(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211047557.1 (22)申请日 2022.08.30 (65)同一申请的已公布的文献号 申请公布号 CN 115115148 A (43)申请公布日 2022.09.27 (73)专利权人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 街道八一路2 99号 (72)发明人 陈杰　徐文馨　尹家波　熊立华　 陈华　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 俞琳娟 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01D 21/02(2006.01)G01W 1/10(2006.01) (56)对比文件 US 2016247075 A1,2016.08.25 CN 108304668 A,2018.07.20 US 2022061236 A1,202 2.03.03 CN 112801342 A,2021.0 5.14 CN 110909943 A,2020.0 3.24 林康聆， 陈华 等.耦合Encoder-Decoder的 LSTM径流预报模型研究. 《武汉大 学学报 （工学 版） 》 .202 2,全文. Wenxin Xu, Jie C hen等.Scale Ef fects of the Mo nthly Streamfl ow Predicti on Using a State-of-the-art De ep Learn ing Model. 《Water Resources Mana gement volume》 .2021,全 文. 梁浩等.基于多种混合模型的径流预测研 究. 《水利学报》 .2020,(第01期),全 文. 审查员 田静 (54)发明名称 基于过程-数据 协同驱动的长期径 流预报方 法及系统 (57)摘要 本发明提供基于过程 ‑数据协同驱动的长期 径流预报方法及系统， 长期径流预报方法包括： 步骤1， 采集数据； 步骤2， 构建VIC模型； 步骤3， 进 行插值、 偏差校正、 离散获得日数据； 步骤4， 采用 气候模式预报数据驱动VIC模型； 步骤5， 以率定 期时段内出口水文站点的实测月径流值作为因 变量， 以流域内所有网格在不同预见期的产流输 出聚合成月数据后作为自变量， 选取产流输出为 日尺度的第三层土壤含水量， 筛选出产流输出对 应的网格作为典型网格， 构成改进的VIC模型； 步 骤6， 驱动改进的VIC模型， 计算全时段网格产流； 步骤7， 形成待选 预报因子集； 步骤8， 筛选所得的 预报因子训练深度学习模型， 得到复合模型， 进 行长期径流预报。 权利要求书4页 说明书13页 附图5页 CN 115115148 B 2022.12.30 CN 115115148 B 1.基于过程 ‑数据协同驱动的长期径流预报方法， 其特 征在于， 包括以下步骤： 步骤1， 采集径流数据、 气象数据、 气候系统指数、 气候模式预报数据、 流域高程数据、 土 壤数据和植被数据； 步骤2， 构建目标流 域日尺度的VIC分布式水文模型， 并进行模型参数的率定与验证； 步骤3， 将气候模式预报数据空间插值至与VIC分布式水文模型相匹配的网格尺度后， 先使用线性缩放方法对其进行偏差校正， 然后采用基于 k‑邻近算法的模型将气候模式预报 的月尺度气象数据离 散成日数据； 步骤4， 采用经过空间插值与离散后的气候模式预报数据驱动VIC分布式水文模型， 进 行率定期时段内网格产流计算； 步骤5， 以率定期时段内出口水文站点的实测月径流值作为因变量， 以流域内所有网格 在不同预见期的产流输出聚合成月数据后作为自变量， 选取产流输出为日尺度的第三层土 壤含水量， 采用LASSO回归模 型进行特征变量筛选， 将 筛选出的产流输出对应的网格作为 典 型网格， 构成改进的VIC模型； 步骤5包括如下子步骤： 步骤5.1， 提取率定期时段内出口水文站点的实测日径流值和流域内所有网格在不同 预见期的产流输出； 将径流和产流输出均聚合成月数据后进 行归一化处理以消除变量之间 的量纲影响； 步骤5.2， 以月径流值作 为因变量， 网格的产 流输出作 为自变量， 采用LASS O回归模型进 行特征变量筛选， 其设置最小二乘形式的目标函数为： ； 式中，x和y分别对应自变量和因变量， m对应因变量序列长度， n对应目标流域的网格数量， β0为常数项， β为各变量系数， λ为惩罚参数； 将筛选出的产流输出对应的网格作为典型网 格； 步骤6， 以离散后的气候模式预报数据驱动改进的VIC模型， 进行全时段的网格产流计 算； 步骤7， 将改进的VIC模型的日尺度网格产流计算结果重新聚合为月尺度 数据并与历史 径流、 气候模式预报数据、 气象数据和气候系统指数组合， 形成数据驱动模型待选预报因子 集； 其中， 历史径流、 气象数据和气候系统指数对预报月径流的影响需考虑不同的滞后时 间； 步骤8， 对待选预报因子集和月径流数据分别进行归一化处理后， 采用机器学习模型对 预报因子进 行筛选； 然后以筛选所得的预报因子训练深度学习模型， 进而得到基于过程 ‑数 据协同驱动复合模型， 采用该复合模型进行长期径流预报。 2.根据权利要求1所述的基于过程 ‑数据协同驱动的长期径流预报方法， 其特 征在于： 其中， 步骤2包括如下子步骤： 步骤2.1， 对目标流 域进行网格划分， 并制备网格中心经纬度坐标文件； 步骤2.2， 制备每个网格中流域覆盖的面积比例文件、 区域流向文件、 土壤数据文件和 土地利用输入文件； 步骤2.3， 将流 域日尺度气象观测数据插值至网格尺度， 得到气象强迫输入文件； 步骤2.4， 通过默认的初始参数试运行VIC分布式水文模型后， 以纳什效率系数和径流 总量相对误差为目标函数， 对流 域产汇流 参数进行率定 。权　利　要　求　书 1/4 页 2 CN 115115148 B 23.根据权利要求1所述的基于过程 ‑数据协同驱动的长期径流预报方法， 其特 征在于： 其中， 步骤3包括如下子步骤： 步骤3.1， 将观测数据与气候模式预报数据插值至与VIC分布式水文模型相匹配的网格 尺度； 步骤3.2， 将多年各月气候模式预报气象数据的均值与观测气象数据均值之间的比例 作为校正因子， 对气候模式预报的降水、 最高和最低气温数据分别进 行偏差校正； 若要校正 某年第r个月份， 预见期为 s个月的降水， 公式为： ； 若 要 校 正 某 年 第 r个 月份 ， 预 见 期 为 s个 月的 最 高 和 最 低 气 温 ， 公 式 为 ： ； 式中， 校正后的预报数据， 代表 待校正的原 始预报数据， 代表观测数据均值， 代表预报数据均值； 步骤3.3， 通过 Gram‑Schmidt正交化方法将历史时期观测气象数据 X转化为正交矩阵 Y； 公式为Y=RX； 式中，R为旋转矩阵； 步骤3.4， 计算待离散的预报月气象数据与历史时期实测月气象数据之间的欧式距离， 然后挑选K个距离最小的月数据并赋 予权重， 公式为 ； 式中，k=1,2,..., K； 步骤3.5， 使用这些权 重作为概率度量， 构造 离散后的预报数据的一维矩阵 y*； 步骤3.6， 将矩阵 y*转换回初始空间， 得到日尺度的气候模式预报数据 x*， 公式为x*= RTy*； 式中，RT为R的转置矩阵。 4.根据权利要求1所述的基于过程 ‑数据协同驱动的长期径流预报方法， 其特 征在于： 其中， 步骤8包括如下子步骤： 步骤8.1， 将2层受限玻尔兹曼机和1层反向传播神经网络堆叠成深度置信网络模型； 步骤8.2， 对构建的深度置信网络模型进行训练， 分为无监督的预训练和有监督的微调 2步。 5.根据权利要求 4所述的基于过程 ‑数据协同驱动的长期径流预报方法， 其特 征在于： 其中， 在步骤8.1中， 受限玻尔兹曼机由可见层 v和隐藏层 h组成， 在受限玻尔兹曼机网 络中层内无连接， 层间全连接； 对于一组给定的状态( v,h)， 其可见单元和隐藏单元的联合 配置能量函数公式为： ； 式 中，θ代表受限玻尔兹曼机的参数{ w,b,c}，wpq是第p个可见单元和第 q个隐藏单元之间的连 接权重，b([b1,...,bV])和c([c1,...,cH])分别是第 p个可见单元和第 q个隐藏单元的偏置 向量，V和H分别代表可见层和隐藏层的神经 元节点数。 6.根据权利要求 4所述的基于过程 ‑数据协同驱动的长期径流预报方法， 其特 征在于： 其中， 在步骤8.2中， 预训练过程为通过受限玻尔兹曼机的贪婪逐层对比散度算法自下 而上训练， 当第一个受 限玻尔兹曼机训练完后， 下一个受 限玻尔兹曼机的输入就是当前受权　利　要　求　书 2/4 页 3 CN 115115148 B 3