%20(2).svg)
项目简介
本项目专注于水文领域的河道汇流计算。传统的马斯京根法等经验公式计算精度不足，而更精确的公式存在效率问题。受坡面汇流计算中卷积计算的启发，参考相关论文，本项目运用卷积神经网络（CNN）进行河道汇流计算，期望在计算效率或精度上优于ANN+筛选的方法。
项目的主要特性和功能
- 数据处理：可完成数据获取、清理和格式转换等预处理操作，将数据处理成适合模型输入的格式。
- 数据分析：支持探索性数据分析，包含统计计算和初步可视化，帮助用户了解数据分布。
- 模型构建：核心功能是构建CNN模型并对数据进行拟合训练。
- 超参优化：能比较不同超参数下机器学习模型的性能，进行超参数调优以获得最优模型。
- 模型评估：提供模型性能评估功能，通过RMSE、R²等评价指标评估模型效果。
- 结果展示：有可视化工具，可展示模型训练过程中的损失和准确率变化，以及模型预测结果。
安装使用步骤
环境配置
执行以下语句安装库：
Shell
conda create --name hydrodl python=3.7
conda activate hydrodl
conda config --add channels conda-forge
conda config --set channel_priority strict
conda install -c conda-forge geopandas
conda install -c conda-forge xlrd
conda install -c conda-forge geoplot
conda install -c conda-forge bayesian-optimization
conda install -c conda-forge tensorboard
conda install -c conda-forge kaggle
conda install -c conda-forge pydrive
conda install pytorch torchvision cudatoolkit=10.1 -c pytorch
conda install skorch
conda env export > environment.yml
本地连接
推荐在本地机器上使用pycharm的ssh功能连接到此python执行环境，利用远程机器和数据进行计算。
代码使用
- 实验阶段：将应用程序写在test文件夹中，以unittest的形式开展测试。
- 正式使用：将能形成合理计算结果的代码整理到app文件夹下。
- 数据准备：准备好河道汇流观测数据，存放在example文件夹。
- 模型训练：运行训练脚本，调整超参数优化模型。
- 模型评估：运行评估脚本，计算模型性能评价指标。
- 结果可视化：运行可视化脚本，展示模型训练过程和预测结果。
注：以上步骤假设用户已下载本项目的源码文件，并配置了适当的Python环境。
下载地址
点击下载 【提取码: 4003】【解压密码: www.makuang.net】