基于深度学习的流域洪水预报模型研究.pdf

水 文JOURNAL OF CHINA HYDROLOGY第43卷第3期2023年6月Vol.43 No.3Jun.,2023DOI：10.19797/ki.1000-0852.20210395收稿日期：2021-09-27网络首发日期：2023-06-13网络首发地址：https:/ 水利与环境学院，湖北 宜昌443002；2.水资源安全保障湖北省协同创新中心，湖北 武汉430072；3.水利部移民管理咨询中心，湖北 宜昌443000）摘要：随着水文信息系统的普及，水文数据的采集越来越方便。传统上依靠各类水文模型及参数率定以刻画水文数据和预报成果间的复杂关联，如何实现水文数据驱动的水文自动预报是当前面临的问题。近年来，人工智能技术蓬勃发展，深度学习技术开始应用于水文学领域，试图解决这一问题。本文以沮漳河西支峡口至远安区间流域为研究对象，结合分布式水文模型的原理及深度学习理论方法，基于流域多维度数据对流域产汇流特性进行提取，利用特征网络进行流域径流预报，构建基于卷积神经网络（CNN，Convolutional Neural Networks）的流域降雨径流预报模型。研究将模型模拟结果与前期影响雨量模型（API,Antecedent Precipitation Index）结果进行对比分析，结果表明，基于卷积神经网络的流域降雨径流预报模型模拟精度为90%，模型可靠，能满足大部分的降雨洪水预报，为流域降雨径流预报提供一种新的方法。关键词：人工智能；降雨径流预报；深度学习；卷积神经网络；参数率定中图分类号：TV139.16；P338文献标识码：A文章编号：1000-0852（2023）03-0082-060引言洪水是对人类的生命财产安全造成威胁的主要自然灾害之一1。洪水预报模型得到了广泛应用2-6。洪水预报技术的起点可以追溯到 20 世纪 30 年代，1931年，R.E.Horton在文献中提出下渗理论在水文循环中的作用。1932年，L.K.Sherman在 利用单位线法推导降雨径流 一文中提出流域汇流的单位线法。1938年，美国的G.T.Mc Carthy提出了马斯京根法，这是一种对河流洪水演算和预报方法。1938年，F.F.斯奈德在 综合单元线 这本书中提出了一种利用综合单元线来预测净雨所形成的地面径流的方法。这些都是目前已经被使用的洪水预报的基本方法。20世纪50年代末，随着计算机和系统理论应用的迅速发展，提出了水文模拟的概念和方法。自20世纪60年代初以来，水文模型随着计算机的发展蓬勃发展起来，其中有著名的斯坦福模型、萨克拉门托模型、水箱模型和新安江模型，它们具有代表性和便于应用的优点，得到了大力推广。20世纪80年代以来，以人工神经网络7、支持向量机8-9等为代表的技术逐渐应用于洪水预报领域。2021年，赵泽谦等10提出了一种基于多模型随机组合的水文集合预报方法，该方法能更好地反映预报的不确定性。近年来，深度学习开始应用于水文预报领域11。深度学习12技术挖掘历史数据之间的物理关系，基于数据驱动直接实现水文预报，更为重要的是，基于深度学习能够实现实时在线学习和更新模型参数，以适应流域产汇流特性变化。卷 积 神 经 网 络（CNN）是 由 Fukushima and Miyake131982年提出来的神经认知机模型。神经认知机受Hubel and Wiesel14提出的关于初级视觉皮层的开创性工作的启发，通过首先提取局部特征并随后将它们徐刚等：基于深度学习的流域洪水预报模型研究第3期组合以获得更高级别的表示来学习、识别视觉模式。LeCun等151989年提出了LeNet模型是神经认知机的一个重大改进，该模型成功应用于识别手写数字。近年来，CNN模型也逐渐应用于水文领域。2017年，吴宏财16结合卷积神经网络（CNN）和长短时记忆网络（LSTM）进行径流模拟，改善原始TRMM降水数据在水文模拟上的应用效果。2019年，许国艳等17基于一维卷积神经网络（CNN），结合马尔科夫链（MC）用来进行水位预测。2020年，唐海华等18提出基于CNN深度学习的径流预判方法，为防汛形势分析及会商决策提供重要依据；吴鑫俊等19利用CNN模型应用于洪水演进的预测计算，提高了洪水演进的计算效率。综上所述，目前CNN在水文领域的运用还只停留在初步的运用上，而将流域水文、气象、地形、植被等多维度数据结合CNN特征提取能力运用于洪水预报的整个过程，实现以数据驱动的洪水自动预报还有待深入研究。因此本文探索将CNN模型直接运用于洪水预报。本文借鉴已在图像数据识别领域有成功应用的卷积神经网络20-22，提出基于卷积神经网络构建流域降雨径流预报模型，将流域划分为离散网格，将流域水文气象地形等因子插值到流域网格中，以此为基础设计包含流域水文气象地形信息的多通道高维张量数据作为输入数据，深度神经网络提取历史及模型数据，通过参数训练，学习流域产汇流特征，利用强化学习算法迭代更新模型参数，构建适用于流域降雨径流预报多通道输入的卷积神经网络模型。1卷积神经网络理论方法卷积神经网络主要应用于图像识别领域，能对输入数据自动进行分层特征提取、特别适用于高维数据（图像和视频）等特点18，其核心思想在于通过卷积运算提取图形特征，利于在线学习挖掘输入数据的时空分布规律。因此，本文将卷积神经网络应用于降雨径流预报。利用卷积神经网络提取目标特征、发现样本数据特征规律的优势，通过输入流域降雨、土壤含水量、地形、植被等特征图片让神经网络进行认知、识别、学习，以达到实现洪水预报的目的。卷积神经网络搭建流程图如图1所示。卷积神经网络实现对图片进行特征提取的核心部分是隐含层，其中隐含层包含卷积层、激活函数层、池化层和全连接层23-25。卷积层的功能是对流域网格数据进行特征提取26，其输出特征图的大小由卷积层的卷积核大小、步长和填充共同决定。图2为流域特征提取的示意，其中卷积核的大小可以为流域网格中的任意子集，选取的卷积核越大，可提取的流域产汇流特征越复杂。卷积层2卷积层1输入层图2卷积层Fig.2Convolution layer论文采用非线性激活函数刻画真实流域数据非线性特征。激活函数将流域网格数据映射到0,1区间，模拟更为细微的变化27。ReLU激活函数计算快速，可以容易地进行误差传播并激活多个神经元，对实现流域降雨径流预报具有特殊的实际意义，因此本文选用ReLU函数作为激活函数。池化层对流域网格进行特征选择和信息过滤，将流域网格特征图中单个网格的结果替换为其相邻区域的特征统计量，从而获得具有流域数据空间不变性的特征，起到二次提取流域网格特征的作用，减少了计算量，同时改善预报结果，防止过拟合的出现28-30。全连接层对提取的流域网格数据特征进行非线性组合，从而得到流域输出，利用现有的高阶数据特征完成流域径流预报。对于网络结构和模型参数的学习训练成果，以模型参数形式保存与管理。模型参数代表当前最优的流域数据提取特征，用于开展降雨径流预报计算。随图1CNN搭建方案流程图Fig.1Flow chart of CNN construction plan输入输出定义原始数据获取学习训练知识自动更新降雨径流预报数据转换处理卷积网络搭建网络参数训练网络性能测试预测精度检验定时滚动83第43卷水 文着时间推移不断加入最新的流域产汇流样本数据，实时在线地进行模型参数滚动更新实现在线学习。2基于深度学习的降雨径流预报实例沮漳河是长江中游上段干流左岸一级支流，地处湖北省宜昌境内，其流域图见图3。本文以沮漳河西支峡口至远安区间流域为研究对象，区间流域面积为953 km2，流域内有6个雨量站和1个水文站。310N1110E1120E1130E河流子流域沮漳河流域水文站雨量站0 5 10203040km马良坪峡口远安河溶万城欧家店望家坪分水洋坪晓坪观音寺淯溪当阳图3沮漳河流域示意图Fig.3Juzhang river basin map2.1数据前处理根据流域DEM数据，以峡口站为流域入口、远安站为流域出口，根据地形和水系对研究区域按子流域进行划分，共划分为37个区域，如图4。对子流域的面积、坡度、及流域中心位置进行计算并提取相应数据，各子流域坡度图如图5。水系子流域编码1234567891011121314151617181920212223242526272829303132333435363705101520km2.5图4流域分区图Fig.4Basin zoning map子流域坡度值2.728 0620.193 7水系010205km图5子流域坡度图Fig.5Sub-basin slope map将研究区域按经纬度对流域进行网格划分，根据流域形状特点将流域划分成2835的网格，以便网络进行卷积计算（网格数目的划分可根据实际需求进行更改），流域网格划分结果如图6。115510152025303510152025图6流域网格划分图Fig.6Watershed meshing diagram84徐刚等：基于深度学习的流域洪水预报模型研究第3期雨量样本数据来源于流域1986年至2016年水文实测资料。采用距离倒数平方法，将流域雨量站雨量插值到每个分区，形成雨量样本数据。前期影响雨量是影响流域降雨产流的一个因素。根据流域雨量站实测降雨数据，逐时段计算前期影响雨量，建立前期影响雨量样本数据。流域地形坡度对流域产流速度和产流量都有影响，以分区单元格进行提取坡度，得到每个分区坡度值，形成坡度数据的样本数据。植被覆盖度反应地表植被情况。与洪水预报时间相应，植被覆盖度数值选择夏季，采用目估法分析每个分区植被覆盖度，形成植被覆盖度样本数据。上述样本数据均进行归一化处理。研究区域降雨产流滞时约24小时，首先将各输入数据赋值给各分区，形成42835的三维数组作为模型输入，再错时段与相应的输出数据（各时段远安站流量）形成数据对，建立样本库。对1 500个时段样本数据对进行划分，划分训练集和测试集，将1 350个时段数据对作为训练集，剩下150个作为测试集。2.2模型搭建根据流域降雨径流预报函数，模型输入层为：各分区雨量、前期影响雨量、坡度、植被覆盖度，输入因子以图片形式输入卷积神经网络模型。卷积神经网络模型的输入形式如图7所示。特征图卷积核卷积层2卷积层1输入层图 1图 2图 1图 2通道雨量坡度前期影响雨量植被覆盖度图7卷积神经网络模型Fig.7Convolutional neural network model本文所构建的卷积神经网络的隐含层顺序依次为：卷积层、激活层、卷积层、BN层、激活层、全连接层、BN层以及激活层。由于本文样本数据集数量适中，因此未使用池化层。本文搭建的网络采取多个33的卷积核堆叠20，设置步长为1，填充为1。设置最大循环次数为1 000次。模拟训练结果参数见表1。损失函数用以估计网络模型对训练数据作出的预测质量，定量地区分模型的估计输出（预测值）与正确输出（真实值）之间的差异。本文以均方误差最小化作为损失函数：L=i=1I()yi-yi2（1）式中：L为样本损失；I为训练样本长度；yi为第i个训练样本对应的计算流量；yi为第i个训练样本的对应实际流量。当模型训练误差loss小于0.000 1则退出循环，模型训练过程中误差损失函数值变化如图8所示。0.080.06loss0.04迭代次数0.020020406080100图8计算损失函数值变化Fig.8Loss function curve2.3模型结果分析本文采用计算数据与实际数据之间的相对误差、纳什系数（NSE），对本文所构建的基于卷积神经网络的降雨径流预报模型的预报结果进行评价。依据训练的卷积神经网络模型结构，首先输入单次降雨过程，进行模型模拟计算，将模型结果进表1模型网络结构参数Table1Network model structure parameters网络结构conv.weightconv.biasbn.weightbn.biasfc1.weightfc1.biasfc2.weightfc2.bias参数torch.Size（1,10,3,3)torch.Size（1)torch.Size（1)torch.Size（1)torch.Size（256,980)torch.Size（256)torch.Size（1,256)torch.Size（1)85第43卷水 文行反归一化输出，模型输入输出效果如图 9。然后将剩余所有测试样本数据输入模型，进行模型测试，模型输入输出效果如图 10，模型测试结果误差分析见表2。1 400171 2001 00080060040020002467输出输入时段（t=6 h）流量/（m3s-1）样本值拟合值10 12 14 16 18图9单场洪水输入输出效果图Fig.9Single flood input and output renderings1 6001 4001 2001 0008006004000123456789200流量/（m3s-1）场次输出输入样本值拟合值图10多场洪水输入输出效果图Fig.10Multi-flood input and output renderings表2模型测试结果误差分析Table2 Error analysis of model test results场次123456789样本洪峰流量/mm1 200.97930.16665.91242747.511 025.4382.991 086.891 272.03拟合洪峰流量/mm1 088.32840.68684.811 165.38798.591 187.27456.21 133.851 332.91峰现时间差/h006600000相对误差%9.389.622.846.176.8315.7919.124.324.79根据测试样本的样本值和拟合值，以单场洪水为分析对象，洪峰相对误差为9.38%，纳什系数为0.95，模拟效果好；以场次洪水为分析对象，对洪峰流量和峰现时间进行误差分析，由分析结果可知，洪峰相对误差最大值为19.12%，纳什系数为0.9。从模型模拟结果可知：模型对量级较大的洪水的模拟效果好于量级小的洪水；模型模拟场次洪水过程中，模拟洪水的起涨效果优于退水效果。分析出现上述结果的原因首先量级较大的洪水，降雨强度大，模型输入数据更准确，使得模拟结果更好；其次，洪水的退水过程受多重因素影响，本文所建立的模型，考虑因素不够全面，导致模拟洪水起涨效果优于退水效果。2.4模型对比分析依据研究区域水文资料，采用传统的API模型与本论文模型进行对比。选用研究区域历史水文资料，用6 h综合单位线进行洪水预报，模型预报结果如图11所示。以洪峰流量和峰现时间为评价因子，对预报结果进行分析，分析预报结果如表3。经对比分析，利用该模型进行洪水预报精度为78.1%。02004006008001 0001 200洪号预报流量实测流量2007-06-192007-07-13201408312016070220160719流量/（m3s-1）图11远安站API模型检验结果Fig.11 API model test results of Yuanan Station基于卷积神经网络的流域降雨径流预报模型预报结果与API模型进行对比分析可知，API模型预报表3远安站API模型洪水校核成果表Table3API model flood check result table of Yuanan Station洪号2007061920070713201408312016070120160720实测峰现时间月67977日18132119时14814820预报峰现时间月67977日18132120时20814142实测洪峰流量/（m3s-1）9307511420181429预报洪峰流量/（m3s-1）9057721 725.7260294误差统计（Q预-Q实）/Q实/%-2.69%2.80%21.53%43.65%-31.47%评定时间差/h60066评定86徐刚等：基于深度学习的流域洪水预报模型研究第3期精度为78.1%，基于卷积神经网络模型的降雨径流预报精度为90%，表明基于卷积神经网络的流域降雨径流模型可靠，能满足大部分的降雨径流预报。3结语本文建立基于卷积神经网络的流域降雨径流预报模型。将流域水文、气象、地形、植被等数据处理为高维张量数据形式，并与输出数据进行错时段匹配，形成时间序列的样本数据集。在模型建立过程中，通过训练样本计算优化模型参数，并通过强化学习方法在线更新学习不断对模型进行优化，使模型达到当前最优。通过测试数据集检验模型精度，基于卷积神经网络模型的降雨径流预报精度为90%，测试结果表明模型预报精度较高，并与API模型进行对比，表明基于卷积神经网络的降雨径流模型优于API模型，说明基于卷积神经网络的流域降雨径流模型可靠，为流域降雨径流预报提供一种新的思路和方法。由于资料有限，研究中只考虑降雨地形等输入数据，下一步研究中将在输入因子选择上更加全面，同时扩充样本数据容量，提升模型预测精度。参考文献：1 蒋云钟,冶运涛,赵红莉,等.水利大数据研究现状与展望J.水力发电学报,2020,39（10）：1-32.2 刘章君,郭生练,许新发,等.贝叶斯概率水文预报研究进展与展望J.水利学报,2019,50（12）：1467-1478.3 刘佩瑶,郝振纯,王国庆,等.新安江模型和改进BP神经网络模型在闽江水文预报中的应用J.水资源与水工程学报,2017,28（1）：40-44.4 王文,马骏.若干水文预报方法综述J.水利水电科技进展,2005,25（1）：56-60.5 陈守煜.中长期水文预报综合分析理论模式与方法J.水利学报,1997（8）：16-22.6 梁忠民,戴荣,王军,等.基于贝叶斯模型平均理论的水文模型合成预报研究J.水力发电学报,2010,29（2）：114-118.7 YUREKLI K,PAL M,SATTARI M T.Performance evalu-ation of artificial neural network approaches in forecasting reservoir inflow J.Applied Mathematical Modelling,2012,36（6）：2649-2657.8 BELL B,WALLACE B,ZHANG D.Forecasting river runoff throughSupport Vector Machines C.2012 IEEE 11th International Conference on Cognitive Informatics and Cognitive Computing（ICCI*CC）.Kyoto：IEEE,2012：58-64.9 WU M C,LIN G F,LIN H Y.Improving the forecasts of extreme streamflow by support vector regression with the data extracted by self-organizing map J.Hydrological Processes,2014,28（2）：386-97.10赵泽谦,黄强,明波,等.基于多模型随机组合的水文集合预报方法研究J.水力发电学报,2021,40（1）：76-87.11马瑜君,邹希.基于深度学习的中小河流洪水预报方法研究J.国外电子测量技术,2018,37（12）：7-13.12LECUN Y,BENGIO Y,HINTON G.Deep LearningJ.Nature,2015,521（7553）：436-444.13Kunihiko Fukushima.Neocognitron：A self-organizing neural network model for a mechanism of pattern recognition unaffected by shiftin positionJ.Biological Cybernetics,1980,36（4）：193-202.14HUBEL D H,WIESEL T N.Receptive fields of single neurones in thecats striate cortexJ.Republication of The Journal of Physiology1959,148（3）,574-591.15LECUN Y，BOSER B，DENKER J，et al.Backpropagation appliedto handwritten zip code recognitionJ.Neural Computation,1989,1（4）：541-551.16吴宏财.基于深度学习的地面与TRMM降水数据融合D.成都：电子科技大学,2020.17许国艳,朱进,司存友,等.基于CNN和MC的水文时间序列预测组合模型J.计算机与现代化,2019（11）：23-28，33.18唐海华,李琪,黄瓅瑶,等.基于CNN深度学习的径流预判方法及应用J.水利信息化,2020（6）：37-42.19吴鑫俊,赵晓东,丁茜,等.基于数据驱动的CNN洪水演进预测方法J.水力发电学报,2021,40（5）：79-86.20郑远攀,李广阳,李晔.深度学习在图像识别中的应用研究综述J.计算机工程与应用,2019,55（12）：20-36.21盖荣丽,蔡建荣,王诗宇,等.卷积神经网络在图像识别中的应用研究综述J/OL.小型微型计算机系统：1-62021-05-24.22李晓阳,谢恒义,韩贞辉,等.卷积神经网络在图像识别技术中的应用研究J.能源与环保,2020,42（6）：73-76.23RAWAT W,WANG Z.Deep convolutional neural networks for imageclassification：a comprehensive reviewJ.Neural computation,2017,29（9）：2352-2449.24王修信,杨路路,汤谷云,等.利用卷积神经网络提取高分辨率遥感图像喀斯特森林信息J.科学技术与工程,2020,20（17）：6773-6777.25李炳臻,刘克,顾佼佼,等.卷积神经网络研究综述J.计算机时代,2021（4）：8-12，17.26谢锦莹.基于全卷积神经网络结合面向对象的滨海湿地植被遥感动态监测D.杭州：浙江农林大学,2019.27邓柳,汪子杰.基于深度卷积神经网络的车型识别研究J.计算机应用研究,2016,33（3）：930-932.28周飞燕,金林鹏,董军.卷积神经网络研究综述J.计算机学报,2017,40（6）：1229-1251.29翁健.基于全卷积神经网络的全向场景分割研究与算法实现D.济南：山东大学,2017.30GU J X,WANG Z H,KUEN J,et al.Recent Advances in Convolutional Neural NetworksJ.Pattern Recognition,2018,77（5）：354-377.（下转第92页）87第43卷水 文Study on Reconstruction of Historical Flow Sequence ofTypical Karst Springs in Northern PiedmontXU Liang1,2,GUO Gaoxuan1,2（1.Beijing Institute of Geological Environment Monitoring，Beijing100195，China；2.Urban Groundwater Safety Prevention and Control Technology Innovation Base,Beijing100195,China）Abstract：The lack of spring flow series seriously affects the understanding of the changes of hydrogeological conditions,so it isof great significance to reconstruct the missing spring flow sequence.Based on the periodicity and trend of spring water dynamics,the reconstruction of the flow series of a typical karst spring group missing from 1961 to 1974 was carried out by using multiplelinear regression model,multiple linear regression model considering spring lag precipitation,SARIMA model and the combinationof SARIMA and multiple linear regression model.The results show that the flow reconstructed by the model combining SARIMAand multiple linear regression is reasonable.Keywords：spring flow;rainfall;flow data into the lake;data reconstructionResearch on Watershed Flood Forecasting ModelBased on Deep LearningXU Gang1,2,HU Tingting3,WANG Chenni1（1.College of Hydraulic&Environmental Engineering,China Three Gorges University,Yichang443002,China；2.Hubei Provincial Collaborative Innovation Center for Water Resources Security,Wuhan430072,China；3.Immigration Management Consulting Center of the Ministry of Water Resources,Yichang443000,China）Abstract：With the popularization of hydrological information systems,the process of collecting data has become more and moreconvenient.Traditionally,various hydrological models and parameter calibration are used to describe the complex relationship between hydrological data and prediction results.How to achieve hydrological data-driven Automatic Hydrological Prediction is aproblem at present.In recent years,artificial intelligence technology has begun to flourish,and deep learning technology has begun to be applied in the field of hydrology,trying to solve this barrier.Taking the watershed from the West Branch of JuzhangRiver to Yuanan as the research object,combined with the principle of distributed hydrological model and deep learning theory,this paper extracts runoff characteristics of the watershed based the multi-dimensional data,uses the characteristic network to predict the watershed runoff,and constructs a convolutional neural networks（CNN）Watershed rainfall runoff prediction model.Theresults show that the simulation accuracy of the basin rainfall-runoff forecast model based on the convolutional neural network is90%,the model is reliable,and it could meet most of the rainfall runoff forecasts,and it is the rainfall runoff forecast of the basin.Provide a new method.Keywords：artificial intelligence;rainfall and runoff forecast;deep learning;convolutional neural network;parameter calibration（上接第87页）92