子流域前期实测径流序列与每个子流域当前实测径流序列的相关性，依据aic准则从每个子流域前期实测径流序列中选取与每个子流域当前径流序列的相关性高于相关性阈值的序列集。
径流序列校正模块，用于将为每个子流域当前径流序列选取的序列集作为输入构建三层神经网络模型，对所述vic模型模拟的每个子流域当前径流序列进行校正。
流域出流序列校正模块，用于将校正后的各子流域的当前径流序列作为输入构建三层神经网络模型，对各子流域的径流序列进行汇流并校正得到流域出流序列。
其中，三层神经网络独立运行多次，取区间值作为最终校正结果，三层神经网络用于概化大坝、水库或农业对流域的调蓄作用，提高水文预报精度。
可选地，径流序列校正模块得到的每个子流域校正后的当前径流序列为：
其中，
可选地，当子流域为三个时，所述流域出流序列校正模块得到的流域出流序列为：
其中，qall(t)表示在t时刻的流域出流序列，
可选地，径流序列校正模块和流域出流序列校正模块使用最速下降法对三层神经网络模型进行训练。
可选地，径流序列校正模块和流域出流序列校正模块根据率定与校验期数据，运用尝试错误法确定三层神经网络隐含层的节点数。
需要说明的是，图4还可包括更多或者更少的部件，各部件的功能具体可参见前述图1、图2和图3所示的具体实施例，在此不做赘述。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
- 还没有人留言评论。精彩留言会获得点赞！