[发明专利]一种基于SOM-BPNN模型的径流模拟方法及系统

说明书

本发明涉及一种基于SOM‑BPNN模型的径流模拟方法及系统，属径流模拟技术领域，旨在捕捉径流多方面特征，提升径流模拟精度。所述方法包括：多源数据获取与处理；关键影响因子筛选；SOM神经网络聚类模型构建；SOM‑BPNN径流模拟模型构建；径流模拟。该方法首先运用SOM模型对样本数据集进行无监督聚类，依据聚类后的子样本集构建反向传播人工神经网络模型进行径流模拟。本发明将两种人工神经网络模型耦合在一起，聚类后的子样本集有助于反向传播人工神经网络对复杂数据多方面特征学习，能够进一步提升传统机器学习的径流模拟精度，可为流域水资源规划及防洪减灾、综合治理提供有效辅助决策手段和坚实理论依据。

技术领域

本发明涉及一种基于SOM-BPNN模型的径流模拟方法及系统，是一种流域径流模拟计算方法和系统。

背景技术

径流是水循环的关键环节之一，也是水量平衡的基本要素。受全球气候变化和高强度人类活动的影响，径流过程呈现出显著的时空异质性和非平稳性。对流域径流变化的模拟及预测是水文研究领域的重要内容，高精度的径流模拟及预测对防洪抗旱，水资源管理制度制定和水库优化调度等具有十分重要的指导意义。

一直以来，水文模拟及预报领域的学者们主要关注采用参数化方法描述流域降雨径流过程的时空分布、边界条件和物理过程。随着高新技术的不断发现，流域水文气象要素的监测取得了长足进步，获取数据的方式逐渐多样化，如通过遥感技术获取植被类型、土地利用方式和卫星降雨等。众多学者开始应用数据驱动的方式探究流域产汇流问题，进行径流模拟及预测。当前采用数据驱动方式开展径流预测的方法有时间序列模型、人工神经网络模型及支持向量机模型等。人工神经网络是从信息处理的角度构造模仿人脑神经元的智能模型，其作为一种适用于拟合高度非线性系统的算法，被广泛应用于径流模拟及预测中。在基于神经网络进行径流模拟预测时，现有方法多使用单一神经网络方法直接进行径流模拟，忽视了径流的多方面特征(如洪峰流量、季节性、年际等)，影响径流模拟及预测的精度。

发明内容

本发明的目的在于提供一种基于SOM-BPNN模型的径流模拟方法及系统，旨在利用自组织神经网络(SOM)的数据分析技术和反向传播人工神经网络(BPNN)的非线性函数逼近能力，提升径流模拟精度。所述方法采用自组织映射网络(SOM)对输入数据进行聚类，针对每个聚类后的族群构建反向传播人工神经网络(BPNN)进行径流模拟。

本发明的目的是通过以下技术方案实现的：

本发明的技术方案第一方面提供一种基于SOM-BPNN模型的径流模拟方法，该方法包括如下步骤：

步骤1)多源数据获取与处理：收集下载研究区内水文站流量数据、气象站气象因子数据和相关遥感数据；所述气象因子包括降雨、温度、日照时数、相对湿度和风速；所述遥感产品包括蒸散发和土壤湿度数据；对收集的数据进行异常值处理、缺失值插补；

步骤2)关键影响因子筛选：基于随机森林算法从收集到的数据集中筛选出模拟预测变量(径流)的关键影响因子，获取模型输入样本数据集；

步骤3)SOM神经网络聚类模型构建：基于自组织映射网络(SOM)模型构建聚类模型，将步骤2)中获取的研究区样本数据集聚类为可表征不同径流特征的子样本数据集；模型的输入为关键影响因子，模型的输出为影响因子的类别；

步骤4)SOM-BPNN混合神经网络模型构建：基于反向传播神经网络(BPNN)模型对步骤3)中所得多个子样本集进行单独训练，获取每个子样本BPNN模型的层数和神经元个数，构建对应每个子样本的径流模拟模型。混合模型的输入为关键影响因子和类型，输出为径流量；

步骤5)径流模拟：基于步骤4)中构建的模型进行径流模拟，当流域径流模拟精度不满足预设精度时，重复步骤3)和步骤4)重新训练模型，直到模型精度达到预设的精度。

进一步的，步骤2)中基于如下公式对关键影响因子的重要性度量计算，