(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211067784.0 (22)申请日 2022.09.01 (71)申请人 中国科学院空天信息创新研究院 地址 100190 北京市海淀区北四环西路19 号 (72)发明人 李睿　施建成　潘金梅　雷永荟　 (74)专利代理 机构 北京金信知识产权代理有限 公司 11225 专利代理师 贾然 (51)Int.Cl. G06F 16/29(2019.01) G06F 16/2458(2019.01) G06N 20/00(2019.01) G06Q 50/26(2012.01) (54)发明名称 一种基于站点集水区小样本观测的径流重 建方法和系统 (57)摘要 本发明提出一种基于站点集水区小样本观 测的径流重建方法和系统。 包括： 选取预设n年的 气象水文时间序列数据和月径流量的观测数据 作为模拟样 本， 根据年径流量排序后选取最大最 小年份数据为一组， 将模拟样 本分为训练集和预 估集， 遍历 模拟样本， 得到T组训练集和其余样本 构成的预估集， 应用训练集构建机器学习模拟模 型， 得到预估集的月径流量的均方根误差； 以T组 训练集的组数为自变量， 以均方根误差为因变 量， 在T组训练集中， 利用突变点检验方法确定重 构训练样 本； 应用重构训练样 本构建机器学习预 估模型； 以气象水文时间序列数据为自变量重建 月径流量的序列。 本发明实现了长时间序列的径 流预报， 减少了丰水年和枯水年样 本训练造成的 径流预报 偏差。 权利要求书2页 说明书8页 附图3页 CN 115408485 A 2022.11.29 CN 115408485 A 1.一种基于站点 集水区小样本观测的径流重建方法， 其特 征在于， 所述方法包括： 步骤S1、 获取 水文站点的月径流 量的资料， 确定集水区范围； 步骤S2、 根据所述集水区范围得到站点的集水区地理范围， 在所述集水区地理范围内， 获得逐个格网月尺度的气象水文时间序列数据； 步骤S3、 选取预设n年的气象水文时间序列数据和月径流量的观测数据作为模拟样本， 在所述模拟样本中， 根据年径流量排序后选取最大最小年份数据为一组， 将所述模拟样本 分为训练集和预估集， 遍历所述模拟样本， 得到T组训练集和对应的预估集， 应用所述训练 集构建机器学习模拟模型， 得到所述预估集的月径流量， 再应用所述预估集的月径流量， 得 到所述预估集的月径流 量的均方根 误差； 步骤S4、 以所述T组训练集的组数为自变量， 以所述组数对应的预估集的月径流量的均 方根误差为因变量， 在所述T组训练集中利用突变点检验方法确定 重构训练样本； 步骤S5、 应用所述重构训练样本构建机器学习预估 模型； 步骤S6、 以气象水文时间序列数据为自变量重建月径流 量的序列。 2.根据权利要求1所述的一种基于站点集水区小样本观测的径流重建方法， 其特征在 于， 在所述步骤S1 中， 所述月径 流量的资料包括不连续年份的月径 流量的数据， 同时所述月 径流量的资料不能有缺 值。 3.根据权利要求1所述的一种基于站点集水区小样本观测的径流重建方法， 其特征在 于， 在所述 步骤S2中， 所述 根据所述 集水区范围得到站点的集水区地理范围的方法包括： 在所述集水区范围， 使用DEM地形图确定水系流向， 根据所述水系流向将汇集在站点的 河流流经区域 合并得到集水区地理范围。 4.根据权利要求1所述的一种基于站点集水区小样本观测的径流重建方法， 其特征在 于， 在所述 步骤S2中， 所述气象水文时间序列数据包括： 格网月降水、 格网月降水与蒸散发之差和格网月产流 量。 5.根据权利要求1所述的一种基于站点集水区小样本观测的径流重建方法， 其特征在 于， 在所述步骤S 3中， 根据年径 流量排序后选取最大最小年份数据为一组， 将所述模拟样本 分为训练集和预估集， 遍历所述模拟 样本， 得到T组训练集和对应的预估集的方法包括： 步骤S31、 将n 年的月径流 量的观测数据按照年径流 量大小排序； 步骤S32、 再将排序为i的年份与 排序为n‑i+1的年份为一组， 所述模拟月径流量样本被 分为训练集和预估集； 步骤S33、 应用 步骤S32的方法， 遍历所述模拟样本， 得到T组训 练集， 其余样本为预估 集。 6.根据权利要求1所述的一种基于站点集水区小样本观测的径流重建方法， 其特征在 于， 在所述 步骤S3中， 所述 n≥3。 7.根据权利要求1所述的一种基于站点集水区小样本观测的径流重建方法， 其特征在 于， 在所述步骤S4中， 所述以所述T组训练集的组数为自变量， 以所述组数对应的预估集的 月径流量的均方根误差为因变量， 在所述T组训练集中利用突变点检验方法确定重构训练 样本的方法包括： 步骤S41、 将其余样本构成的预估集的月径流量的均方根误差时间序列以t为节点分为 1‑t以及t‑T两组子时间序列， 并计算第一统计量Ut,T；权　利　要　求　书 1/2 页 2 CN 115408485 A 2其中， sgn(·)为符号函数， RMSE为预估集的 月径流量的均方根 误差； 步骤S42、 应用所述第一统计量Ut,T计算显著性水平ρ； 其中， KT为第二统计量， KT＝max|Ut,T|； 步骤S43、 通过显著性水平ρ， 得到当KT为预设值， 且ρ 小于0.01时的t， 以组数为t的训练 集作为重构训练样本 。 8.一种用于基于站点 集水区小样本观测的径流重建系统， 其特 征在于， 所述系统包括： 第一处理模块， 被 配置为， 获取 水文站点的月径流 量的资料， 确定集水区范围； 第二处理模块， 被配置为， 根据所述集水区范围得到站点的集水区地理范围， 在所述集 水区地理范围内， 获得 逐个格网月尺度的气象水文时间序列数据； 第三处理模块， 被配置为， 选取预设n年的气象水文时间序列数据和月径流量的观测数 据作为模拟样本， 在所述模拟样本中， 根据年径 流量排序后选取最大最小年份数据为一组， 将所述模拟样本分为训练集和预估集， 遍历所述模拟样本， 得到T组训练集和对应的预估 集， 应用所述训练集构建机器学习模拟模型， 得到预估集的月径流量， 再应用所述预估集的 月径流量， 得到预估集的月径流 量的均方根 误差； 第四处理模块， 被配置为， 以所述T组训练集的组数为自变量， 以所述组数对应的预估 集的月径流量的均方根误差为因变量， 在所述T组训练集中， 利用突变点检验方法确定重构 训练样本； 第五处理模块， 被 配置为， 应用所述重构训练样本构建机器学习预估 模型； 第六处理模块， 被 配置为， 以气象水文时间序列数据为自变量重建月径流 量的序列。 9.一种电子设备， 其特征在于， 所述电子设备包括存储器和处理器， 所述存储器存储有 计算机程序， 所述处理器执行所述计算机程序时， 实现权利要求1至7中任一项所述的一种 基于站点 集水区小样本观测的径流重建方法中的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序， 所述计算机程序被处理器执行时， 实现权利要求1至7中任一项所述的一种基于站点 集水区小样本观测的径流重建方法中的步骤。权　利　要　求　书 2/2 页 3 CN 115408485 A 3