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。     

怀洪新河新胡洼闸BP神经网络洪水预报模型

本模型基于BP神经网络仿真学原理,结合水文学理论研制.模型输入为:何巷闸下水位、区间流入量(包括何巷闸流入量和四方湖闸流入量)、新胡洼闸过去时段的出流量和闸上水位,输出即为预见期的新胡洼闸上水位.采用Sigmoid激活函数输出限幅改进算法,分别建立了胡洼闸上8h、16h、24h三种滞时BP神经网络洪水预报模型.经检验分析,三种滞时BP 神经网络洪水预报模型预报精度均达到洪水预报规范中甲级精度要求.     

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GR4J-LSTM混合模型的洪水预报研究

为提高洪水过程预报的准确性，将概念性水文模型GR4J (modèle du Génie Ruralà4 paramètres Journalier)的预报流量耦合到长短时记忆神经网络(Long Short-Term Memory Neural Network, LSTM)中，构建了GR4J-LSTM混合模型，并与GR4J、LSTM模型进行对比。基于2012～2019年陆水水库汛期与洪水事件相关的数据集，并结合欧洲中期天气预报中心的3 h预报降水产品，驱动GR4J-LSTM混合模型，预报陆水水库3～12 h预见期的入库流量。最后采用平均影响值(Mean Impact Value, MIV)算法评估输入变量的相对重要性。结果表明：GR4J、LSTM和GR4J-LSTM模型均具有较好的模拟预报能力，但GR4J-LSTM混合模型的预报性能最优，既可以学习GR4J模型的产汇流过程，又提高了洪水预报的精度。研究成果可为洪水预报方案制定提供参考。     

秦淮河流域东山站水位预报研究

为提高秦淮河流域东山站水位预报的精度,基于BP神经网络算法建立经验预报模型,分别根据降雨历时、起涨水位两种模式对水位涨幅进行预报。分析了两种模式预报结果,选出最优的预报模式,并用混合线性回归模型作为预报精度的参考验证。结果显示,BP神经网络模型的预报精度高于混合线性回归模型,而且BP神经网络模型两种预报模式的结果都达到了乙级标准以上,根据起涨水位的预报模式效果更好。     

基于降雨径流相似性的短期径流预报研究

径流预报是水力发电、防汛抗旱、水资源综合利用、电力生产与保障等的重要依据。针对物理驱动模型在参数率定困难和数据驱动模型预报结果可解释性差的问题，研究提出基于降雨径流相似性的短期径流预报模型，深入分析径流成因，采用数据挖掘技术剖析数据之间的关系以进一步提高预报精度；根据不同时期和量级的产汇流差异进行流量分级，并滚动更新降雨径流信息以实现滚动预报。该研究成果在乌江的应用显示，入库1日、 7日预报结果平均相对误差分别为10.79%、 14.39%，预报效果良好。     

新安江模型和改进BP神经网络模型在闽江水文预报中的应用

精确的水文预报是防洪减灾中重要的非工程措施,水文模型是开展水文预报最有力的工具。采用LM算法改进了的BP神经网络水文预报模型,以闽江富屯溪流域为例,进行了BP模型和新安江模型在日流量模拟预报中的应用比较。结果表明:两个模型总体均达到水文预报的精度要求,水文预报合格率可达到90%以上;新安江模型在丰水年模拟效果较好,相比而言,BP神经网络模型的模拟精度更高一些;两个模型均可用于闽江流域的水文预报研究。     

基于LSTM-GM神经网络模型的风暴潮增水预报方法

为充分挖掘风暴潮增水的时序关联特性,提高风暴潮增水的预报精度,综合考虑台风因素、气象要素和天文潮因素对风暴潮增水的影响,结合长短期记忆(LSTM)神经网络和灰色模型(GM)的优势,提出基于LSTM-GM神经网络模型的风暴潮增水预报方法。利用该方法采用12场历史台风数据对小清河入海口风暴潮增水进行模拟预报,并将预报结果与LSTM神经网络、BP神经网络的预报结果进行对比。结果表明：相较于LSTM神经网络和BP神经网络,LSTM-GM神经网络模型的纳什效率系数分别提高了6.5%和11.4%,均方根误差分别降低了70.6%和72.2%,平均相对误差分别降低了50%和69.2%;LSTM-GM神经网络模型可有效处理风暴潮增水与各影响因素间的非线性关系,提高风暴潮增水预报的精度。     

基于机器学习模型的短期降雨多模式集成预报

短期降雨预报对洪水预报和水库调度极为重要,提高短期降雨预报精度有着重要的意义。以TIGGE资料中心的ECMWF、CMA及NCEP三个集合预报中心发布的桓仁水库流域预报降雨数据为基础,利用ANN、ELM以及SVM模型对桓仁水库流域未来1～3d降雨进行多模式集成预报,以期提高预报精度,并从绝对平均误差、均方根误差、相对误差、纳什系数、预报准确率等多个方面分析了集成预报的效果。试验结果表明,基于SVM和ELM的多模式集成预报模型预报效果均优于单一模式,基于ANN的集成预报模型在输入因子选择合适的情况下,其预报效果也优于单一模式,三种模型中,SVM模型对降雨预报精度改善最为明显。说明基于机器学习模型的多模式降雨集成预报方法可行且能够提高短期预报降雨精度。     

宜昌站洪水过程BP网络预测模型研究

以长江上游宜昌站洪水过程为研究对象,建立了考虑区间降雨的河道洪水预报BP神经网络模型.模型以干流寸滩站、乌江武隆站的洪水过程以及寸滩-宜昌区间的长寿、忠县、万县、巫山、巴东和兴山6个雨量站的降雨过程为输入变量,计算过程中对输入变量的读取采用"滚动式"方法.模型选取1975～1981年的汛期流量作为训练样本,以1982～1986年的洪水预报作为模型预测样本.预报结果表明,该模型能较好地反映区间降雨对宜昌站洪水过程的影响,并且在预见期为2 d的情况下保证较高的预报精度.     

基于雷达短时临近降雨预报的王家坝洪水预报研究

近年来突发性灾害天气引发的洪水过程频发,研究耦合雷达临近降雨预报的洪水预报对于洪水灾害防治具有重要意义。根据淮河王家坝以上流域的历史降雨流量资料,构建了一个基于土壤湿度指数分布的集总式水文模型PDM。以此为基础选取了2016年流域内两场典型洪水过程,耦合驻马店S波段双偏振多普勒雷达的降雨观测数据,并对雷达测雨数据进行评估;再利用临近降雨预报系统STEPS,分别对两场洪水过程的最大降雨做临近3 h、2 h、1 h和30 min的降雨预报;通过PDM模型模拟洪水过程来对比分析雷达降雨与雨量站实测的模拟精度,研究雷达临近降雨预报在洪水预报中的适用性。结果表明:利用雷达降雨资料对洪峰流量的模拟比直接用雨量站资料更加接近实测值,洪峰误差在±2.7%以内;但雨量站模拟的总体拟合效果要好于雷达,两场洪水过程的纳什效率系数都大于0.8。雷达3 h以内的临近降雨预报精度可用作洪水预报,洪峰流量和洪水过程模拟效果良好,可满足实时作业预报的要求。     

石羊河流域中长期径流预报模型应用

以石羊河流域西营水库为研究对象,采用时间序列模型(逐步回归自回归组合模型、ARMA模型)和改进的人工神经网络模型(逐步回归BP神经网络模型、逐步回归RBF神经网络模型)进行中长期径流预报并对比分析,为石羊河流域水量调度系统设计提供参考。结果表明:4种预报方法都达到预报精度要求,其中RBF神经网络方法合格率最高,但耗时长,逐步回归自回归预报精度和模型耗时都比较合理,可为石羊河流域水资源调度提供参考。     

分段法监控滩坑大坝渗流量

土石坝坝后量水堰测值是反映大坝渗流状况的重要监测量,然而该值易受客水干扰,特别是在降雨影响下,测值不能直接反映大坝的渗流状况,将影响大坝的结构安全评判结论.结合滩坑大坝渗流量实测数据,采用统计回归和LSTM方法,构建渗流量预报模型,可以较好地应用于不同降雨过程影响下的大坝渗流量预测预报.     

中长期降雨预报模型比较研究

中长期降雨预报是水资源规划以及综合开发利用的基本依据,尤其近年来随着国家对水量分配与调度工作重视程度的提高,流域中长期降雨预报精度与可靠性不高的问题亟待解决。本研究基于自回归、k最近邻以及深层神经网络、长短期记忆网络四种方法独立进行降雨预报,然后利用BMA集合预报方法进行模型预报结果综合。在以史灌河1956～2016年降雨为数据基础的模拟试验中,研究结果表明集合预报算法的引入能够进一步提高中长期降雨预报结果的精度与稳定性,避免过度依赖单一模型导致验证期预报误差增大、精度降低的现象。     

基于BP神经网络的旬降雨径流相关预报模型

参照流域暴雨与径流相关的特点,以实际的旬初土壤蓄水量、旬降雨量为输入条件,以实际的旬径流量为输出条件,建立BP神经网络旬降雨径流相关模型.实例表明,模型结构简单,可操作性强,利用该模型进行的旬径流预报具有较好的模拟精度,并为利用旬降雨预报信息实施旬径流中期预报奠定了基础.     

基于BP神经网络模型的昌江流域洪水预报

以鄱阳湖昌江流域为研究对象,选取流域面平均雨量和其上游樟树坑水文站洪水过程为输入,渡峰坑水文站出流量为输出,建立渡峰坑水文站洪水预报BP神经网络模型。采用训练好的预报模型预测了渡峰坑水文站2018年与2019年的洪水过程。结果表明,该模型预报精度较好,可作为传统预报方式的有益参照。     

基于PDM的飞来峡水库实时水文预报模型

水文预报模型是实时预报预警系统的核心。基于新型的概率水文预报PDM(The Probability Distributed Model),构建了北江流域飞来峡水库概率水文预报模型。将整个流域划分为18个子流域,对每个子流域分别建立PDM,并采用历史降雨流量数据序列对各子流域和流域PDM进行参数率定;以横石站为参考站,采用52场次实测历史洪水进行模型验证和精度评定,洪峰预报合格率为99%,精度等级为甲等,模拟精度高,说明了PDM结构和参数取值的合理性,以及模型在该流域的适用性。     

集合降雨预报在柬埔寨区域的应用研究

为了在分析研究区域内降雨变化趋势的基础上,探讨不同预见期的集合降雨预报数据在柬埔寨地区的可利用性及降雨集合预报数据的准确性,以柬埔寨境内3S河流域和湄公河流域上段为研究区域,分别采用滑动平均和数理统计法(M-K检验、Kendall检验、Spearman检验和LRT检验)分析研究区域内降水量的变化趋势。结果表明该区域内降雨呈缓慢增长趋势。采用ECMWF提供的降雨集合预报信息对比分析了1,3,5,7 d集合降雨预报对实测降雨的覆盖程度,并采用3个指标评价了集合降雨预报控制值的精度。结果表明随着预见期的延长,1~7 d集合降雨预报精度逐渐降低,但中短期集合降雨预报整体精度较高,推荐在研究区域采用1~5 d预报数据。     

基于芒种日分析的BP模型在中长期汛期降雨量预报中的应用

为提高汛期降雨量中长期预报的精度,采用芒种日分析充分提取有用信息,基于BP神经网络模型,构建了芒种日分析的BP神经网络耦合模型,并将其应用于北京市中长期汛期降雨量的预测。结果表明:相比于常规BP模型,耦合BP模型能够有效提高预报的精度,验证期耦合BP模型模拟值与实测值相关系数为0.78,明显优于常规BP模型的0.42;耦合BP模型较常规BP模型的预报合格率提高了40%。芒种日分析能够充分发掘隐藏在原始数据中的有用信息,降低极端值等噪声数据对预报结果的影响,有效提高了模型的预报精度。将传统节气与人工智能预报技术相结合,为中长期汛期降雨量预报提供了一种新思路。     

基于机器学习的雨型分类研究：以淠河流域为例

【目的】为了提升洪水预报方案的科学性和精度,开展降雨雨型分类,制定不同雨型的预报方案并实施作业预报是一条有效的技术路线。【方法】基于淠河流域2003—2021年37个雨量站逐小时降雨观测数据,利用业界公认的动态时间规划(DTW)算法进行场次降雨雨型分类并作为基准分类结果。在此基础上,分别选取决策树(DT)、长短期记忆神经网络(LSTM)、LightGBM、支持向量机(SVM)四种机器学习方法建立分类模型并检验分类效果。通过调整样本规模,分析不同样本容量对分类效果的影响。【结果】结果表明：四种分类模型中,LightGBM分类精度最高且训练速度快,LSTM和SVM分类精度良好但训练效率相对较低,DT方法分类速度较快但分类精度相对较低。随着样本规模的增大,分类结果逐步稳定,四种方法的分类效果和训练效率逐步提升。【结论】结果验证了机器学习方法在降雨序列雨型分类中具有较强的适用性,可为洪水预报方案分类构建提供技术支撑。