CN119204355B 基于物理过程和可解释深度学习双驱动的水文预报方法 （河海大学）

号基于物理过程和可解释深度学习双驱动的本发明公开了基于物理过程和可解释深度法优化混合模型的参数，不仅能够提高预测精2基于物理模型构建流域水文模型，分析流域特征并选择适配的构建深度学习模型，以流域水文模型的预报残差为训练目基于流域水文模型的初始预报结果和实测数据，构建多维多步长将深度学习后处理模型预测的预报残差与流域水文模型的原始预报结果进行多预见通过双驱动校正模型生成实时水文预报结果，并在不同预见基于校正预报结果，利用沙普利加性解释方法，对深度学习后处双驱动校正模型在t时刻和预见期m内的径流预报结果表达如式中，是通过深度学习后处理模型得到的t+m时刻的预报残差，是通过降雨径流模型得到的t+m时刻的预报流量，和分别代表深度学习后处理模型和降雨径流模型的计2.根据权利要求1所述的基于物理过程和可解释深度学习双驱动的水文预报方法，其;t-s时刻至t时刻和t时刻至时刻的实测值，表示tt时刻至时刻的预报值。3.根据权利要求1所述的基于物理过程和可解释深度学习双驱动的水文预报方法，其34.根据权利要求3所述的基于物理过程和可解释深度学习双驱动的水文预报方法，其;表示t-82时刻至t时刻和t时刻至时刻的水文要素值。5.根据权利要求4所述的基于物理过程和可解释深度学习双驱动的水文预报方法，其基于混沌映射方法生成初始种群，其中混沌映射参数通过分析模6.根据权利要求1所述的基于物理过程和可解释深度学习双驱动的水文预报方法，其结合观测数据，基于贝叶斯推断方法迭代更新后验分布7.根据权利要求1所述的基于物理过程和可解释深度学习双驱动的水文预报方法，其结合流域水文模型的产流机制和误差来源，解释输入变量8.根据权利要求1_7任一项所述的基于物理过程和可解释深度学习双驱动的水文预报45[0012]将深度学习后处理模型预测的预报残差与流域水文模型的原始预报结果进行多表示t-s时刻至t时刻和t时刻至t+m时刻的实测值，表示t-s时刻至t时刻和t时刻至t+m时刻的预报值。[0021]双驱动校正模型在t时刻和预见期m内的径流预报结果表达[0023]式中，i((+m)是通过深度学习后处理模型得到的t+m时刻的预报残差，是通过降雨径流模型得到的t+m时刻的预报流量，和分别代表深度学习后处理模型和降雨径流模型的计算过程，R(0)为t时刻降雨径流模型的预报差异，P(rm)为t+m时刻降雨径流模型计算所需要的水模型在t+m时刻的初始计算条件。6[0032]式中，表示t时刻预见期为m，前滞后期为s2的水文要素矩阵值，表示t-s2时刻至t时刻和t时刻至t+m时刻的水文要素值。[0042]基于沙普利加性解释方法计算预报残差矩阵和水文要素矩阵对模型输出的沙普[0046]本发明基于物理过程和可解释深度学习双驱动的水文预报方法的技术效果和优7[0054]本发明将传统水文模型与新兴的可解释深度学习相结合[0055]实施例，本发明提供一种基于物理过程和可解释深度学习双驱动的水文预报方8[0063]S8：采用由7个定量评价指标构成的指标体系分别对确定性预报结果和概率预报[0066]S12：依据地面径流、壤中流和地下径流的退水特性以及水文数据之间的相互关9时序t的实测值，Qa.()为降雨径流模型在第n场洪水和时序t的预报值。对于多维参数析模型参数之间的关系影响，确定参数变化系数作为混沌映射参数；研究案例中，采用(-s,ttm)表示t-s时刻至t时刻和t时刻至t+m时刻的实测值，表示t-s时刻至t时刻和t时刻至t+m时刻的预报值。多维多步长预报残差矩阵表征实际水文过程和模拟水[0092]式中，表示t时刻预见期为m，前滞后期为s2的水文要素矩阵值，Huro(1-s2,+m)表示t-s2时刻至t时刻和t时刻至t+m时刻的水文要素值。多维多步长[0103]S43：将水文要素矩阵和预报残差矩阵分别输入至构建的深度学习预测模型和深度学习后处理模型中，通过头部特定改进极光优化算法持续迭代更新种群中个体的位置（详细步骤同S2即更新深度学习模型对流域产汇流过程或模型预测差异变化规律的不同模型在t时刻和预见期m内的径流预报结果表达如[0109]式中，i((+m)是通过深度学习后处理模型得到的t+m时刻的预报残差，是通过降雨径流模型得到的t+m时刻的预报流量，和分别代表深度学习后处理模型和降雨径流模型的计算过程，R()为t时刻降雨径流模型的预报型在t+m时刻的初始计算条件。[0111]S61：将由降雨径流模型和双驱动校正模型输出的径流预报结果矩阵根据预见期数o'的初始值，再进一步建立概率预报模型；研究案例中假定初始先验分布为半柯西分,式中为在给定水文要素样本信息DS后参数no'的后验概率密度，为在给定参数no'下水文要素样本信息DS的流程如图3所示，对具有不同参数的正态分布进行后验概率分布抽样分析，计算表达式如致并与S31预报残差矩阵一起输入至深度学习后处理模型中，记录不同预见期内每个时的误差对双驱动校正模型整体预测的影响，以及进一步了解降雨径流模型在率定参数下实际的产流过程。研究案例中，应特别关注当前时刻和最近三个时刻的降雨径流模型预报误为预报区间在t时刻的下界与上界，p()和r()分别为预报值的概率密度函数和累差越小。CR和B用于评价概率预报的预报区间，CR值越大表示预报结果包含的真实信息越多，B值越大表示区间的带