[發(fā)明專利]一種基于融合模型的地下水儲(chǔ)量偏差降尺度方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202211271859.7
• 申請(qǐng)日: 2022-10-18
• 公開（公告）號(hào): CN115617935A
• 公開（公告）日: 2023-01-17
• 發(fā)明（設(shè)計(jì)）人: 屈艷萍;姜田亮;呂娟;張學(xué)君;王峰;楊曉靜;陳茜茜;王興旺
• 申請(qǐng)（專利權(quán)）人: 中國(guó)水利水電科學(xué)研究院
• 主分類號(hào): G06F16/29
• 分類號(hào): G06F16/29;G06F17/18;G06V20/10;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 北京國(guó)林貿(mào)知識(shí)產(chǎn)權(quán)代理有限公司 11001
• 代理人: 鄭俊彥

1.一種基于融合模型的地下水儲(chǔ)量偏差降尺度方法，其特征在于，包括以下步驟：

步驟1，驅(qū)動(dòng)變量重采樣：

利用雙線性內(nèi)插法將與地下水儲(chǔ)量相關(guān)的各驅(qū)動(dòng)變量，由0.25°×0.25°的分辨率重采樣至0.5°×0.5°，獲得驅(qū)動(dòng)變量的數(shù)據(jù)集；

步驟2，構(gòu)建驅(qū)動(dòng)變量與目標(biāo)變量的統(tǒng)計(jì)關(guān)系模型：

采用融合模型構(gòu)建經(jīng)所述步驟1處理后的驅(qū)動(dòng)變量，與目標(biāo)變量的統(tǒng)計(jì)關(guān)系模型，其中，所述目標(biāo)變量為采用點(diǎn)質(zhì)量法獲得的GRACE陸地水儲(chǔ)量偏差數(shù)據(jù)；

所述融合模型的構(gòu)建包括：

S21，通過3折交叉驗(yàn)證法，采用m種機(jī)器學(xué)習(xí)模型和n種深度學(xué)習(xí)模型在步驟1獲得的驅(qū)動(dòng)變量的數(shù)據(jù)集上分別進(jìn)行訓(xùn)練；

S22，采用Nash效率系數(shù)(NS)、Pearson相關(guān)系數(shù)(CC)、一致性指數(shù)(IG)和Kling–Gupta效率系數(shù)(KG)對(duì)S21中各模型的精度進(jìn)行評(píng)估，表達(dá)式分別為：

式中，o_i和s_i分別為第i個(gè)觀測(cè)值和第i個(gè)模擬值；σ_s和σ_o分別為模擬值和觀測(cè)值的標(biāo)準(zhǔn)差；μ_s和μ_o分別為模擬值和觀測(cè)值的均值；和分別為觀測(cè)序列和模擬序列的均值；

以上述四個(gè)指標(biāo)之和排名靠前的單一類型模型的輸出，以及m+n個(gè)模型中與原始值偏差絕對(duì)值最小的輸出結(jié)果構(gòu)成新的數(shù)組；

S23，分別利用線性融合模型和非線性融合模型，對(duì)S22處理得到所述新的數(shù)組進(jìn)行訓(xùn)練，并采用NS、CC、IG和KG之和最大的融合模型作為所述統(tǒng)計(jì)關(guān)系模型；

步驟3，獲得高分辨率的陸地水儲(chǔ)量偏差：

利用所述步驟2構(gòu)建的統(tǒng)計(jì)關(guān)系模型模擬出0.5°×0.5°分辨率的陸地水儲(chǔ)量偏差，與上述目標(biāo)變量相減，得到0.5°×0.5°分辨率的殘差，并利用最鄰近插值法將殘差分辨率重采樣至0.25°×0.25°；進(jìn)而與所述步驟2中構(gòu)建的統(tǒng)計(jì)關(guān)系模型模擬出0.25°×0.25°分辨率的陸地水儲(chǔ)量偏差相加，得到降尺度后的陸地水儲(chǔ)量偏差；

步驟4，降尺度結(jié)果的合理性驗(yàn)證：

從步驟3獲得降尺度后的陸地水儲(chǔ)量偏差中，減去地表水儲(chǔ)量偏差，得到0.25°×0.25°的地下水儲(chǔ)量偏差，進(jìn)而通過對(duì)研究區(qū)域的實(shí)測(cè)地下水位進(jìn)行相關(guān)性分析，驗(yàn)證降尺度結(jié)果的合理性。

2.根據(jù)權(quán)利要求1所述的基于融合模型的地下水儲(chǔ)量偏差降尺度方法，其特征在于，步驟1中所述驅(qū)動(dòng)變量包括降水、地表溫度、地表徑流、地下徑流、實(shí)際蒸散發(fā)和土壤濕度。

3.根據(jù)權(quán)利要求1所述的基于融合模型的地下水儲(chǔ)量偏差降尺度方法，其特征在于，步驟2中S21，所述機(jī)器學(xué)習(xí)模型采用Python中的PyCaret包進(jìn)行構(gòu)建，并利用tune_model函數(shù)得到各模型的最優(yōu)超參數(shù)。

4.根據(jù)權(quán)利要求1所述的基于融合模型的地下水儲(chǔ)量偏差降尺度方法，其特征在于，步驟2中S21，所述深度學(xué)習(xí)模型采用Python中的tsai包進(jìn)行構(gòu)建，并利用hyperop包進(jìn)行超參數(shù)尋優(yōu)。

5.根據(jù)權(quán)利要求1所述的基于融合模型的地下水儲(chǔ)量偏差降尺度方法，其特征在于，步驟2中S23，選用超級(jí)集合平均模型作為線性融合模型，表達(dá)式為：

式中，(S_MMSE)_t為t時(shí)段MMSE模型模擬值；是t時(shí)段多模型模擬值的平均值；w_j為各模型權(quán)重值；F_j,t和分別為t時(shí)段第j個(gè)模型的預(yù)測(cè)值和預(yù)測(cè)均值；z為模型數(shù)量。

6.根據(jù)權(quán)利要求1所述的基于融合模型的地下水儲(chǔ)量偏差降尺度方法，其特征在于，步驟2中S23，選用隨機(jī)森林模型作為非線性融合模型。

7.根據(jù)權(quán)利要求1所述的基于融合模型的地下水儲(chǔ)量偏差降尺度方法，其特征在于，步驟4中，所述地表水儲(chǔ)量偏差包括冠層水儲(chǔ)量偏差、雪水當(dāng)量偏差和土壤水儲(chǔ)量偏差。