用于水库增蓄的声波增雨决策方法、系统、设备及介质

1.一种用于水库增蓄的声波增雨决策方法，其特征在于，包括以下步骤：根据水库所在位置选定影响水库径流量的上游产流区域A和声波增雨作业影响目标区域B，区域A包含区域B；获取区域A的数字高程图像，根据区域A的数字高程图像将整个上游产流区域划分为多个大小相同的栅格；获取区域A中每一栅格在t时刻对应的气象数据；将对应的气象数据输入至预训练的第一预测模型，获取每一栅格在t时刻的降雨量预测结果；获取区域A在t时刻的历史径流序列，将历史径流序列、每一栅格的降雨量预测结果及数字高程图像输入至预训练的第二预测模型，获取预测径流序列，根据预测径流序列获取水库入库径流预测结果 ；根据每一栅格的降雨量预测结果、水库入库径流预测结果 以及水库运行数据计算决策系数 和决策系数 随时间变化的趋势曲线；根据决策系数 判断是否开始执行声波增雨作业；并在声波增雨作业开始后根据趋势曲线判断是否继续进行作业；其中，所述第一预测模型的预训练步骤具体为：获取区域A在历史时刻的高分辨率气象数据，放入第一训练样本集中，高分辨率气象数据包括不同类型的气象物理变量；每一气象物理变量的数据初始场图片数量为n×m；对于每一训练样本，构造以每一气象物理变量为节点、由节点和连接节点对的边组成的图结构；将每一训练样本的数据初始场图片输入编码器模块，对每一气象物理变量经过k层卷积层和池化层后得到不同级别的空间特征，并将n×m的数据初始场图片压缩为高度为 ，宽度为 ，通道数为128的向量数组，将各气象物理变量的向量数组进行连接形成向量矩阵 ；将所述向量矩阵 输入注意力模块进行增强，形成第二矩阵 ，将第二矩阵 输入耦合聚集模块进行图卷积，并经滤波器滤波后输出第三矩阵 ；通过解码器模块对第三矩阵 进行解码，获取降雨对应的行向量，并通过超分辨率技术对降雨对应的行向量进行提升维度，恢复成数量为n×m的预测场降雨数据；基于预测场降雨数据计算损失函数，联合损失函数以及Adam算法动态优化第一预测模型的模型参数，迭代进行模型训练。 2.根据权利要求1所述的一种用于水库增蓄的声波增雨决策方法，其特征在于：各气象物理变量的空间分辨率最大不超过栅格划分的分辨率，且n=N/经度方向分辨率、m=M/纬度方向分辨率；N和M分别为区域A的经度跨度和维度跨度；注意力模块采用混合注意力网络架构；耦合聚集模块采用ChebNet图卷积模型或GCN图卷积模型中的任一种。 3.根据权利要求1所述的一种用于水库增蓄的声波增雨决策方法，其特征在于，所述第二预测模型的预训练步骤具体为：对区域A的数字高程图像进行预处理，获取区域A的坡度、水流流向、集水面积和河网水系信息，根据D8单向流动算法定性分析地表降水径流的汇聚过程，形成树形流动结构；根据树形流动结构构造流向图，以每一栅格为节点，有流动关系的节点间存在边；根据栅格的降雨量预测结果得到对应降雨预测序列，将降雨预测序列和流向图一同输入降雨驱动模块，每个栅格的降雨预测序列经过Hartley变换由时域变换到频域，在频域里捕获降雨预测序列的时空关系后，通过逆Hartley变换转换回时域；将基于流向图的降雨时域序列进行图卷积，得到关于降雨量关于流向图的时空特征向量U st ；收集与降雨同时段的区域A水文站点径流序列数据，对每个站点的缺失数据使用前向填充法补齐获得径流序列数据集；对径流序列数据集中的每一样本进行一维向量卷积，提取径流序列的时序特征向量U s ；将时空特征向量U st 和时序特征向量U s 拼接在一起后输入全连接层，经过非线性变换得出预测径流序列；基于预测径流序列计算损失，联合损失以及Adam算法动态优化第二预测模型的模型参数，迭代进行模型训练。 4.根据权利要求3所述的一种用于水库增蓄的声波增雨决策方法，其特征在于：所述图卷积采用ChebNet图卷积模型或GCN图卷积模型中的任一种；全连接层的激活函数采用ReLU函数。 5.根据权利要求1所述的一种用于水库增蓄的声波增雨决策方法，其特征在于，所述根据每一栅格的降雨量预测结果、水库入库径流预测结果 以及水库运行数据计算决策系数 的计算公式为： ；其中， 为预设的声波增雨比例； 为区域B内单一河道面积； 为区域B内每一栅格的降雨量预测结果， 为水库运行在当前时期的安全水位Z对应的库容； 为当前水位在t时刻对应的库容； 为水库运行时期泄水设施的泄流能力； 为水库入库径流预测结果， 为计算时段。 6.根据权利要求5所述的一种用于水库增蓄的声波增雨决策方法，其特征在于，所述在声波增雨作业开始后根据趋势曲线判断是否继续进行作业的步骤具体为：根据趋势曲线的趋势变化，当决策系数 有向0发展的趋势时，保持继续作业，当决策系数 有向1发展的趋势时，则考虑停止作业。 7.一种用于水库增蓄的声波增雨决策系统，其特征在于，包括：区域选定模块，根据水库所在位置选定影响水库径流量的上游产流区域A和声波增雨作业影响目标区域B，区域A包含区域B；栅格划分模块，用于获取区域A的数字高程图像，根据区域A的数字高程图像将整个上游产流区域划分为多个大小相同的栅格；降雨预测模块，用于获取区域A中每一栅格在t时刻对应的气象数据；将对应的气象数据输入至预训练的第一预测模型，获取每一栅格在t时刻的降雨量预测结果；入库径流预测模块，用于获取区域A在t时刻的历史径流序列，将历史径流序列、每一栅格的降雨量预测结果及数字高程图像输入至预训练的第二预测模型，获取预测径流序列，根据预测径流序列获取水库入库径流预测结果 ；辅助决策参数计算模块，用于根据每一栅格的降雨量预测结果、水库入库径流预测结果 以及水库运行数据计算决策系数 和决策系数 随时间变化的趋势曲线；决策模块，用于根据决策系数 判断是否开始执行声波增雨作业；并在声波增雨作业开始后根据趋势曲线判断是否继续进行作业；其中，所述第一预测模型的预训练步骤具体为：获取区域A在历史时刻的高分辨率气象数据，放入第一训练样本集中，高分辨率气象数据包括不同类型的气象物理变量；每一气象物理变量的数据初始场图片数量为n×m；对于每一训练样本，构造以每一气象物理变量为节点、由节点和连接节点对的边组成的图结构；将每一训练样本的数据初始场图片输入编码器模块，对每一气象物理变量经过k层卷积层和池化层后得到不同级别的空间特征，并将n×m的数据初始场图片压缩为高度为 ，宽度为 ，通道数为128的向量数组，将各气象物理变量的向量数组进行连接形成向量矩阵 ；将所述向量矩阵 输入注意力模块进行增强，形成第二矩阵 ，将第二矩阵 输入耦合聚集模块进行图卷积，并经滤波器滤波后输出第三矩阵 ；通过解码器模块对第三矩阵 进行解码，获取降雨对应的行向量，并通过超分辨率技术对降雨对应的行向量进行提升维度，恢复成数量为n×m的预测场降雨数据；基于预测场降雨数据计算损失函数，联合损失函数以及Adam算法动态优化第一预测模型的模型参数，迭代进行模型训练。 8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述的一种用于水库增蓄的声波增雨决策方法。 9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6任一项所述的一种用于水库增蓄的声波增雨决策方法。