CN113807545A - 一种基于深度学习和物理模型的河湖生态流量预报预警方法 - Google Patents
一种基于深度学习和物理模型的河湖生态流量预报预警方法 Download PDFInfo
- Publication number
- CN113807545A CN113807545A CN202111054860.XA CN202111054860A CN113807545A CN 113807545 A CN113807545 A CN 113807545A CN 202111054860 A CN202111054860 A CN 202111054860A CN 113807545 A CN113807545 A CN 113807545A
- Authority
- CN
- China
- Prior art keywords
- early warning
- river
- ecological flow
- flow
- lake
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 230000008020 evaporation Effects 0.000 claims description 13
- 238000001704 evaporation Methods 0.000 claims description 13
- 238000011144 upstream manufacturing Methods 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims 2
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000002708 enhancing effect Effects 0.000 abstract 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F15/00—Details of, or accessories for, apparatus of groups G01F1/00 - G01F13/00 insofar as such details or appliances are not adapted to particular types of such apparatus
- G01F15/06—Indicating or recording devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Fluid Mechanics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习和物理模型的河湖生态流量预报预警方法，旨在建立河湖生态流量预测预报模型，提出生态流量预警保障机制。所述方法包括：1)基于水文学方法推算河湖断面生态流量核定值；2)基于河湖生态保护对象提出不同预警等级和预警阈值；3)基于流域内水文和气象数据，通过深度学习预报河湖生态流量预警信息；4)当出现河湖生态流量预警时，通过加强水利工程优化调度，运用物理模型计算河湖断面流量，满足断面生态流量目标要求值。本发明的方法能够准确地预报河湖生态流量预警信息；能够有效地提高水利工程优化调度能力；能够为河湖生态流量达标提供决策依据。
Description
技术领域
本发明涉及生态流量预报预警技术领域，尤其是涉及一种基于深度学习和物理模型的河湖生态流量预报预警方法。
背景技术
目前，大多数河流生态系统正面临气候变化和人类活动干扰，如降雨量的急剧减少和极端天气事件(如极端干旱和气候变暖)的增加，水资源枯竭、水污染、景观变化、生物资源过度利用和水文条件变化，以及自然干扰，如洪水、干旱和水土流失。河流生态系统在物种组成、群落结构和生态功能方面已开始出现退化迹象，提出生态流量的概念是为了遏制过度用水造成的河流生态系统退化。确定河湖生态流量既是保护河湖生态系统的重要举措，又是开展水利工程生态调度的重要依据。因此，利用流域内水文、气象条件，结合水利工程实际运行调度能力，建立生态流量预测预报模型，提出生态流量预警保障机制，已是流域水资源保护和管理工作的重中之重。
现阶段对于河湖重要断面的生态流量目标值制定已经日趋完善，但是对于生态流量的预报预警机制缺乏研究，仅仅通过计算生态流量阈值，无法有效地提高河湖生态流量保障工作。同时，由于生态流量不同预警等级之间流量数值差别较小，传统水文模型很难精确的提供预报预警结果，进而影响流域内水利工程优化生态调度，无法为流域水资源保护和监管提供决策依据。
发明内容
本发明的目的在于针对现有河湖生态流量预报预警模型的不足，提供一种基于深度学习和物理模型的河湖生态流量预报预警方法，通过结合深度学习和物理模型，以弥补河湖生态流量预报预警中单一水文模型的预报精度不足，提高流域内水利工程优化生态调度能力。
为实现上述目标，本发明采用的技术方案如下：
一种基于深度学习和物理模型的河湖生态流量预报预警方法，包含以下步骤：
(1)获得历史河湖断面日尺度流量数据，对河湖生态流量进行核定，获得生态流量核定值；具体的：采用逐月最小生态流量法和流量历时曲线法分别计算河湖断面的生态流量，将其平均值作为生态流量核定值。其中逐月最小生态流量法取天然月均流量系列中逐月流量系列的最小值作为河湖断面的生态流量，流量历时曲线法选取95％历时点流量作为河湖断面生态流量的计算依据。
(2)确定生态流量控制断面预警阈值并划分预警等级；通过充分考虑河湖生态保护对象用水需求特征、管理需求、水文特征和监测实施条件等因素，可以根据生态流量核定值将生态流量预警等级分为3级，按生态流量核定值的120％～110％、110％～100％和小于100％设置蓝色、黄色和红色预警。
(3)获得流域内历史降水和蒸发等日尺度数据，将河湖断面日尺度流量数据根据预警阈值确定相应的预警等级，通过深度学习XGBoost(eXtreme Gradient BoostingTree)模型，以降水和蒸发数据作为输入，以生态流域预警等级作为输出,得到生态流量预警预报模型；
具体的，可以利用80％数据来训练模型，剩下的20％测试模型的精度，XGBoost模型基本流程如图1所示。根据深度学习理论，可以采用主成分分析法，将前期3天的实测降雨和蒸发作为模型的输入因子，生态流域预警信息为模型输出值。主成分析法利用数学变换的方法将给定的多个指标因子转化为少数几个主成分，用少数的主成分因子代替原始多维相关变量的过程。XGBoost预测模型的核心思想是通过每次学习一个新函数来拟合先前预测的残差，从而根据样本特征计算每个节点对应的得分，所有分数的总和就是样本的预测值，其表示为：
式中，yi为模型的预测值，xi为i样本的类别标签，k为树的数量，fk表示第k个树模型。XGBoost算法用于学习k树，当树的损失函数最小时，该模型是最优模型，其预测精度也最高，可以表示为：
式中，l(yi,Yi)表示预测值yi和目标真实值Yi之间的训练误差，Ω(f(t))为惩罚模型的复杂度之和，γ是节点的划分程度以防止过拟合，λ为正则化系数，ω是叶节点向量模。在学习过程中，使用目标函数来表征此时的算法是否最优，XGBoost模型使用算法遍历所有特征的分割点，如果拆分后的目标函数大于拆分前的目标函数且超过设定的阈值，则可以拆分，当重量和最大深度超过设定阈值时停止拆分，以防止过度拟合，并在拆分中不断找到适当的学习功能。判断拆分的条件函数为：
式中，
是切割节点后左侧节点的得分，
是切割节点后右侧节点的得分，
为切割后的得分，Gain是判断是否拆分的条件函数，如果Gain＞0，则执行拆分，否则不执行拆分。
(4)利用生态流量预警预报模型对生态流量等级进行预测，当预报结果显示预警信息时，通过增加上游水库出库流量进行调控，采用物理模型计算断面流量，以判断调控方案是否可行，最终实现满足断面生态流量目标要求值(即满足无生态流量预警)。
所述的物理模型优选采用新安江模型，新安江模型是分散型结构，把流域分成多块单元子流域，对每个单元流域作产汇流计算，每个单元流域的出流过程相加求得流域出口的总出流过程。模型采用三层蒸发模型计算蒸散发，产流部分以蓄满产流理论为基础，引入线性水库将产生的径流划分为三水源，坡地汇流采用无因次单位线模拟水体，单元出口至流域出口断面的河道洪水演算采用马斯京根法线性解。
建立日尺度新安江模型时，以实测水文站点流域内降雨、蒸发及水库出库流量作为模型输入，以实测日径流序列为模型输出，可以将80％的数据来训练，20％的数据用于测试模型精度；设置纳什效率系数(NSE)和百分比偏差(Bias％)为评价指标，通过评价指标来展现模型的拟合效果，其中NSE越接近1表示预测效果越好，Bias％越接近0表示预测效果越好。其公式如下所示：
式中，
为日径流观测值；
为模型预测值；
为观测值的平均值；n为数据总数。
通过采用上述手段，本发明的有益效果为：
(1)本发明利用日尺度径流序列，通过水文学法计算河湖断面生态流量核定值，并充分考虑河湖生态保护对象用水需求特征、管理需求、水文特征和监测实施条件等因素设置预警等级，有效地建立河湖生态流量预警机制。
(2)本发明基于深度学习，通过日尺度水文和降雨数据，建立河湖生态流量预警预报模型，使预警信息预报精度进一步提升。
(3)本发明提供一种新的河湖生态流量预报预警方法，当预报结果显示预警信息时，通过增加上游水库出库流量，采用物理模型(新安江模型)计算断面流量，进而满足断面生态流量目标要求值，为流域水资源保护和监管提供决策依据。
附图说明
图1为本发明的XGBoost模型基本流程图；
图2为本发明方法的一种具体流程示意图；
图3为本发明的一个具体实例的新安江模型验证期实测—模拟流量过程线；
具体实施方式
下面通过实例，并结合附图，对本发明的技术方案做进一步详细说明。为了突出本发明的优势，利用本发明建立河湖生态流量预报预警体系，进而满足断面生态流量目标要求值。
如图2所示，本发明的一种基于深度学习和物理模型的河湖生态流量预报预警方法，包括如下步骤：
(1)生态流量核定值计算：基于流域内水文站点2009-2019年的实测日流量数据，通过逐月最小生态流量法计算得到该流域生态流量为2.1m3/s，而通过流量历时曲线法计算得到该流域生态流量为1.7m3/s。因此，取其平均值(1.9m3/s)作为生态流量核定值，该流域内2009-2019年生态流量保值率如表1所示：
表1流域生态流量保证率(2009-2019)
| 年份 | 2009 | 2010 | 2011 | 2012 | 2013 | 2014 |
| 保证率 | 95.07％ | 99.45％ | 98.08％ | 99.73％ | 94.79％ | 89.04％ |
| 年份 | 2015 | 2016 | 2017 | 2018 | 2019 | |
| 保证率 | 93.97％ | 97.54％ | 90.96％ | 94.79％ | 89.04％ |
(2)生态流量预警等级设置：根据已计算出的流域生态流量核定值，充分考虑河湖生态保护对象用水需求特征、管理需求、水文特征和监测实施条件等因素，将生态流量预警等级分为3级，按生态基流目标要求值的120％～110％、110％～100％和小于100％设置蓝色、黄色和红色预警，具体如表2所示：
表2生态流量预警等级信息
| 预警等级 | 流量范围 |
| 无预警 | Q≥2.28m<sup>3</sup>/s |
| 蓝色预警 | 2.28m<sup>3</sup>/s＞Q≥2.09m<sup>3</sup>/s |
| 黄色预警 | 2.09m<sup>3</sup>/s＞Q≥1.9m<sup>3</sup>/s |
| 红色预警 | Q＜1.9m<sup>3</sup>/s |
(3)生态流量预警预报模型建立：首先将径流数据按照生态流量预警等级信息分为0-3四个等级，其中0代表无预警，1为蓝色预警，2为黄色预警，3为红色预警。训练期取整体数据的80％，余下的20％为测试期，其中取2009-2017年为训练期，2018-2019年为测试期。
XGBoost模型的输入因子为Pt、Pt-1、Pt-2、Pt-3、Et、Et-1、Et-2、Et-3，其中Pt和Et为t时间流域内面雨量和蒸发值，Pt-1和Et-1为t-1时间流域内面雨量和蒸发值，Pt-2和Et-2为t-2时间流域内面雨量和蒸发值，Pt-3和Et-3为t-3时间流域内面雨量和蒸发值，t的单位为日。XGBoost模型的输出因子It,It为流域内生态流量预警信息，取值为0-3。生态流量预警模型训练期和测试期模拟效果如表3所示：
表3 XGBoost模型模拟效果
(4)流域物理模型建立：将2009-2019年实测水文站点流域内降雨、蒸发及2座水库出库流量作为日尺度新安江模型的模型输入，实测日径流序列为模型输出，取2009-2017年为率定期，2018-2019年为验证期。率定后得到的参数如表4所示：
表4新安江模型参数取值
将步骤(4)所得的模拟结果，代入评价指标公式，从数值结果上体现模型的拟合效果，具体计算方程式如下：
式中，
为日径流观测值；
为模型预测值；
为观测值的平均值；n为数据总数，新安江模型模拟结果分析如表5所示：
表5模型模拟效果分析
本发明方法中新安江模型模拟结果较好，率定期中NSE数值为0.91，并且Bias％的结果为1.89。根据我国《水文情报预报规范》规定，确定性系数大于0.90为精度甲等级，本模型验证期纳什效率为0.90，与此同时，百分比偏差(2.02％)符合小于15％的指标，说明本预报模型的效果很好，可用于该水文站点的日径流预报以及后续的水资源优化配置，验证期新安江模型验证期实测—模拟流量过程线如图2所示。
根据步骤(3)所建立的生态流量预警预报模型，当预报结果显示预警信息时，通过增加上游水库出库流量，采用物理模型(新安江模型)计算断面流量，进而满足断面生态流量目标要求值，具体水库生态流量优化调度结果如表6所示：
表6水利工程优化调度后断面生态流量状况
以上所述仅对本发明的实例实施而已，并不用于限制本发明，发明中XGBoost模型可以根据不同的研究区域进行模型训练和核函数选择。凡是在本发明的权利要求限定范围内，所做的任何修改、等同替换、改进等，均应在本发明的保护范围之内。
Claims (5)
1.一种基于深度学习和物理模型的河湖生态流量预报预警方法，其特征在于，包含以下步骤：
1)获得历史河湖断面日尺度径流数据，对河湖生态流量进行核定，获得生态流量核定值；
2)根据生态流量核定值确定生态流量控制断面预警阈值并划分预警等级；
3)获得历史流域内降水和蒸发日尺度数据，将河湖断面日尺度径流数据根据预警阈值确定相应的预警等级，通过深度学习XGBoost模型，以降水和蒸发数据作为输入，以生态流量预警等级作为输出,得到生态流量预警预报模型；
4)利用生态流量预警预报模型对生态流量等级进行预测，当预报结果显示预警信息时，通过增加上游水库出库流量进行调控，并采用物理模型计算断面流量，以判断调控方案是否可行。
2.根据权利要求1所述的基于深度学习和物理模型的河湖生态流量预报预警方法，其特征在于，步骤1)中对河湖生态流量进行核定的方法具体是：采用逐月最小生态流量法和流量历时曲线法分别计算河湖断面的生态流量，取二者的平均值作为生态流量核定值；所述的逐月最小生态流量法取天然月均流量系列中逐月流量系列的最小值作为河湖断面的生态流量，所述的流量历时曲线法选取95％历时点流量作为河湖断面的生态流量。
3.根据权利要求1所述的基于深度学习和物理模型的河湖生态流量预报预警方法，其特征在于，步骤2)中所述的预警阈值为生态流量核定值的120％～110％、110％～100％和小于100％，分别对应预警等级为蓝色、黄色和红色预警。
4.根据权利要求1所述的基于深度学习和物理模型的河湖生态流量预报预警方法，其特征在于，步骤3)中在训练模型时，选用主成分分析法，将前期3天的实测降雨和蒸发作为模型的输入因子，生态流量预警信息为模型输出值。
5.根据权利要求1所述的基于深度学习和物理模型的河湖生态流量预报预警方法，其特征在于，步骤4)中所述的物理模型采用新安江模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111054860.XA CN113807545A (zh) | 2021-09-09 | 2021-09-09 | 一种基于深度学习和物理模型的河湖生态流量预报预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111054860.XA CN113807545A (zh) | 2021-09-09 | 2021-09-09 | 一种基于深度学习和物理模型的河湖生态流量预报预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113807545A true CN113807545A (zh) | 2021-12-17 |
Family
ID=78894935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111054860.XA Pending CN113807545A (zh) | 2021-09-09 | 2021-09-09 | 一种基于深度学习和物理模型的河湖生态流量预报预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113807545A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114548511A (zh) * | 2022-01-18 | 2022-05-27 | 广西电网有限责任公司 | 一种低水头水电站群下游水库日平均入库流量的预测方法 |
| CN114819322A (zh) * | 2022-04-18 | 2022-07-29 | 武汉大学 | 湖泊入湖流量的预报方法 |
| CN114912359A (zh) * | 2022-05-19 | 2022-08-16 | 安徽金海迪尔信息技术有限责任公司 | 一种基于XGBoost机器学习模型的水位动态预测方法 |
| CN114970377A (zh) * | 2022-07-29 | 2022-08-30 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于新安江与深度学习耦合模型的场次洪水预报方法和系统 |
| CN116150973A (zh) * | 2022-12-29 | 2023-05-23 | 中国长江电力股份有限公司 | 一种基于模型树和集成学习组合算法的河道流量演算方法 |
| CN118114959A (zh) * | 2024-04-30 | 2024-05-31 | 长江水利委员会水文局 | 基于中长期径流预测与互馈的生态流量保障方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408318A (zh) * | 2014-12-03 | 2015-03-11 | 中国水利水电科学研究院 | 一种河流型水功能区季节性设计流量计算方法 |
| CN107292118A (zh) * | 2017-07-24 | 2017-10-24 | 中国水利水电科学研究院 | 一种冰封期河流生态基流计算方法 |
| CN110428106A (zh) * | 2019-08-05 | 2019-11-08 | 山东农业大学 | 一种基于机器学习的农作物需水量预测方法 |
| CN111597758A (zh) * | 2020-05-14 | 2020-08-28 | 河海大学 | 一种基于负相关学习的中小河流集成预报方法 |
| CN112330065A (zh) * | 2020-11-26 | 2021-02-05 | 浙江大学 | 一种基于基流分割和人工神经网络模型的径流预报方法 |
-
2021
- 2021-09-09 CN CN202111054860.XA patent/CN113807545A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408318A (zh) * | 2014-12-03 | 2015-03-11 | 中国水利水电科学研究院 | 一种河流型水功能区季节性设计流量计算方法 |
| CN107292118A (zh) * | 2017-07-24 | 2017-10-24 | 中国水利水电科学研究院 | 一种冰封期河流生态基流计算方法 |
| CN110428106A (zh) * | 2019-08-05 | 2019-11-08 | 山东农业大学 | 一种基于机器学习的农作物需水量预测方法 |
| CN111597758A (zh) * | 2020-05-14 | 2020-08-28 | 河海大学 | 一种基于负相关学习的中小河流集成预报方法 |
| CN112330065A (zh) * | 2020-11-26 | 2021-02-05 | 浙江大学 | 一种基于基流分割和人工神经网络模型的径流预报方法 |
Non-Patent Citations (2)
| Title |
|---|
| 仲志余 等: "《工程运用后长江中下游防洪技术研究》", 31 December 2011, 长江出版社, pages: 279 * |
| 陈凯麒 等: "《地表水环境影响评价数值模拟方法及应用》", 30 April 2018, 中国环境出版集团, pages: 480 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114548511A (zh) * | 2022-01-18 | 2022-05-27 | 广西电网有限责任公司 | 一种低水头水电站群下游水库日平均入库流量的预测方法 |
| CN114819322A (zh) * | 2022-04-18 | 2022-07-29 | 武汉大学 | 湖泊入湖流量的预报方法 |
| CN114819322B (zh) * | 2022-04-18 | 2024-05-14 | 武汉大学 | 湖泊入湖流量的预报方法 |
| CN114912359A (zh) * | 2022-05-19 | 2022-08-16 | 安徽金海迪尔信息技术有限责任公司 | 一种基于XGBoost机器学习模型的水位动态预测方法 |
| CN114970377A (zh) * | 2022-07-29 | 2022-08-30 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于新安江与深度学习耦合模型的场次洪水预报方法和系统 |
| CN116150973A (zh) * | 2022-12-29 | 2023-05-23 | 中国长江电力股份有限公司 | 一种基于模型树和集成学习组合算法的河道流量演算方法 |
| CN116150973B (zh) * | 2022-12-29 | 2024-02-13 | 中国长江电力股份有限公司 | 一种基于模型树和集成学习组合算法的河道流量演算方法 |
| CN118114959A (zh) * | 2024-04-30 | 2024-05-31 | 长江水利委员会水文局 | 基于中长期径流预测与互馈的生态流量保障方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113807545A (zh) | 一种基于深度学习和物理模型的河湖生态流量预报预警方法 | |
| CN107992961B (zh) | 一种自适应的流域中长期径流预报模型架构方法 | |
| CN101480143B (zh) | 一种预测灌区作物单产量的方法 | |
| Du et al. | Modeling and analysis of effects of precipitation and vegetation coverage on runoff and sediment yield in Jinsha River Basin | |
| CN112686426B (zh) | 一种基于水电站流域关键点的来水量预警方法及系统 | |
| CN114741987B (zh) | 考虑洪水预报模型绝对误差拟合残差分布的洪水概率预报模型 | |
| Mediero et al. | Probabilistic calibration of a distributed hydrological model for flood forecasting | |
| CN106971034B (zh) | 一种基于集合卡尔曼滤波的对无资料地区径流量推求方法 | |
| CN108830419B (zh) | 一种基于ecc后处理的梯级水库群入库流量联合预报方法 | |
| CN113221439B (zh) | 一种基于bp神经网络的排水系统实时率定与动态预测方法 | |
| CN110414051B (zh) | 一种抑制河流水华的生态需水核算方法 | |
| CN113435630B (zh) | 一种产流模式自适应的流域水文预报方法及系统 | |
| CN114970377B (zh) | 基于新安江与深度学习耦合模型的场次洪水预报方法和系统 | |
| CN116050628A (zh) | 一种基于数字孪生的考虑预报不确定性的水库防洪优化调度方法 | |
| CN112528563B (zh) | 一种基于svm算法的城市内涝预警方法 | |
| CN111815043B (zh) | 一种基于暴雨特征的洪水流量预测方法及系统 | |
| CN110334876A (zh) | 一种基于径流情势、水质及生物多要素的环境流量过程调控方法 | |
| CN115375198A (zh) | 区域河湖水系连通联合调度和水质安全保障方法及系统 | |
| CN116485584A (zh) | 高寒区大底坡河流wee协同调控方法及系统 | |
| CN114819322B (zh) | 湖泊入湖流量的预报方法 | |
| CN114417740B (zh) | 一种深海养殖态势感知方法 | |
| CN112163366A (zh) | 一种无资料地区水文模型参数自动率定方法 | |
| CN114595631A (zh) | 一种基于efdc模型和机器学习算法的水质预测方法 | |
| US20240256746A1 (en) | Scheduling method and system for operation of reservoirs to recharge freshwater for repelling saltwater intrusion under changing conditions | |
| CN113836807B (zh) | 一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211217 |