LSTM变体模型在径流预测中的性能及其可解释性

基于湘江流域1999—2013年实测水文气象数据,采用LSTM模型和其变体模型研究多个预见期下不同输入变量和不同模型结构对径流预测结果的影响,评估LSTM模型及其变体模型在短期径流预测中的性能,基于排列重要性法和积分梯度法探究了LSTM模型对流域径流预测的可解释性。结果表明：在历史径流输入数据的基础上增加有效的水文气象变量输入,可以明显改善模型的预测效果,输入变量的改变比模型结构的差异对预测结果的影响更大;随着预见期的增大,降水数据的加入对预测效果表现出不同程度的提升,预见期为1 d时,预测结果的纳什效率系数(NSE)提升2.0%,预见期为2～4 d时,NSE提升可达13.6%;降水和历史径流在预测中起着重要的作用,而前期湿润条件与降水事件的共同作用是湘江流域洪水的主要诱发因素;LSTM模型可反映两种不同的输入输出关系,这两种关系对应于近期降雨和历史降雨两种洪水诱发机制。     

基于长短时记忆神经网络（LSTM）的降雨径流模拟及预报

长短时记忆神经网络(LSTM)具有很强的时间序列关系拟合能力,非常适用于模拟及预报流域产汇流这一复杂的时间序列过程。基于LSTM针对不同预见期的径流预报分别建立了流域降雨径流模型,以探讨LSTM在水文预报当中的应用。模型采用流域降雨、气象及水文数据作为输入,不同预见期后的径流过程作为输出,率定期为14a,验证期为2a。结果显示,在预见期为0～2d时LSTM预报精度很高,在预见期为3d时预报精度较差,但仍优于新安江模型。隐藏层神经元数量作为神经网络复杂程度的代表既会影响模型预报精度,也会影响模型训练速度。而输入数据长度则仅会在预见期为0的条件下影响模型预报效果。     

基于相关性检验的VMD-LSTM耦合模型月径流模拟研究

近年来,极端强降雨和干旱事件频发,流域水文过程的不确定性变化加剧,使得流域中长期径流预测的难度增加。为提升LSTM（长短期记忆神经网络）模型对径流时序变化的捕捉及拟合能力,以博阳河流域为研究区域,选取月降雨、蒸发及流量数据,利用VMD（变分模态分解）和相关性检验,排除无关频率分量对LSTM模型规律学习的干扰,以达到模型输入优选的目的;此外,还考虑了VMD与LSTM模型的不同耦合方式对模型精度和稳定性的影响,最终优选出二者兼具的VMD-LSTM月径流耦合模式。结果表明：VMD-LSTM耦合模型可显著提升模拟精度,但在模型稳定性方面有所欠缺;而基于相关性检验的VMD-LSTM耦合模型不仅能够进一步提高模型精度,并且在模型的稳定性方面也有所改进。在基于相关性检验的VMD-LSTM耦合模型的不同耦合方式对比中,对输入、输出均进行VMD分解且对输入变量进行优选的D₁耦合方案的模拟效果最好,其60次模拟计算的NSE均为0.98以上且稳定性极佳;另外,在分析方案D₁的可解释性时发现历史径流对于LSTM模型的影响要比降雨和蒸发大。该研究结论可为流域水资源管理提供精准可信的中长期径流模拟成果。     

基于MEA-BPNN-EEMD的水文径流模拟方法研究

为获得水文径流模拟的标准模型,基于思维进化算法优化(MEA)误差反向神经网络模型(BPNN)模型构建MEA-BPNN模型,并将计算结果与遗传算法优化BPNN模型(GA-BPNN)与BPNN模型进行对比,并将EEMD算法求解的径流分量作为模型输入参数。结果表明:MEA-BPNN模型预测精度最高,同时在5—10月的丰水期模拟精度高于枯水期,在丰水期采用连续滚动预报,而在枯水期采用同期预报的预报方式可保证MEA-BPNN模型最高的精度。     

BP与LSTM神经网络在福建小流域水文预报中的应用对比

LSTM(长短期记忆)神经网络作为一种具有记忆能力的循环神经网络,能够学习时间序列数据间的状态特征,特别适合用于流域降雨径流预报。利用福建省延寿溪流域渡里水文站逐时降雨数据和逐时流量数据,分别采用模块化建模方法构建BP神经网络和LSTM神经网络,并采用集合预报均值的形式以避免模型训练中的参数局部最优解问题,进行未来1～24 h的逐时流量滚动预报。对比2个神经网络模型预报结果表明,LSTM模型整体预报效果优于BP模型,在滚动预报过程中预报精度的衰减速度大大慢于BP模型,1～24 h逐时预报的Nash效率系数为0. 968～0. 740,能够满足短期洪水预报精度要求。     

基于聚类分析的月径流预测模型研究

本文基于生产实践对高精度中长期径流预报提出的要求,对我国海河流域两大支流之一的滹沱河小觉水文站(岗南水库入库径流控制水文站)径流量进行预测研究。采用聚类分析方法将数据分为汛期(7—10月)和枯水期(11—次年6月),采用灰色关联分析法对汛期和枯水期的气象因子数据(五台山、原平两个气象站共16项气象因子)与径流量值的相关性进行分析,选取相关性强的气象因子作为输入、小觉站径流量值作为输出建立基于聚类分析的小觉站月径流预测模型,有效改善了神经网络对极值拟合差的特点,提高了预测精度。     

基于信息熵与改进极限学习机的中长期径流预测

为提高流域中长期径流预测精度,提出一种基于信息熵与改进极限学习机的中长期径流预测方法。首先,基于不同水文站点的流域控制面积构造径流综合指数,在较宏观层面表征流域水情丰枯变化;其次,采用偏互信息法计算影响对象与径流综合指数之间的相关性,获得径流过程变化的关键因子集,形成预测模型输入;最后,结合K折交叉验证与改进粒子群算法优化极限学习机(ELM)参数,构建IPSO-ELM模型,用于中长期径流预测。以雅砻江流域为例,将所建模型与BP神经网络(BPNN)、支持向量机(SVM)、ELM和PSO-ELM等预测模型进行对比分析。结果表明:所提模型的E_(mape)、E_(rmse)、E_(dc)、E_(qr)和E_(re)等性能评价指标明显优于上述4种模型;5种预测模型在D1数据集上的预测效果整体上胜于D2。     

基于EMD-LSTM-ANFIS模型的年径流预测研究

为提高径流预测精度,提出基于经验模态分解(EMD)和长短期记忆(LSTM)神经网络、自适应神经模糊推理系统(ANFIS)相结合的径流预测模型。通过EMD将原始径流序列分解成多个更具规律的分量序列,利用自相关函数法(AFM)和虚假最邻近法(FNN)对每个分量序列进行相空间重构,确定输入、输出向量,建立EMD-LSTM-ANFIS预测模型,并构建EMD-LSTM、EMD-ANFIS、LSTM、ANFIS作对比模型,利用建立的5种模型对云南省龙潭站年径流进行预测及对比分析。结果表明:EMD-LSTM-ANFIS模型对实例年径流预测的平均相对误差为3.18%,平均相对误差较EMD-LSTM、EMD-ANFIS、LSTM、ANFIS模型分别降低55.0%、65.2%、68.1%、78.4%,具有更高的预测精度和更强的泛化能力。EMD-LSTM-ANFIS模型用于径流预测是可行和可靠的。     

基于不同大气环流模型评估气候变迁对高屏溪流域河川流量的影响

以五种大气环流模型(GCM)统计的雨量资料进行降雨比值分析,再由降雨资料用GWLF水文模型进行水文模拟,从而分析了气候变化对高屏溪流域河川径流的影响。分析结果表明未来丰水期水量上升,而枯水期流量呈现小幅减少趋势。各模型的变化范围随未来时间发生变化,即时间愈长其变化愈大。枯水期各模型的变化范围为-26%～+15%,而丰水期的变化范围为-10%～+82%。其中在区域经济发展极不均衡的(A2)情景下,枯水期各模型的变化范围为-26%～+13%,而丰水期的变化范围为-10%～+66%;而在区域经济可持续发展的(B2)情景下,枯水期各模型的变化范围为-18%～+15%,而丰水期的变化范围为-3%～+82%。     

基于Transformer的智能洪水预报模型及其应用研究

万安水库是赣江流域以发电为主的大型控制型水库,其洪水预报准确性将影响赣江流域的防洪以及发电调度决策。基于Transformer网络建立入库洪水预报模型,对万安流域不同区域分区设计三种预报方案,经实际洪水预测结果表明,输入降雨和径流数据越完整,Transformer模型可以较好模拟入库洪水过程,达到较好的水文预报准确度,是大型流域洪水实时预报的有效工具。     

基于经验模态分解和支持向量机的日径流预测研究

准确的径流预测是水资源开发利用的重要依据，但预测难度大。为提高日径流预测精度，以榕江流域南河东桥园站日径流为例，建立了经验模态分解(EMD)和支持向量机(SVM)耦合的日径流预测模型。首先，利用经验模态分解将日径流系列分解为若干子过程，再采用支持向量机深度学习模型分别对每一个子过程进行预测，最后将每个预测结果相加得到原日径流数据的预测结果。研究表明：EMD-SVM组合模型相对于SVM、BP、LSTM单模型具有更好的预测性能。     

基于ＬＳＴＭ模型的北威克试验站小流域实时径流预报

为探讨深度学习方法在小流域实时精细化径流预报中的适用性，建立了基于长短时记忆网络（ＬＳＴＭ）的英格兰北威克试验站小流域实时径流预报模型。借助深度学习框架Ｔｅｎｓｏｒｆｌｏｗ，采用ＬＳＴＭ识别输入特征及输入输出间的复杂非线性关系，将逐时段流域径流、前期降雨及气温三要素作为输入，分析了多种输入组合和多个时间步长的实时径流预报效果。结果表明:基于ＬＳＴＭ的模型在各子流域的径流预报效果较好，训练期和验证期的纳什系数均高于0．90，该模型可用于研究区的实时径流预报，可为流域防洪调度提供技术支撑。     

基于浑河流域降雨径流模拟研究

为实现高精度连续的降雨径流过程模拟并克服传统数据驱动模型的不足,文章构建了新型耦合数据驱动模型即PEK模型,其基本理论是对输入变量利用偏互信息进行选择,对出流量采用新型集成神经网络进行预测,并对出流量误差利用K最近邻模型预测;以浑河流域为例分别采用CLS和PEK两个数据驱动模型进行预测精度和降雨径流模拟对比分析。研究表明:相对于CLS模型,PEK模型表现出更高的模拟精度且运算更加简便快捷,可有效促进高精度连续模拟的多步外推作用并显著增长模型的预见期,模型预测结果能较好的反映降雨径流的实际状况且表现出较强的适用性与可靠性。     

鄱阳湖流域入湖径流时空变化预测

对鄱阳湖未来入湖径流变化的准确预测可为"后三峡"时期水资源调度决策提供理论依据。基于实测资料发现,三峡水库蓄水后,鄱阳湖入湖年径流及各调度期径流均不同程度减少。通过ASD(Automated Statistical Downscaling)统计降尺度方法将GCM(General Circulation Model)输出数据与新安江水文模型耦合,得到未来鄱阳湖流域"五河七口"的入湖径流过程。结果表明,未来年径流相比实测变化幅度更小,偏多和偏少交替出现;集水面积较大的赣江、抚河和信江对鄱阳湖径流变化的贡献最大;无论A2还是B2情景下,均是蓄水期变化幅度最大、枯水期最小,且各调度期的入湖径流变化程度比年径流更大。     

RBF神经网络在邯郸市东武仕水库流量预报中的应用

运用RBF神经网络模型对东武仕水库进行了径流预报,以上一时刻的降雨和径流作为神经网络模型的输入,以径流量作为神经网络模型的输出。结果表明,这样的预测方法是非常有效的并且有着更高的精确度。因此,RBF神经网络模型是一个有效的、高精确度的预测径流的方法,可为水资源管理提供可靠的数据支持。     

降雨条件下土石坝渗流量监控方法研究

降雨对土石坝渗流量监测值影响明显,评判土石坝的渗流性态必须在实测渗流量中扣除降雨因素。为此,将朴素贝叶斯分类算法、回归分析和LSTM模型综合应用到土石坝渗流量监控中,实现降雨条件下的土石坝渗流量推理预测。首先以是否出现降雨径流为条件,对数据进行离散化处理,并引入回归分析方法,构建降雨径流～降雨过程数据组;采用LSTM方法构造降雨径流～降雨过程定量模型,最后将上述成果用于不同降雨过程条件下的降雨径流预测。应用结果表明,该方法可以比较准确地剔除由于降雨径流对大坝渗流量测值造成的干扰,可以准确监控土石坝渗流状态。     

随机神经网络与支持向量机在枯水期月径流预测中的应用

针对支持向量机(SVM)最佳算法参数难以确定的不足,利用典型随机神经网络RNN—Boltzmann机能量全局最小状态对应待优化目标全局极小值原理,提出Boltzmann-SVM预测模型,利用Boltzmann机搜寻SVM学习参数,并与基于GA算法搜寻SVM学习参数的GA-SVM预测模型作对比,以云南省河边水文站枯水期1月径流预测为例进行实例研究,利用实例前40年和后6年资料对模型进行训练和预测。结果表明:Boltzmann-SVM模型对实例后6年枯水期1月月均径流预测的平均相对误差绝对值和最大相对误差绝对值分别为7.30%、9.01%,精度优于GA-SVM模型,表明Boltzmann-SVM模型具有较好的预测精度和泛化能力。Boltzmann机融合了模拟退火算法(SA)与BP、Hopfield神经网络在网络结构、学习算法和动态运行机制中的优点,在解决组合优化问题上具有全局寻优能力强、收敛速度快等特点。     

基于随机森林和RBF人工神经网络模型的新丰江水库枯季入库径流中长期预报

基于随机森林和RBF人工神经网络构建了新丰江水库枯季入库径流中长期预报模型,首先采用随机森林模型从74个水文气象特征量和前期降雨、径流中筛选预报因子,之后利用筛选的预报因子作为RBF神经网络的输入层,利用RBF神经网络对新丰江水库枯季入库径流每月的流量进行预报。结果表明,基于随机森林和RBF人工神经网络模型的枯季径流中长期预报模型精度较高,其中训练期平均合格率为91.24%,平均相对误差为7.80%,检验期平均合格率为67.31%,平均相对误差为26.73%,模型有较高的可靠性,预报结果可作为东江流域枯季径流预报重要参考依据。     

基于LSTM实时校正的WRF/WRF-Hydro耦合径流预报

为改进WRF/WRF-Hydro陆气耦合系统的径流预报效果,减小耦合系统在峰现时间、洪峰流量预报上的误差,本文在使用变分数据同化技术充分降低预报降雨误差水平的基础上,采用长短期记忆人工神经网络LSTM对WRF/WRF-Hydro耦合系统的径流预报过程开展了实时校正研究,并与自回归滑动平均模型ARMA实时校正结果进行对比。研究结果表明,通过数据同化技术可有效提升WRF模式降雨预报精度,降低WRF-Hydro模式的输入误差,但径流预报准确性仍有待提升。对比LSTM和ARMA两种实时校正模型对耦合径流预报结果的实时校正：在前3 h预见期,两种模型在中国北方半湿润、半干旱地区山区小流域6场典型洪水预报中的表现基本接近,除场次4外,LSTM和ARMA两种模型在3 h预见期的衰减速率分别为2.04~23.08和9.18~36.47,随着预见期的延长,LSTM径流预报精度的衰减速度在整体上慢于ARMA模型,预报效果优于ARMA模型。     

考虑喀斯特地貌的分布式降雨径流模型在西江流域的应用

受喀斯特地貌影响,喀斯特区的产汇流情况与非喀斯特区差别较大,适用于非喀斯特流域的降雨径流模型不能照搬到喀斯特流域。基于喀斯特地貌的水文特性及变异性,考虑了表层岩溶带对蓄水能力、地下河系对产流速率的影响,实现了对基于DEM的分布式降雨径流模型DDRM(DEM-based Distributed Rainfall-Runoff Model)在喀斯特流域的改进。以西江流域梧州站以上区域为研究对象,开展了模型应用研究,模拟梧州站2010—2016年日径流过程。结果表明:改进后的DDRM模型可显著提高喀斯特流域日径流的模拟精度,对洪水期和枯水期的径流过程均有较好的模拟效果。