[发明专利]基于新安江与深度学习耦合模型的场次洪水预报方法和系统

权利要求书

1.基于新安江与深度学习耦合模型的场次洪水预报方法，其特征在于，包括如下步骤：

S1、采集并预处理预研究区域的地理信息数据和雨水情数据，构建新安江三水源小时尺度水文模型；

S2、基于所述地理信息数据和雨水情数据获得新安江三水源小时尺度水文模型的洪水初始参数，率定和检验新安江三水源小时尺度水文模型，并通过所述新安江三水源小时尺度水文模型筛选出预定数量的场次洪水，获得各场次洪水的输出变量和中间状态变量；

S3、构建与所述新安江三水源小时尺度水文模型适配的深度学习耦合模型，形成新安江与深度学习耦合模型；以各场次洪水的输出变量和中间状态变量作为深度学习模型的输入参数，对场次洪水进行预测，并输出场次洪水的相关参数，获得预报结果；所述深度学习耦合模型为CNN-LSTM耦合模型；

S4、根据预报结果对新安江与深度学习耦合模型进行评价；

还包括基于评价指标判断各个场次洪水预报中，新安江与深度学习耦合模型的预报结果是否优于新安江三水源小时尺度水文模型的预报结果；

若否，分析判断各个研究区块是否发生产汇流关系变化；若判断发生变化，采用插值法生成当前研究区块的水文参数，替换原有水文参数，并重新用新安江三水源小时尺度水文模型和新安江与深度学习耦合模型进行预报，输出预报结果；

所述评价指标包括洪峰相对误差、峰现时间误差、洪量相对误差和纳什效率系数；

若未判断出发生变化，则针对每一场次洪水执行如下过程：

随机选择预研究区域内的一个研究区块，采用插值法生成当前研究区块的水文参数，替换该研究区块原有的水文参数，重新通过新安江三水源小时尺度水文模型和新安江与深度学习耦合模型进行预报，并输出预报结果；

重复上一过程，直至完成所有研究区块的重新预报，获得一组预报结果；

基于评价指标构建综合评价指标值，并按照综合评价指标对预报结果进行降序排列，选择前N个预报结果作为标引项；

查找前N个预报结果对应的各个研究区块，将其标记为参数待定区块，N为正整数。

2.如权利要求1所述的基于新安江与深度学习耦合模型的场次洪水预报方法，其特征在于，所述地理信息数据包括预研究区域下垫面的流向数据、汇流积累数据和河网拓扑数据，以及子流域集水区；

将所述预研究区域划分成若干研究区块，并针对每一研究区块，基于所述流向数据、汇流积累数据和河网拓扑数据构建降水汇流有向图，并基于每一研究区块的降水汇流有向图构建研究区域的整体降水汇流有向图。

3.如权利要求1所述的基于新安江与深度学习耦合模型的场次洪水预报方法，其特征在于，所述雨水情数据包括降雨数据、蒸发数据和径流数据；

所述降雨数据的预处理过程包括：采集预研究区域各站点的日总降水数据，并判断是否存在小时尺度的强降水数据；

若存在，计算强降水总量和总持续时间，并计算强降水量均值，分配至强降水持续时间的各个小时，计算日总降水量与当日强降水总量的差值，得到当日非强降水量，并计算当日非强降水的持续时间，最后计算当日非强降水量的均值，得到非强降水量均值；

若不存在，计算日总降水量的均值，将日总降水量在当日平均分配，得到日降水平均值；

采用反距离权重法将日降水平均值或当日强降水量均值和非强降水量均值按照集水范围进行分配，得到空间降水场；

根据各个水文站的集水范围和空间降水场计算面平均降水；

判断水文站的站点时间是否一致，若不一致，通过插值法补齐日平均降水数据。

4.如权利要求3所述的基于新安江与深度学习耦合模型的场次洪水预报方法，其特征在于，所述蒸发数据的预处理过程如下：判断逐日蒸发数据是否连续，若不连续，按照预定年数的平均值对缺省值进行补齐；

所述径流数据的预处理过程如下：判断径流数据是否连续，若不连续，采用三次样条插值法计算得到间断时段内的逐时净流量。