[发明专利]一种基于水文相似性和人工神经网络的新安江模型参数率定方法

权利要求书

1.一种基于水文相似性和人工神经网络的新安江模型参数率定方法，其特征在于，包括：

步骤一、水文相似性分析：得到流域的各个特征向量并构建监督学习数据库；

步骤二、建立参数映射：使用监督学习数据库对混合神经网络-新安江模型即初始人工神经网络进行训练，并最小化损失函数更新新安江模型参数；

步骤三、洪水预报与新安江模型参数率定：将流域的特征向量输入到训练完成的混合神经网络-新安江模型即训练后的人工神经网络中，利用训练后的人工神经网络输出新安江模型参数；接受实时更新的雨量信息作为练后的人工神经网络输入，再次训练后的人工神经网络以减少预报误差，最终实现高精度的洪水预报效果，获得新安江模型参数率定结果；

所述的步骤一的过程包括：

步骤1.1搭建能识别静态流域特征的长短期记忆网络模型，将流域的气象数据、流量数据和静态流域属性数据作为输入，未来第k时刻流域出口断面流量为长短期记忆网络模型的输出，即长短期记忆网络预报的未来第k小时流量，训练该模型直至符合预报精度；

步骤1.2提取长短期记忆网络模型中输入门的权重向量α_i作为流域特征向量，流域特征向量代表输入门的激活程度，进行反映流域的水文特性；并使用K均值聚类算法对该流域特征向量进行聚类分析，从而得到水文相似性较高的流域集合；

步骤1.3将流域特征向量作为监督学习数据库的特征，以t时间段内的流域流量数据作为改动长短期记忆网络模型的输入门，使其能识别静态流域特征，即

i＝σ(W_ix_s+b_i)

式中，i是输入门，但其状态不随时间改变，x_s是静态输入即静态流域特征，包括：平均海拔、植被覆盖率、流域面积。

2.根据权利要求1所述的一种基于水文相似性和人工神经网络的新安江模型参数率定方法，其特征在于，所述的步骤1中监督学习数据库的格式为：

其中，α_i代表第i个流域的特征向量，β_i代表第i个流域的t时间段内的流量数据，即β_i＝{Q₁，Q₂，……，Q_t}。

3.根据权利要求1所述的一种基于水文相似性和人工神经网络的新安江模型参数率定方法，其特征在于：

步骤2中所述的初始人工神经网络包括一层输入层、两层隐藏层、一层输出层、激活函数为可适应新安江模型参数范围的sigmoid函数；

其中，输入层的数据是长短期记忆网络输入门的权重向量α_i，且α_i∈R₂₅₆；输出层的数据是包含新安江模型五个高敏感参数的向量γ＝{x₁，x₂，……，x₅}，此五个参数分别为蒸散发折算系数K、表层土自由蓄水库容量SM、地面径流消退系数CS、壤中流消退系数CI和自由水蓄水库地下水日出流系数KI。

4.根据权利要求1或3所述的一种基于水文相似性和人工神经网络的新安江模型参数率定方法，其特征在于，所述的初始人工神经网络的激活函数由新安江模型参数的取值范围决定，其公式为：

其中，x_i代表输出的第i个新安江模型参数，Max_xi和Min_xi分别对应第i个参数的最大值和最小值，该激活函数可以将初始人工神经网络的输出值控制在新安江模型参数的取值范围内。