知识驱动下的水文模型参数智能化设置方法

发布时间：2020-06-10 04:58

【摘要】：水文模型的参数设置涉及专业领域的知识和繁琐的操作步骤,是水文建模面临的一大难题,在一定程度上限制了模型的应用和推广。基于知识驱动的方法,将水文模型参数设置知识分为参数提取知识和取值范围知识两类,分别对其进行形式化表达和自动推理,初步实现了水文模型参数智能化设置;结合Web Service、工作流和参数自动率定等技术,研发了水文智能建模原型系统;最后,以TOPMODEL模型的参数设置为例,对知识驱动方法进行了验证。结果表明,知识驱动的方法能在保证模拟精度的前提下有效简化水文模型的参数设置流程,降低水文建模难度。
【图文】：

工作流图,工作流,分布曲线,预处理算法

ＰｏｇｒａｐｈｉｃＭＯＤＥＬ）模型中的ＴＷＩ分布曲线参数，该参数可由ＤＥＭ通过一系列预处理算法操作流程计算得到（图１）［７］；其次预处理算法的输入项和输出项，根据预处理算法间的输入－输出关系，确定各预处理算法的执行顺序，通过软件操作依次执行各个预处理操作，计算待提取的参数。上述过程可抽象为根据算法的输入、输出项，以目标为驱动反向动态构建概念工作流的过程，该过程中所使用的“参数提取知识”是对水文模型中待提取的参数和各个预处理算法的输入和输出项的客观陈述。图１提取ＴＷＩ分布曲线的概念工作流Ｆｉｇ．１ＣｏｎｃｅｐｔｕａｌＷｏｒｋｆｌｏｗｆｏｒＥｘｔｒａｃｔｉｎｇＴＷＩＤｉｓｔｒｉｂｕｔｉｏｎＣｕｒｖｅ２）参数提取知识的形式化表达上述参数提取知识属于陈述性知识［８］，可用语义网中的资源描述框架（ｒｅｓｏｕｒｃｅｄｅｓｃｒｉｐｔｉｏｎｆｒａｍｅｗｏｒｋ，ＲＤＦ）进行形式化表达。ＲＤＦ将一条陈述表达为“对象－属性－值”三元组的形式［８］。本文以ＲＤＦ方式表达水文模型待提取的参数及预处理算法的输入和输出项。例如，“ＴＯＰＭＯＤＥＬ模型需要以提取方式得到的参数为ＴＷＩ分布曲线”，以ＲＤＦ方式表达如下。＜ｒｄｆ：ＲＤＦｘｍｌｎｓ：ｒｄｆ＝"ｈｔｔｐ：∥ｗｗｗ．ｗ３．ｏｒｇ／１９９９／０２／２２－ｒｄｆ－ｓｙｎ－ｔａｘ－ｎｓ＃"ｘｍｌｎｓ：ｈｙｄｒｏ＝"ｈｔｔｐ：∥ｗｗｗ．ｃａｓ．ａｃ．ｃｎ／ｈｙｄｒｏｌｏｇｙ＃"＞……＜ｒｄｆ：Ｄｅｓｃｒｉｐｔｉｏｎｒｄｆ：ａｂｏｕｔ＝"ＴＯＰＭＯＤＥＬ"

架构图,智能建模,原型系统,水文

陈述；步骤３获取该ＲＤＦ陈述中的参数范围ｒａｎｇｅ，将其存储在哈希表Ｍａｐ＜Ｐａｒａｉ，ｒａｎｇｅ＞中；步骤４将Ｍａｐ传递至参数自动优化算法，由优化算法完成最终的参数优化。本研究采用ＳＣＥ＿ＵＡ算法［１５］进行参数自动优化。２原型系统与应用实例２．１水文智能建模原型系统本文基于上述方法，设计并初步实现了水文智能建模原型系统，采用Ｂ／Ｓ（Ｂｒｏｗｓｅｒ／Ｓｅｒｖｅｒ）三层架构模式，由表现层、业务逻辑层和数据访问层构成，如图２所示。图２水文智能建模原型系统架构Ｆｉｇ．２ＡｒｃｈｉｔｅｃｔｕｒｅｏｆＰｒｏｔｏｔｙｐｅＳｙｓｔｅｍｏｆＩｎｔｅｌｌｉｇｅｎｔＨｙｄｒｏｌｏｇｉｃａｌＭｏｄｅｌｉｎｇ该原型系统采用了可扩展的架构，只需要将某一水文模型的参数提取知识和参数范围知识进行形式化表达，并存储于知识库中，，水文智能建模原型系统便可支持该水文模型参数设置的智能化。目前，本系统支持两参数月水量平衡模型、ＳＭＡＲ（ｓｏｉｌｍｏｉｓｔｕｒｅａｃｃｏｕｎｔｉｎｇａｎｄｒｏｕｔｉｎｇ）模型、新安江模型、ＴＯＰＭＯＤＥＬ等４个模型的参数智能化设置。２．２ＴＯＰＭＯＤＥＬ应用实例以福建汀江的观音桥小流域作为研究区，该流域面积３７４ｋｍ２，位于亚热带，降水充沛，属于湿润气候。数据包括２００６～２００９年共４ａ实测日尺度降雨、蒸发皿观测值和径流资料及９０ｍ的ＳＲＴＭＤＥＭ数据。采用湿润和半湿润地区常用的ＴＯＰＭＯＤＥＬ来进行降雨－径流模拟。以ＴＯＰＭＯＤＥＬ参数提取和率定为例，说明知识驱动下水文建模参数智能化设置方法

【相似文献】