基于AE-RCNN的洪水分级智能预报方法研究.pdf
《基于AE-RCNN的洪水分级智能预报方法研究.pdf》由会员分享,可在线阅读,更多相关《基于AE-RCNN的洪水分级智能预报方法研究.pdf(10页珍藏版)》请在咨信网上搜索。
1、 年 月水利学报 第 卷第 期文章编号:()收稿日期:;网络首发日期:网络首发地址:?基金项目:国家重点研发计划项目();水利部重大科技项目();科技部重点领域创新团队();国家自然基金委创新团队()作者简介:苑希民(),教授,主要从事防洪减灾与智慧水利研究。:通信作者:田福昌(),副研究员,主要从事防洪减灾与智慧水利研究。:基于 的洪水分级智能预报方法研究苑希民,李达,田福昌,何立新,王秀杰,郭立兵(天津大学 水利工程仿真与安全国家重点实验室,天津 ;天津大学 建筑工程学院,天津 ;河北工程大学 水利水电学院,河北 邯郸 ;宁夏回族自治区水旱灾害防御中心,宁夏 银川 )摘要:复杂产汇流特性地
2、区使用洪水分级预报方法可提高预报精度,本文提出一种基于自编码器(,)和残差卷积神经网络(,)的洪水分级智能预报方法,使用自编码器和 均值聚类算法实现对原始水文数据的特征提取和洪水分级,通过 模型提升卷积神经网络的有效训练深度,以山东省小清河流域黄台桥水文站为例开展洪水分级智能预报研究。结果表明应用降维数据聚类的 模型 指标、指标、指标分别为 、,优于 模型、模型和降雨聚类 模型。该方法能够有效提取水文数据特征、提高洪水预报精度。关键词:洪水分级智能预报;数据驱动模型;自编码器;残差卷积神经网络中图分类号:文献标识码:?研究背景在气候变化背景下,过去几十年来全球极端降水强度和频率显著上升,引发的
3、洪涝灾害造成每年 亿美元以上的经济损失,给人类社会带来了严重危害 。洪水预报作为应对洪涝灾害的重要非工程措施之一,对水库调度、防洪预警、城市规划等具有重要指导作用。当前应用广泛的洪水预报模型主要包括概念性水文模型和数据驱动模型。概念性水文模型使用物理和经验参数来概括径流的形成过程,常用的概念性水文模型包括集总式的 模型、新安江模型和分布式的 模型、模型等 。概念性水文模型应用广泛,在很多流域取得了较好的模拟效果,但其内部不同意义的水文参数相互作用复杂,导致其有很强的不确定性,往往需要大量流域自然地理数据,或借助敏感性分析和优化算法辅助确定参数 。数据驱动的洪水预报模型通过挖掘历史数据中驱动因子
4、与目标值之间的关系来预测径流 ,其内部的大量参数通过误差反向传播的方式自动更新,极大减小了率定难度,近年来取得了长足发展。熊怡等 提出一种基于自适应变分模态分解和长短期记忆网络的分解 预测 集成月径流预测混合模型,提升了金沙江上游石鼓水文站月径流预报精度。刘媛媛等 将数值模型与 神经网络相结合,提出了一种快速预测城市内涝风险的新方法。等 将 模型与 方法相结合,提出一种应用于数据稀缺干旱山区的洪水预报智能模型。等 应用 神经网络,结合 地理特征和历史径流过程对洪水过程进行预测,在洪峰和到达时间方面表现出了更好的准确性。数据驱动模型的效果主要受训练数据和模型结构影响,当输入数据与目标数据相关性不
5、显著时可能会出现模型难以收敛的情况,而模型复杂度较高时则可能出现梯度消失的问题。当研究区域的产汇流特性较为复杂时,洪水预报模型使用一套参数往往难以实现对洪水过程的准确模拟,此时可对降雨径流数据进行分级处理,数据特征相近的洪水共用一套模型参数以提高洪水预报的准确性 。李志超等 利用径向基函数神经网络和降雨方差对洪水进行分级预报,提高了模型在四川省寿溪流域和陕西省青阳岔流域洪水预报的准确性。等 根据降水的时空分布、降水强度的时间方差和其他水文因子,对历史洪水进行 均值聚类,并采用粗糙集提取实时洪水预报的识别规则,提高了洪水预报准确性。郑彦辰等 将降雨时空分布特征作为洪水分类依据,聚类得到的不同洪水
6、类型特征显著。以上研究使用不同聚类算法进行了洪水分级,但面对复杂的降雨流量序列,原始数据包含大量冗余信息,直接进行聚类计算量过大,通常是选取特定的数据特征进行聚类。其中数据特征的选择往往依赖于研究人员的自身经验,选定数据特征对原始数据的描述效果亦难以评定,可能丢失大量有效信息。因此,本文提出一种结合自编码器(,)与残差卷积神经网络()的洪水分级智能预报方法,使用自编码器实现原始降雨径流数据的自动降维,再将降维后的数据通过 均值聚类算法进行洪水分级,最后利用残差卷积神经网络进行洪水预报。将 模型应用于小清河流域上游黄台桥水文站的洪水预报,并与使用未分级数据训练的 、模型,以及应用降雨数据进行分级
7、训练的 模型进行对比,验证了 模型的聚类和预报效果。研究区域概况图 研究区域示意图黄台桥水文站位于济南市历城区华山镇前进桥,控制流域面积 ,是泰沂山北漏水区区域代表站,还是济南市重要防洪除涝河道小清河干流上的省级重点水文站(如图 ),属于华北暖温带半湿润季风型大陆性气候,年内四季分明,温差变化大;夏季炎热,气温较高,暖空气活动较频繁,雨量较多。年 月 日,济南市发生强降雨,降雨集中、汇流迅速,最大点雨量高达 ,平均降雨 ,导致径流峰高量大,黄台桥水文站超警戒水位 ,最终济南市直接经济损失达 亿元。针对黄台桥水文站展开洪水预报研究对于小清河干流与济南市城区防洪排涝具有重要意义。本次研究收集了流域
8、内 年间部分年份的降雨数据与黄台桥水文站流量数据。通过对降雨数据进行反距离权重插值得到黄台桥汇水区形心降雨量,与黄台桥水文站流量数据结合得到 场洪水的逐时降雨径流数据。研究方法图 自编码器结构示意图 数据降维模型自编码器()是一种自监督学习的神经网络架构(如图 ),通过将原始数据输入一个编码器网络编码成一个固定维度的隐藏变量,然后使用一个解码器网络对这个隐藏变量进行解码,从而得到输出数据。自编码器的目标是使得输出数据与原始数据之间的误差最小化,可以用于多种任务,例如数据去噪、降维、生成式模型等 。编码器网络在将原始数据映射到低维隐藏向量后,可以通过解码器网络得到与原始数据相似的输出,这表示隐藏
9、向量中保留了原始数据的基本特征,因此将降维后的隐藏向量应用于聚类算法能够在大幅降低计算复杂度的同时实现对原始数据的聚类,这也避免了传统聚类算法人为选择数据特征带来的不确定性。洪水分级模型均值聚类算法是一种广泛应用的无监督学习算法,可以将集中的数据分成 个不同的簇(类别),具有简单易懂、计算效率高的特点 。该算法的核心思想是通过计算数据点之间的距离来将它们划分为 个簇,使得同一簇内的数据点彼此相似度较高,而不同簇之间的数据点差异较大。具体来说,均值聚类算法首先随机初始化 个聚类中心,然后将每个数据点分配到与其最近的聚类中心所在的簇,接着更新每个簇的聚类中心,直到达到收敛条件为止。洪水预报模型卷积
10、神经网络(,)是一种广泛应用于图像识别和语言处理的前馈神经网络,其内部的卷积运算可以提取输入数据的局部特征,根据输入数据的维度不同可分为 、等。水文预报的时序数据可近似理解为自然语言处理中的一个句子,仅包含沿时间的一个维度,因此采用 进行预报。一维卷积的计算过程如图 所示,通过卷积核在输入数据上的移动提取局部信息,用于填补数据两侧的空缺,为卷积核移动的步长,具体计算公式如下 :()()式中:为第 层第 个节点的输出;为节点数 的范围;为卷积核,表示卷积运算;为偏置项;为激活函数。在卷积神经网络中,随着模型隐藏层和通道数量增加,可产生大量模型参数学习到更多信息特征,但这样也容易造成梯度消失等问题
11、。残差网络()是一种针对梯度消失问题的特殊网络结构,能够极大提高模型的有效训练深度。传统神经网络的信息通过层层递进的方式向前传播,而残差网络通过跳层连接实现了信息从低层到高层的直接传播,以此达到缓解梯度消失的目的 。如图所示,残差网络将上层输入的 跳层与卷积运算后得到的 ()进行相加作为输出 (),当 ()时,(),形成恒定映射,以保留上层输入特征,避免梯度消失问题。图 一维卷积示意图 传统网络与残差网络对比图 洪水分级智能预报方法综合上述理论方法,本文提出的 洪水分级智能预报方法训练流程如图 所示,其主要训练步骤包括:将原始的降雨流量数据分别归一化至 ,区间内,输入到 数据降维模型中进行数据
12、重构,以重构数据的误差作为损失函数进行网络训练,待训练完成得到原始数据在 数据降维模型中的隐藏向量;对步骤 中得到的隐藏向量进行 均值聚类,根据聚类结果对原始数据进行分类,并将隐藏向量的聚类中心输入 数据降维模型的解码器得到原始数据的聚类中心,作为后续实际应用时进行洪水分级的依据;按照步骤 中的洪水分级结果分别进行 洪水预报模型的训练,保存生成的 类模型参数。在应用训练好的模型进行洪水预报时,需要将数据分别输入 类 洪水预报模型中得到 类预报结果,再将预报结果和各自聚类中心按洪峰时刻对齐,计算二者交集的欧氏距离作为参考,以参考距离最近的预报结果作为最优预报结果,参考距离的具体计算公式如下:图
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 AE RCNN 洪水 分级 智能 预报 方法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。