顾及大伙房模型降雨初损的半干旱流域BiLSTM-Transformer洪水预测方法与流程

顾及大伙房模型降雨初损的半干旱流域bilstm-transformer洪水预测方法
技术领域
1.本发明涉及水文水资源领域的水文预报技术领域，具体地说是顾及大伙房模型降雨初损的半干旱流域bilstm-transformer洪水预测方法。


背景技术：

2.如何有效应对洪涝灾害及其不利影响已成为防灾减灾和灾害风险管理工作的重要内容，越来越多的“非工程措施”在洪涝灾害管理中的作用正逐渐成为灾害风险管理等诸多领域专家学者研究的热点问题。
3.长期以来，以水文学、水动力学知识为基础的物理驱动方法在流域洪涝模拟研究中发挥着重要作用，逐渐形成了一系列的水文、水动力的流域洪涝模型。例如，以swat等为代表的水文模型，计算单元为hru(hydrologic response unit，hru)，一个hru中有相同用地土壤和坡度范围的区域。但是，当面对地理、气象和水文观测等多源数据时，模型很难与观测数据有机结合。此外，此类水文模型模拟耗时很长，难以在大范围的流域尺度上进行高效高精度模拟。且多数水文模型在湿润地区具有良好的适用性，但在半干旱地区，流域中土壤含水量较低，导致其在一场降雨中很难被蓄满，各式产流机制同时存在并互相转换，所以很多水文模型在半干旱地区适用性不佳。
4.近年来一种新型的机器学习技术被广泛应用，即深度学习技术。作为最前沿的数据驱动模型，深度学习方法比传统的机器学习方法具有更优异的全局特征学习能力，一些学者试图将深度学习方法应用于洪水预测研究。然而，基于数据的流域洪水模拟研究面临多个挑战。例如在模拟过程中，通常忽略流域水文过程的物理含义，存在解释能力不足和鲁棒性较差等局限。
5.因此，本发明结合传统物理模型和深度学习方法的优点，针对半干旱流域超渗产流特征，基于双向长短期记忆网络(bi-directional long short term memory，bilstm)模型与transformer模型，提出了顾及大伙房模型降雨初损的半干旱流域bilstm-transformer洪水预测方法，该方法有望为半干旱流域洪水模拟预测提供更为广泛的研究空间。


技术实现要素：

6.针对上述技术存在的问题，本发明提供了顾及大伙房模型降雨初损的半干旱流域bilstm-transformer洪水预测方法，目的在于将bilstm-transformer网络与改进大伙房模型进行结合，将降雨初损引入深度学习网络模型中以提升预测性能，从而辅助政府决策部门开展半干旱流域暴雨洪涝防灾减灾工作。本发明通过下述技术方案实现：
7.顾及大伙房模型降雨初损的半干旱流域bilstm-transformer洪水预测方法，主要包括以下步骤：
8.s1:收集资料；
9.s2:构建以大伙房模型为基础的改进大伙房模型；
10.s3:分析半干旱地区暴雨洪涝径流预测特征因子；
11.s4:构建bilstm-transformer模型；
12.s5:构建顾及改进大伙房模型降雨初损与半干旱流域洪涝特征的bilstm-transformer洪水预测模型。
13.进一步地，所述s1包括以下子步骤：
14.s11:收集流域上游水库数据。水库数据包括编码、名称、水库类型、总库容、汛限水位和死水位；
15.s12:收集降雨数据。降雨数据包括场次降雨起始时间，场次降雨造峰雨量和降雨总量；
16.s13:收集水文站数据。水文站数据包括洪水开始的时刻，达到洪峰的时间和洪水流量。
17.进一步地，所述s2包括以下子步骤：
18.s21:计算上游水库拦蓄影响的大小；
19.s22:计算上游型水库调节作用的大小；
20.s23:在考虑上游水库影响的前提下，构建以大伙房模型为基础的改进大伙房模型。
21.进一步地，所述s21包括以下子步骤：
22.s211:计算东白城子站上游水库的前期蓄水量。
23.计算东白城子站上游水库前期蓄水量v0的公式为：
[0024]v0
＝v
兴
k0[0025]
k0＝w0/(w1+w2)
[0026]
式中：v
兴
为水库的兴利库容；w0为土壤初始含水量；w1和w2分别为流域土壤上下层蓄水量。
[0027]
s212:计算东白城子站上游水库的时段拦蓄量。
[0028]
根据水量平衡计算每个水库蓄水量vi(t)：
[0029][0030]
式中:vi(t)为第i个水库t时刻蓄水量；i(t)为t时刻净雨量；si和v
i兴
分别为第i个水库的集水面积和兴利库容。
[0031]
计算出场次洪水每个时段水库截留量w(t)，从而计算东白城子站上游水库的拦蓄量。
[0032][0033]
进一步地，所述s22包括以下子步骤：
[0034]
s221:研究降雨空间分布不均匀性对水库汇流的影响；
[0035]
s222:计算各个时段累计降雨量，划分其等级以选取不同的参数值进行预测；
[0036]
s223:结合分类思想建立汇流模型时，依据流域上游水文站流域土壤湿润程度将洪水分为湿润、半湿润、半干旱和干旱四类。
[0037]
进一步地，所述s23具体步骤为：
[0038]
在考虑了上游水文站流域的拦蓄作用和调节作用的前提下，构建以大伙房模型为基础的改进大伙房模型。改进后的模型综合考虑了流域上游水库的拦蓄作用和调节作用:拦蓄作用是通过水库的前期蓄水量和时段拦蓄量进行计算；调节作用则是利用灰色关联模型、参数动态变化法和分类思想来反映前期降雨空间分布、时段降雨量和土壤含水量，从而计算上游水库在流域汇流过程中的影响。
[0039]
进一步地，所述s3包括以下子步骤：
[0040]
s31：多源数据获取。收集的主要数据包括水文数据、气象数据、基础地理数据、水利排水数据等四大类数据；
[0041]
s32：洪涝成因数据提取。从主要数据中提取半干旱流域洪涝成因数据，主要包括降雨量、坡度、土地利用数据、dem数据、管网密度、路网密度、水系密度数据等；
[0042]
s33：全局空间自相关分析。首先使用全局莫兰指数对半干旱流域暴雨洪涝进行全局空间自相关分析，以研究流域暴雨洪涝径流的整体空间分布和聚集趋势。全局莫兰指数的取值在-1到1之间。当该值为正，表示研究区域内所有易涝区域的洪涝径流呈现空间正相关，且值越大相关性越强；反之则呈现空间负相关；当该值为0，表示半干旱流域内所有易涝区域的洪涝积水不存在空间相关性；
[0043]
s34：局部空间自相关分析。在全局自相关的基础上，再采用局部莫兰指数对半干旱流域暴雨洪涝进行局部空间自相关分析，以研究局部流域内独立的易涝区域之间的空间关联程度。通过局部空间自相关分析来研究局部区域内研究对象的关联状态和空间分布特征。局部莫兰指数如果为正值，表示半干旱流域内所有易涝区域表现为空间聚集状态；反之则表现为空间离散状态；
[0044]
s35：提取半干旱地区易涝区域洪涝特征。从易涝区域监测的积水数据中提取易涝位置积水数据，从而提取易涝区域洪涝特征，为后续融合为本发明需要的径流预测特征因子作铺垫；
[0045]
s36：易涝区域降雨与地理特征因子提取。流域内各个易涝区域之间的相关性可以通过空间权重矩阵进行量化表征，本发明统一采用基于queen相邻的空间权重矩阵；
[0046]
s37：基于gtwr计算径流预测特征因子的回归系数。即从时空异质性的角度出发，基于时空地理加权回归模型研究流域暴雨洪涝径流的驱动要素，以明晰其中各个径流预测特征因子的作用机制及关联程度，并且选择合适的空间权函数和带宽，求解出时空权重矩阵，生成各个特征因子对应的回归系数。
[0047]
进一步地，所述s4包括以下子步骤：
[0048]
s41：输入数据处理。即将输入序列转换为数字表示，对输入的数据进行归一化处理；
[0049]
s42：数据序列切割处理。即采用滑动时间窗对归一化的时间序列进行切割；
[0050]
s43：将切割好的时间序列输入bilstm-transformer模型中，利用bilstm神经网络层捕捉隐藏于输入数据下的非线性信息，并得到各时刻下的新细胞记忆状态信息。使用bilstm对输入序列进行编码，将每个时刻的输入向量转换为一个隐含状态向量。正向lstm将输入序列从左到右处理，反向lstm将输入序列从右到左处理，两个lstm的输出状态向量拼接在一起形成每个时刻的编码表示；
[0051]
s44：transformer特征提取器。使用多层transformer模型对bilstm编码器的输出进行特征提取和注意力聚焦。transformer编码器由多个自注意力层和前馈神经网络层构成，可以自适应地关注不同位置的信息，将输入序列转换为一系列上下文敏感的特征向量表示；
[0052]
s45：重构数据规范化。即将transformer编码器的输出送入swish、sigmoid函数，实现重构数据规范化；
[0053]
s46：损失函数值计算。即使用适当的损失函数对预测结果和真实标签进行比较，并计算损失值；
[0054]
s47：模型训练和优化。即使用反向传播算法计算梯度，并使用优化器算法更新模型超参数，使损失函数最小化，完成bilstm-transformer模型构建。
[0055]
进一步地，所述s5包括以下子步骤：
[0056]
s51：数据收集。收集半干旱流域多年历史降雨量洪水流量数据，整理为降雨量洪水流量数据序列；
[0057]
s52：数据集生成。根据土地利用、降雨径流、土壤类型和dem等数据，使用s2中的改进大伙房模型，求取流域准确可靠的初损。即在求出改进大伙房模型初损基础上，将降雨量数据序列中扣除求得潜在径流量序列数据，随后对潜在径流量序列数据和径流量序列数据进行整合生成深度学习数据集；
[0058]
s53：深度学习网络训练。将潜在径流量序列数据与s3中的流域洪涝特征因子作为s4中的bilstm-transformer模型输入变量，与之对应的径流量序列数据作为神经网络模型输出变量，设定网络的超参数，通过训练得到输入输出间的隐藏映射关系；
[0059]
s54：为合理高效地发挥神经网络预测性能，利用多目标遗传算法率定不同超参数对深度学习模型进行训练，确定最适合的超参数组合；
[0060]
s55：模型性能测试。将测试集的潜在径流量数据与洪涝特征因子序列输入训练好的映射关系中，求出预测径流量。
[0061]
本发明与现有技术相比，具有如下的优点和有益效果：
[0062]
1、半干旱地区流域土壤蓄水能力弱，不能满足蓄满产流的理想条件，本发明的方法则是以超渗产流为基础，并综合考虑了半干旱流域上游水库的拦蓄作用和调节作用，满足半干旱流域的实际预测要求；
[0063]
2、针对目前半干旱地区洪涝模型径流预测影响因素难以顾及的不足，本发明归纳半干旱地区暴雨洪涝模拟特征并分析了径流预测特征因子，设计了基于时空地理加权回归模型的半干旱流域暴雨洪涝径流预测特征因子生成方法，以计算特征因子与洪涝径流的关联程度，从而确定预测模型的解释变量；
[0064]
3、针对目前单一物理驱动或数据驱动方法进行洪水预测的不足，将深度学习与水文模型知识结合进行流域洪涝时空模拟，即将bilstm-transformer网络与改进大伙房模型进行结合，把流域洪涝特征与降雨初损引入深度学习模型，从而辅助政府决策部门开展流域洪涝防灾减灾工作。
附图说明
[0065]
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本技术的一部
分，并不构成对本发明实施例的限定。在附图中：
[0066]
图1为本发明实施例流域水系图；
[0067]
图2为本发明改进的大伙房模型的流程图；
[0068]
图3为本发明基于gtwr计算径流预测特征因子流程图；
[0069]
图4为本发明bilstm-transformer模型结构图；
[0070]
图5为本发明考虑初损与半干旱流域洪涝特征的bilstm-transformer模型构建流程图；
[0071]
图6为本发明实施例场次洪水模拟过程对比图。
具体实施方式
[0072]
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
[0073]
现以辽宁绕阳河上游东白城子站流域为例，该流域位于辽宁省中部平原以西，流域面积3534平方公里，河流宽度为200至400m，风沙土、潮土、褐土、棕壤、粗骨土为该流域土壤的重要组成部分，土壤含水量低，属于半干旱地区。本发明主要研究绕阳河上游东白城子站流域，流域面积2138km2，流域内土质贫瘠，水土流失严重。依据辽宁省防汛抗旱水情数据库，流域年降水量455～530mm，经常是久旱后降雨，且具有时空分布不均、汇流历时短、洪峰陡涨陡落等特点。
[0074]
顾及大伙房模型降雨初损的半干旱流域bilstm-transformer洪水预测方法，主要包括以下步骤：
[0075]
s1:收集资料；
[0076]
s2:构建以大伙房模型为基础的改进大伙房模型；
[0077]
s3:分析半干旱流域暴雨洪涝径流预测特征因子；
[0078]
s4:构建bilstm-transformer模型；
[0079]
s5:构建顾及改进大伙房模型降雨初损与半干旱地区洪涝特征的bilstm-transformer洪水预测模型。
[0080]
进一步地，所述s1包括以下子步骤：
[0081]
s11:收集流域上游水库数据。水库数据包括编码、名称、水库类型、总库容、汛限水位和死水位。
[0082]
东白城子流域水系如图1所示，上游水库资料统计见表1：
[0083]
表1东白城子上游水库资料统计：
[0084]
[0085]
s12:收集降雨数据。降雨数据包括场次降雨起始时间，场次降雨造峰雨量和降雨总量。采用从1965到2013年韩家杖子、双庙、上招束沟、东白城子、大兴庄和许家六个主要雨量站的雨洪数据，雨量站分布见图1；
[0086]
s13:收集水文站数据。水文站数据包括洪水开始的时刻，达到洪峰的时间和洪水流量。本实施例列举8场洪水。其中6场洪水用于模型参数率定，2场用于模型验证。
[0087]
进一步地，所述s2包括以下子步骤：
[0088]
s21:计算上游水库拦蓄影响的大小；
[0089]
s22:计算上游型水库调节作用的大小；
[0090]
s23:在考虑上游水库影响的前提下，构建以大伙房模型为基础的改进大伙房模型。
[0091]
进一步地，所述s21包括以下子步骤：
[0092]
s211:计算东白城子站上游水库的前期蓄水量。
[0093]
计算东白城子站上游水库前期蓄水量v0的公式为：
[0094]v0
＝v
兴
k0[0095]
k0＝w0/(w1+w2)
[0096]
式中：v
兴
为水库的兴利库容；w0为土壤初始含水量；w1和w2分别为流域土壤上下层蓄水量；
[0097]
s212:计算东白城子站上游水库的时段拦蓄量。
[0098]
根据水量平衡计算每个水库蓄水量vi(t)：
[0099][0100]
式中:vi(t)为第i个水库t时刻蓄水量；i(t)为t时刻净雨量；si和v
i兴
分别为第i个水库的集水面积和兴利库容。
[0101]
计算出场次洪水每个时段水库截留量w(t)，从而计算东白城子站上游水库的拦蓄量。
[0102][0103]
进一步地，所述s22包括以下子步骤：
[0104]
s221:研究降雨空间分布不均匀性对水库汇流的影响。即采用灰色关联分析模型，根据绕阳河上游东白城子站流域历年来水文实测数据，利用灰色关联分析推算各雨量站降雨量值与流域总流量的关联度值，分析降雨空间分布不均匀性对流域流量波动的影响程度，然后在此基础上对洪水流量进行预测和验证，确定该流域各雨量站的最优关联度值；
[0105]
s222:计算各个时段累计降雨量，划分其等级以选取不同的参数值进行预测。即将传统静态反映洪水峰值的汇流线性参数dd(洪水峰值)、cc(峰现时间)动态化：第一级为0mm到目标流域时段稳定下渗量10mm，第二级开始以20mm为步长递增，依次迭代，进行降雨级别划分；
[0106]
s223:结合分类思想建立汇流模型时，依据绕阳河上游东白城子站流域土壤湿润程度将洪水分为湿润、半湿润、半干旱和干旱四类，并将其与降雨级别综合考虑以确定洪水峰值dd与峰现时间cc。汇流参数优选结果如表2所示：
[0107]
表2汇流参数优选结果
[0108][0109]
进一步地，所述s23具体步骤为：
[0110]
如图2(实线框为改进部分)所示，在考虑了绕阳河上游东白城子站流域的拦蓄作用和调节作用的前提下，构建以大伙房模型为基础的改进大伙房模型。
[0111]
改进后的模型综合考虑了流域上游水库的拦蓄作用和调节作用:拦蓄作用是通过水库的前期蓄水量和时段拦蓄量进行计算，见图2中实线圆弧形框部分；调节作用则是利用灰色关联模型、参数动态变化法和分类思想来反映前期降雨空间分布、时段降雨量和土壤含水量，从而计算上游水库在流域汇流过程中的影响，见图2中实线矩形框部分。
[0112]
图中符号含义如下：p、pe、pc分别为时段降雨量、净雨强和净渗雨强；r、rc、r
l
分别是下渗强度、下层下渗强度与地下水库下渗强度；s0、u0、v0依次为表层蓄水容量极值、下层蓄水容量极值和地下水蓄水容量极值；ua、va分别代表下层土壤张力蓄水量与地下水储水量；ed为雨间蒸发量；y0为不透水面积产流；g为不透水面积占全流域面积的比例；f为全流域平均下渗率；kw为地下径流比例系数。
[0113]
进一步地，所述s3流程如图3所示，具体包括以下子步骤：
[0114]
s31：多源数据获取。收集的主要数据包括水文数据、气象数据、基础地理数据、水利排水数据等四大类数据；
[0115]
s32：洪涝成因数据提取。从主要数据中提取洪涝成因数据，主要包括降雨量、坡度、土地利用数据、dem数据、管网密度、路网密度、水系密度数据等；
[0116]
s33：全局空间自相关分析。首先使用全局莫兰指数对流域暴雨洪涝进行全局空间自相关分析，以研究流域暴雨洪涝径流的整体空间分布和聚集趋势。全局莫兰指数的取值在-1到1之间。当该值为正，表示研究区域内所有易涝区域的洪涝径流呈现空间正相关，且值越大相关性越强；反之则呈现空间负相关；当该值为0，表示实施例区域内所有易涝区域的洪涝积水不存在空间相关性；
[0117]
s34：局部空间自相关分析。在全局自相关的基础上，再采用局部莫兰指数对流域暴雨洪涝进行局部空间自相关分析，以实施例局部区域内独立的易涝区域之间的空间关联程度。通过局部空间自相关分析来研究局部区域内研究对象的关联状态和空间分布特征。局部莫兰指数如果为正值，表示研究区域内所有易涝区域表现为空间聚集状态；反之则表现为空间离散状态；
[0118]
s35：提取易涝区域洪涝特征。从易涝区域监测的积水数据中提取易涝区域积水数据，从而提取易涝区域洪涝特征，为后续融合为本发明需要的径流预测特征因子作铺垫；
[0119]
s36：易涝区域降雨与地理特征因子提取。实施例区域内各个易涝区域之间的相关性可以通过空间权重矩阵进行量化表征，本发明统一采用基于queen相邻的空间权重矩阵；
[0120]
s37：基于gtwr计算径流预测特征因子的回归系数。流域暴雨洪涝径流具有时空异
质性即独立的因变量径流与各个流域暴雨洪涝径流预测特征因子组成的解释变量之间的关系会跟随着时间和空间的改变而发生变化的性质。本发明从时空异质性的角度出发，基于时空地理加权回归模型研究流域暴雨洪涝径流的驱动要素，以明晰其中各个径流预测特征因子的作用机制及关联程度，并且选择合适的空间权函数和带宽，求解出时空权重矩阵，生成各个特征因子对应的回归系数。
[0121]
进一步地，所述s4的模型结构如图4所示，具体包括以下子步骤：
[0122]
s41：输入数据处理。即将输入序列转换为数字表示，对输入的数据进行归一化处理；
[0123]
s42：数据序列切割处理。即采用滑动时间窗对归一化的时间序列进行切割；
[0124]
s43：将切割好的时间序列输入bilstm-transformer模型中，利用bilstm神经网络层捕捉隐藏于输入数据下的非线性信息，并得到各时刻下的新细胞记忆状态信息。使用bilstm对输入序列进行编码，将每个时刻的输入向量转换为一个隐含状态向量。正向lstm将输入序列从左到右处理，反向lstm将输入序列从右到左处理，两个lstm的输出状态向量拼接在一起形成每个时刻的编码表示；
[0125]
s44：transformer特征提取器。使用多层transformer模型对bilstm编码器的输出进行特征提取和注意力聚焦。transformer编码器由多个自注意力层和前馈神经网络层构成，可以自适应地关注不同位置的信息，将输入序列转换为一系列上下文敏感的特征向量表示；
[0126]
s45：重构数据规范化。即将transformer编码器的输出送入swish、sigmoid函数，实现重构数据规范化；
[0127]
s46：损失函数值计算。即使用适当的损失函数对预测结果和真实标签进行比较，并计算损失值；
[0128]
s47：模型训练和优化。即使用反向传播算法计算梯度，并使用优化器算法更新模型超参数，使损失函数最小化，完成bilstm-transformer模型构建。
[0129]
进一步地，所述s5流程如图5所示，具体包括以下子步骤：
[0130]
s51：数据收集。收集实施例流域多年历史降雨量洪水流量数据，整理为降雨量洪水流量数据序列；
[0131]
s52：数据集生成。根据土地利用、降雨径流、土壤类型和dem等数据，使用改进大伙房模型，求取流域准确可靠的降雨初损。将降雨量数据序列中扣除求得潜在径流量序列数据，随后对潜在径流量序列数据和径流量序列数据进行整合生成bilstm-transformer神经网络数据集。
[0132]
s53：对数据进行平滑和归一化处理，并将数据集划分为训练集、验证集和测试集；
[0133]
s54：深度学习网络训练。基于s4中bilstm-transformer神经网络模型，将潜在径流量序列数据与流域洪涝特征因子作为网络输入变量，与之对应的径流量序列数据作为输出变量构建神经网络，设定网络的超参数，通过训练得到输入输出间的隐藏映射关系；
[0134]
s55：为合理高效地发挥神经网络预测性能，利用多目标遗传算法率定不同超参数对深度学习模型进行训练，确定最适合的超参数组合；
[0135]
s56：模型性能测试。将测试集的潜在径流量数据与洪涝特征因子序列输入训练好的映射关系中，求出预测径流量。
[0136]
为探究该发明方法在实施例绕阳河上游东白城子站流域的适用性，选取应用最广泛的新安江模型、传统大伙房模型作为对比，对该区域8场典型洪水进行应用对比研究，其中6场洪水用于模型参数率定，2场用于模型检验。
[0137]
选取峰现时间误差e1、洪峰流量相对误差e2、径流深相对误差e3和确定性系数dc作为评价指标。用这四个指标比较不同模型模拟效果的优劣，e1、e2、e3越接近于0，dc越接近于1，模拟效果越佳，计算公式如下：
[0138]
e1＝t
p，s-t
p，o
[0139][0140][0141][0142]
在公式中，t
p,o
为实际洪峰时间，t
p,s
为模拟洪峰时间；q
p,o
为实际峰值，q
p,s
为模拟峰值；ro为实际径流量，rs为模拟径流量；q
p,o,t
为实测瞬时流量，q
p,s,t
为模拟瞬时流量，qo为实测流量均值。
[0143]
本模型模拟结果以及实际情况详见表3(x、d与b分别表示新安江模型、大伙房模型和顾及降雨初损的bilstm-transformer方法)：
[0144]
表3洪水模拟结果统计表
[0145][0146]
在表3中，本发明提出的顾及降雨初损的bilstm-transformer方法模拟结果较佳，确定性系数均值达到0.78，峰现时间误差显著降低，径流深相对误差平均值15.4％达到标准，洪峰流量相对误差接近许可误差，相比于前两种模型，本发明方法在半干旱地区的适应性最佳。
[0147]
绕阳河东白城流域验证期其中一场洪水模拟过程如图6所示。据图不难发现，新安江模型坦化现象十分严重，计算得到的洪水过程线误差较大。原始大伙房模型和本发明方法的洪水过程线与实测过程相似度较高，但原始大伙房模型计算的洪峰流量偏大，本发明
方法模拟过程与实际更吻合。
[0148]
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.顾及大伙房模型降雨初损的半干旱流域bilstm-transformer洪水预测方法，其特征在于，包括以下步骤：s1:收集资料；s2:构建以大伙房模型为基础的改进大伙房模型；s3:分析半干旱地区暴雨洪涝径流预测特征因子；s4:构建bilstm-transformer模型；s5:构建顾及改进大伙房模型降雨初损与半干旱流域洪涝特征的bilstm-transformer洪水预测模型；进一步地，所述s2包括以下子步骤：s21:计算上游水库拦蓄影响的大小；s22:计算上游型水库调节作用的大小；s23:在考虑上游水库影响的前提下，构建以大伙房模型为基础的改进大伙房模型；进一步地，所述s21包括以下子步骤：s211:计算东白城子站上游水库的前期蓄水量，计算东白城子站上游水库前期蓄水量v0的公式为：v0＝v
兴
k0k0＝w0/(w1+w2)式中：v
兴
为水库的兴利库容；w0为土壤初始含水量；w1和w2分别为流域土壤上下层蓄水量；s212:计算东白城子站上游水库的时段拦蓄量，根据水量平衡计算每个水库蓄水量v
i
(t)：式中:v
i
(t)为第i个水库t时刻蓄水量；i(t)为t时刻净雨量；s
i
和v
i兴
分别为第i个水库的集水面积和兴利库容，计算出场次洪水每个时段水库截留量w(t)，从而计算东白城子站上游水库的拦蓄量；进一步地，所述s22包括以下子步骤：s221:研究降雨空间分布不均匀性对水库汇流的影响；s222:计算各个时段累计降雨量，划分其等级以选取不同的参数值进行预测；s223:结合分类思想建立汇流模型时，依据流域上游水文站流域土壤湿润程度将洪水分为四类；进一步地，所述s23具体步骤为：在考虑了上游水文站流域的拦蓄作用和调节作用的前提下，构建以大伙房模型为基础的改进大伙房模型，改进后的模型综合考虑了流域上游水库的拦蓄作用和调节作用:拦蓄作用是通过水库的前期蓄水量和时段拦蓄量进行计算；调节作用则是利用灰色关联模型、参数动态变化法和分类思想来反映前期降雨空间分布、时段降雨量和土壤含水量，从而计
算上游水库在流域汇流过程中的影响；进一步地，所述s3包括以下子步骤：s31：多源数据获取，获取的主要包含四大类数据；s32：洪涝成因数据提取，从主要数据中提取半干旱流域洪涝成因数据，主要包括降雨量、坡度、土地利用数据、dem数据、管网密度、路网密度和水系密度数据；s33：全局空间自相关分析，首先使用全局莫兰指数对半干旱流域暴雨洪涝进行全局空间自相关分析，以研究流域暴雨洪涝径流的整体空间分布和聚集趋势，全局莫兰指数的取值在-1到1之间，当该值为正，表示研究区域内所有易涝区域的洪涝径流呈现空间正相关，且值越大相关性越强；反之则呈现空间负相关；当该值为0，表示半干旱流域内所有易涝区域的洪涝积水不存在空间相关性；s34：局部空间自相关分析，在全局自相关的基础上，再采用局部莫兰指数对半干旱流域暴雨洪涝进行局部空间自相关分析，以研究局部流域内独立的易涝区域之间的空间关联程度；通过局部空间自相关分析来研究局部区域内研究对象的关联状态和空间分布特征，局部莫兰指数如果为正值，表示半干旱流域内所有易涝区域表现为空间聚集状态；反之则表现为空间离散状态；s35：提取半干旱地区易涝区域洪涝特征，从易涝区域监测的积水数据中提取易涝位置积水数据，从而提取易涝区域洪涝特征，为后续融合为本发明需要的径流预测特征因子作铺垫；s36：易涝区域降雨与地理特征因子提取，流域内各个易涝区域之间的相关性可以通过空间权重矩阵进行量化表征，本发明统一采用基于queen相邻的空间权重矩阵；s37：基于gtwr计算径流预测特征因子的回归系数，即从时空异质性的角度出发，基于时空地理加权回归模型研究流域暴雨洪涝径流的驱动要素，以明晰其中各个径流预测特征因子的作用机制及关联程度，并且选择合适的空间权函数和带宽，求解出时空权重矩阵，生成各个特征因子对应的回归系数；进一步地，所述s4包括以下子步骤：s41：输入数据处理，即将输入序列转换为数字表示，对输入的数据进行归一化处理；s42：数据序列切割处理，即采用滑动时间窗对归一化的时间序列进行切割；s43：将切割好的时间序列输入bilstm-transformer模型中，利用bilstm神经网络层捕捉隐藏于输入数据下的非线性信息，并得到各时刻下的新细胞记忆状态信息，使用bilstm对输入序列进行编码，将每个时刻的输入向量转换为一个隐含状态向量；正向lstm将输入序列从左到右处理，反向lstm将输入序列从右到左处理，两个lstm的输出状态向量拼接在一起形成每个时刻的编码表示；s44：transformer特征提取器，使用多层transformer模型对bilstm编码器的输出进行特征提取和注意力聚焦，transformer编码器由多个自注意力层和前馈神经网络层构成，可以自适应地关注不同位置的信息，将输入序列转换为一系列上下文敏感的特征向量表示；s45：重构数据规范化，即将transformer编码器的输出送入swish、sigmoid函数，实现重构数据规范化；s46：损失函数值计算，即使用适当的损失函数对预测结果和真实标签进行比较，并计算损失值；
s47：模型训练和优化，即使用反向传播算法计算梯度，并使用优化器算法更新模型超参数，使损失函数最小化，完成bilstm-transformer模型构建；进一步地，所述s5包括以下子步骤：s51：数据收集，收集半干旱流域多年历史降雨量洪水流量数据，整理为降雨量洪水流量数据序列；s52：数据集生成，根据土地利用、降雨径流、土壤类型和dem数据，使用s2中的改进大伙房模型，求取流域准确可靠的初损，即在求出改进大伙房模型初损基础上，将降雨量数据序列中扣除求得潜在径流量序列数据，随后对潜在径流量序列数据和径流量序列数据进行整合生成深度学习数据集；s53：深度学习网络训练，将潜在径流量序列数据与s3中的流域洪涝特征因子作为s4中的bilstm-transformer模型输入变量，与之对应的径流量序列数据作为神经网络模型输出变量，设定网络的超参数，通过训练得到输入输出间的隐藏映射关系；s54：为合理高效地发挥神经网络预测性能，利用多目标遗传算法率定不同超参数对深度学习模型进行训练，确定最适合的超参数组合；s55：模型性能测试，将测试集的潜在径流量数据与洪涝特征因子序列输入训练好的映射关系中，求出预测径流量。2.根据权利要求1所述的顾及大伙房模型降雨初损的半干旱流域bilstm-transformer洪水预测方法，其特征在于，所述的s1收集资料包括以下步骤：s11:收集流域上游水库数据；s12:收集降雨数据，降雨数据包括场次降雨起始时间，场次降雨造峰雨量和降雨总量；s13:收集水文站数据，水文站数据包括洪水开始的时刻，达到洪峰的时间和洪水流量。3.根据权利要求1所述的顾及大伙房模型降雨初损的半干旱流域bilstm-transformer洪水预测方法，其特征在于，所述的s223洪水分为四类具体包括湿润、半湿润、半干旱和干旱四类。4.根据权利要求1所述的顾及大伙房模型降雨初损的半干旱流域bilstm-transformer洪水预测方法，其特征在于，所述的s31多源数据获取具体包含水文数据、气象数据、基础地理数据和水利排水四大类数据。5.根据权利要求2所述的顾及大伙房模型降雨初损的半干旱流域bilstm-transformer洪水预测方法，其特征在于，所述的s11收集流域上游水库数据具体包括编码、名称、水库类型、总库容、汛限水位和死水位。

技术总结
本发明公开了一种顾及大伙房模型降雨初损的半干旱流域BiLSTM-Transformer洪水预测方法，主要包括以下步骤：S1:收集资料；S2:构建以大伙房模型为基础的改进大伙房模型；S3:分析半干旱地区暴雨洪涝径流预测特征因子；S4:构建BiLSTM-Transformer模型；S5:构建顾及改进大伙房模型降雨初损与半干旱流域洪涝特征的BiLSTM-Transformer洪水预测模型。本发明的有益效果是针对半干旱流域超渗产流特点，将BiLSTM-Transformer神经网络与改进大伙房模型进行结合，把半干旱流域洪涝特征与降雨初损引入深度学习模型，从而辅助政府决策部门开展半干旱流域洪涝防灾减灾工作。半干旱流域洪涝防灾减灾工作。半干旱流域洪涝防灾减灾工作。


技术研发人员：请求不公布姓名
受保护的技术使用者：金恒旭
技术研发日：2023.05.08
技术公布日：2023/8/14