[發明專利]一種基于深度學習的山洪預警方法

有效

• 申請號: 201910846384.1
• 申請日: 2019-09-09
• 公開（公告）號: CN110459036B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 陳曜;畢瑤;黎小東;譚小平;劉雙美;羅茂盛
• 申請（專利權）人: 四川省水利科學研究院
• 主分類號: G08B21/10
• 分類號: G08B21/10;G06N3/04;G06N3/08;G06N20/10
• 代理公司: 濰坊中潤泰專利代理事務所(普通合伙) 37266
• 代理人: 田友亮

本發明公開了一種基于深度學習的山洪預警方法，本發明采用具有LTSM功能的RNN模型，在模型算法中加入長短期記憶（LTSM）法可以有效解決RNN中梯度消失和梯度爆炸的問題，更有效的進行小流域或山洪區的預報，實現了可靠的山洪災害預警預報，大大提高預報時間，模型只需關注輸入數據，具有操作簡便，運算速度快，便于移值于其它區域的特點，而且隨著模型的實際應用，數據的不斷積累，不需要人為進行二次調參，模型會主動對參數進行優化調整，使其應用更為簡單方便。

技術領域

本發明涉及災害預警領域，具體地講是涉及一種基于深度學習的山洪預警方法。

背景技術

山洪動態預警是通過對山洪危險區發出的預警來實現的。至2018年，我國已在全國范圍內劃定了山洪危險區，四川省就有山洪危險區28000余處。這些山洪區預警目前都是通過設定降雨或水位預警指標來進行預警。具體做法是在區域內設立雨量或水位站，將山洪危險區(可以為多個)關聯至相應測站，通過實測降雨(水位)進行預警。為了延長預警時間和提高預警精度，有部分地區已開始使用水文模型進行山洪預警，但該預警方式也存在一些局限性。

按水文模型的功能，可以將模型分為預測型模型和描述型模型。目前應用于山洪預警中的，多采用預測型水文模型。預測型水文模型按應用技術的不同又有多種分類方法，一般可分為以研究全域水循環規律的集總式(概念)水文模型和考慮域內水文要素時空差異的分布式水文模型，又可分為集總模型、分布式水文模型和半分布式水文模型。集總模型包括我國廣泛使用的推理公式法、新安江模型、美國SAC-SMA模型、瑞典HBV模型等。分布式水文模型，是在獲取高精度DEM數據、土地利用數據、土壤數據、遙感數據等的基礎上，在產流、匯流、基流等環節采用有嚴格物理意義的模型。

以上兩種水文模型都具有較強的物理意義，但應用于山洪預警中又存在明顯的局限性。一是理論結構的不完善，兩種模型都是對水文現象的高度概化，對實際降水和蒸發，降水和產流，地面截流和下滲等物理過程理論上還存在缺陷。二是模型參數過多，在實際調參過程中，為了更加擬合實際情況，部分參數調整后會失去其物理意義。三是容錯性差，對于資料較差或無資料地區模型難以構建。四是預報時間受流域匯流時間限制，針對小流域(山洪區)的預報時間都較短，即使進行了預報也難以讓減災部門及時做出反應。五是運算過程復雜，速度慢，操作難度大，由于構建模型是模擬流域洪水過程，其本身就十分復雜，雖然模型進行了概化，但依然參數眾多，計算量龐大，且有的模型在不同情況下還要使用不同的參數，從而造成生成成果慢，不易操作，使應用不易推廣。

發明內容

本發明的目的在于克服上述傳統技術的不足之處，提供一種實現山洪預警的前期預報的基于深度學習的山洪預警方法。

本發明的目的是通過以下技術措施來達到的：

一種基于深度學習的山洪預警方法，包括以下幾個步驟：

第一步：確定預警對象：在GIS地圖上勾繪出預警區域所在流域，確定流域內的山洪預警區及其預設的預警雨量或水位、布設的雨量和水位監測站點；

第二步：收集整編數據：收集預警區內雨量、水位站和區域蒸發量監測站、縣域氣象預警的歷史資料，計算流域匯流時間；

其中，流域匯流時間計算方法為推理公式計算或泰森多邊形法計算或前述兩者綜合確定。

所述推理公式計算方法為：選擇流域水位控制站歷史時段內典型洪水過程，通過推理公式計算，計算公式如下：

式中L為流域分水線到控制站的距離，Q為控制站典型洪峰流量，J為流域平均比降，m為經驗匯流系數。

所述泰森多邊形法計算方法為：將流域面降雨量與流域水位站匯于一根時間軸上，形成面降雨量與流域控制站流量時序圖，采用次洪水分割法得到匯流時間。