[发明专利]一种基于LSTM-BP时空组合模型的流域污染物通量预测方法

说明书

本发明公开了一种基于LSTM‑BP时空组合模型的流域污染物通量预测方法，包括：S1、以实时监测数据作为驱动因子、前期降雨量及降雨强度作为表征土壤干湿程度的状态因子、不同土地利用下的污染物通量理论值序列作为响应因子、月份特征及水文期特征作为时间因子，对流域产汇污过程进行模拟；S2、使用基于LSTM的时间模拟器自动提取历史数据间的固有特征以及输入特征间的复杂非线性关系；S3、构建基于BP神经网络的空间组合器，自动捕获各个监测站点间的空间位置关系；S4、利用深度学习建立基于LSTM‑BP时空组合模型的流域污染物通量预测模型，实现对流域污染物日通量的精确预测。本发明为长期持续性预测流域污染物通量提供一种新的方法，且建立的模型可靠性高，预测结果精确。

技术领域

本发明涉及流域污染物通量预测技术领域，尤其涉及一种基于LSTM-BP时空组合模型的流域污染物通量预测方法。

背景技术

生态系统中氮磷元素的过量输入是导致流域水体污染及水生态破坏的重要原因。为有效地进行流域水质管理，人们通过各种不同的方法确定流域污染物通量。总体来说，目前各种针对流域污染物通量的预测多是基于物理模型的方法。代表性的方法有：水文模拟(HSPF)模型、土壤和水评估工具(SWAT)模型、农业非点源污染(AGNPS)模型等。这类模型多以逐日的气象数据作为输入条件，并结合流域下垫面信息等，对流域进行过程及其驱动下的面源污染通量模拟。由于要对水体的机理过程进行刻画，所以这类模型通常都较为复杂且对数据及其分辨率敏感，计算单元的大小及下垫面土地利用的精细程度等都在很大程度上影响了模型的计算结果。

与流域水文和污染物迁移转化模型相比，数据驱动模型摒弃了复杂的理论模型，只是基于数理统计的方法进行目标预测，并通过最小化预测数据与真实数据间的误差来自动捕捉输入数据之间的复杂非线性关系。近年来多种数据驱动模型如支持向量机(SVM)、自回归滑动平均(ARMA)、反向传播神经网络(BP NN)、循环神经网络(RNN)、长短时记忆神经网络(LSTM NN)等被广泛应用于水环境系统中。但学者多是将机器学习与深度学习模型应用在对水体浓度或径流量的预测，多使用气象、水质、水文数据，往往忽略了数据序列的时间特性以及流域土壤干湿状态、土壤类型等信息对于径流和污染物通量时间序列的影响。

发明内容

本发明要解决的技术问题在于针对现有技术中流域水文和污染物迁移转化模型在很大程度上受到数据源及其分辨率影响的问题以及现有的研究方法未能有效提取各项数据间的时空特征的缺陷，本发明利用深度学习的高维性、非线性、自适应性以及神经元间的广泛互联性，提供一种基于LSTM-BP时空组合模型的流域污染物通量预测方法。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种基于LSTM-BP时空组合模型的流域污染物通量预测方法，该方法包括以下步骤：

S1、获取各个流域监测站点的实时监测数据和历史监测数据，将实时监测数据和气象数据作为驱动因子，前期降雨量及降雨强度作为表征土壤干湿程度的状态因子，不同土地利用下的污染物通量理论值序列作为响应因子，月份特征及水文期特征作为时间因子，对流域产汇污过程进行模拟；

S2、使用基于LSTM的时间模拟器自动提取历史数据间的固有特征以及输入特征间的复杂非线性关系，将驱动、状态、响应、时间因子以及流域污染物通量的历史值作为LSTM的输入层，隐藏层输出为该流域监测站点在当前时刻的污染物通量模拟预测值；

S3、构建基于BP神经网络的空间组合器，自动捕获各个监测站点间的空间位置关系；

S4、利用深度学习建立与流域水文和污染物迁移转化模型相适应的基于LSTM-BP时空组合模型的流域污染物通量预测模型，实现对流域污染物日通量的精确预测。

进一步地，本发明的该方法中的污染物通量以流域总氮TN通量作为研究对象。

进一步地，本发明的该方法中还包括计算各个流域监测站点TN通量之间的空间相关性的方法：