买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：天津大学

摘要：本发明公开了一种基于LSTM‑SCS缺资料山区洪水过程智能预报方法，依次包括如下步骤：缺资料山区观测站点历史暴雨监测数据资料收集处理与下垫面数据获得、SCS模型的建立与缺资料山区观测站点流域地区洪水过程线补全、LSTM神经网络预测模型输入数据的预处理、LSTM神经网络预测模型建立与预测结果评价；本发明一种基于LSTM‑SCS缺资料山区洪水过程智能预报方法建立的SCS模型缺资料数据插补效果显著、具有预报精度高的特点。

主权项：1.一种基于LSTM-SCS缺资料山区洪水过程智能预报方法，依次包括如下步骤：1.缺资料山区观测站点流域地区历史洪水暴雨数据收集处理与下垫面数据获得①.缺资料山区观测站点流域地区历史洪水暴雨数据收集处理：收集缺资料山区观测站点流域地区至少持续24小时的至少12场次洪水的历史洪水暴雨数据，所述历史洪水暴雨数据包括历史降雨数据、历史洪峰流量与历史峰现时间；所述缺资料山区观测站点流域地区如无降雨实测数据，则采用周边观测站点流域地区降雨实测数据进行插补，得到缺资料山区观测站点流域地区按时间间隔为小时、按时间先后依次排列的至少持续24小时的至少12场次洪水的历史降雨数据；根据所述缺资料山区观测站点流域地区洪痕推算出所述缺资料山区观测站点流域地区所述至少持续24小时的至少12场次洪水的历史洪峰流量；根据记载记录明确所述缺资料山区观测站点流域地区所述至少持续24小时的至少12场次洪水的历史峰现时间；基于ArcGIS对所述缺资料山区观测站点流域地区的DEM数据进行填洼处理和流向分析，并且分析汇流累积量，对河网进行提取和分级，分割流域盆地之后得到流域盆地以及河流水系的计算图层分析数据，根据计算图层分析数据建立栅格河网数据；②、缺资料山区观测站点流域地区下垫面数据获得：根据缺资料山区观测站点流域地区工程设施、地形地貌、水文气象、植被覆盖、河道断面和土壤类型资料，处理得到所述缺资料山区观测站点流域地区的下垫面数据；2.SCS模型的建立与缺资料山区观测站点流域地区洪水过程线补全①.SCS模型的建立：a.根据邻近有资料山区观测站点流域地区的下垫面数据建立邻近有资料山区观测站点流域地区的SCS模型；b.根据邻近有资料山区观测站点流域地区按时间间隔为小时、按时间先后依次排列的至少持续24小时的至少12场次洪水的历史流量数据和历史降雨数据率定调参得到适合的CN值以及单位线；c.将步骤2①b所述CN值和单位线与步骤1②所述缺资料山区观测站点流域地区的下垫面数据结合构建缺资料山区观测站点流域地区的SCS模型；d.根据步骤1①所述缺资料山区观测站点流域地区的历史洪峰流量和历史峰现时间率定步骤2①b所述CN值和单位线；②.缺资料山区观测站点流域地区洪水过程线补全：根据步骤2①所述缺资料山区观测站点流域地区的SCS模型以及步骤1①所述缺资料山区观测站点流域地区的历史降雨数据，将步骤1①所述缺资料山区观测站点流域地区至少持续24小时的至少12场次洪水的历史洪峰流量与历史峰现时间的洪水过程线补全，得到缺资料山区观测站点流域地区按时间间隔为小时、按时间先后依次排列的至少持续24小时的至少12场次洪水的历史流量数据；3.LSTM神经网络预测模型输入数据的预处理步骤1①所述缺资料山区观测站点流域地区历史降雨数据中各场次洪水降雨数据按时间先后依次排列的7个降雨数据P1-P7构成各场次洪水单一降雨数据组，所述各场次洪水单一降雨数据组的P7时刻均具有对应步骤2②所述历史流量数据中各场次洪水流量数据的某一流量数据Q；所述各场次洪水单一降雨数据组的P7时刻所对应所述某一流量数据Q与各场次洪水单一降雨数据组中P1-P7依次排列构成各场次洪水单一降雨流量数据组；至少18个所述各场次洪水单一降雨数据组或各场次洪水单一降雨流量数据组按照所述数据组中P1的时间先后依次排列构成各场次洪水降雨数据组或各场次洪水降雨流量数据组；所述各场次洪水降雨流量数据组中排序的各场次洪水单一降雨数据组构成了各场次洪水时间序列数据集，采用max-min归一化将所述各场次洪水时间序列数据集中每个数据缩放在0，1作为各场次洪水LSTM神经网络预测模型输入数据；4.LSTM神经网络预测模型建立初步拟定LSTM神经网络模型的参数，包括隐含层数、隐含层节点数和epoch迭代次数，在标准LSTM神经网络的基础上添加Dropout神经网络的前向传播计算公式如公式1-4所示；将经过步骤3所述LSTM神经网络预测模型输入数据预处理后的训练集与验证集各场次洪水数量总和的80％作为训练集、20％作为验证集；将所述训练集输入LSTM模型中进行迭代训练，采用验证集对训练结果进行验证，直至预测误差满足预设标准，输出预测误差序列；Ml～Bernoullip1y～l＝rl*xl2 公式1-4中：M为随机掩码矩阵；l表示神经网络的层数索引，第l层表示当前层；对于神经网络，层是按顺序排列的，从输入层通常表示为第0层到输出层；p为保留率；y～l表示第l层经过丢弃操作后的输出；rl表示第l层的丢弃掩码，通常表示为0或1的向量；xl表示第l层的输入；zil+1表示第l+1层第i个神经元的线性组合输入；wil+1为连接第l层与第l+1层第i个神经元的权重向量；bil+1表示第l层第i个神经元的偏置；yil+1表示第l+1层第i个神经元的激活输出；f为门的激活函数；5.预测结果评价将LSTM-SCS神经网络的洪水过程预测结果与BPNN-SCS神经网络的洪水过程预测结果、GRU-SCS神经网络的洪水过程预测结果采用NSE和R两个指标进行对比与分析，所述NSE和R两个指标数值越高说明预测结果精度越高。

全文数据：

权利要求：

百度查询： 天津大学 一种基于LSTM-SCS缺资料山区洪水过程智能预报方法