深度学习水文预报研究进展综述Ⅰ——常用模型与建模方法

数据密集研究范式主导的数据水文学正在成为水文研究的一个重要方向,而善于从大量数据中挖掘规律的深度学习理论推动了近年来数据驱动水文预报的研究热潮,并不断和水文学科融合,逐步成为数据水文学的重要研究方法体系。从深度学习与水文预报学科交叉的角度,简要介绍水文领域常用深度学习模型的原理与结构及其应用于水文预报中的一般建模方法,在此基础上进一步介绍深度学习与水文物理机制整合的基本方法,以期为相关研究人员开展深度学习水文预报研究提供有益参考。     

水文预报不确定性研究进展与展望

归纳了水文预报不确定性的来源与分类，综述了国内外对水文预报不确定性的研究进展以及相关文献、方法与模型，展望了水文预报不确定性研究的发展前景。水文预报不确定性始终存在并制约防洪调度决策的正确性，水文预报结果应该描述为概率的而不是确定的形式，概率水文预报实现了预报与决策的耦合。     

水文水资源领域深度学习研究进展综述

现代水文监测技术的迅猛发展产生了海量的水雨情数据,为深度学习理论助力水文水资源领域的研究和生产实践带来了机遇与挑战。从水文模拟、水资源管理、水环境评价3个方面开展文献调研,综述了水文水资源领域的深度学习研究进展。归纳了深度学习方法的优势及应用难点:无需构建物理模型并可深度挖掘数据特征,在物理机制不明晰的问题中具有显著优势;但在应用时存在模型训练数据缺乏、超参数确定具有主观性、可解释性不足、与物理规律不符及泛化能力不足等难点问题。展望了可通过有机结合深度学习与水文物理机制模型,以融合经典水文规律,并开展迁移学习、强化学习以及对抗学习等应用研究,以更好地在水文资源领域探索运用深度学习方法。     

贝叶斯概率水文预报研究进展与展望

水文预报不可避免地存在着输入、水文模型参数和结构等不确定性,导致预报结果也具有不确定性。因此,定量估计水文预报的不确定性,实现概率水文预报,不仅可得到比确定性预报更高的精度,而且还能为决策者提供更丰富的预报信息。本文根据不确定性来源的不同,从输入资料、模型结构、模型参数和综合不确定性等方面,详细综述了贝叶斯水文概率预报的研究进展,归纳了精度评定指标和效果检验方法,并展望了贝叶斯概率水文预报未来的研究重点和方向:(1)科学有效地解释、沟通和传播水文预报不确定性信息和概率水文预报产品;(2)建立水文集合概率预报框架,估计并降低水文预报的总不确定性;(3)开展考虑预报变量时空相关性的贝叶斯概率水文预报研究;(4)深入推动概率水文预报信息在风险决策中的应用。     

深度学习法在水文中应用的现状

近年来,深度学习成为机器学习研究中的一个新的发展热点,通过建立与人脑相似的神经网络对数据序列进行学习,在数据的低层特征基础上抽象出高层属性类别或特征,可以很好解释和模拟复杂数据,在大数据时代尽显其优势。基于水文数据的大量性和水文原理的复杂性,掌握深度学习技术可对水文数据进行有效模拟,对水文工作起到指导作用。     

中长期水文预报方法研究综述

从传统的水文统计法、成因分析法和现代的模糊数学方法、人工神经网络方法、灰色系统理论方法等方面,系统地总结了国内外中长期水文预报的研究进展情况。对其研究现状进行了评述和分析,指出了当前中长期水文预报模型存在的模型适用性不是这一主要问题。分析认为:①从物理成因上解释预报因子的合理性,使预报模型建立在严格的物理成因的基础上,是今后中长期水文预报应遵循的基本原则;②根据水文要素变化的非线性特点,将各种方法进行耦合,将在中长期水文预报中发挥重要作用;③应积极开展中长期水文预报所需资料的观测与积累,特别是人类活动的影响、全球气候变暖等引起的预报因子及影响因素的变化。     

基于松花江流域长期水文预报方法

流域长期水文预报方法,目前以物理因子和前兆强信号为基础的物理概念方法开始成为主要的预报方法,经验统计和数理统计仍在发挥重要作用,动力气候模式已经成为重要的预报手段.分析了影响长期预报的主要因素,提出了长期预报发展的一些思路.     

基于松花江流域长期水文预报方法

流域长期水文预报方法,目前以物理因子和前兆强信号为基础的物理概念方法开始成为主要的预报方法,经验统计和数理统计仍在发挥重要作用,动力气候模式已经成为重要的预报手段。分析了影响长期预报的主要因素,提出了长期预报发展的一些思路。     

若干水文预报方法综述

将现有水文预报方法分为过程驱动模型方法和数据驱动模型方法两大类.过程驱动模型指以水文学概念为基础,对径流的产流过程与河道演进过程进行模拟,从而进行流量过程预报的模型.过程驱动模型近年在中长期预报方面的发展主要表现在对概念性流域降雨径流模型的结构进行改进,以适应较大时间尺度预报的需要.数据驱动模型则是基本不考虑水文过程的物理机制,而以建立输入输出数据之间的最优数学关系为目标的黑箱子方法.数据驱动模型以回归模型最为常用,近年来由于神经网络模型、非线性时间序列分析模型、模糊数学方法和灰色系统模型等的引进,以及水文数据获取能力和计算能力的发展,数据驱动模型在水文预报中受到了广泛的关注.     

深度学习在水文工作中的应用探讨

深度学习作为人工智能的主要分支,是一种利用大数据进行训练,不断地通过正反馈来优化结果的方法。随着互联网和物联网的发展,大数据以及数据挖掘技术已经成为了新的经济增长点。可以说,数据就是未来的石油,而深度学习等方法就是开采石油的工具。水文工作每年都会采集到大量的数据,能否更好的利用这些数据,使水文工作更加高效,为社会产生更多的价值,文章从应用层面做出了一些探讨。     

中长期水文预报方法研究综述

由于中长期水文预报对于水资源规划管理、水库及水电站调度具有的重要意义,其研究一直受到学术界和工程界的广泛关注。通过围绕其传统预报方法成因分析、数理统计方法和时间序列分析技术,和其现代的人工智能预报技术,包括模糊分析、人工神经网络、灰色系统分析、小波分析、混沌分析、支持向量机、遗传程序设计以及这些方法的相互耦合等进行的全面介绍和评述,并指出将来中长期水文预报的进一步研究方向。     

水文预报方法与中长期水文预报的分析

文章以辽宁省大伙房水库作为研究对象,通过对几种中长期水文预报方法的比较分析,选取出预报精度最高的一种方法。研究结果表明,BP神经网络法在径流中长期预报方面的精度最高,因此可运用该方法对水库径流进行中长期预报,从而为水库引水及调度计划的合理制定提供依据。期望通过文章的研究能够对中长期水文预报方法的推广应用有所帮助。     

我国无资料地区水文预报研究进展

无资料流域水文预报研究对我国水文地质灾害防范和减少人民生命财产损失具有重大意义。基于文献计量学和可视化分析法,对国内相关文献的研究进行分析,总结参证法、推理公式法和水文模型法的基本原理及特点,并讨论了三种方法的缺点和不足,建议加强对能够充分反映流域下垫面差异性的耦合分布式水文模型在无资料地区应用的研究,对无资料地区水文预报将朝着多学科、多模型和多渠道方向发展做出展望。     

新安江水文模型在水文预报中的应用

以海南省万泉河流域为研究对象,在新安江水文模型的基础上,通过完善模型结构、优化参数率定等,开展了对模型的改进和实证研究,并对相关结果进行了分析.在万泉河流域1990～2000年加积站和加报站的水量平衡研究中,模拟结果比较符合实测值,证明模型对万泉河流域具有较强的适用性,在流域水资源管理中具有较好的应用前景.     

黄河水文发展的回顾及展望

简要回顾了黄河水文的发展历史,介绍了黄河水文业务技术发展现状,分析了黄河水文面临的问题,展望了黄河水文发展方向,提出了黄河水文“十一五”基本实现现代化的发展目标和建设“黄河流域基于水循环的水文水资源监测预报体系”新理念。     

尼尔基水库中长期水文预报

文章对波浪理论、周期理论和前兆理论进行了介绍,并在其3个理论的指导下研究出不同的预报方法,进行水文中长期预报.     

BP神经网络在水文预报中的应用和展望

简要介绍BP神经网络的发展和特点,从暴雨预报,水位预测,径流分析,水资源配置与管理四个方面综合评述BP神经网络在我国水文预报作业中的应用,并就BP神经网络今后在我国的水文预报作业中的应用进行了研究展望。