本发明涉及水文预报，尤其涉及一种基于动态贝叶斯网络的月径流预报方法。
背景技术：
1、水文循环是一个多方面的系统，其组成部分的时空可变性，受到不断变化的陆地景观和变化气候内一系列水文气候过程的调控。因此，平稳性的假设，即系统响应在一个固定的可变范围内变化，已经制约许多水文气候问题的瓶颈。鉴于水文变量的非平稳性，包括水文变量中预测因子与被预测量之间的动态联系，设计一个复杂的模型预报算法是至关重要的。这个预报方法不仅要从时间上不断进化的陆地环境和气候条件中学习，而且还要适应这些时变的水文过程。
2、基于数据驱动的月径流预报方法常常建立在水文变量在一定时间和空间上满足平稳性假设前提的。但是由于气候变化和人类活动的影响，影响流域地表水径流量的主要响应因子正逐年发生变化，同时径流变量和响应变量间的结构性参数也逐年改变，有必要开发一种变化环境下动态可变的径流预报方法。如何实现对中长期水文气象变量的精准预报模拟，是变化环境下亟需解决的技术难题。
技术实现思路
1、发明目的：本发明旨在提供一种基于动态贝叶斯网络的动态贝叶斯预报模型进行月径流预报方法。
2、技术方案：本发明所述的基于动态贝叶斯网络的月径流预报方法，包括以下步骤：
3、(1)选取流域的历史历史水文气象变量数据，进行标准化处理，得到标准化样本；
4、(2)根据分布预测周期构建动态贝叶斯预报模型，确定非平稳条件下最优分布预报周期；
5、(3)通过模型间性能对比，验证动态贝叶斯预报模型的精准性。
6、进一步的，步骤(1)中标准化处理后的数据还需进行shapiro-wilk正态性检验，若无法通过shapiro-wilk正态性检验，则标准化处理后的数据需要进行box-cox变换。
7、进一步的，步骤(1)中标准处理后的径流如下：
8、
9、式中，xi是第i个水文气象变量；为水文气象变量的均值；sd为水文气象变量的标准差。
10、进一步的，box-cox变换公式如下：
11、
12、式中，x(λ)为box-cox变换后的水文气象变量，x为水文气象变量，λ为待定变换参数。
13、进一步的，步骤(1)中，所述历史水文气象变量包括径流变量、降水、蒸散发、相对湿度、蒸汽压力和融雪。
14、进一步的，步骤(2)根据分布预测周期构建动态贝叶斯预报模型，确定非平稳条件下最优分布预报周期，具体如下：
15、(21)将标准化样本按年限划分为训练期样本和预报期间样本，将预报期按照分布预测周期n划分，得到l组训练期与预报期一一对应的序列；其中，n为正整数，单位为年；
16、(22)构建动态贝叶斯预报模型，根据bic准则确定每组序列对应的最优贝叶斯网络结构；
17、(23)基于极大似然法确定每组序列对应的最优贝叶斯网络结构的参数，得到非平稳贝叶斯网络结构组合获得的贝叶斯模型；
18、(24)通过性能分析指标，评价贝叶斯模型的预报性能，确定最优分步预报期即最优分布预测周期取值，得到基于动态贝叶斯网络的月径流预报模型。
19、进一步的，步骤(21)中，将标准化样本按比例划分，前2/3作为训练期样本和后1/3作为预报期间样本；分布预测周期n＝1,2,3,4,5,6。
20、进一步的，步骤(22)中的bic准则如下：
21、
22、式中，d为数据集；fd为数据集的联合概率分布；xi为第i个水文气象变量；为图形建模结果中xi的潜在变量集；t为综合分布中的参数数量；m为变量的总量；n为数据集的大小。
23、进一步的，步骤(23)中m个随机变量的联合分布f(x1,x2,…,xm|θ)如下：
24、
25、式中，θ＝{θ1,θ2,…,θm}，θi为分布的参数数组，为局部分布函数，表示xi与其关联父变量之间的相互依赖性。
26、进一步的，步骤(24)中性能分析指标包括归一化均方根误差nrmse、kling-gupta效率指标、纳什效率系数nse和决定系数r^2。
27、有益效果：本发明与现有技术相比，其显著优点是：1、本发明既可以有效解决平稳条件下经典数据驱动方法对于变量输入-输出关系的动态可变特性描述不足的问题，又能为应对变化环境下流域中长期预报的精准模拟提供思路和方法；2、本发明有效提高了月径流预报的精度，特别是可以实现对于高低径流量值进行精准预报；3、本发明能够有效应对气候变化背景下水文气象变量的非平稳性相依结构的表征。
1.一种基于动态贝叶斯网络的月径流预报方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于动态贝叶斯网络的月径流预报方法，其特征在于，步骤(1)中标准化处理后的数据还需进行shapiro-wilk正态性检验，若无法通过shapiro-wilk正态性检验，则标准化处理后的数据需要进行box-cox变换。
3.根据权利要求1所述基于动态贝叶斯网络的月径流预报方法，其特征在于，步骤(1)中标准处理后的径流如下：
4.根据权利要求2所述基于动态贝叶斯网络的月径流预报方法，其特征在于，box-cox变换公式如下：
5.根据权利要求1所述基于动态贝叶斯网络的月径流预报方法，其特征在于，步骤(1)中，所述历史水文气象变量包括径流变量、降水、蒸散发、相对湿度、蒸汽压力和融雪。
6.根据权利要求1所述基于动态贝叶斯网络的月径流预报方法，其特征在于，步骤(2)根据分布预测周期构建动态贝叶斯预报模型，确定非平稳条件下最优分布预报周期，具体如下：
7.根据权利要求6所述基于动态贝叶斯网络的月径流预报方法，其特征在于，步骤(21)中，将标准化样本按比例划分，前2/3作为训练期样本和后1/3作为预报期间样本；分布预测周期n＝1,2,3,4,5,6。
8.根据权利要求6所述基于动态贝叶斯网络的月径流预报方法，其特征在于，步骤(22)中的bic准则如下：
9.根据权利要求8所述基于动态贝叶斯网络的月径流预报方法，其特征在于，步骤(23)中m个随机变量的联合分布f(x1,x2,…,xm|θ)如下：
10.根据权利要求6所述基于动态贝叶斯网络的月径流预报方法，其特征在于，步骤(24)中性能分析指标包括归一化均方根误差nrmse、kling-gupta效率指标、纳什效率系数nse和决定系数r^2。
