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：水利部交通运输部国家能源局南京水利科学研究院

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：利用深度残差网络模型学习参考区域上参数与输入数据之间的相关关系，设置模型参数值的均方误差作为损失函数，并逐步优化深度残差网络： 式中，I为通过图像采样的气象和下垫面输入矩阵；P,T,H,Rn,PET分别表示每个网格上时间平均的降水、气温、湿度、辐射和潜在蒸散发气象属性；soil,landuse,dem分别表示土壤、植被和高程下垫面属性；image为图像采样方法；ResNet为深度残差网络；为训练好的模型参数矩阵，S为水文模型精度，g2为指标函数；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；深度残差网络模型的输入是训练集每个网格上时间平均的气象属性和下垫面属性，通过窗口在空间上滑动采样，得到训练集上气象和下垫面数据的三维矩阵输入；通过深度残差网络模型的卷积层、池化层和全连接层计算，输出回归后的一维矩阵；在测试集上，应用重建好的深度残差网络模型得到水文模型参数，和测试集上率定得到的参数进行比对，得到比对参数的数值结果，并评估比对参数的合理性；参数合理表明深度残差网络模型有效，如果参数不合理，则需要检查原因并继续优化深度残差网络模型，直至比对参数合理；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