本發(fā)明屬于水文預(yù)報(bào)技術(shù)領(lǐng)域，更具體地，涉及一種耦合神經(jīng)網(wǎng)絡(luò)和分布式vic模型的水文預(yù)報(bào)方法及系統(tǒng)。

背景技術(shù)：

傳統(tǒng)的可變下滲能力(variableinfiltrationcapacity，vic)水文模型能夠考慮流域內(nèi)降雨、蒸發(fā)、植被覆蓋、土壤等自然條件的空間變化情況，但其簡(jiǎn)單的線性疊加匯流模塊很難反映河道匯流過(guò)程中人類活動(dòng)對(duì)其造成的影響。神經(jīng)網(wǎng)絡(luò)模型能夠?qū)Χ嗑S非線性問(wèn)題進(jìn)行辨識(shí)和模擬，但在相同的參數(shù)配置下其優(yōu)化結(jié)果存在浮動(dòng)，存在一定的不確定性和不可重復(fù)性。

綜上，現(xiàn)有水文預(yù)報(bào)方法很難反映河道匯流過(guò)程中人類活動(dòng)對(duì)其造成的影響，且現(xiàn)有水文預(yù)報(bào)方法簡(jiǎn)單結(jié)合神經(jīng)網(wǎng)絡(luò)模型也存在不確定性和不可重復(fù)性。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)的缺陷，本發(fā)明的目的在于現(xiàn)有水文預(yù)報(bào)方法很難反映河道匯流過(guò)程中人類活動(dòng)對(duì)其造成的影響，且現(xiàn)有水文預(yù)報(bào)方法簡(jiǎn)單結(jié)合神經(jīng)網(wǎng)絡(luò)模型也存在不確定性和不可重復(fù)性的技術(shù)問(wèn)題。

為實(shí)現(xiàn)上述目的，第一方面，本發(fā)明實(shí)施例提供了一種耦合神經(jīng)網(wǎng)絡(luò)和分布式vic模型的水文預(yù)報(bào)方法，包括：根據(jù)當(dāng)前流域降雨量量、溫度、地形、植被覆蓋以及土壤品種信息，建立流域內(nèi)各子流域的vic模型，所述vic模型用于模擬各子流域當(dāng)前徑流序列；分析每個(gè)子流域前期實(shí)測(cè)徑流序列與每個(gè)子流域當(dāng)前實(shí)測(cè)徑流序列的相關(guān)性，依據(jù)赤池信息準(zhǔn)則(akaikeinformationcriterion，aic)準(zhǔn)則從每個(gè)子流域前期實(shí)測(cè)徑流序列中選取與每個(gè)子流域當(dāng)前徑流序列的相關(guān)性高于相關(guān)性閾值的序列集；將為每個(gè)子流域當(dāng)前徑流序列選取的序列集作為輸入構(gòu)建三層神經(jīng)網(wǎng)絡(luò)模型，對(duì)所述vic模型模擬的每個(gè)子流域當(dāng)前徑流序列進(jìn)行校正；將校正后的各子流域的當(dāng)前徑流序列作為輸入構(gòu)建三層神經(jīng)網(wǎng)絡(luò)模型，對(duì)各子流域的徑流序列進(jìn)行匯流并校正得到流域出流序列；其中，三層神經(jīng)網(wǎng)絡(luò)獨(dú)立運(yùn)行多次，取區(qū)間值作為最終校正結(jié)果，三層神經(jīng)網(wǎng)絡(luò)用于概化大壩、水庫(kù)或農(nóng)業(yè)對(duì)流域的調(diào)蓄作用，提高水文預(yù)報(bào)精度。

其中，相關(guān)性閾值可取經(jīng)驗(yàn)值，也可根據(jù)實(shí)際需要選擇，例如可取0.9。

本發(fā)明引入aic準(zhǔn)則與互相關(guān)性方法，先使用神經(jīng)網(wǎng)絡(luò)模型對(duì)子流域的模擬誤差進(jìn)行校正，再輸入神經(jīng)網(wǎng)絡(luò)匯流模型中，極大的減小了vic模型模擬誤差，可以概化大壩、水庫(kù)或農(nóng)業(yè)對(duì)流域的調(diào)蓄作用，提高水文預(yù)報(bào)精度。本發(fā)明使用神經(jīng)網(wǎng)絡(luò)區(qū)間預(yù)報(bào)均值法，獨(dú)立運(yùn)行多次神經(jīng)網(wǎng)絡(luò)，取平均值作為最終模擬結(jié)果，能夠減少不確定性，均化模擬值，提高適用性。

可選地，每個(gè)子流域校正后的當(dāng)前徑流序列為：

其中，表示第i個(gè)子流域的校正后的當(dāng)前徑流序列，表示第i個(gè)子流域在t-1時(shí)刻的前期觀測(cè)徑流序列，表示vic模型模擬第i個(gè)子流域在t時(shí)刻的徑流序列，表示第i子流域的校正徑流序列，表示第i子流域的神經(jīng)網(wǎng)絡(luò)模型。

可選地，當(dāng)子流域?yàn)槿齻€(gè)時(shí)，流域出流序列為：

其中，qall(t)表示在t時(shí)刻的流域出流序列，分別表示第一、二、三個(gè)子流域在t時(shí)刻的校正徑流量，r、m和n分別表示子流域一、二、三的輸入序列個(gè)數(shù)，fbp表示三個(gè)子流域的神經(jīng)網(wǎng)絡(luò)模型。

可選地，該方法還包括：使用最速下降法對(duì)三層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

可選地，該方法還包括：根據(jù)率定與校驗(yàn)期數(shù)據(jù)，運(yùn)用嘗試錯(cuò)誤法(tryanderror)確定三層神經(jīng)網(wǎng)絡(luò)隱含層的節(jié)點(diǎn)數(shù)。

第二方面，本發(fā)明實(shí)施例提供了一種耦合神經(jīng)網(wǎng)絡(luò)和分布式vic模型的水文預(yù)報(bào)系統(tǒng)，包括：vic模型建立模塊、前期序列集選取模塊、徑流序列校正模塊以及流域出流序列校正模塊。

vic模型建立模塊，用于根據(jù)當(dāng)前流域降雨量量、溫度、地形、植被覆蓋以及土壤品種信息，建立流域內(nèi)各子流域的vic模型，所述vic模型用于模擬各子流域當(dāng)前徑流序列。

前期序列集選取模塊，用于分析每個(gè)子流域前期實(shí)測(cè)徑流序列、vic模型模擬的每個(gè)子流域當(dāng)前徑流序列以及每個(gè)子流域當(dāng)前實(shí)測(cè)徑流序列的互相關(guān)性，依據(jù)aic準(zhǔn)則從每個(gè)子流域前期實(shí)測(cè)徑流序列中選取與每個(gè)子流域當(dāng)前徑流序列的相關(guān)性高于相關(guān)性閾值的序列集。

徑流序列校正模塊，用于將為每個(gè)子流域當(dāng)前徑流序列選取的序列集作為輸入構(gòu)建三層神經(jīng)網(wǎng)絡(luò)模型，對(duì)所述vic模型模擬的每個(gè)子流域當(dāng)前徑流序列進(jìn)行校正。

流域出流序列校正模塊，用于將校正后的各子流域的當(dāng)前徑流序列作為輸入構(gòu)建三層神經(jīng)網(wǎng)絡(luò)模型，對(duì)各子流域的徑流序列進(jìn)行匯流并校正得到流域出流序列。

其中，三層神經(jīng)網(wǎng)絡(luò)獨(dú)立運(yùn)行多次，取區(qū)間值作為最終校正結(jié)果，三層神經(jīng)網(wǎng)絡(luò)用于概化大壩、水庫(kù)或農(nóng)業(yè)對(duì)流域的調(diào)蓄作用，提高水文預(yù)報(bào)精度。

可選地，徑流序列校正模塊得到的每個(gè)子流域校正后的當(dāng)前徑流序列為：

其中，表示第i個(gè)子流域的校正后的當(dāng)前徑流序列，表示第i個(gè)子流域在t-1時(shí)刻的前期觀測(cè)徑流序列，表示vic模型模擬第i個(gè)子流域在t時(shí)刻的徑流序列，表示第i子流域的校正徑流序列，表示第i子流域的神經(jīng)網(wǎng)絡(luò)模型。

可選地，當(dāng)子流域?yàn)槿齻€(gè)時(shí)，所述流域出流序列校正模塊得到的流域出流序列為：

其中，qall(t)表示在t時(shí)刻的流域出流序列，分別表示第一、二、三個(gè)子流域在t時(shí)刻的校正徑流量，r、m和n分別表示子流域一、二、三的輸入序列個(gè)數(shù)，fbp表示三個(gè)子流域的神經(jīng)網(wǎng)絡(luò)模型。

可選地，徑流序列校正模塊和流域出流序列校正模塊使用最速下降法對(duì)三層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

可選地，徑流序列校正模塊和流域出流序列校正模塊根據(jù)率定與校驗(yàn)期數(shù)據(jù)，運(yùn)用嘗試錯(cuò)誤法確定三層神經(jīng)網(wǎng)絡(luò)隱含層的節(jié)點(diǎn)數(shù)。

總體而言，通過(guò)本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下有益效果：

1、現(xiàn)有vic模型只能適用于不受人類活動(dòng)影響的理想流域，而本發(fā)明通過(guò)結(jié)合神經(jīng)網(wǎng)絡(luò)模型考慮人類活動(dòng)對(duì)出流的影響，可模擬大壩、水庫(kù)、農(nóng)業(yè)、工業(yè)用水對(duì)河道的影響。

2、現(xiàn)有適用于子流域的vic模型模擬結(jié)果存在一定誤差，vic模型直接用于輸入神經(jīng)網(wǎng)絡(luò)匯流模型，會(huì)影響匯流結(jié)果。本發(fā)明引入aic準(zhǔn)則與互相關(guān)性方法，先使用神經(jīng)網(wǎng)絡(luò)模型對(duì)子流域的模擬誤差進(jìn)行校正，再輸入神經(jīng)網(wǎng)絡(luò)匯流模型中，極大的減小了vic模型模擬誤差。

3、現(xiàn)有技術(shù)中神經(jīng)網(wǎng)絡(luò)在相同的結(jié)構(gòu)下運(yùn)行的結(jié)果存在一定的隨機(jī)性，結(jié)果存在浮動(dòng)。本發(fā)明使用神經(jīng)網(wǎng)絡(luò)區(qū)間預(yù)報(bào)均值法，獨(dú)立運(yùn)行多次神經(jīng)網(wǎng)絡(luò)，取平均值作為最終模擬結(jié)果，能夠減少不確定性，均化模擬值，提高適用性。

附圖說(shuō)明

圖1為本發(fā)明實(shí)施例提供的一種耦合神經(jīng)網(wǎng)絡(luò)和分布式vic模型的水文預(yù)報(bào)方法流程示意圖；

圖2為本發(fā)明實(shí)施例提供的各子流域徑流與總流域出流相關(guān)性示意圖；

圖3為本發(fā)明實(shí)施例提供的一種耦合神經(jīng)網(wǎng)絡(luò)和分布式vic模型的架構(gòu)示意圖；

圖4為本發(fā)明實(shí)施例提供的一種耦合神經(jīng)網(wǎng)絡(luò)和分布式vic模型的水文預(yù)報(bào)系統(tǒng)結(jié)構(gòu)示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

圖1為本發(fā)明實(shí)施例提供的一種耦合神經(jīng)網(wǎng)絡(luò)和分布式vic模型的水文預(yù)報(bào)方法流程示意圖，如圖1所示，包括步驟s101至步驟s104。

s101，根據(jù)當(dāng)前流域降雨量量、溫度、地形、植被覆蓋以及土壤品種信息，建立流域內(nèi)各子流域的vic模型，所述vic模型用于模擬各子流域當(dāng)前徑流序列。

s102，分析每個(gè)子流域前期實(shí)測(cè)徑流序列、vic模型模擬的每個(gè)子流域當(dāng)前徑流序列以及每個(gè)子流域當(dāng)前實(shí)測(cè)徑流序列的互相關(guān)性，依據(jù)aic準(zhǔn)則從每個(gè)子流域前期實(shí)測(cè)徑流序列中選取與每個(gè)子流域當(dāng)前徑流序列的相關(guān)性高于相關(guān)性閾值的序列集。

s103，將為每個(gè)子流域當(dāng)前徑流序列選取的序列集作為輸入構(gòu)建三層神經(jīng)網(wǎng)絡(luò)模型，對(duì)所述vic模型模擬的每個(gè)子流域當(dāng)前徑流序列進(jìn)行校正。

s104，將校正后的各子流域的當(dāng)前徑流序列作為輸入構(gòu)建三層神經(jīng)網(wǎng)絡(luò)模型，對(duì)各子流域的徑流序列進(jìn)行匯流并校正得到流域出流序列；其中，三層神經(jīng)網(wǎng)絡(luò)獨(dú)立運(yùn)行多次，取區(qū)間值作為最終校正結(jié)果，三層神經(jīng)網(wǎng)絡(luò)用于概化大壩、水庫(kù)或農(nóng)業(yè)對(duì)流域的調(diào)蓄作用，提高水文預(yù)報(bào)精度。

可選地，每個(gè)子流域校正后的當(dāng)前徑流序列為：

其中，表示第i個(gè)子流域的校正后的當(dāng)前徑流序列，表示第i個(gè)子流域在t-1時(shí)刻的前期觀測(cè)徑流序列，表示vic模型模擬第i個(gè)子流域在t時(shí)刻的徑流序列，表示第i子流域的校正徑流序列，表示第i子流域的神經(jīng)網(wǎng)絡(luò)模型。

可選地，當(dāng)子流域?yàn)槿齻€(gè)時(shí)，計(jì)算子流域序列與總流域序列的相關(guān)性，如圖2所示為各子流域徑流與總流域出流相關(guān)性示意圖，選取每個(gè)子流域輸入序列個(gè)數(shù)分別為r、m和n。

流域出流序列為：

其中，qall(t)表示在t時(shí)刻的流域出流序列，分別表示第一、二、三個(gè)子流域在t時(shí)刻的校正徑流量，r、m和n分別表示子流域一、二、三的輸入序列個(gè)數(shù)，fbp表示三個(gè)子流域的神經(jīng)網(wǎng)絡(luò)模型。

可選地，該方法還包括：使用最速下降法對(duì)三層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

可選地，該方法還包括：根據(jù)率定與校驗(yàn)期數(shù)據(jù)，運(yùn)用嘗試錯(cuò)誤法確定三層神經(jīng)網(wǎng)絡(luò)隱含層的節(jié)點(diǎn)數(shù)。

圖3本發(fā)明實(shí)施例提供的一種耦合神經(jīng)網(wǎng)絡(luò)和分布式vic模型的架構(gòu)示意圖。

如圖3所示，以一個(gè)流域包括三個(gè)子流域?yàn)槔紫确謩e建立各個(gè)子流域的vic模型，詳細(xì)步驟如下：

在獲取流域降雨、溫度、地形、植被覆蓋、土壤等數(shù)據(jù)的基礎(chǔ)上，從上至下分別建立流域內(nèi)各子流域的vic模型。該模型通過(guò)計(jì)算能量平衡、植被蒸騰和土壤蒸發(fā)、冠層水量平衡、地表徑流、基流以及產(chǎn)匯流過(guò)程得到各子流域的出流過(guò)程。

vic模型的能力平衡計(jì)算主要包括地表溫度、感熱通量、潛熱通量以及地?zé)嶙兓?，其中感熱通量、潛熱通量以及地?zé)嶙兓傻乇頊囟却_定，潛熱通量是水量平衡和能力平衡的連接因子。地表覆蓋的能量由下式計(jì)算：

rn＝h+ρwlee+g

rn＝(1-α)rs+ε(rl-σts⁴)

其中rn是凈輻射，h是感熱通量，ρw是水密度，le是水的蒸發(fā)潛熱，ρwlee是潛熱通量，e包括植被蒸發(fā)、蒸騰以及裸土蒸發(fā)，g是地表熱通量。α是某類植被覆蓋類型的地表反射率，rs是向下的短波輻射，ε是比輻射率，rl是向下的長(zhǎng)波輻射，σ是stefan-boltzmann常數(shù)。ts是地表溫度，ta是大氣溫度，rh是熱通量的空氣動(dòng)力學(xué)阻抗。地表熱通量g通過(guò)對(duì)兩層土壤的熱量估計(jì)來(lái)計(jì)算：cs是土壤熱傳導(dǎo)能力系數(shù)，t1^-是d1處在時(shí)段末土壤溫度，t2是d2深度的恒溫度，κ是土壤的熱傳導(dǎo)系數(shù)。

vic模型規(guī)定流域按網(wǎng)格劃分，在每個(gè)計(jì)算網(wǎng)格內(nèi)，地表假定有n+1種類型，第1到第n種地表為植被，第n+1種地表為裸土。對(duì)于每個(gè)網(wǎng)格內(nèi)土層間的水分交換、蒸發(fā)及產(chǎn)流，是由不同的植被類型決定的，最終是通過(guò)每種植被類型的葉面積指數(shù)、植被阻抗和植被根系在上下層土壤中的比例來(lái)計(jì)算的，這些植被參數(shù)根據(jù)植被的蒸散發(fā)潛力以及空氣動(dòng)力學(xué)阻抗、地表蒸發(fā)阻抗和葉面氣孔阻抗等屬性分別確定的。

vic模型中的土壤分為三層，第一層表示有很小降雨發(fā)生時(shí)，立即會(huì)有裸土蒸發(fā)，第二層土壤產(chǎn)生直接徑流，第三層控制基流的發(fā)生。對(duì)于土壤飽和容量分布不均勻?qū)χ苯訌搅鞯挠绊懀瑅ic模型引進(jìn)流域飽和容量曲線的思想，且只針對(duì)上層土壤。基于大尺度的考慮，忽略不透水面積上的計(jì)算。

根據(jù)前期各子流域?qū)崪y(cè)流量自相關(guān)信息，運(yùn)用互相關(guān)方法結(jié)合aic準(zhǔn)則，選取各子流域的前期流量值作為輸入分別構(gòu)建三層神經(jīng)網(wǎng)絡(luò)模型，對(duì)子流域模擬結(jié)果進(jìn)行校正，使用最速下降法對(duì)模型進(jìn)行訓(xùn)練，各子流域神經(jīng)網(wǎng)絡(luò)模型獨(dú)立運(yùn)行多次，例如100次，取其區(qū)間均值作為最終校正結(jié)果。分析每個(gè)子流域輸入變量的自相關(guān)性，相關(guān)性分析公式如下所示：

其中，r表示相關(guān)性系數(shù)，n表示序列時(shí)序個(gè)數(shù)，j表示子流域的編號(hào)，xi,j表示第j個(gè)子流域i時(shí)刻序列值，xi+1,j表示第j子流域第i+1時(shí)刻序列值，表示第j個(gè)子流域第i時(shí)刻序列平均值，表示第j個(gè)子流域第i+1時(shí)刻序列平均值。

再使用aic準(zhǔn)則，優(yōu)選出出最優(yōu)的前期輸入變量。aic準(zhǔn)則是赤池信息準(zhǔn)則，它建立在熵的概念基礎(chǔ)上，可以權(quán)衡所估計(jì)模型的復(fù)雜度和此模型擬合數(shù)據(jù)的優(yōu)良性。在一般的情況下，aic可以表示為：aic＝2k-2ln(l)，其中：k是參數(shù)的數(shù)量，l是似然函數(shù)。假設(shè)條件是模型的誤差服從獨(dú)立正態(tài)分布。為使n轉(zhuǎn)為觀察數(shù)，引入rss(剩余平方和)，那么aic變?yōu)椋篴ic＝2k+nln(rss/n)。各子流域根據(jù)所選出的輸入序列，輸入神經(jīng)網(wǎng)絡(luò)模型：

其中是i子流域在t-1前期觀測(cè)流量，是i子流域在t時(shí)刻的模擬流量，是i子流域的校正流量，是i子流域的神經(jīng)網(wǎng)絡(luò)模型。

研究神經(jīng)網(wǎng)絡(luò)校正后的各子流域流量與流域總出流的互相關(guān)關(guān)系，互相關(guān)方法結(jié)合aic準(zhǔn)則，選取各子流域的前期輸入序列作為神經(jīng)網(wǎng)絡(luò)匯流模型的輸入，率定期與檢驗(yàn)期數(shù)據(jù)同時(shí)運(yùn)用tryanderror方法獲取隱含層的節(jié)點(diǎn)數(shù)，模型獨(dú)立運(yùn)行多次，例如100次，取其區(qū)間均值作為最終校正結(jié)果，該方法概化大壩、水庫(kù)、農(nóng)業(yè)等對(duì)河道的調(diào)蓄作用，可提高水文模擬精度。應(yīng)用互相關(guān)方法結(jié)合aic準(zhǔn)則，選取每個(gè)子流域不同前期輸入量作為輸入，驅(qū)動(dòng)神經(jīng)網(wǎng)絡(luò)匯流模型。

其中qall(t)是流域總出流量，分別是第一、二、三個(gè)子流域在t時(shí)刻的校正流量，r、m和n分別表示子流域一、二、三的輸入序列個(gè)數(shù)，fbp表示三個(gè)子流域的神經(jīng)網(wǎng)絡(luò)模型。

圖4為本發(fā)明實(shí)施例提供的一種耦合神經(jīng)網(wǎng)絡(luò)和分布式vic模型的水文預(yù)報(bào)系統(tǒng)結(jié)構(gòu)示意圖，如圖4所示，包括：vic模型建立模塊、前期序列集選取模塊、徑流序列校正模塊以及流域出流序列校正模塊。

vic模型建立模塊，用于根據(jù)當(dāng)前流域降雨量量、溫度、地形、植被覆蓋以及土壤品種信息，建立流域內(nèi)各子流域的vic模型，所述vic模型用于模擬各子流域當(dāng)前徑流序列。

前期序列集選取模塊，用于分析每個(gè)子流域前期實(shí)測(cè)徑流序列與每個(gè)子流域當(dāng)前實(shí)測(cè)徑流序列的相關(guān)性，依據(jù)aic準(zhǔn)則從每個(gè)子流域前期實(shí)測(cè)徑流序列中選取與每個(gè)子流域當(dāng)前徑流序列的相關(guān)性高于相關(guān)性閾值的序列集。

徑流序列校正模塊，用于將為每個(gè)子流域當(dāng)前徑流序列選取的序列集作為輸入構(gòu)建三層神經(jīng)網(wǎng)絡(luò)模型，對(duì)所述vic模型模擬的每個(gè)子流域當(dāng)前徑流序列進(jìn)行校正。

流域出流序列校正模塊，用于將校正后的各子流域的當(dāng)前徑流序列作為輸入構(gòu)建三層神經(jīng)網(wǎng)絡(luò)模型，對(duì)各子流域的徑流序列進(jìn)行匯流并校正得到流域出流序列。

其中，三層神經(jīng)網(wǎng)絡(luò)獨(dú)立運(yùn)行多次，取區(qū)間值作為最終校正結(jié)果，三層神經(jīng)網(wǎng)絡(luò)用于概化大壩、水庫(kù)或農(nóng)業(yè)對(duì)流域的調(diào)蓄作用，提高水文預(yù)報(bào)精度。

可選地，徑流序列校正模塊得到的每個(gè)子流域校正后的當(dāng)前徑流序列為：

其中，表示第i個(gè)子流域的校正后的當(dāng)前徑流序列，表示第i個(gè)子流域在t-1時(shí)刻的前期觀測(cè)徑流序列，表示vic模型模擬第i個(gè)子流域在t時(shí)刻的徑流序列，表示第i子流域的校正徑流序列，表示第i子流域的神經(jīng)網(wǎng)絡(luò)模型。

可選地，當(dāng)子流域?yàn)槿齻€(gè)時(shí)，所述流域出流序列校正模塊得到的流域出流序列為：

其中，qall(t)表示在t時(shí)刻的流域出流序列，分別表示第一、二、三個(gè)子流域在t時(shí)刻的校正徑流量，r、m和n分別表示子流域一、二、三的輸入序列個(gè)數(shù)，fbp表示三個(gè)子流域的神經(jīng)網(wǎng)絡(luò)模型。

可選地，徑流序列校正模塊和流域出流序列校正模塊使用最速下降法對(duì)三層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

可選地，徑流序列校正模塊和流域出流序列校正模塊根據(jù)率定與校驗(yàn)期數(shù)據(jù)，運(yùn)用嘗試錯(cuò)誤法確定三層神經(jīng)網(wǎng)絡(luò)隱含層的節(jié)點(diǎn)數(shù)。

需要說(shuō)明的是，圖4還可包括更多或者更少的部件，各部件的功能具體可參見(jiàn)前述圖1、圖2和圖3所示的具體實(shí)施例，在此不做贅述。

以上，僅為本申請(qǐng)較佳的具體實(shí)施方式，但本申請(qǐng)的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本申請(qǐng)揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本申請(qǐng)的保護(hù)范圍之內(nèi)。因此，本申請(qǐng)的保護(hù)范圍應(yīng)該以權(quán)利要求的保護(hù)范圍為準(zhǔn)。