1 运行环境说明

• 在Julia中运行

• 在julia中首先加载包，

  using HydroTools

• 若没有包加载出错，则安装之，

  using Pkg; Pkg.add("HydroTools")

说明

先不要立即执行该skills，提醒用户输入的数据的格式。用户需要整理好的数据路径即可。

model

模型选择

• MarrMot
• XAJ
• TCN
• LSTM
• KAN

如果复杂、参数比较多的模型：要求用户输入模型参数

json

文件。 按照如下示例

{
    "clumping_index": 0.62,
    "LAI_max_o": 4.5,
    "LAI_max_u": 2.4,
    "z00": 1.33,
    "mass_overstory": 35,
    "mass_understory": 10,
    "root_depth": 0.6,
    "α_canopy_vis": 0.035,
    "α_canopy_nir": 0.23,
    "r_root_decay": 0.95,
    "minimum_stomatal_resistance": 150,
    "z_canopy_o": 20,
    "z_canopy_u": 3,
    "g1_w": 8,
    "VCmax25": 62.5,
    "leaf_resp_co": 0.0015,
    "stem_resp_co": 0.0020,
    "root_resp_co": 0.0020,
    "fine_root_resp_co": 0.003,
    "N_leaf": 4.45,
    "slope_Vc": 0.33152
}

1.1 任务说明

1.1.1

framework

：

function hydro_forecast(f; model, outdir)
  res = ...

  fwrite(res.output, ...)
  fwrite(res.gof, ...)
  fwrite(res.info_flood, ...)
  fwrite(res.dat_flood, ...)
  fwrite(res.evaluation, ...)
end

function hydro_forecast(X::AbstractArray, Y::AbstractArray; model::Function, outdir = "OUTPUT")
  mkpath(outdir)
  res; # return a NamedTuple
end

输入：X, Y, model

输出：Qsim, GOF, Pass_rate

• output

  : 三类数据集的输出，A DataFrame with columns of

  date

  ,

  Qsim

  ,

• gof

  : 三类数据的拟合优度

• info_flood

  : 洪水场次信息，

  id

  ,

  time_beg

  ,

  time_end

  ,

  duration

  ,

  Q_peak

  ,

  Q_min

• dat_flood

  ：洪水场次的驱动数据，

• evaluation

  : 每个洪水场次上的模拟优度, csv

绘图：

• 交给他绘图的函数，数据

总结：

• evaluation

  总结模型预报精度 （

  AI执行

  ）

内部模块设计：

• flood_division

  : 采用R语言，划分洪水场次

• 划分数据集

  ：train, test, valid

• loss

  : 根据拟合优度指标去设计loss，例如KGE, NSE, RMSE，注意loss越小越优。根据loss去优选模型参数。

• evaluation

  : 在三种数据集，train, test, valid。每个洪水场次的洪峰、峰现时间合格率。

1.1.2

model

：水文模型、LSTM、TCN、KAN

Ysim = Model(X, Y; params, state) # Lux的设计哲学

1.1.3 文件保存

文件保存采用Julia包

DataFrames

，

RTableTools

using RTableTools
fwrite(df, "out.csv") # df is a DataFrame