本發(fā)明涉及降雨產(chǎn)生徑流模擬，尤其涉及一種基于神經(jīng)網(wǎng)絡的流域降雨徑流預報方法及系統(tǒng)。

背景技術：

1、水文模型是用以產(chǎn)生各種計算結果的系統(tǒng)，能夠模擬復雜的水文過程，進而產(chǎn)生流域的模擬徑流過程。為滿足應用需求，模型必須根據(jù)模型內(nèi)部系統(tǒng)的輸入和其結果之間的相關關系得到充分解譯。水文模型按照發(fā)展歷程，可分為經(jīng)驗模型、概念性模型和分布式模型。經(jīng)驗模型因輸入因子較少，較易掌握，其發(fā)展歷史悠久，應用廣泛，但缺乏物理基礎，對水文過程的擬合能力有限。概念性模型從物理、化學、生物學、生態(tài)學、流體力學等多方面考慮水文過程，建立輸入輸出關系，但由于其輸入、輸出關系相對簡單，只能應用于水文過程簡單、規(guī)律性強的流域。針對復雜流域，發(fā)展起來了一系列分布式水文模型。模型將流域進行網(wǎng)格劃分，假定每個網(wǎng)格的流域響應函數(shù)相同，將模擬重點落腳在輸入因子的空間變異分析和預報上。分布式水文模型的模擬精度較高，但受限于復雜的輸入因子。降雨是模型的主要輸入因子，獲取降雨信息的方法主要為氣象局定期發(fā)布衛(wèi)星遙感和雷達獲得的區(qū)域性雨量圖，但這種數(shù)據(jù)因空間分辨率不足，很難用于精確降雨預報，造成流域模擬精度下降。隨著數(shù)據(jù)挖掘技術的發(fā)展，人工智能技術逐漸與水文模型融合，通過大量數(shù)據(jù)集訓練模型，提升模型的預報精度。

2、數(shù)據(jù)挖掘技術應用在水文水資源領域已有較多研究，對水資源調(diào)配、水文預報等領域發(fā)展有一定的指導作用。目前，人工智能與水文模型的結合，多為將人工智能方法應用于傳統(tǒng)模型的參數(shù)率定和輸入因子的選擇中，如人工神經(jīng)網(wǎng)絡(人工神經(jīng)網(wǎng)絡，artificialneural?network,ann)、支持向量機(support?vector?machine,svm)、遺傳算法(geneticalgorithm,ga)等，提高模型的模擬精度。但是，這種結合主要是在傳統(tǒng)的概念性水文模型基礎上進行分析，存在獲取參數(shù)信息有限，不能完全反映空間上動態(tài)變化的問題，造成預測結果不精確。

技術實現(xiàn)思路

1、本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡的流域降雨徑流預報方法、系統(tǒng)、電子設備及存儲介質(zhì)，以實現(xiàn)提高水文模型預測精準度。

2、第一方面，為了解決上述技術問題，本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡的流域降雨徑流預報方法，包括：

3、獲取地形基礎數(shù)據(jù)、實測降雨徑流過程圖和歷史降雨徑流數(shù)據(jù)；

4、將所述歷史降雨徑流數(shù)據(jù)輸入到反向傳播神經(jīng)網(wǎng)絡中，得到降雨徑流模型的初始模型參數(shù)；

5、根據(jù)所述初始模型參數(shù)，通過精度最佳算法，得到最優(yōu)模型參數(shù)；

6、將所述最優(yōu)模型參數(shù)作為降雨徑流模型的預設參數(shù)，得到最優(yōu)降雨徑流模型；

7、根據(jù)所述地形基礎數(shù)據(jù)和所述實測降雨徑流過程圖，利用所述最優(yōu)降雨徑流模型和預設的徑流傳輸模型，計算得到降雨徑流數(shù)據(jù)。

8、在一種可選的實施方式中，所述將所述歷史降雨徑流數(shù)據(jù)輸入到反向傳播神經(jīng)網(wǎng)絡中，得到降雨徑流模型的初始模型參數(shù)，包括：

9、所述歷史降雨徑流數(shù)據(jù)包括歷史雨量計降雨數(shù)據(jù)、歷史出口實測流量；

10、通過參數(shù)敏感性分析，選取降雨徑流模型的參數(shù)，然后隨機設定這些參數(shù)的初始值，作為所述反向傳播神經(jīng)網(wǎng)絡的初始權值和閾值；

11、將所述歷史雨量計降雨數(shù)據(jù)和所述歷史出口實測流量輸入降雨徑流模型進行降雨徑流模擬；

12、根據(jù)模擬結果計算所述反向傳播神經(jīng)網(wǎng)絡的誤差值；

13、所述反向傳播神經(jīng)網(wǎng)絡通過梯度下降法進行權值和閾值訓練，完成參數(shù)優(yōu)化，得到降雨徑流模型的初始模型參數(shù)。

14、在一種可選的實施方式中，所述根據(jù)所述初始模型參數(shù)，通過精度最佳算法，得到最優(yōu)模型參數(shù)，包括：

15、；

16、其中，為徑流相對誤差，為模型計算的第i時刻的徑流量，為實測第i時刻的徑流量，n?為徑流數(shù)據(jù)總量；

17、；

18、其中，為納什爾效率系數(shù)，為第i個時刻的實測徑流量平均值，為模型計算的第i時刻的徑流量，為實測第i時刻的徑流量；

19、將所述徑流相對誤差和所述納什爾效率系數(shù)作為所述精度最佳算法的降雨擬合精度指標；

20、若所述降雨擬合精度指標不滿足預設閾值，則將初始模型參數(shù)輸入到反向預測神經(jīng)網(wǎng)絡中進行迭代，重新輸出最優(yōu)模型參數(shù)。

21、在一種可選的實施方式中，所述將所述最優(yōu)模型參數(shù)作為降雨徑流模型的預設參數(shù)，得到最優(yōu)降雨徑流模型，包括：

22、根據(jù)所述最優(yōu)模型參數(shù)，計算出超立方體間的匯流關系矩陣，并根據(jù)所述匯流關系矩陣確定最優(yōu)降雨徑流模型；

23、其中，所述最優(yōu)降雨徑流模型為一個匯流關系矩陣，若存在n個超立方體,則所述匯流關系矩陣c為一個矩陣,其中表示第j個超立方體對第i個超立方體的水流貢獻比例。

24、在一種可選的實施方式中，所述根據(jù)所述地形基礎數(shù)據(jù)和所述實測降雨徑流過程圖，利用最優(yōu)降雨徑流模型和預設的徑流傳輸模型，計算得到降雨徑流數(shù)據(jù)，包括：

25、根據(jù)所述地形基礎數(shù)據(jù)，將流域劃分為若干個超立方體，計算每個超立方體的地形因子；

26、根據(jù)所述地形因子計算超立方體的蓄水量；

27、根據(jù)所述實測降雨徑流過程圖，將降雨劃分為若干個超立方體，計算每個立方體的入流量；

28、若所述蓄水量小于所述入流量，則根據(jù)所述地形因子和所述入流量計算各超立方體的出流量；

29、；

30、其中，是第j時刻第i個單元的出流量，是第i個單元的流域面積，是第j時刻第i個單元的入流量；

31、將所述出流量輸入到最優(yōu)降雨徑流模型，輸出超立方體流量；

32、將所述超立方體流量輸入到徑流傳輸模型，輸出降雨徑流數(shù)據(jù)；

33、其中，所述徑流傳輸模型用于模擬水流在地域的流動過程，通過線性的槽蓄方程與水量平衡方程聯(lián)解來求得降雨徑流數(shù)據(jù)。

34、在一種可選的實施方式中，在所述根據(jù)所述實測降雨徑流過程圖，將降雨劃分為若干個超立方體，計算每個立方體的入流量之前，所述方法還包括：

35、在每一個超立方體的頂面中心點設置一系列的分布式雨量計；

36、；

37、其中，為產(chǎn)流量，為第i個區(qū)域的雨量計入流量，為第i個區(qū)域的出口截留流量，n為設置的雨量計的數(shù)量。

38、在一種可選的實施方式中，所述地形因子包括坡度、形狀因子、水流路徑長度、水流路徑坡度。

39、第二方面，本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡的流域降雨徑流預報系統(tǒng)，包括：

40、數(shù)據(jù)獲取模塊，用于獲取地形基礎數(shù)據(jù)、實測降雨徑流過程圖和歷史降雨徑流數(shù)據(jù)；

41、初始參數(shù)模塊，用于將所述歷史降雨徑流數(shù)據(jù)輸入到反向傳播神經(jīng)網(wǎng)絡中，得到降雨徑流模型的初始模型參數(shù)；

42、參數(shù)優(yōu)化模塊，用于根據(jù)所述初始模型參數(shù)，通過精度最佳算法，得到最優(yōu)模型參數(shù)；

43、模型優(yōu)化模塊，用于將所述最優(yōu)模型參數(shù)作為降雨徑流模型的預設參數(shù)，得到最優(yōu)降雨徑流模型；

44、結果輸出模塊，用于根據(jù)所述地形基礎數(shù)據(jù)和所述實測降雨徑流過程圖，利用所述最優(yōu)降雨徑流模型和預設的徑流傳輸模型，計算得到降雨徑流數(shù)據(jù)。

45、第三方面，本發(fā)明還提供了一種電子設備，包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執(zhí)行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)上述中任意一項所述的基于神經(jīng)網(wǎng)絡的流域降雨徑流預報方法。

46、第四方面，本發(fā)明還提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)包括存儲的計算機程序，其中，在所述計算機程序運行時控制所述計算機可讀存儲介質(zhì)所在設備執(zhí)行上述中任意一項所述的基于神經(jīng)網(wǎng)絡的流域降雨徑流預報方法。

47、相比于現(xiàn)有技術，本發(fā)明具有如下有益效果：本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡的流域降雨徑流預報方法及系統(tǒng)，所述方法包括獲取地形基礎數(shù)據(jù)、實測降雨徑流過程圖和歷史降雨徑流數(shù)據(jù)；將所述歷史降雨徑流數(shù)據(jù)輸入到反向傳播神經(jīng)網(wǎng)絡中，得到降雨徑流模型的初始模型參數(shù)；根據(jù)所述初始模型參數(shù)，通過精度最佳算法，得到最優(yōu)模型參數(shù)；將所述最優(yōu)模型參數(shù)作為降雨徑流模型的預設參數(shù)，得到最優(yōu)降雨徑流模型；根據(jù)所述地形基礎數(shù)據(jù)和所述實測降雨徑流過程圖，利用所述最優(yōu)降雨徑流模型和預設的徑流傳輸模型，計算得到降雨徑流數(shù)據(jù)。?通過構建基于drive和rapid耦合的降雨-徑流模型，結合超立方體地形因子、參數(shù)及面雨量數(shù)據(jù)，實現(xiàn)了對流域內(nèi)各子區(qū)域流量的精確模擬。該方法能夠有效捕捉降雨事件轉化為地表徑流的過程，并通過匯流關系矩陣準確計算各超立方體之間的水流傳遞，從而提高了洪水預報和水資源管理的精度。