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！

摘要：本发明属于水文学、图像增强等交叉技术领域，提供了一种基于融合模型的地下水储量偏差降尺度方法，所述方法包括：利用双线性内插法将与地下水储量相关的各驱动变量由高分辨率重采样至低分辨率；采用融合模型构建驱动变量与目标变量的统计关系模型；采用统计关系模型所得陆地水储量偏差和残差，获得高分辨率的陆地水储量偏差；从高分辨率的陆地水储量偏差中减去地表水储量偏差，得到地下水储量偏差。本发明通过构建多种单一类型的机器学习模型和深度学习模型的融合模型，显著提高了传统单一类型模型对地下水储量偏差的降尺度精度，为区域或流域尺度地下水资源规划利用提供一定的参考。

主权项：1.一种基于融合模型的地下水储量偏差降尺度方法，其特征在于，所述方法的步骤为：步骤1，驱动变量重采样：利用双线性内插法将与地下水储量相关的各驱动变量，由0.25°×0.25°的分辨率重采样至0.5°×0.5°，获得驱动变量的数据集；所述驱动变量包括降水、地表温度、地表径流、地下径流、实际蒸散发和土壤湿度；步骤2，构建驱动变量与目标变量的统计关系模型：采用融合模型构建经所述步骤1处理后的驱动变量，与目标变量的统计关系模型，其中，所述目标变量为采用点质量法获得的GRACE陆地水储量偏差数据；所述融合模型的构建包括：S21，通过3折交叉验证法，采用22种机器学习模型和16种深度学习模型在步骤1获得的驱动变量的数据集上分别进行训练；所述机器学习模型采用Python中的PyCaret包进行构建，并利用tune_model函数得到各模型的最优超参数；所述深度学习模型采用Python中的tsai包进行构建，并利用hyperop包进行超参数寻优；所述22种机器学习模型为：极端梯度增强模型、轻型梯度增强模型、Cat增强回归器、Ada增强回归器、支持向量机、泰尔森回归器、决策树模型、科内尔桥模型、梯度增强回归模型、贝叶斯桥模型、正交匹配追踪模型、自动回归决策模型、套索回归模型、胡珀回归器、被动入侵回归器、K邻域回归器、额外树回归器、套索最小角度回归器、桥回归器、随机抽样一致性模型、最小角度回归器，和线性回归器；16种深度学习模型为：残差神经网络、残差卷积神经网络、门限递归单位—全卷积网络、时间序列转换器、多层感知器、全尺度一维卷积神经网络、极端起始时间序列网络、起始时间序列网络、递归神经—全卷积网络、时间卷积网络、可释卷积神经网络、长短期记忆—完全卷积网络、门控循环单元神经网络、循环神经网络、长短期记忆神经网络，和全卷积网络；S22，采用Nash效率系数NS、Pearson相关系数CC、一致性指数IG和Kling–Gupta效率系数KG对S21中各模型的精度进行评估，表达式分别为： 式中，oi和si分别为第i个观测值和第i个模拟值；σs和σo分别为模拟值和观测值的标准差；μs和μo分别为模拟值和观测值的均值；和分别为观测序列和模拟序列的均值；以上述四个指标之和排名前五的单一类型模型的输出，以及22+16个模型中与原始值偏差绝对值最小的输出结果构成新的数组；S23，分别利用线性融合模型和非线性融合模型，对S22处理得到所述新的数组进行训练，并采用NS、CC、IG和KG之和最大的融合模型作为所述统计关系模型；选用超级集合平均模型作为线性融合模型，表达式为： 式中，SMMSEt为t时段MMSE模型模拟值；是t时段多模型模拟值的平均值；wj为各模型权重值；Fj,t和分别为t时段第j个模型的预测值和预测均值；z为模型数量；选用随机森林模型作为非线性融合模型；步骤3，获得高分辨率的陆地水储量偏差：利用所述步骤2构建的统计关系模型模拟出0.5°×0.5°分辨率的陆地水储量偏差，与上述目标变量相减，得到0.5°×0.5°分辨率的残差，并利用最邻近插值法将残差分辨率重采样至0.25°×0.25°；进而与所述步骤2中构建的统计关系模型模拟出0.25°×0.25°分辨率的陆地水储量偏差相加，得到降尺度后的陆地水储量偏差；步骤4，降尺度结果的合理性验证：从步骤3获得降尺度后的陆地水储量偏差中，减去地表水储量偏差，得到0.25°×0.25°的地下水储量偏差，进而通过对研究区域的实测地下水位进行相关性分析，验证降尺度结果的合理性；所述地表水储量偏差包括冠层水储量偏差、雪水当量偏差和土壤水储量偏差。

全文数据：

权利要求：

百度查询： 中国水利水电科学研究院 一种基于融合模型的地下水储量偏差降尺度方法