1.一种结合水文过程数据和历史先验数据的洪水预测方法,其特征在于,包括如下步骤:步骤1,收集水文要素,根据降雨数据加权聚类近似推算土壤含水量,构成初始数据集,对数据进行清洗,对缺失数据进行补充;
步骤2,根据流域特征选取通用水文模型,通过分析通用水文模型,获取水文过程中的变量之间的因果推理关系,对一组组推理关系进行建模,采用有向图的形式进行表示,其中节点表示物理变量,边的方向表示因果推理关系,并以此拓扑结构构建贝叶斯网络;
步骤3,利用历史数据,运行通用水文模型,模拟产生中间结果,历史水文要素数据和中间结果数据共同构成数据样本集,对样本集进行统计分析,获取历史先验知识,计算贝叶斯网络的每个节点的条件概率表,以实现对网络的训练,完成水文过程知识和历史先验知识的综合建模;
步骤4,对于综合建模的模型,输入新的水文要素,完成水文要素的预测。
2.如权利要求1所述的结合水文过程数据和历史先验数据的洪水预测方法,其特征在于,步骤1中加权聚类近似产生土壤含水量的步骤如下:步骤1.1:收集整理历史降雨量;
步骤1.2:选取降雨特征,抽取出多个时段的累计降雨量作为特征;
步骤1.3:对多个特征初步赋权,再进行k-means聚类,获得多个聚类质心,计算相对湿润度A;
步骤1.4:对相对湿润度A进行排序,对聚类质心进行定级,评定土壤的含水百分比;
步骤1.5:在进行土壤含水量预测时,根据已有的降水特征,计算与各个聚类质心的距离,选取较近的质心评级近似该土壤含水量。
3.如权利要求2所述的结合水文过程数据和历史先验数据的洪水预测方法,其特征在于,相对湿润度 其中wi表示聚类质心ai的维度的权值。
4.如权利要求1所述的结合水文过程数据和历史先验数据的洪水预测方法,其特征在于,步骤2中获取水文过程知识的步骤如下:步骤2.1:选定通用模型;
步骤2.2:在选定通用模型之后,分析水文过程中的变量及变量之间的因果关系,收集水文过程知识,对水文过程知识进行建模,采用有向图的形式来表示水文过程,其中节点表示物理变量,边的方向表示因果推理关系;
步骤2.3:根据已有的网络拓扑图,构建贝叶斯网络,网络为有向图,有向边起点变量作为有向边终点变量的条件,节点保存变量的条件概率表。
5.如权利要求4所述的结合水文过程数据和历史先验数据的洪水预测方法,其特征在于,收集水文过程知识,具体如下所示:(Et,Pt,WMt)→(Rt+1,WMt+1)
(St,Rt+1)→(St+1,RSt+1,RIt+1,RGt+1)(TRSt+1,TRIt+1,TRGt+1)→(TRt+1)
(Qt-1,Qt,TRt+1)→(Qt+1,…,Qt+h)
其中E表示蒸发量,P表示降雨量,WM表示土壤含水量,R表示产流量,S表示自由水含量,RS表示地表径流,RI表示壤中流,RG表示地下径流,TRS表示全流域的地表径流出流量,TRI和TRG的含义同TRS,TR表示全流域出流,Q表示流量。
6.如权利要求1所述的结合水文过程数据和历史先验数据的洪水预测方法,其特征在于,步骤3中利用贝叶斯网络以实现水文过程知识和历史先验知识的综合建模步骤如下:步骤3.1:利用历史数据和通用的水文模型产生中间物理量的取值,需要产生的变量有R,RS,RI,RG,TRS,TRG,TRI,TRG,TR,历史水文要素数据和中间结果数据共同构成数据集,对数据集进行离散化处理和规范化处理;R表示产流量,RS表示地表径流,RI表示壤中流,RG表示地下径流,TRS表示全流域的地表径流出流量,TRI表示全流域的壤中流出流量,TRG表示全流域的地下径流出流量,TR表示全流域出流;
步骤3.2:随机对数据集进行分组,一组为训练集,一组为测试集;
步骤3.3:针对网络中任意节点Y,其前置节点X1,X2,…,Xk,通过统计分析求解条件概率分布P(Y|X1,X2,…,Xk),完成对节点参数的训练。
7.如权利要求6所述的结合水文过程数据和历史先验数据的洪水预测方法,其特征在于,步骤3.3中为增加网络的自适应性和泛化能力,根据前置节点Xi符合的规则对数据集进行扩充。
8.如权利要求1所述的结合水文过程数据和历史先验数据的洪水预测方法,其特征在于,步骤4中利用综合模型进行预报的步骤如下:步骤4.1:输入t时刻的水文要素X1,X2,…Xn的具体取值X1=xt,1,X2=xt,2,…Xn=xt,n;
步骤4.2:计算argmaxyP(Y=y|X1=xt,1,X2=xt,2,…,Xn=xt,n),此时y作为网络的输出,即径流取值;
步骤4.3:步骤4.2中同时也可以获得中间变量的节点,作为t+1时刻的输入,继续进行推理预测,完成结果的连续预测。