申请/专利权人：水利部交通运输部国家能源局南京水利科学研究院

申请日：2023-12-26

公开（公告）日：2024-03-26

公开（公告）号：CN117763970A

主分类号：G06F30/27

分类号：G06F30/27;G06F18/214;G06N3/0464;G06N3/08;G06Q50/06

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.12#实质审查的生效;2024.03.26#公开

摘要：本发明公开了基于图像深度学习的稀缺资料地区水文模型参数重建方法，包括利用历史阶段的气象和下垫面数据，率定水文模型参数，水文模型精度合格的为参考区域；将参考区域按比例分为训练集和测试集，利用深度残差网络模型学习参考区域的参数与气象、和下垫面数据的相关关系，采用临近或相似的网格上的气象和下垫面数据，输入训练好的深度残差网络，计算资料缺乏地区或水文模型精度不合格区域上的模型参数。本方法采用基于深度学习的技术重构水文模型参数，不仅可弥补传统方法依赖水文资料，应用范围局限，难以在大流域推广的局限和不足，而且可以更深入挖掘模型参数与流域属性之间的关系，从而从大尺度的数据中重构资料缺乏地区的水文模型参数。

主权项：1.基于图像深度学习的稀缺资料地区水文模型参数重建方法，其特征在于：包括以下步骤：步骤1资料收集：收集研究流域内的水文气象资料、网格径流深数据以及下垫面数据；将水文气象监测站点的水文气象数据插值到网格中；步骤2参数率定：建立分布式水文模型，输入历史阶段的气象资料和下垫面数据，对水文模型参数进行率定；取前1年作为模型预热期，剩余时间长度的23作为率定期来率定水文模型的参数，剩余时间长度的13作为检验期来验证模型效果；在检验期有水文气象资料的流域上，检验水文模型模拟径流的适用性，将率定过的水文模型参数代入水文模型中，输出径流，计算模拟径流的精度误差；网格上径流深模拟精度NSE≥0.60的认为合格，作为参考区域；步骤3深度学习：将参考区域在空间区域上按7:3的比例分为训练集和测试集，训练集用于训练深度残差网络模型，测试集用于验证参数重建效果；步骤4缺失重建：在资料缺乏地区或水文模型精度不合格区域上，采用临近或相似网格上的气象和下垫面数据，输入训练好的深度残差网络，计算稀缺资料地区或水文模型精度不合格区域上分布式水文模型的参数。

全文数据：

权利要求：

百度查询： 水利部交通运输部国家能源局南京水利科学研究院 基于图像深度学习的稀缺资料地区水文模型参数重建方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD