本發(fā)明涉及數(shù)據(jù)預測處理，特別涉及一種基于人工智能和衛(wèi)星遙感的洪水預報方法。

背景技術：

1、近幾十年來，大氣中二氧化碳等溫室氣體排放量急劇增加，地球陸地圈與大氣圈的能量收支平衡與物質(zhì)循環(huán)過程發(fā)生改變，全球溫度不斷升高、珊瑚礁和熱帶雨林大面積消亡，社會經(jīng)濟系統(tǒng)和生態(tài)環(huán)境的不均衡、不平等日益加劇。中國是受全球氣候變化影響最嚴重的國家之一，近年來極端降水和洪水等災害頻繁發(fā)生，嚴重威脅兩國生態(tài)安全、防洪安全、能源安全和糧食安全。為應對上述挑戰(zhàn)，當前迫切需要研究極端降水和洪水事件的形成機理，并通過提高預報精度開展防災減災工作。

2、相關技術中，能夠獲取水文氣象數(shù)據(jù)，確定預先劃分的區(qū)域中目標區(qū)域的水文氣象特征，通過建立氣象變量與洪水的線性或非線性關系，從而開展洪水預報。

3、然而，相關技術未能充分利用衛(wèi)星遙測氣象信息，未能考慮人類活動干擾對徑流模擬造成的誤差，不能解決稀缺資料地區(qū)的長系列洪水預報難題，亟待改善。

技術實現(xiàn)思路

1、本發(fā)明提供一種基于人工智能和衛(wèi)星遙感的洪水預報方法，以解決相關技術需要較長系列的氣象水文數(shù)據(jù)，但是，現(xiàn)在大多數(shù)地區(qū)水文氣象數(shù)據(jù)極度匱乏，有些地區(qū)僅有少量實測水文氣象資料，衛(wèi)星遙感主要通過氣象衛(wèi)星的搭載傳感器，實現(xiàn)對氣象數(shù)據(jù)的測量，但是衛(wèi)星遙感技術存在柵格尺度較大、空間分辨率低的問題，難以直接滿足實際要求。同時，水文模型適用于模擬天然狀態(tài)下的徑流過程，大壩、水庫、農(nóng)業(yè)灌溉、引水和跨流域調(diào)水等工程措施往往會破壞下墊面的一致性，造成流域水文模型存在較大誤差，制約了水文模擬精度。相關技術未能充分利用衛(wèi)星遙測氣象信息，未能考慮人類活動干擾對徑流模擬造成的誤差，不能解決稀缺資料地區(qū)的長系列洪水預報難題的問題。

2、本發(fā)明第一方面實施例提供一種基于人工智能和衛(wèi)星遙感的洪水預報方法，應用于模型構建階段，包括以下步驟：基于稀缺資料地區(qū)的地面氣象站的有限觀測數(shù)據(jù)與衛(wèi)星遙感的大尺度格點數(shù)據(jù)，建立統(tǒng)計降尺度模型，并根據(jù)所述統(tǒng)計降尺度模型獲取長系列氣象觀測資料；基于所述稀缺資料地區(qū)的每一個子流域的短系列徑流觀測數(shù)據(jù)和降尺度后的氣象資料，建立流域水文模型，并利用所述流域水文模型對所述每一個子流域的初步徑流進行模擬，以得到所述每一個子流域的模擬徑流；對所述每一個子流域的模擬徑流進行校正，以得到校正后的模擬徑流系列，并根據(jù)所述校正后的模擬徑流系列構建所述每一個子流域的長短時記憶神經(jīng)網(wǎng)絡模型；將所述長系列氣象觀測資料分別輸入至所述流域水文模型和所述長短時記憶神經(jīng)網(wǎng)絡模型，以得到所述稀缺資料地區(qū)的每一個子流域的重構長系列徑流過程；從所述每一個子流域的重構長系列徑流過程中提取出洪水事件，并基于所述洪水事件建立包括空間屬性、氣象預報信息和氣象-水文時滯特征的隨機森林模型，以預報所述稀缺資料地區(qū)的大尺度洪水。

3、可選地，在本發(fā)明的一個實施例中，所述對所述每一個子流域的模擬徑流進行校正，以得到校正后的模擬徑流系列，包括：基于所述稀缺資料地區(qū)的每一個子流域，對模擬的日徑流過程和實測的日徑流過程進行統(tǒng)計分析，以確定影響日實測徑流的滯時；基于所述影響日實測徑流的滯時，對所述模擬的日徑流過程進行校正，以得到所述校正后的模擬徑流系列。

4、可選地，在本發(fā)明的一個實施例中，所述校正后的模擬徑流系列的計算公式為：

5、，

6、其中，表示水文模型在時刻的模擬徑流，表示所述水文模型在時刻的模擬徑流，表示所述水文模型在時刻的模擬徑流，表示所述水文模型在時刻的模擬徑流，表示lstm模型確定的滯時，表示所述lstm模型。

7、可選地，在本發(fā)明的一個實施例中，所述將所述長系列氣象觀測資料分別輸入至所述流域水文模型和所述長短時記憶神經(jīng)網(wǎng)絡模型，以得到所述稀缺資料地區(qū)的每一個子流域的重構長系列徑流過程，包括：基于所述統(tǒng)計降尺度模型，采用所述衛(wèi)星遙測的大尺度柵格氣象數(shù)據(jù)獲取流域尺度的長系列氣象系列；將所述長系列氣象系列輸入至所述流域水文模型，得到所述每一個子流域的長系列徑流過程；利用所述長短時記憶神經(jīng)網(wǎng)絡模型對模擬的徑流進行校正，以重構所述每一個子流域的長系列徑流過程，得到所述每一個子流域的重構長系列徑流過程。

8、可選地，在本發(fā)明的一個實施例中，所述從所述每一個子流域的重構長系列徑流過程中提取出洪水事件，并基于所述洪水事件建立考慮空間屬性、氣象預報信息和氣象-水文時滯特征的隨機森林模型，包括：基于所述每一個子流域的重構長系列徑流過程，以日徑流的預設分位數(shù)為閾值，將超過所述閾值的日徑流作為所述洪水事件；基于所述洪水事件，獲取所述稀缺資料地區(qū)的每個子流域的流域平均氣象變量，并根據(jù)所述流域平均氣象變量建立所述隨機森林模型。

9、本發(fā)明第二方面實施例提供一種基于人工智能和衛(wèi)星遙感的洪水預報方法，應用于模型應用階段，包括以下步驟：獲取稀缺資料地區(qū)的每一個子流域的氣象預報信息和再分析氣象數(shù)據(jù)；

10、將所述氣象預報信息和所述再分析氣象數(shù)據(jù)輸入至預設的隨機森林模型，以驅(qū)動所述隨機森林模型生成所述稀缺資料地區(qū)的大尺度洪水預報結果，其中，所述預設的隨機森林模型由空間屬性、氣象預報信息和氣象-水文時滯特征構建得到。

11、本發(fā)明第三方面實施例提供一種基于人工智能和衛(wèi)星遙感的洪水預報裝置，采用如上述權利要求所述的基于人工智能和衛(wèi)星遙感的洪水預報方法，應用于模型構建階段，包括：建立模塊，用于基于稀缺資料地區(qū)的地面氣象站的有限觀測數(shù)據(jù)與衛(wèi)星遙感的大尺度格點數(shù)據(jù)，建立統(tǒng)計降尺度模型，并根據(jù)所述統(tǒng)計降尺度模型獲取長系列氣象觀測資料；模擬模塊，用于基于所述稀缺資料地區(qū)的每一個子流域的短系列徑流觀測數(shù)據(jù)和降尺度后的氣象資料，建立流域水文模型，并利用所述流域水文模型對所述每一個子流域的初步徑流進行模擬，以得到所述每一個子流域的模擬徑流；校正模塊，用于對所述每一個子流域的模擬徑流進行校正，以得到校正后的模擬徑流系列，并根據(jù)所述校正后的模擬徑流系列構建所述每一個子流域的長短時記憶神經(jīng)網(wǎng)絡模型；輸入模塊，用于將所述長系列氣象觀測資料分別輸入至所述流域水文模型和所述長短時記憶神經(jīng)網(wǎng)絡模型，以得到所述稀缺資料地區(qū)的每一個子流域的重構長系列徑流過程；預報模塊，用于從所述每一個子流域的重構長系列徑流過程中提取出洪水事件，并基于所述洪水事件建立包括空間屬性、氣象預報信息和氣象-水文時滯特征的隨機森林模型，以預報所述稀缺資料地區(qū)的大尺度洪水。

12、可選地，在本發(fā)明的一個實施例中，所述校正模塊包括：確定單元，用于基于所述稀缺資料地區(qū)的每一個子流域，對模擬的日徑流過程和實測的日徑流過程進行統(tǒng)計分析，以確定影響日實測徑流的滯時；校正單元，用于基于所述影響日實測徑流的滯時，對所述模擬的日徑流過程進行校正，以得到所述校正后的模擬徑流系列。

13、可選地，在本發(fā)明的一個實施例中，所述校正后的模擬徑流系列的計算公式為：

14、，

15、其中，表示水文模型在時刻的模擬徑流，表示所述水文模型在時刻的模擬徑流，表示所述水文模型在時刻的模擬徑流，表示所述水文模型在時刻的模擬徑流，表示lstm模型確定的滯時，表示所述lstm模型。

16、可選地，在本發(fā)明的一個實施例中，所述輸入模塊包括：獲取單元，用于基于所述統(tǒng)計降尺度模型，采用所述衛(wèi)星遙測的大尺度柵格氣象數(shù)據(jù)獲取流域尺度的長系列氣象系列；輸入單元，用于將所述長系列氣象系列輸入至所述流域水文模型，得到所述每一個子流域的長系列徑流過程；重構單元，用于利用所述長短時記憶神經(jīng)網(wǎng)絡模型對模擬的徑流進行校正，以重構所述每一個子流域的長系列徑流過程，得到所述每一個子流域的重構長系列徑流過程。

17、可選地，在本發(fā)明的一個實施例中，所述預報模塊包括：生成單元，用于基于所述每一個子流域的重構長系列徑流過程，以日徑流的預設分位數(shù)為閾值，將超過所述閾值的日徑流作為所述洪水事件；建立單元，用于基于所述洪水事件，獲取所述稀缺資料地區(qū)的每個子流域的流域平均氣象變量，并根據(jù)所述流域平均氣象變量建立所述隨機森林模型。

18、本發(fā)明第四方面實施例提供一種基于人工智能和衛(wèi)星遙感的洪水預報裝置，采用如上述權利要求所述的基于人工智能和衛(wèi)星遙感的洪水預報方法，應用于模型應用階段，包括：獲取模塊，用于獲取稀缺資料地區(qū)的每一個子流域的氣象預報信息和再分析氣象數(shù)據(jù)；驅(qū)動模塊，用于將所述氣象預報信息和所述再分析氣象數(shù)據(jù)輸入至預設的隨機森林模型，以驅(qū)動所述隨機森林模型生成所述稀缺資料地區(qū)的大尺度洪水預報結果，其中，所述預設的隨機森林模型由空間屬性、氣象預報信息和氣象-水文時滯特征構建得到。

19、本發(fā)明第五方面實施例提供一種電子設備，包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述程序，以實現(xiàn)如上述實施例所述的一種基于人工智能和衛(wèi)星遙感的洪水預報方法。

20、本發(fā)明第六方面實施例提供一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲計算機程序，該程序被處理器執(zhí)行時實現(xiàn)如上的一種基于人工智能和衛(wèi)星遙感的洪水預報方法。

21、本發(fā)明實施例通過耦合洪形成的物理機制、人工智能和衛(wèi)星遙感等方法，為稀缺資料地區(qū)洪水預報提供重要且可操作性強的參考依據(jù)，為應對氣候災害、防災減災和水資源綜合管理提供工程參考價值。由此，解決了相關技術未能充分利用衛(wèi)星遙測氣象信息，未能考慮人類活動干擾對徑流模擬造成的誤差，不能解決稀缺資料地區(qū)的長系列洪水預報難題的問題。

22、本發(fā)明附加的方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。