基于G-LSTM模型的短期径流预报 ——以长江上游寸滩断面-三峡入库断面为例

长短时记忆神经网络(LSTM)具有极强的复杂多变量时间序列非线性关系拟合和历史数据认知能力,适用于对径流这类复杂时间序列过程进行模拟和预报.基于LSTM,采用灰色关联分析法(GRA),选取合适的预报因子建立G-LSTM预报模型,探究了该模型在短期径流预报中的应用和效果.将该方法应用于长江上游寸滩断面-三峡入库断面的径流...     

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。     

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。     

基于改进RBF网络模型的中长期水文预报

针对历史径流资料中各预报因子及预报年份关联度,在分析预报年份非汛期中各月份径流量预报因子基础上,进行较大关联度代表年份筛选。同时,基于Matlab软件构建融合灰色关联度的RBF网络预报模型,探索预报目标年汛期径流量,采用改进RBF网络模型实施汛期径流总量预报具有较强适用性与准确度。     

基于PCA-PSO-SVR 的丹江口水库年径流预报研究

在年径流预报中,气象因子之间的自相关会对预报精度产生影响。针对这个问题,将主成分分析(PCA)和粒子群优化(PSO)算法加入SVR模型中,建立了PCA-PSO-SVR预报模型,剔除冗余信息和噪声,提取因子间的主要特征,并选择模型的最优参数组合作为回归支持向量机(SVR)模型的输入。选择南水北调中线水源地丹江口水库为研究区,利用丹江口1981-2016年入库资料进行模型检验。结果表明,模型验证期间合格率为83.33%、距平一致率也达到83.33%,具有精度高稳定性强等优点,对丹江口水库年径流预报有一定的参考意义。     

基于互信息与神经网络的天山西部山区融雪径流中长期水文预报

为提高天山西部山区融雪径流的预报精度,更好地指导所在区域的工农业生产发展,针对影响预报精度的关键问题(预报因子的选择),基于互信息法、相关系数法、主成分分析法对研究区的预报因子进行优选,采用RBF神经网络以及组合小波BP神经网络模型进行径流预报研究,并进行不同方案的比较。结果表明:①互信息法优选出的预报因子作为模型输入可以提高预报精度;②采用不同优选预报因子作为RBF神经网络以及组合小波BP神经网络模型的输入变量,结果表明RBF神经网络模型的预测精度要好于组合小波BP神经网络模型;③以相对误差作为评价模型精确度的标准,预测效果最好的是基于互信息方法挑选出的预报因子作为RBF神经模型输入数据的模型预测结果。     

基于PCA-MIC-LSTM的碟形湖溶解氧含量预测模型研究

溶解氧浓度是湖泊生态健康评价中的关键指标,因浅水碟形湖的水文独特性,使得溶解氧(DO)愈加具有不稳定性和非线性特征。为准确预测碟形湖中的DO浓度,基于鄱阳湖典型碟形湖监测数据集,结合主成分分析法(PCA)、最大信息系数(MIC)和长短时记忆神经网络(LSTM)预测碟形湖DO含量的模型。结果表明：与支持向量回归(SVR)、LSTM模型相比,基于PCA-MIC-LSTM的模型预测精度显著提高,其确定系数高达0.99以上,均方根误差为0.039 mg/L,平均绝对百分误差为0.301%;其中,PCA降噪处理比MIC特征提取更能影响LSTM模型预测的效果,可以显著降低误差率。研究的PCA-MIC-LSTM模型可为同类型湖泊水体保护工作的开展提供参考。     

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。     

回归支持向量机集成模型在年径流预测中的应用

为进一步提高径流预测精度和泛化能力,根据回归支持向量机(SVR)特性及基本原理,提出考虑不同影响因子(输入向量)的SVR集成预测模型,以云南省南盘江西桥站1961—2007年径流预测为例进行实例研究。首先,利用相关分析法选取年径流预测的若干影响因子,依次构建不同影响因子的SVR单一模型对研究实例进行预测,并构建对应的RBF模型作为对比预测模型;然后,采用加权平均和简单平均2种方法对具有较好预测精度和互补性的单一模型的预测结果进行综合集成。结果表明基于SVR的加权平均和简单平均2种集成模型径流预测的平均相对误差绝对值分别为1.27%和1.54%,最大相对误差绝对值分别为2.99%和2.74%,其精度和泛化能力均大幅优于各单一模型以及基于RBF的加权平均和简单平均集成模型,表明加权平均SVR和简单平均SVR集成模型具有较高的预测精度和泛化能力。相对而言,加权平均集成模型赋予了预测效果好的模型更大的权重,预测精度和泛化能力均优于简单平均集成模型。预测模型和方法可为相关预测研究提供参考和借鉴。     

黄龙滩水库中长期径流预报方法研究

基于黄龙滩水库和潘口水库历史旬月径流数据,选取其2012年～2018年的径流、降雨数据进行灰色关联分析,筛选出与黄龙滩水库入库径流关联度最高的7个预报因子,建立深度神经网络(DNN)、Elman神经网络和支持向量机(SVM)径流预测模型,对模型参数进行训练,统计模型训练期和检验期的确定性系数、洪峰合格率、均方差和平均相对误差。预报效果表明,3种模型在黄龙滩水库中长期径流预测上效果较好,精度较高,误差较小,预报结果对于黄龙滩水库水文预报上具有重要意义。相比于深度神经网络和Elman神经网络,支持向量机在洪峰预报上误差更小,且具有更高的预测精度。     

基于Logistic方程的多元回归径流预报模型及其应用

以大伙房水库为研究对象,运用主成分分析法提取影响径流变化的综合因子,然后对综合因子进行Logistic方程拟合,最后利用多元线性回归方法建立水库中长期径流预报模型.结果表明,该模型具有较高的模拟精度.     

大华滑坡位移预测模型研究

针对传统滑坡位移预测过程中的不足,提出了一种基于最小二乘支持向量机(LSSVM)的滑坡位移预测方法。以某流域大华滑坡为例,基于时序分析和集合经验模态分解法(EEMD)将原始序列重构为趋势项和波动项,趋势项位移受滑坡内部因素影响,采用最小二乘法与多项式方程进行拟合预测;波动项位移受库水位、降雨、地下水位等周期性因素影响,结合灰色关联度法和核主成分分析法(KPCA)对输入因子进行筛选与降维,并用粒子群算法-最小二乘支持向量机耦合模型(PSO-LSSVM)进行建模预测。最后将趋势项与周期项预测位移相加得到累计预测位移,并对模型预测精度进行定量分析。结果表明,建立的EEMD-KPCA-PSO-LSSVM组合模型预测效果良好,较传统BP神经网络、LSSVM等单一模型有着更高的预测精度,可为同类型滑坡位移预测提供新的思路。     

TVGM-LSTM耦合模型及其径流模拟效果分析

为提升变化环境下流域径流模拟与预测精度，以白河流域为例，构建了基于时变增益水文模型(TVGM)和长短期记忆网络(LSTM)的TVGM-LSTM耦合模型，并利用随机森林算法识别模型最优解释变量。将耦合模型应用于2011—2018年白河流域径流模拟，结果表明：TVGM-LSTM耦合模型在白河流域具有较好的径流模拟效果，率定期与检验期纳什效率系数分别为0.95与0.90;与TVGM相比，耦合模型提升了对非汛期径流的模拟精度，且能够较好地模拟汛期与非汛期洪峰；耦合模型能够有效避免过拟合问题，泛化性能较优，预测精度稳定性较强。     

基于主成分分析的GA-SVM模型在中长期径流预报中的应用

考虑径流过程的高度非线性特征,将主成分分析、遗传优化算法与支持向量回归耦合,应用主成分分析剔除无关因素的影响,提取主要影响因子并作为模型的输入,充分利用遗传算法全局搜索能力对支持向量机3个重要参数迭代寻优,建立主成分分析-遗传-支持向量回归月预测模型(PGA-SVM),并将该模型应用于观音岩水库月径流预报。实际应用表明,该模型预测效果明显优于MRM及SVM模型,可在径流中长期预报中推广应用。     

缺失数据条件下基于GAN与LSTM的水文预报研究

针对传统水文预报模型因观测数据缺失而导致预报精度不高的问题,利用生成对抗网络(GAN)可以学习数据分布生成数据的特点,将生成对抗网络与长短时记忆网络(LSTM)相结合,提出一种新的耦合模型GAN-LSTM。首先,利用生成对抗网络中"二元极小极大博弈"思想生成与缺失数据分布一致且能够表征缺失数据特性的填充数据来解决数据缺失问题;然后,将填充整合后的数据输入长短时记忆网络进行水文预报;最后,以清溪河清溪水文站的实测水文数据集为例进行了试验,试验结果表明所提出的模型在缺失数据条件下的预报性能显著优于其他同类模型。     

基于马尔可夫链校正GM-BP模型的径流预测

为进一步提高中长期径流预报精度,以兰西水文站1959-2014年径流深数据为例,分别利用灰色模型和BP神经网络模型对径流深数据进行预测,采用马尔可夫链推求状态概率对预测结果校正,用最小二乘法对双模型校正结果进行耦合。模型所得组合校正预测结果通过平均相对误差、均方差和合格率进行统计描述,校正后的组合预测结果平均相对误差和均方差分别为12.72%和11.70,均要优于灰色模型和BP神经网络模型且90.91%的预报结果满足相对误差小于20%的控制条件。可见,耦合模型能有效规避单一模型已存在的缺点,基于马尔可夫链的修正结果可使预测精度进一步提升。因此,本研究提供的组合校正模型在一定程度上具有更好的拟合效果和预报精度,是一种具有实用价值的预测模型。     

基于PCA-SVR模型的大坝裂缝早期预报研究

支持向量机拟合模型（SVR）可用于大坝裂缝预报，但自变量间的多重相关性和输入变量的高维数对支持向量机拟合模型的精度影响较大。基于大坝裂缝开合度理论，利用主成份分析法（PCA）提取原样本信息缩减后的主成分作为SVR模型的输入量，构建了大坝裂缝开合度的早期预报PCA-SVR模型。将该模型应用于某大坝监控资料的分析中,与传统回归模型相比，PCA-SVR模型具有更高的计算精度和运算效率，并可提前预报裂缝开合度信息，能在实际工程中广泛应用。     

基于Copula熵-随机森林的中长期径流预报研究

预测因子作为中长期预报模型的输入项,是影响预报结果精度的关键要素。为进一步提高预报精度,提出了一种Copula熵与随机森林模型相结合的中长期径流预报方法。该方法首先采用Copula熵指标对预测因子进行筛选,然后将选取的预测因子作为输入项,导入随机森林模型中对月径流进行相应预测。将该方法应用于汉江流域丹江口水库的逐月入库径流预报中,并与相关系数筛选法进行对比。结果表明:基于Copula熵指标筛选出的预测因子对应的模拟结果具有更高的精度,尤其对于汛期而言,其模拟值与实测值的拟合优度显著优于比选方法,说明其筛选出的预测因子具有更好的合理性。     

基于改进模糊支持向量机方法的车尔臣河径流预报

针对径流时间序列固有的非线性和随机性特点,本文提出了基于灰色关联分析的模糊支持向量机预报方法。该方法在传统支持向量机任意逼近的非线性映射能力上,引入模糊隶属函数来考虑气候和流域下垫面变化下径流样本对预报结果的影响。此外,预报因子选取是中长期径流预报的一大难点,考虑到相关系数法只能衡量因子间线性相关程度的不足,本文采用灰色关联分析来量化预报因子与预报对象的关联程度,并按关联度大小挑选出对径流过程影响显著的预报因子。将该方法应用于新疆车尔臣河的月径流预报中,与GRNN神经网络模型和A-FSVM模型的预报结果比较表明:该方法能提高径流中长期预报精度,是一种有效的径流时间序列预测模型。     

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。