[go: up one dir, main page]

CN120181152B - 基于PINNs的洪水预测方法、装置、设备及介质 - Google Patents

基于PINNs的洪水预测方法、装置、设备及介质

Info

Publication number
CN120181152B
CN120181152B CN202510646514.2A CN202510646514A CN120181152B CN 120181152 B CN120181152 B CN 120181152B CN 202510646514 A CN202510646514 A CN 202510646514A CN 120181152 B CN120181152 B CN 120181152B
Authority
CN
China
Prior art keywords
data
target
loss function
model
pinns
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.)
Active
Application number
CN202510646514.2A
Other languages
English (en)
Other versions
CN120181152A (zh
Inventor
马胡双
张强
王港
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Campus Of Beijing Normal University
Original Assignee
Zhuhai Campus Of Beijing Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhuhai Campus Of Beijing Normal University filed Critical Zhuhai Campus Of Beijing Normal University
Priority to CN202510646514.2A priority Critical patent/CN120181152B/zh
Publication of CN120181152A publication Critical patent/CN120181152A/zh
Application granted granted Critical
Publication of CN120181152B publication Critical patent/CN120181152B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Atmospheric Sciences (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Hydrology & Water Resources (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种基于PINNs的洪水预测方法、装置、设备及介质,方法包括：预处理采集到的目标流域的地理空间遥感数据、降水强度分布数据、气象数据、水文数据和环境数据，得到第一目标数据集；基于初始PINNs模型和第一目标数据集构建第一目标损失函数，第一目标损失函数基于物理约束损失函数和数据驱动损失函数形成；基于第一目标损失函数和第一目标数据集训练初始PINNs模型得到目标模型；基于目标模型对目标流域进行洪水预测。本申请在训练洪水预测模型过程中引入物理损失函数和数据驱动损失函数优化模型，使得最终用于洪水预测的目标模型能拟合实际监测数据的同时遵循洪水物理规律，如此，能够提升洪水预测结果的准确性。

Description

基于PINNs的洪水预测方法、装置、设备及介质
技术领域
本申请涉及但不限于洪水风险预测技术领域，尤其涉及一种基于PINNs的洪水预测方法、装置、设备及介质。
背景技术
目前，实现洪水预测的方法通常是依赖数据驱动模型进行预测，具体地，通过收集目标检测位置的历史降雨量数据和河流流量数据，结合历史洪水发生时间点，预测下一次发生洪水的降雨量触发值和水位触发值，通过实时监控目标检测位置对应的降水量和河流水位来预测是否存在发生洪水的风险。这种预测方式需要收集大量的高质量数据库以及数据统计分析，且忽略物理守恒定律，在数据稀疏或极端事件（如洪水突变）的情况下，洪水预测结果易偏离实际物理规律，难以保障洪水预测结果的准确性。
发明内容
本申请实施例提供了一种基于PINNs的洪水预测方法、装置、设备及介质，能够有效提升洪水预测结果的准确性。
第一方面，本申请实施例提供了一种基于PINNs的洪水预测方法，包括：
获取预设时间段内目标流域对应的地理空间遥感数据、降水强度分布数据、气象数据、水文数据和环境数据，对所述地理空间遥感数据、所述降水强度分布数据、所述气象数据、所述水文数据和所述环境数据进行预处理，得到预处理后的第一目标数据集；
获取初始PINNs模型，基于所述初始PINNs模型和所述第一目标数据集构建第一目标损失函数，其中，所述第一目标损失函数基于物理约束损失函数和数据驱动损失函数形成，所述物理约束损失函数基于圣维南方程构建，所述数据驱动损失函数基于所述初始PINNs模型所输出的预测流量和对应的实际流量构建；
基于所述第一目标损失函数和所述第一目标数据集对所述初始PINNs模型进行训练，得到训练好的目标模型；
基于所述目标模型对所述目标流域进行洪水预测。
在一些实施例中, 对所述地理空间遥感数据、所述降水强度分布数据、所述气象数据、所述水文数据和所述环境数据进行预处理，得到预处理后的第一目标数据集，包括：
对所述地理空间遥感数据、所述降水强度分布数据、所述气象数据、所述水文数据和所述环境数据进行数据清洗，得到第一中间数据集；
基于预设的小波基函数和分解层数将所述第一中间数据集分解为多个子信号，不同的子信号对应的频率不同，去除所述子信号中高频成分的信号，得到第二中间数据集；
采用预设的GAN网络对所述第二中间数据集进行缺失数据填充处理，得到所述第三中间数据集；
通过时间序列对其算法，将所述第三中间数据集中不同时间分辨率的数据统一至相同的时间网格，得到所述第一目标数据集。
在一些实施例中, 基于所述初始PINNs模型和所述第一目标数据集构建第一目标损失函数，包括：
计算所述初始PINNs模型基于所述第一目标数据集输出的所述预测流量对所述第一目标数据集中各个输入变量的各个导数；
将各个所述导数代入所述圣维南方程得到所述物理约束损失函数；
计算所述预测流量与所述目标流域对应的实际流量之间的第一均方误差，基于所述第一均方误差构建所述数据驱动损失函数；
确定权衡系数，基于所述物理约束损失函数、所述数据驱动损失函数和所述权衡系数构建所述第一目标损失函数，其中，所述权衡系数为权衡所述物理约束损失函数和所述数据驱动损失函数之间的相对重要性的参数。
在一些实施例中, 所述第一目标损失函数的表达式如下：
;
;
;
;
()2;
其中，为所述第一目标损失函数，为所述权衡系数，为所述物理约束损失函数，为第一权重参数，为第二权重参数，为所述初始PINNs模型输出的所述目标流域的预测流量，为所述目标流域的横截面积，为所述目标流域的水位，为重力加速度，为动量方程损失函数，N1和N2为样本数量，为所述预测流量的时间导数，为动量通量项的空间梯度，为所述水位的空间梯度，为所述目标流域的摩阻坡度，为所述目标流域的河床底坡，为连续方程损失函数，为所述横截面积随时间的变化率，为所述预测流量的空间梯度，为所述数据驱动损失函数，为所述实际流量。
在一些实施例中, 基于所述第一目标损失函数和所述第一目标数据集对所述初始PINNs模型进行训练，得到训练好的目标模型，包括：
将所述第一目标数据集按预设比例划分为训练集和验证集，利用LHS采样策略生成所述训练集对应的训练配点和所述验证集对应的验证配点；
确定物理先验参数，基于所述物理先验参数和所述第一目标损失函数构建第二目标损失函数，其中，所述物理先验参数包括所述目标流域对应的曼宁系数和河床坡度；
基于所述训练集和所述训练配点，使用ADAM优化算法结合所述第二目标损失函数对所述初始PINNs模型进行迭代更新，得到更新后的第一中间模型；
基于所述训练集和所述训练配点，利用L-BFGS算法结合所述第二目标损失函数对所述第一中间模型进行迭代更新，得到更新后的第二中间模型；
将所述验证集和所述验证配点输入至所述第二中间模型得到预测结果和物理后验参数，基于所述预测结果与对应的真实结果计算第二均方误差，当所述第二均方误差和所述物理后验参数满足预设条件，将所述第二中间模型确定为目标模型。
在一些实施例中, 所述方法还包括：
当所述第二均方误差和所述物理后验参数不满足所述预设条件，重新基于所述训练集和所述训练配点，使用ADAM优化算法结合所述第二目标损失函数对所述初始PINNs模型进行迭代更新，得到新的第一中间模型；
基于所述训练集和所述训练配点，利用L-BFGS算法结合所述第二目标损失函数对所述新的第一中间模型进行迭代更新，得到新的第二中间模型；
将所述验证集和所述验证配点输入至新的第二中间模型得到新的预测结果和新的物理后验参数，基于所述新的预测结果与对应的真实结果计算新的第二均方误差，直至所述新的第二均方误差和所述新的物理后验参数满足所述预设条件，将所述第二中间模型确定为目标模型。
在一些实施例中, 应用于洪水预测系统，所述洪水预测系统部署有所述目标模型和GIS系统，基于所述目标模型对所述目标流域进行洪水预测，包括：
实时获取所述目标流域对应的所述地理空间遥感数据、所述降水强度分布数据、所述气象数据、所述水文数据和所述环境数据，并对所述地理空间遥感数据、所述降水强度分布数据、所述气象数据、所述水文数据和所述环境数据进行预处理，得到预处理后的第二目标数据集；
将所述第二目标数据集输入至所述目标模型，得到洪水预测结果，其中，所述洪水预测结果包括所述目标流域的水位、水流量和洪水传播的时空分布信息；
基于所述GIS系统基于所述水位、所述水流量和所述洪水传播的时空分布信息生成洪水风险预警地图，并将所述洪水风险预警地图发送至应急管理系统。
第二方面，本申请实施例提供了一种控制装置，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如第一方面所述的基于PINNs的洪水预测方法。
第三方面，本申请实施例还提供了一种电子设备，包括第二方面的控制装置。
第四方面，本申请实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如第一方面所述的基于PINNs的洪水预测方法。
本申请实施例提供了一种基于PINNs的洪水预测方法、装置、设备及介质,方法包括：获取预设时间段内目标流域对应的地理空间遥感数据、降水强度分布数据、气象数据、水文数据和环境数据，对所述地理空间遥感数据、所述降水强度分布数据、所述气象数据、所述水文数据和所述环境数据进行预处理，得到预处理后的第一目标数据集；获取初始PINNs模型，基于所述初始PINNs模型和所述第一目标数据集构建第一目标损失函数，其中，所述第一目标损失函数基于物理约束损失函数和数据驱动损失函数形成，所述物理约束损失函数基于圣维南方程构建，所述数据驱动损失函数基于所述初始PINNs模型所输出的预测流量和对应的实际流量构建；基于所述第一目标损失函数和所述第一目标数据集对所述初始PINNs模型进行训练，得到训练好的目标模型；基于所述目标模型对所述目标流域进行洪水预测。根据本申请实施例提供的方案，在训练洪水预测模型过程中引入物理损失函数和数据驱动损失函数对模型进行优化，使得最终用于洪水预测的目标模型能够拟合实际监测数据的同时遵循洪水物理规律，如此，能够有效提升洪水预测结果的准确性。
附图说明
图1是本申请一个实施例提供的基于PINNs的洪水预测方法的步骤流程图；
图2是本申请另一个实施例提供的控制装置的结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
可以理解的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书、权利要求书或上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
目前，实现洪水预测的方法通常是依赖数据驱动模型进行预测，具体地，通过收集目标检测位置的历史降雨量数据和河流流量数据，结合历史洪水发生时间点，预测下一次发生洪水的降雨量触发值和水位触发值，通过实时监控目标检测位置对应的降水量和河流水位来预测是否存在发生洪水的风险。这种预测方式需要收集大量的高质量数据库以及数据统计分析，且忽略物理守恒定律，在数据稀疏或极端事件（如洪水突变）的情况下，洪水预测结果易偏离实际物理规律，难以保障洪水预测结果的准确性。
为解决上述存在的问题，本申请实施例提供了一种基于PINNs的洪水预测方法、装置、设备及介质,方法包括：获取预设时间段内目标流域对应的地理空间遥感数据、降水强度分布数据、气象数据、水文数据和环境数据，对所述地理空间遥感数据、所述降水强度分布数据、所述气象数据、所述水文数据和所述环境数据进行预处理，得到预处理后的第一目标数据集；获取初始PINNs模型，基于所述初始PINNs模型和所述第一目标数据集构建第一目标损失函数，其中，所述第一目标损失函数基于物理约束损失函数和数据驱动损失函数形成，所述物理约束损失函数基于圣维南方程构建，所述数据驱动损失函数基于所述初始PINNs模型所输出的预测流量和对应的实际流量构建；基于所述第一目标损失函数和所述第一目标数据集对所述初始PINNs模型进行训练，得到训练好的目标模型；基于所述目标模型对所述目标流域进行洪水预测。根据本申请实施例提供的方案，在训练洪水预测模型过程中引入物理损失函数和数据驱动损失函数对模型进行优化，使得最终用于洪水预测的目标模型能够拟合实际监测数据的同时遵循洪水物理规律，如此，能够有效提升洪水预测结果的准确性。
下面结合附图，对本申请实施例作进一步阐述。
参考图1，图1是本申请一个实施例提供的基于PINNs的洪水预测方法的步骤流程图，本申请实施例提供了一种基于PINNs的洪水预测方法，该方法包括但不限于有以下步骤：
步骤S10，获取预设时间段内目标流域对应的地理空间遥感数据、降水强度分布数据、气象数据、气象数据、水文数据和环境数据，对地理空间遥感数据、降水强度分布数据、气象数据、水文数据和环境数据进行预处理，得到预处理后的第一目标数据集。
具体地，本申请实施例中并不限制具体的预设时间段，可以是5年内每年的汛期中每小时的数据，本领域技术人员根据实际情况确定即可。
具体地，本实施例的地理空间遥感数据通过卫星获取得到，包括目标流域对应的空间位置、大面积水体覆盖范围、植被状况等遥感数据；降水强度分布数据通过雷达获取得到；气象数据和水文数据通过地面观测站收集得到，气象数据包括目标流域的降雨量、气温、湿度等，水文数据包括目标流域的水位、流量等；环境数据由物联网传感器采集得到，环境信息包括目标流域对应的地表与土壤数据和流域生态数据等（例如土壤湿度、地形数据、坡度、泥沙含量等）。可以理解的是，对目标流域进行洪水预测的过程中，需要采集环境、水文、气象相关的多维度数据，结合多维度数据进行综合分析预测，因此通过获取预设时间段内目标流域对应的地理空间遥感数据、降水强度分布数据、气象数据、气象数据、水文数据和环境数据，能够为后续训练得到准确预测洪水的目标模型提供有效的数据基础。
具体地，在一些实施例中，步骤S10中的对地理空间遥感数据、降水强度分布数据、水文数据和环境数据进行预处理，得到预处理后的第一目标数据集，包括但不限于有以下步骤：
步骤S11，对地理空间遥感数据、降水强度分布数据、气象数据、水文数据和环境数据进行数据清洗，得到第一中间数据集；
步骤S12，基于预设的小波基函数和分解层数将第一中间数据集分解为多个子信号，不同的子信号对应的频率不同，去除子信号中高频成分的信号，得到第二中间数据集；
步骤S13，采用预设的GAN网络对第二中间数据集进行缺失数据填充处理，得到第三中间数据集；
步骤S14，通过时间序列对其算法，将第三中间数据集中不同时间分辨率的数据统一至相同的时间网格，得到第一目标数据集。
可以理解的是，从卫星、雷达、地面观测站以及物联网传感器等多种设备采集到的数据存在噪声、错误值和缺失值，会影响后续洪水预测结果的准确性。因此，有必要对采集到的多维度数据进行预处理，本实施例的数据预处理步骤包括：对地理空间遥感数据、降水强度分布数据、气象数据、水文数据和环境数据进行数据清洗，去除明显不合理的数据，得到第一中间数据集；接着，使用小波变换去除第一中间数据集中数据的高频噪声，具体地，基于预设的小波基函数和分解层数将第一中间数据集分解为多个子信号，这里不同的子信号对应的频率不同，去除子信号中高频成分的信号，得到第二中间数据集；接着采用GAN网络对第二中间数据集进行缺失数据填充处理，得到第三中间数据集，由于GAN网络由生成器和判别器组成，生成器用于学习数据分布来生成缺失数据，判别器用于判断所生成的缺失数据的真实性，生成器和判别器二者对抗训练以提高生成数据的质量，从而保障第三中间数据集的真实性；由于第三中间数据集中具有多种维度的数据，不同维度的数据的获取时间往往不一致，比如降雨量对应是每小时的降雨量，而水位是每10分钟的水位数据，本实施例通过时间序列对齐算法将这些不同步长的数据统一到相同的时间基准上，以便后续融合或建模。
需要说明的是，还可以通过基于深度学习的变分自编码器VAE替代GAN网络进行缺失值填充，以及使用经验模态分解EMD算法进行去噪，本领域技术人员根据实际情况选用即可。
步骤S20，获取初始PINNs模型，基于初始PINNs模型和第一目标数据集构建第一目标损失函数，其中，第一目标损失函数基于物理约束损失函数和数据驱动损失函数形成，物理约束损失函数基于圣维南方程构建，数据驱动损失函数基于初始PINNs模型所输出的预测流量和对应的实际流量构建。
具体地，本实施例的初始PINNs模型是一个全连接前馈神经网络，包括输入层、隐藏层和输出层，其中，输入层用于接收多种变量参数，例如，包括目标流域的空间位置、时间、水位的时间导数和空间导数，以便捕捉洪水在时间维度上的动态变化，空间位置用于精准确定流域内的具体地点，通过地理坐标（如经纬度）来表示，水位是通过实际监测站点实时测量得到的数值，水位的时间导数和空间导数通过数值计算方法（如有限差分法）与水位计算得到，以一维河道为例，假设在河道上均匀分布着若干监测点，在时间对各监测点的水位进行测量，利用相邻时间步长或相邻空间位置的水位数据，通过中心差分公式（表示监测点位置，△t为时间间隔）计算水位时间导数，用（△x为空间间隔）计算水位空间导数。以这些变量作为输入层的输入，为初始PINNs模型提供了洪水相关的基础信息。隐藏层具有L层，隐藏层采用双曲正切激活函数tanh作为激活函数，每层隐藏层的神经元数量为（），本实施例中，隐藏层为4层，每层有20个神经元，神经元之间通过权重矩阵和偏置向量进行连接和计算，对于第层隐藏层的第个神经元，其输入是上一层输出与权重矩阵的乘积加上偏置，即，经过tanh激活函数处理后得到输出，通过多层隐藏层的层层计算和特征提取，逐步提取出洪水相关的深层次特征。输出层输出河道的水流流量预测值，具体地，经过多层隐藏层对输入变量的特征提取和变换后，输出层将隐藏层处理后的信息映射为最终的水流流量预测值，输出层的计算过程也是基于权重矩阵和偏置向量，即，这里是最后一层隐藏层的输出。
具体地，在一些实施例中，步骤S20的基于初始PINNs模型和第一目标数据集构建第一目标损失函数，包括但不限于有以下步骤：
步骤S21，计算初始PINNs模型基于第一目标数据集输出的预测流量对第一目标数据集中各个输入变量的各个导数；
步骤S22，将各个导数代入圣维南方程得到物理约束损失函数；
步骤S23，计算预测流量与目标流域对应的实际流量之间的第一均方误差，基于第一均方误差构建数据驱动损失函数；
步骤S24，确定权衡系数，基于物理约束损失函数、数据驱动损失函数和权衡系数构建第一目标损失函数，其中，权衡系数为权衡物理约束损失函数和数据驱动损失函数之间的相对重要性的参数。
可以理解的是，本实施例在训练初始PINNs模型过程中，利用深度学习框架如TensorFlow或PyTorch提供的自动求导功能实现计算训练初始PINNs模型基于第一目标数据集输出的预测流量对所关联的输入变量的导数（如表示水位的空间梯度的水位空间导数等），将这些导数代入圣维南方程构建物理约束损失函数，并且，通过计算预测流量与目标流域对应的实际流量之间的第一均方误差，基于第一均方误差构建数据驱动损失函数，基于物理约束损失函数、数据驱动损失函数和权衡系数构建第一目标损失函数，以第一目标损失函数训练初始PINNs模型，使得训练过程中，将多源数据与物理规律深度融合，使模型能全面捕捉洪水特征，准确学习洪水物理规律，相较于单纯依赖数据驱动的传统模型，本实施例能够显著提升洪水预测精度与可靠性。
需要说明的是，本实施例的第一目标损失函数的表达式如下：
;
;
;
;
()2;
其中，为第一目标损失函数，为权衡系数，为物理约束损失函数，为第一权重参数，用于权衡物理约束损失函数的重要性，衡量的是模型输出与物理规律之间的差异。通过调整，能够控制模型在训练过程中对物理规律的遵循程度；为第二权重参数，用于权衡动量方程损失函数的重要性，衡量的是模型输出与动量方程之间的差异。通过调整，可以控制模型在训练过程中对动量方程的遵循程度；、为初始PINNs模型输出的目标流域的预测流量，为目标流域的横截面积，为目标流域的水位，为重力加速度，为动量方程损失函数，N1和N2为样本数量，为预测流量的时间导数，为动量通量项的空间梯度，为水位的空间梯度，为目标流域的摩阻坡度，为目标流域的河床底坡，为连续方程损失函数，为横截面积随时间的变化率，为预测流量的空间梯度，为数据驱动损失函数，为实际流量。
需要说明的是，本实施例中摩阻坡度根据以下公式计算得到：
；
其中，n为曼宁系数，R为水力半径。
步骤S30，基于第一目标损失函数和第一目标数据集对初始PINNs模型进行训练，得到训练好的目标模型。
具体地，在一些实施例中，步骤S30包括但不限于有以下步骤：
步骤S31，将第一目标数据集按预设比例划分为训练集和验证集，利用LHS采样策略生成训练集对应的训练配点和验证集对应的验证配点；
步骤S32，确定物理先验参数，基于物理先验参数和第一目标损失函数构建第二目标损失函数，其中，物理先验参数包括目标流域对应的曼宁系数和河床坡度；
步骤S33，基于训练集和训练配点，使用ADAM优化算法结合第二目标损失函数对初始PINNs模型进行迭代更新，得到更新后的第一中间模型；
步骤S34，基于训练集和训练配点，利用L-BFGS算法结合第二目标损失函数对第一中间模型进行迭代更新，得到更新后的第二中间模型；
步骤S35，将验证集和验证配点输入至第二中间模型得到预测结果和物理后验参数，基于预测结果与对应的真实结果计算第二均方误差，当第二均方误差和物理后验参数满足预设条件，将第二中间模型确定为目标模型。
具体地，本实施例从第一目标数据集中划分得到的训练集和验证集的预设比例为7:3，本领域技术人员根据实际情况确定即可，在此不多做限制。
可以理解的是，本实施例实现模型训练的过程包括（1）数据准备；（2）模型初始化；（3）损失函数训练更新；（4）模型验证，这4个步骤。其中，（1）数据准备的流程为：将预处理后的第一目标数据集按照7:3的比例划分为训练集和验证集，训练集包括目标流域在2015年至2020年汛期（4月至9月）每小时的数据，共1200个时间点的数据，包括目标流域的上游地区、中游地区、下游地区的同步数据；验证集包括洪水事件对应的目标流域的上游地区、中游地区、下游地区的同步数据，共500个时间点；利用LHS算法对训练集和验证集生成对应的训练配点和验证配点，其中，训练配点包括50000个LHS点，训练配点覆盖全时空域（即覆盖2015年至2020年汛期4月至9月），验证配点包括30000个LHS点，验证配点侧重洪峰时段（12至48小时）；（2）模型初始化的流程为：确定物理先验参数，物理先验参数包括曼宁系数和河床坡度曼宁系数对应的先验分布为；此公式表示曼宁系数n服从对数正态分布，公式中是对数正态分布的均值参数，表示 n 的对数值的均值；是对数正态分布的标准差参数，表示n的对数值标准差；河床坡度对应的先验分布为，表示河床坡度服从截断正态分布，通过对标准正态分布进行部分截断得到，公式中μ2=0.0003 是截断正态分布的均值参数，表示的均值，=0.0001是截断正态分布的标准差参数，表示的标准差；并初始化初始PINNs模型的模型架构；（3）损失函数训练更新的流程为：基于物理先验参数和第一目标损失函数构建第二目标损失函数，先基于训练配点和验证配点，使用ADAM优化算法结合第二目标损失函数对初始PINNs模型进行迭代更新，得到更新后的第一中间模型；接着基于训练配点和验证配点，利用L-BFGS算法结合第二目标损失函数对第一中间模型进行迭代更新，得到更新后的第二中间模型。即是说训练更新具有2个阶段，阶段1通过ADAM优化算法实现，阶段2通过L-BFGS算法实现；其中，第二目标损失函数的表达式如下：
；
其中，在训练过程中，第二目标损失函数的组成会根据训练阶段的不同而有所变化，本实施例中，中的的N2取值为1200，即，的N1取值为50000，即，为物理先验参数对应的正则项，用于指示对曼宁系数和河床坡度进行正则化的结果。具体地，在训练更新阶段1中，利用ADAM优化算法结合第二目标损失函数对第一中间模型进行500轮迭代更新，得到第二中间模型，学习率为0.001，并动态调整和以更新第二目标损失函数的组成，根据,进行调整，每轮的迭代更新操作基于以下公式更新物理先验参数：
其中，为在第t+1轮迭代中曼宁系数n的更新后的均值，为在训练过程中记录的曼宁系数 n 的历史值集合，为在第t+1轮迭代中曼宁系数n的更新后标准差。
具体地，在训练更新阶段2中，利用L-BFGS算法结合第二目标损失函数对第二中间模型进行1000轮迭代更新，实现全批量优化，迭代完成后得到第二中间模型，更新过程中，第二目标损失函数中的取值为1，0.5。（4）模型验证，在得到第二中间模型之后，本实施例利用验证集和验证配点对第二中间模型进行验证，从物理一致性方面以及预测结果与真实值之间的第二均方误差是两方面考虑，以保障目标模型的洪水预测结果的准确性。当第二均方误差小于预设阈值，且物理后验参数中的曼宁系数归属于目标范围（0.033-0.038），河床坡度与目标流域对应的遥感地形坡度一致，确定第二均方误差和物理后验参数满足预设条件，将第二中间模型确定为目标模型。
可以理解的是，本实施例在训练模型过程中，采用ADAM优化算法进行初始的参数更新，随后切换到L-BFGS算法进行精细化训练，以提高模型的收敛速度和精度。在训练过程中，利用拉丁超立方采样策略生成配点，以增强模型对流域内不同位置和时间的洪水特征的学习能力。引入贝叶斯推理机制，对PINNs模型的训练过程进行改进，以及通过设定参数的物理先验分布，将物理参数的先验知识融入到模型训练中，避免参数估计陷入非物理意义的区域，提高参数估计的准确性和可靠性，进而保障目标模型的洪水预测结果的准确性。
另外，在一些实施例中，本实施例的基于PINNs的洪水预测方法还包括但不限于有以下步骤：
步骤S36，当第二均方误差和物理后验参数不满足预设条件，重新基于训练配点和验证配点，使用ADAM优化算法结合第二目标损失函数对初始PINNs模型进行迭代更新，得到新的第一中间模型；
步骤S37，基于训练配点和验证配点，利用L-BFGS算法结合第二目标损失函数对新的第一中间模型进行迭代更新，得到新的第二中间模型；
步骤S38，将验证集和验证配点输入至新的第二中间模型得到新的预测结果和新的物理后验参数，基于新的预测结果与对应的真实结果计算新的第二均方误差，直至新的第二均方误差和新的物理后验参数满足预设条件，将第二中间模型确定为目标模型。
可以理解的是，参考上述实施例的描述，当第二均方误差和物理后验参数不满足预设条件，重新基于训练配点和验证配点，使用ADAM优化算法结合第二目标损失函数对初始PINNs模型进行迭代更新，得到新的第一中间模型；基于训练配点和验证配点，利用L-BFGS算法结合第二目标损失函数对新的第一中间模型进行迭代更新，得到新的第二中间模型；将验证集和验证配点输入至新的第二中间模型得到新的预测结果和新的物理后验参数，基于新的预测结果与对应的真实结果计算新的第二均方误差，直至新的第二均方误差和新的物理后验参数满足预设条件，将第二中间模型确定为目标模型。即是说，本实施例通过LHS算法、贝叶斯机制、物理约束协同训练用于洪水预测的目标模型，LHS算法计算配点填补数据空白，物理损失函数约束全域，贝叶斯先验防止参数偏离，并结合动态物理先验参数的调整（训练初期允许大范围探索，后期逐步收紧至物理合理区间），此流程通过数据驱动结合物理约束和概率校准的深度融合，保障了小样本下的目标流域的高可靠性洪水预测。
步骤S40，基于目标模型对目标流域进行洪水预测。
具体地，在一些实施例中，本实施例的基于PINNs的洪水预测方法应用于洪水预测系统，该洪水预测系统部署有目标模型和GIS系统，步骤S40包括但不限于有以下步骤：
步骤S41，实时获取目标流域对应的地理空间遥感数据、降水强度分布数据、气象数据、水文数据和环境数据，并对地理空间遥感数据、降水强度分布数据、气象数据、水文数据和环境数据进行预处理，得到预处理后的第二目标数据集；
步骤S42，将第二目标数据集输入至目标模型，得到洪水预测结果，其中，洪水预测结果包括目标流域的水位、水流量和洪水传播的时空分布信息；
步骤S43，基于GIS系统基于水位、水流量和洪水传播的时空分布信息生成洪水风险预警地图，并将洪水风险预警地图发送至应急管理系统。
可以理解的是，目标模型即训练好的PINNs模型，本实施例将目标模型部署在洪水预测系统中，并实时接收目标流域内的多源数据输入（包括对目标流域对应的地理空间遥感数据、降水强度分布数据、气象数据、水文数据和环境数据预处理后的第二目标数据集），输出洪水预测结果，包括目标流域的水位、水流量和洪水传播的时空分布信息。结合洪水预测系统的GIS系统，基于水位、水流量和洪水传播的时空分布信息生成可视化的洪水风险预警地图，为防洪减灾决策提供科学依据。同时，将预测结果与应急管理系统相结合，即将洪水风险预警地图发送至应急管理系统，为应急救援工作提供智能化支持。
如图2 所示，图2是本申请一个实施例提供的控制装置的结构图。本发明还提供了一种控制装置200，包括：
处理器210，可以采用通用的中央处理器(Central Processing Unit，CPU)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器220，可以采用只读存储器（Read Only Memory，ROM）、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器220可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器220中，并由处理器210来调用执行本申请实施例的基于PINNs的洪水预测方法；
输入/输出接口230，用于实现信息输入及输出；
通信接口240，用于实现本装置与其他设备的通信交互，可以通过有线方式（例如USB、网线等）实现通信，也可以通过无线方式（例如移动网络、WIFI、蓝牙等）实现通信；
总线250，在设备的各个组件（例如处理器210、存储器220、输入/输出接口230和通信接口240）之间传输信息；
其中处理器210、存储器220、输入/输出接口230和通信接口240通过总线250实现彼此之间在设备内部的通信连接。
另外，本申请实施例还提供了一种电子设备，包括上述实施例的控制装置200。
另外，本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，该存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述的基于PINNs的洪水预测方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，实现了以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质（或非暂时性介质）和通信介质（或暂时性介质）。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息（诸如计算机可读指令、数据结构、程序模块或其他数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包括计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的共享条件下还可作出种种等同的变形或替换，这些等同的变形或替换均包括在本发明权利要求所限定的范围内。

Claims (8)

1.一种基于PINNs的洪水预测方法，其特征在于，包括：
获取预设时间段内目标流域对应的地理空间遥感数据、降水强度分布数据、气象数据、水文数据和环境数据，对所述地理空间遥感数据、所述降水强度分布数据、所述气象数据、所述水文数据和所述环境数据进行预处理，得到预处理后的第一目标数据集；
获取初始PINNs模型，基于所述初始PINNs模型和所述第一目标数据集构建第一目标损失函数，其中，所述第一目标损失函数基于物理约束损失函数和数据驱动损失函数形成，所述物理约束损失函数基于圣维南方程构建，所述数据驱动损失函数基于所述初始PINNs模型所输出的预测流量和对应的实际流量构建；
基于所述第一目标损失函数和所述第一目标数据集对所述初始PINNs模型进行训练，得到训练好的目标模型；
基于所述目标模型对所述目标流域进行洪水预测；
其中，基于所述初始PINNs模型和所述第一目标数据集构建第一目标损失函数，包括：
计算所述初始PINNs模型基于所述第一目标数据集输出的所述预测流量对所述第一目标数据集中各个输入变量的各个导数；
将各个所述导数代入所述圣维南方程得到所述物理约束损失函数；
计算所述预测流量与所述目标流域对应的实际流量之间的第一均方误差，基于所述第一均方误差构建所述数据驱动损失函数；
确定权衡系数，基于所述物理约束损失函数、所述数据驱动损失函数和所述权衡系数构建所述第一目标损失函数，其中，所述权衡系数为权衡所述物理约束损失函数和所述数据驱动损失函数之间的相对重要性的参数；
所述第一目标损失函数的表达式如下：
;
;
;
;
()2;
其中，为所述第一目标损失函数，为所述权衡系数，为所述物理约束损失函数，为第一权重参数，为第二权重参数，为所述初始PINNs模型输出的所述目标流域的预测流量，为所述目标流域的横截面积，为所述目标流域的水位，为重力加速度，为动量方程损失函数，N1和N2为样本数量，为所述预测流量的时间导数，为动量通量项的空间梯度，为所述水位的空间梯度，为所述目标流域的摩阻坡度，为所述目标流域的河床底坡，为连续方程损失函数，为所述横截面积随时间的变化率，为所述预测流量的空间梯度，为所述数据驱动损失函数，为所述实际流量。
2.根据权利要求1所述的基于PINNs的洪水预测方法，其特征在于，对所述地理空间遥感数据、所述降水强度分布数据、所述气象数据、所述水文数据和所述环境数据进行预处理，得到预处理后的第一目标数据集，包括：
对所述地理空间遥感数据、所述降水强度分布数据、所述气象数据、所述水文数据和所述环境数据进行数据清洗，得到第一中间数据集；
基于预设的小波基函数和分解层数将所述第一中间数据集分解为多个子信号，不同的子信号对应的频率不同，去除所述子信号中高频成分的信号，得到第二中间数据集；
采用预设的GAN网络对所述第二中间数据集进行缺失数据填充处理，得到第三中间数据集；
通过时间序列对其算法，将所述第三中间数据集中不同时间分辨率的数据统一至相同的时间网格，得到所述第一目标数据集。
3.根据权利要求1所述的基于PINNs的洪水预测方法，其特征在于，基于所述第一目标损失函数和所述第一目标数据集对所述初始PINNs模型进行训练，得到训练好的目标模型，包括：
将所述第一目标数据集按预设比例划分为训练集和验证集，利用LHS采样策略生成所述训练集对应的训练配点和所述验证集对应的验证配点；
确定物理先验参数，基于所述物理先验参数和所述第一目标损失函数构建第二目标损失函数，其中，所述物理先验参数包括所述目标流域对应的曼宁系数和河床坡度；
基于所述训练集和所述训练配点，使用ADAM优化算法结合所述第二目标损失函数对所述初始PINNs模型进行迭代更新，得到更新后的第一中间模型；
基于所述训练集和所述训练配点，利用L-BFGS算法结合所述第二目标损失函数对所述第一中间模型进行迭代更新，得到更新后的第二中间模型；
将所述验证集和所述验证配点输入至所述第二中间模型得到预测结果和物理后验参数，基于所述预测结果与对应的真实结果计算第二均方误差，当所述第二均方误差和所述物理后验参数满足预设条件，将所述第二中间模型确定为目标模型。
4.根据权利要求3所述的基于PINNs的洪水预测方法，其特征在于，所述方法还包括：
当所述第二均方误差和所述物理后验参数不满足所述预设条件，重新基于所述训练集和所述训练配点，使用ADAM优化算法结合所述第二目标损失函数对所述初始PINNs模型进行迭代更新，得到新的第一中间模型；
基于所述训练集和所述训练配点，利用L-BFGS算法结合所述第二目标损失函数对所述新的第一中间模型进行迭代更新，得到新的第二中间模型；
将所述验证集和所述验证配点输入至新的第二中间模型得到新的预测结果和新的物理后验参数，基于所述新的预测结果与对应的真实结果计算新的第二均方误差，直至所述新的第二均方误差和所述新的物理后验参数满足所述预设条件，将所述第二中间模型确定为目标模型。
5.根据权利要求1所述的基于PINNs的洪水预测方法，其特征在于，应用于洪水预测系统，所述洪水预测系统部署有所述目标模型和GIS系统，基于所述目标模型对所述目标流域进行洪水预测，包括：
实时获取所述目标流域对应的所述地理空间遥感数据、所述降水强度分布数据、所述气象数据、所述水文数据和所述环境数据，并对所述地理空间遥感数据、所述降水强度分布数据、所述水文数据和所述环境数据进行预处理，得到预处理后的第二目标数据集；
将所述第二目标数据集输入至所述目标模型，得到洪水预测结果，其中，所述洪水预测结果包括所述目标流域的水位、水流量和洪水传播的时空分布信息；
基于所述GIS系统基于所述水位、所述水流量和所述洪水传播的时空分布信息生成洪水风险预警地图，并将所述洪水风险预警地图发送至应急管理系统。
6.一种控制装置，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至5任一项所述的基于PINNs的洪水预测方法。
7.一种电子设备，其特征在于，包括权利要求6所述的控制装置。
8.一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存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至5中任意一项所述的基于PINNs的洪水预测方法。
CN202510646514.2A 2025-05-20 2025-05-20 基于PINNs的洪水预测方法、装置、设备及介质 Active CN120181152B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510646514.2A CN120181152B (zh) 2025-05-20 2025-05-20 基于PINNs的洪水预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510646514.2A CN120181152B (zh) 2025-05-20 2025-05-20 基于PINNs的洪水预测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN120181152A CN120181152A (zh) 2025-06-20
CN120181152B true CN120181152B (zh) 2025-08-19

Family

ID=96028101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510646514.2A Active CN120181152B (zh) 2025-05-20 2025-05-20 基于PINNs的洪水预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN120181152B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116975513A (zh) * 2023-07-07 2023-10-31 福州大学 一种基于SCM-PINNs的洪水预报方法
CN117875504A (zh) * 2024-01-15 2024-04-12 中国人民解放军国防科技大学 溃坝预测及其模型训练方法、装置、电子设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119416669B (zh) * 2025-01-07 2025-05-06 北京英特利为环境科技有限公司 一种洪水演进预测方法、系统、设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116975513A (zh) * 2023-07-07 2023-10-31 福州大学 一种基于SCM-PINNs的洪水预报方法
CN117875504A (zh) * 2024-01-15 2024-04-12 中国人民解放军国防科技大学 溃坝预测及其模型训练方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN120181152A (zh) 2025-06-20

Similar Documents

Publication Publication Date Title
Nguyen et al. Correcting mean areal precipitation forecasts to improve urban flooding predictions by using long short-term memory network
Pandi et al. Hydrological models: a review
JP6635038B2 (ja) シミュレーション装置、シミュレーション方法、および、記憶媒体
Giustarini et al. Assimilating SAR-derived water level data into a hydraulic model: a case study
Bosch et al. Daily solar irradiation estimation over a mountainous area using artificial neural networks
CN113222283A (zh) 一种基于数字孪生的山洪预报预警方法及系统
CN109035105A (zh) 一种月尺度蒸散发量的定量估算方法
Bopche et al. Landslide susceptibility mapping: an integrated approach using geographic information value, remote sensing, and weight of evidence method
CN118708945B (zh) 一种用于水文数据的自动监测方法及系统
CN115795399A (zh) 一种多源遥感降水数据自适应融合方法和系统
Marofi et al. Predicting spatial distribution of snow water equivalent using multivariate non-linear regression and computational intelligence methods
CN119442922B (zh) 基于多源数据和深度学习的滑坡易发性评估方法和系统
WO2022077119A1 (en) System and method for probabilistic estimation and display of atmospheric gas data at a global scale
Lee et al. Estimation of base and surface flow using deep neural networks and a hydrologic model in two watersheds of the Chesapeake Bay
Baig et al. From bias to accuracy: Transforming satellite precipitation data in arid regions with machine learning and topographical insights
CN114255401B (zh) 一种基于时空序列数据的地面沉降预测方法
Zhu et al. Are the current expectations for SAR remote sensing of soil moisture using machine learning over-optimistic?
Zanella et al. Sensor networks, data processing, and inference: the hydrology challenge
CN120181152B (zh) 基于PINNs的洪水预测方法、装置、设备及介质
De Lannoy et al. Adaptive soil moisture profile filtering for horizontal information propagation in the independent column-based CLM2. 0
Wei Simulation of operational typhoon rainfall nowcasting using radar reflectivity combined with meteorological data
CN116338821B (zh) 多源信息融合的小流域降水估计方法、设备及存储设备
CN116502525A (zh) 库岸滑坡高时频时序形变估计方法
Kostyuchenko et al. Multi-Model Approach in the Risk Assessment Tasks with Satellite Data Utilization
Yakubu et al. Modelling Uncertainties in Differential Global Positioning System Dataset

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
GR01 Patent grant
GR01 Patent grant