本發(fā)明涉及流域洪水模擬，具體涉及一種基于可解釋的cnn-lstm流域洪水模擬方法。

背景技術(shù)：

1、洪水通常受到如降雨、人為干預(yù)等影響，影響機理復(fù)雜，但洪水致災(zāi)過程非常迅速。概念性水文模型、統(tǒng)計水文模型和物理水文模型目前已經(jīng)普遍使用。雖然物理機制明確，但是在處理大規(guī)模流域或高分辨率數(shù)據(jù)時，模擬過程會涉及大量的物理方程和計算步驟，此時的運算速度已經(jīng)不能滿足日益發(fā)展的預(yù)警預(yù)報快速性要求。由于深度學習算法有著強大的特征學習能力、非線性建模能力、大規(guī)模數(shù)據(jù)處理能力、泛化能力等特點，深度學習模型被逐漸開發(fā)并重視。目前深度學習模型在洪水模擬和預(yù)測有眾多優(yōu)點，但依舊被普遍認為是“黑箱模型”，原因是其具體決策過程透明度低，可解釋性差，預(yù)測結(jié)果可信度低。（徐剛，胡婷婷，王琛倪.?基于深度學習的流域洪水預(yù)報模型研究[j].?中國水文雜志,2023,?43(03):?83-87.?doi：10.19797/j.cnki.1000-0852.20210395.）近年來基于可解釋性技術(shù)的多種深度學習模型已成功被用于自動聲音分類、眼科模型、山體滑坡、自動駕駛等領(lǐng)域，從而增強了深度學習模型的預(yù)測可信度。然而，基于可解釋性的深度學習模型應(yīng)用于高精度洪水模擬領(lǐng)域的研究尚不多見?；趕hap可解釋性技術(shù)的cnn-lstm深度學習耦合模型，可提供高精度預(yù)測輸出和關(guān)鍵輸入特征因子的識別，理論上可以解決上述問題，然而目前尚未公開相關(guān)技術(shù)。如何基于可解釋性的cnn-lstm耦合模型實現(xiàn)流域高精度洪水模擬，是實現(xiàn)高精度洪水預(yù)警預(yù)報系統(tǒng)的核心難題，也是流域防洪減災(zāi)工作亟待解決的關(guān)鍵問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的缺點與不足，提供基于可解釋的cnn-lstm流域高精度洪水模擬方法，所述方法利用基于可解釋性的cnn-lstm耦合神經(jīng)網(wǎng)絡(luò)模型對流域洪水的動態(tài)演進過程進行高精度模擬并對關(guān)鍵輸入特征因子的進行識別，相比傳統(tǒng)預(yù)警模型具有更高的模型效率和精度，同時相比原有深度學習模型更具有可解釋性與可信度，可為流域洪水災(zāi)害的快速高精度預(yù)警預(yù)報以及提前采取應(yīng)急策略提供技術(shù)參考，對流域洪水防控工作的開展、減少洪水災(zāi)害人員傷亡和財產(chǎn)損失具有重要意義。

2、本發(fā)明至少通過如下技術(shù)方案之一實現(xiàn)。

3、一種基于可解釋的cnn-lstm流域洪水模擬方法，包括以下步驟：

4、s1、對流域降雨徑流基礎(chǔ)數(shù)據(jù)庫進行標準化處理，將數(shù)據(jù)庫劃分為訓練集、驗證集和測試集；

5、s2、構(gòu)建cnn-lstm耦合模型，利用訓練集數(shù)據(jù)對cnn-lstm耦合模型進行訓練，利用驗證集數(shù)據(jù)進行驗證，調(diào)整和優(yōu)化模型的超參數(shù)；

6、s3、將測試集的降雨場次序列輸入cnn-lstm耦合模型，實現(xiàn)流域洪水的模擬；

7、s4、利用shap可解釋性技術(shù)對cnn-lstm耦合模型的具體決策過程進行解釋，識別關(guān)鍵輸入特征因子，得到對cnn-lstm耦合模型預(yù)測貢獻最重要的站點的數(shù)據(jù)。

8、進一步地，標準化處理采用平均值標準差的標準化方法，將流域降雨徑流基礎(chǔ)數(shù)據(jù)標準化，標準化通過以下公式計算：

9、

10、式中， xn表示標準化后的值， x代表序列值， xmean與 xstd分別表示序列的平均值及標準差。

11、進一步地，步驟s1中，將訓練集和驗證集轉(zhuǎn)化為tensorflow數(shù)據(jù)集。

12、進一步地，步驟s2中，所述cnn-lstm耦合模型是基于卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶神經(jīng)網(wǎng)絡(luò)的深度學習模型，以一維的徑流預(yù)測輸入特征作為輸入，先經(jīng)過一維cnn層，通過滑動窗口數(shù)據(jù)與卷積核做內(nèi)積捕捉序列數(shù)據(jù)中的局部特征和模式，然后將輸出傳遞給lstm層，以捕捉長期依賴關(guān)系，最后再通過全連接層，提取特征。

13、進一步地，所述cnn-lstm耦合模型包括輸入層、cnn層、lstm層、全連接層、輸出層；所述cnn層包括三層卷積層，選擇relu函數(shù)作為激活函數(shù)；lstm層選擇leakyrelu函數(shù)作為激活函數(shù)；全連接層為兩層，輸出層對應(yīng)下游水文站的徑流值。

14、進一步地，步驟s2中，以輸入時間步長的全流域降雨和徑流過程為cnn-lstm耦合模型的輸入，預(yù)見期的下游水文站徑流為輸出，利用降雨徑流數(shù)據(jù)庫的訓練集數(shù)據(jù)對cnn-lstm耦合模型進行訓練，利用降雨徑流數(shù)據(jù)庫的驗證集數(shù)據(jù)對cnn-lstm耦合模型進行驗證，調(diào)整和優(yōu)化模型的超參數(shù)。

15、進一步地，步驟s3中，將測試集中降雨場次序列數(shù)據(jù)輸入到所構(gòu)建的cnn-lstm耦合模型中，輸出下游水文站點的徑流變化，實現(xiàn)流域洪水的快速高精度模擬。

16、進一步地，步驟s4中，利用shap可解釋性技術(shù)的梯度解釋器對cnn-lstm耦合模型模擬結(jié)果的具體決策過程進行解釋，識別關(guān)鍵輸入特征因子，提高模型決策的透明度以及模型預(yù)測結(jié)果的可信度。

17、進一步地，利用shap可解釋性技術(shù)通過將特征的所有組合視為可能的合作組合，計算每個特征在每個合作組合中的shapley值，shapley值表示每個特征對于不同合作組合的平均貢獻，通過累積每個特征的貢獻度量化該特征對于模型輸出的貢獻程度。

18、進一步地，根據(jù)貢獻程度大小識別輸入降雨場次序列的關(guān)鍵輸入特征因子，得到對cnn-lstm耦合模型預(yù)測貢獻最重要的站點的數(shù)據(jù)。

19、本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點和有益效果：

20、（1）本發(fā)明將卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶神經(jīng)網(wǎng)絡(luò)耦合運用到流域洪水的高精度模擬中，可實現(xiàn)流域洪水徑流演進過程的高精度模擬?？赡苡捎谝痪Scnn能夠提取序列中的局部模式和特征，lstm能夠有效地捕捉序列中的長期依賴關(guān)系的特征，使得模型更加關(guān)注序列中的重要局部信息和全局結(jié)構(gòu)。結(jié)合并充分發(fā)揮二者的優(yōu)勢，使得cnn-lstm耦合模型相比傳統(tǒng)的單個深度學習模型（如cnn或lstm神經(jīng)網(wǎng)絡(luò)）有著更好的預(yù)測性能。

21、（2）對比傳統(tǒng)的概念性水文模型、統(tǒng)計水文模型和物理水文模型，所構(gòu)建的cnn-lstm耦合模型預(yù)測流域洪水演進過程效率要遠遠高于傳統(tǒng)模型。cnn-lstm耦合模型超高的計算效率可以實現(xiàn)流域洪水徑流演進過程的快速模擬。

22、（3）對比現(xiàn)有的深度學習模型，所構(gòu)建的基于可解釋的cnn-lstm耦合模型能夠識別關(guān)鍵輸入特征因子，增強模型模擬決策具體過程的透明度以及預(yù)測的可信度?？山忉尩纳疃葘W習模型對應(yīng)用于高精度洪水預(yù)警預(yù)報系統(tǒng)的建設(shè)具有重要意義。

技術(shù)特征：

1.一種基于可解釋的cnn-lstm流域洪水模擬方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于可解釋的cnn-lstm流域洪水模擬方法，其特征在于，步驟s1中，標準化處理采用平均值標準差的標準化方法，將流域降雨徑流基礎(chǔ)數(shù)據(jù)標準化，標準化通過以下公式計算：

3.根據(jù)權(quán)利要求1所述的一種基于可解釋的cnn-lstm流域洪水模擬方法，其特征在于，步驟s1中，將訓練集和驗證集轉(zhuǎn)化為tensorflow數(shù)據(jù)集。

4.根據(jù)權(quán)利要求1所述的一種基于可解釋的cnn-lstm流域洪水模擬方法，其特征在于，步驟s2中，所述cnn-lstm耦合模型是基于卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶神經(jīng)網(wǎng)絡(luò)的深度學習模型，以一維的徑流預(yù)測輸入特征作為輸入，先經(jīng)過一維cnn層，通過滑動窗口數(shù)據(jù)與卷積核做內(nèi)積捕捉序列數(shù)據(jù)中的局部特征和模式，然后將輸出傳遞給lstm層，以捕捉長期依賴關(guān)系，最后再通過全連接層，提取特征。

5.根據(jù)權(quán)利要求4所述的一種基于可解釋的cnn-lstm流域洪水模擬方法，其特征在于，所述cnn-lstm耦合模型包括輸入層、cnn層、lstm層、全連接層、輸出層；所述cnn層包括三層卷積層，選擇relu函數(shù)作為激活函數(shù)；lstm層選擇leakyrelu函數(shù)作為激活函數(shù)；全連接層為兩層，輸出層對應(yīng)下游水文站的徑流值。

6.根據(jù)權(quán)利要求1所述的一種基于可解釋的cnn-lstm流域洪水模擬方法，其特征在于，步驟s2中，以輸入時間步長的全流域降雨和徑流過程為cnn-lstm耦合模型的輸入，預(yù)見期的下游水文站徑流為輸出，利用降雨徑流數(shù)據(jù)庫的訓練集數(shù)據(jù)對cnn-lstm耦合模型進行訓練，利用降雨徑流數(shù)據(jù)庫的驗證集數(shù)據(jù)對cnn-lstm耦合模型進行驗證，調(diào)整和優(yōu)化模型的超參數(shù)。

7.根據(jù)權(quán)利要求1所述的一種基于可解釋的cnn-lstm流域洪水模擬方法，其特征在于，步驟s3中，將測試集中降雨場次序列數(shù)據(jù)輸入到所構(gòu)建的cnn-lstm耦合模型中，輸出下游水文站點的徑流變化，實現(xiàn)流域洪水的快速高精度模擬。

8.根據(jù)權(quán)利要求1~7任一項所述的一種基于可解釋的cnn-lstm流域洪水模擬方法，其特征在于，步驟s4中，利用shap可解釋性技術(shù)的梯度解釋器對cnn-lstm耦合模型模擬結(jié)果的具體決策過程進行解釋，識別關(guān)鍵輸入特征因子。

9.根據(jù)權(quán)利要求8所述的一種基于可解釋的cnn-lstm流域洪水模擬方法，其特征在于，利用shap可解釋性技術(shù)通過將特征的所有組合視為可能的合作組合，計算每個特征在每個合作組合中的shapley值，shapley值表示每個特征對于不同合作組合的平均貢獻，通過累積每個特征的貢獻度量化該特征對于模型輸出的貢獻程度。

10.根據(jù)權(quán)利要求9所述的一種基于可解釋的cnn-lstm流域洪水模擬方法，其特征在于，根據(jù)貢獻程度大小識別輸入降雨場次序列的關(guān)鍵輸入特征因子，得到對cnn-lstm耦合模型預(yù)測貢獻最重要的站點的數(shù)據(jù)。

技術(shù)總結(jié)
本發(fā)明公開了一種基于可解釋的CNN?LSTM流域洪水模擬方法，包括下述步驟：對已處理的降雨徑流數(shù)據(jù)庫進行標準化處理，劃分訓練集、驗證集和測試集，并轉(zhuǎn)化為TensorFlow數(shù)據(jù)集；構(gòu)建CNN?LSTM耦合模型，并基于訓練集和驗證集優(yōu)化模型的超參數(shù)；將測試集的降雨場次序列數(shù)據(jù)輸入所述耦合模型，快速高精度輸出下游水文站徑流演變過程；利用SHAP可解釋性技術(shù)對所述耦合模型的具體決策過程進行解釋。本發(fā)明方法不僅能夠有效提升流域洪水模擬的效率和精度，還能識別關(guān)鍵輸入特征因子，提高黑箱模型決策的透明度和可信度，對于可解釋的深度學習模型應(yīng)用于流域洪水模擬以及降低洪水災(zāi)害等有著重要意義。

技術(shù)研發(fā)人員：黃灝,王兆禮,廖耀星,高瑋志
受保護的技術(shù)使用者：華南理工大學
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21