(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211140743.X (22)申请日 2022.09.20 (65)同一申请的已公布的文献号 申请公布号 CN 115221800 A (43)申请公布日 2022.10.21 (73)专利权人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 街道八一路2 99号 (72)发明人 陈杰　杨露　尹家波　徐文馨　 孔若杉　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 俞琳娟 (51)Int.Cl. G06F 30/27(2020.01)G06F 30/28(2020.01) G06F 16/2458(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06F 113/08(2020.01) G06F 119/12(2020.01) 审查员 刘珮 (54)发明名称 天气发生器和深度学习融合的延伸期径流 集合预测方法 (57)摘要 本发明提供天气发生器和深度学习融合的 延伸期径流集合预测方法， 包括： 步骤1， 采集数 据； 步骤2， 将实测数据划分为不同时间长度的样 本子集， 基于不同子集计算统计参数， 逐一输入 多变量天气发生器， 获得多组延伸期模拟结果， 优选代表当前气候特点的实测数据样本长度， 对 应的参数为最优参数集； 步骤3， 对于每个日历 月： 均引入未来月的预测结果， 并对最优参数集 进行调整； 步骤4， 将调整后的最优参数集输入天 气发生器， 获得延伸期集合预测结果； 步骤5， 率 定目标流域的过程驱动水文模型和长短期记忆 神经网络模型， 构建HM ‑LSTM模型； 步骤6， 将集合 预测结果输入到HM ‑LSTM模型中， 开展延伸期径 流集合预测。 权利要求书3页 说明书10页 附图5页 CN 115221800 B 2022.12.02 CN 115221800 B 1.天气发生器和深度学习融合的延伸期径流集合预测方法， 其特征在于， 包括以下步 骤： 步骤1， 采集流域内包含降水、 最高气温、 最低气温、 风速、 太阳辐射这些气象因子的实 测数据和气候模式回溯模拟预测数据； 步骤2， 将 实测数据划分为不同时间长度的样本子集， 基于不同样本子集计算气象因子 的统计参数， 然后逐一输入多变量 天气发生器， 获得多组延伸期气象因子的模拟结果， 最后 优选代表当前气候特点的实测数据样本长度， 该样本对应的参数为最优参数集； 包括如下 子步骤： 步骤2.1， 从预报年份开始向前将 实测气象数据划分为不同时间长度的子集， 将子集长 度定义为时间窗口n， n为不小于5的整数； 基于不同子集序列分别计算日历月m的降水转移 概率， 且确定降水所服从的概率分布类型， 并计算其参数， 对于每个子集序列的日历月m均 计算得到降水参数集 parp,m； 步骤2.2， 对于每个子集序列的日历月m， 均计算得到四个参数集： 最高气温参数集 parTmax,m， 最低气温参数集 parTmin,m， 太阳辐射参数集 parSR,m， 风速参数集 parWind,m； 基于计算 得到的四个参数集与步骤2.1得到的参数集 parp,m， 构建每个子集序列日历月m 的参数合集 parm{parp,m，parTmax,m，parTmin,m，parSR,m，parWind,m}， 作为天气发生器模拟和预测时所需的输 入参数； 步骤2.3， 对于每个子集序列的日历月m， 将参数合集 parm输入到天气发生器中， 均获得 该子集序列日历月m的逐日降水、 最高气温、 最低气温、 风速和太阳辐射的模拟结果； 步骤2.4， 重复步骤步骤2.1~2.3， 得到每个日历月对应每个子集序列的模拟结果， 作为 时间窗口n的气象模拟结果； 步骤2.5， 将时间窗口n从n’年开始， 逐年增加至N年， n’<n≤N， N为实测气象数据的总长 度， 重复执 行步骤2.2至步骤2.4， 最终共获得N ‑n’组不同时间窗口下的气象模拟结果； 步骤2.6， 得到各个日历月的最优参数集： 对于日历月m， 统计N ‑n’组各气象因子变量模拟数据的所有成员 均值与时间窗口n的关 系， 以时间窗口n为横坐标， 降水量为 纵坐标， 拟合对数曲线， 将拟合的对数曲线对n求导， 令 导数为0， 获得变化变缓的临界点， 其对应的时间窗口则为该气象因子变量的最佳时间窗 口， 对应的参数集为日历月m的最优参数集； 重复前述日历月m得到最优参数集的过程， 对于 每个日历月都得到对应的最优参数集； 步骤3， 对于每个日历月： 均引入气候模式回溯模拟预测数据中未来月气象因子的预测 结果， 并基于未来的气候形势信息， 对步骤2最优参数集进行进一 步调整； 步骤4， 将调整后的最优参数集输入天气发生器， 获得延伸期气象因子的集合预测结 果； 步骤5， 利用实测数据率定目标流域的过程驱动水文模型， 获得模拟径流序列； 基于模 拟径流、 实测径流及气象因子， 率定长 短期记忆神经网络模型； 根据率定后的过程驱动水文 模型和长短期记 忆神经网络模型构建H M‑LSTM模型； 步骤6， 将步骤4中气 象因子的集合预测结果输入到步骤5构建的HM ‑LSTM模型中， 开展 延伸期径流 集合预测。 2.根据权利要求1所述的天气发生器和深度学习融合的延伸期径流集合预测方法， 其权　利　要　求　书 1/3 页 2 CN 115221800 B 2特征在于： 其中， 在步骤2中， n’≥5， N≥3 0。 3.根据权利要求1所述的天气发生器和深度学习融合的延伸期径流集合预测方法， 其 特征在于： 其中， 步骤3对每 个日历月的处 理方法具体包括如下子步骤： 步骤3.1， 调整降水转移概率 P01和P11，P01是日历月第d ‑1天为无降水日、 第d天为降水日 的条件转移概 率，P11是日历月第d ‑1天为降水日、 第d天也 为降水日的条件转移概 率； 首先， 基于降水 实测数据分别拟合 P01、P11和月均降水量之间的线 性关系式， 同时计算确 定性系数和显著性水平； 降水概率 π=P01/(1+P01‑P11)， 降水转移概率的一阶自相关系数 r= P11‑P01； 然后， 将模式预测的未来一个月的月降水总量代 入以获得： 对 应P01和P11调整后的降 水条件转移概率 P01,adj和P11,adj、 对应π调整后的降水概率 πadj、 对应r调整后的系数 radj； 下标 adj表示调整后； 步骤3.2， 调整降水均值 μp,m和方差σ2 p,m； 首先利用模式回溯模拟和预测的月降水 数据调整降水总量 μm,adj： ， 式中，Zp,m,fcst为气候模式预测的未来一个月的降水总 量， 为模式回溯模拟的历 史月降水量均值， 为步骤2中最佳时间窗口对应的历史实测月降水量均值； 然后调整降水日平均降水量 μd,adj： ， 式中，Nd为日历月m的天数， Ndπ为该月的平均降水日数； 继而调整日降水 方差σ2 d,adj： ； 步骤3.3， 调整月均最高气温和最低气温的均值； 利用模式回溯模拟和预测的月均最高气 温和最低气 温分别调 整对应变量的参数集； 调 整因子为CF1=Zm,fcst‑ ， 式中，Zm,fcst为对应变量的气候模式未来一个月的预测值， 为对应变量的气候模式回溯模拟的历史均值； 将前述调整因子与步骤2最优参数集 中的相应 变量均值相加以获得调整后的参数； 步骤3.4， 调整月均风速和月均太阳辐射的均值； 利用模式回溯模拟和预测的月均风速和月均太阳辐射分别调 整对应变量的参数集， 定 义调整因子为CF2=Zm,fcst/ ； 将前述调整因子与步骤2最优参数集中的相应变量均值 相乘以获得调整后的参数。权　利　要　求　书 2/3 页 3 CN 115221800 B 3