[发明专利]一种基于机器学习的适用于径流资料缺乏流域的洪水预报方法

说明书

本发明公开了一种基于机器学习的适用于径流资料缺乏流域的洪水预报方法，包括以下步骤：1）样本流域特征提取与参数化；2）流域洪水响应特性分析；3）生成流域特征样本集合；4）基于流域特征样本集合生成分类树；5）基于树节点生成训练数据集；6）基于分类树与数据驱动模型的洪水预报；7）对分类树及训练集的更新。利用机器学习算法分析流域的洪水响应特性，基于流域特征与洪水响应特性，建立流域间的关联关系，本发明基于流域特征和洪水响应相似性生成样本数据集，进而依据样本数据集训练数据驱动模型，模拟中小河流降雨、洪水响应关系，从而实现中小河流洪水实时预报。本发明所提供的方法可实现将数据驱动模型应用于径流资料缺乏流域的洪水预报中，改变以往参数移植的方式对于模型结构和模型参数的依赖性，从而提高洪水预报的精度。

技术领域

本发明属于水利工程技术领域，尤其涉及防洪预报技术领域，具体为一种基于机器学习的适用于径流资料缺乏流域的洪水预报方法。

背景技术

目前，我国大江大河及其主要支流已经形成以堤防、水库和蓄滞洪区为主的防洪工程体系，防汛预警预报系统等非工程措施也逐步得到加强，基本能防御主要江河常遇洪水。然而对于5万多条中小河流，其分布广、数量多，自然地理、气候条件复杂多样，防洪能力总体落后，特别是近年来极端天气事件增多，中小流域暴雨事件增加，常常造成严重的洪涝灾害。中小河流洪水灾害造成的损失已成为我国洪涝灾害损失的主体。

洪水预报是非工程措施的重要组成部分，能够有效提高流域和区域的防灾减灾能力。但对于资料稀缺的中小河流，传统的经验方法往往不再适用，对于模型方法，由于缺乏用于率定的径流资料，目前广为采取的洪水预报方法是依据相似性和区域化的预报模型参数移植方法，其基本思想是通过相似性分析将有资料流域的径流资料或模型参数移植给缺资料流域。参数移植的方式主要有三种：基于流域物理特征的相似性移植模型参数，基于流域的空间距离移植模型参数，通过建立回归方程移植模型参数。

通过水文模型参数区域化和参数移植的方式进行缺资料流域的洪水预报主要存在以下弊端：1.概念性模型往往是针对特定流域开发而形成(如新安江模型、陕北模型及河北雨洪模型等)，不同流域的水文响应往往受到不同物理特征的主导，因而并不具有普适性，为流域间参数移植造成了障碍；2.由于其结构和参数难以真实的或者完全的反映流域自然物理特征，参数不确定性及异参同效问题导致流域物理特征的相似、水文的相似与模型参数的相似之间并不存在必然性，也为参数的移植带来隐患；3.目前所采取的三类参数移植方式存在主观性强、特征选择片面化、不确定性高、针对性差等问题。

数据驱动模型并不具有显性的模型结构和明确的参数意义，能够根据训练数据集灵活的适配，若训练集具有代表性，即能保证模型的代表性，因而其具有在缺资料流域进行径流预报的潜力。但数据驱动模型往往需要大量的降雨、径流数据对模型进行训练，因而尚未被应用于径流资料缺乏流域的洪水预报中。

发明内容

针对上述问题，本发明的目的在于提出一种基于机器学习的适用于径流资料缺乏流域的洪水预报方法。

本发明的目的是通过以下技术方案实现的：

一种基于机器学习的适用于径流资料缺乏流域的洪水预报方法，包括以下步骤：

1)样本流域特征提取与参数化：根据我国气候分区，选取位于同一分区内的有径流资料流域作为样本流域；收集各样本流域的DEM、土地利用、土壤类型以及植被覆盖数据，对流域特征进行提取并参数化；