[发明专利]基于产汇流过程的降雨驱动的深度学习洪水预报方法

说明书

本发明公开了一种基于产汇流过程的降雨驱动的深度学习洪水预报方法，包括：根据各雨量站点控制区域的前期降雨序列，计算对应雨量站点控制区域的净雨量序列；将各雨量站点控制区域的净雨量序列在时间维度上进行分配，计算其对流域出口的径流贡献量；将各雨量站点控制区域对流域出口的径流贡献量乘以控制区域的面积，并加上基流，得到最终的预报径流量。本发明基于产汇流过程，提出了全新的降雨驱动的深度学习产汇流框架，建立了具有物理机理的卷积权重洪水预报模型方法。对模型的有效性进行了验证，结果表明建立的卷积权重模型具有很好的洪水预报性能且其参数具有实际的物理意义，模型确定的产流系数和汇流系数能够很好地反映流域产流和汇流特征。

技术领域

本发明涉及洪水预报技术领域，具体涉及一种基于产汇流过程的降雨驱动的深度学习洪水预报方法。

背景技术

作为最具破坏力的自然灾害之一，洪水灾害长期以来对人类的生存和社会的发展形成严重威胁。根据联合国调查统计，全球经济损失的40％归因于洪水及其次生灾害。在1995-2015年期间，有15.7万人死于洪水灾害，有23亿人次受洪灾影响，占到天气相关自然灾害影响人次的56％。洪水灾害的防治分为工程措施和非工程措施，其中非工程措施中的洪水预报是有效避免人员伤亡和降低洪水灾害损失的重要方法。到目前为止，越来越多的洪水预报模型被研发和应用，包括传统的基于物理机理的方法和数据驱动类方法，其中基于物理的方法由于需要包括气象、地表植被、地形、地下土壤等多方面数据信息，所以较难应用于真实环境，而数据驱动类方法大多只需要降雨和径流数据，所以在真实环境中更容易应用，且预报结果更加准确。现如今以深度学习技术为基础构件的数据驱动洪水预报模型越来越受到重视，且预报效果和能力得到了业内的一致肯定，其中以LSTM和注意力为代表的模型表现最为突出。

但是目前的深度学习洪水预报模型大多是黑箱模型，模型内部物理机制不明且参数不具备物理意义，使得训练好的模型在进行洪水预报时的可靠性和稳定性不足。目前尚没有直接将产汇流机理融入到深度学习模型中用于洪水预报的研究，基于水文物理机理构建深度学习洪水预报模型将是未来的研究趋势。

发明内容

为了解决上述技术问题，本发明将主要探索以前期降雨数据作为输入的深度学习洪水预报模型方法，同时在建模过程中融入产汇流的概念，最终建立基于产汇流过程的降雨驱动的深度学习洪水预报方法。

根据本发明的第一方面，本发明提供了一种基于产汇流过程的降雨驱动的深度学习洪水预报方法，搭建以降雨驱动的深度学习产汇流模型，将当前时刻设为t，以前期降雨序列作为深度学习产汇流模型的输入，预报未来t+1时刻的径流，其中m为降雨输入序列长度，j＝1,…,L表示第j个雨量站点控制区域，L表示雨量站点控制区域总数；

具体包括以下步骤：

S1：根据各雨量站点控制区域的前期降雨序列，计算得到对应雨量站点控制区域的净雨量序列；

S2：将各雨量站点控制区域的净雨量序列在时间维度上进行分配，以计算其对流域出口的径流贡献量；

S3：将各个雨量站点控制区域对流域出口的径流贡献量乘以雨量站点控制区域的面积，然后加上基流，得到最终的预报径流量。

进一步地，步骤S1具体包括：

S1.1：获取第j个雨量站点控制区域的产流系数w_j；

S1.2：获取降雨序列中第j个雨量站点控制区域在t-i+1时段的降雨量i＝1,…,m，j＝1,...,L，m表示降雨序列的长度，L表示雨量站点总数；

S1.3：获取第j个降雨站控制区域的最终净雨量的偏置项b_j；

S1.4：根据产流系数w_j、降雨量和偏置项b_j，计算得到第j个雨量站点控制区域的净雨量