维普中文期刊产品整合服务

一种用于淮河上游日径流预测的增强型LSTM模型

查看全文 作　　者：Yuanyuan [1]Man;Qinli [1,2]Yang;Junming [3]Shao;Guoqing [4]Wang;Linlong [5]Bai;Yunhong [5]Xue 高影响力作者 机构地区：[1]School of Resources and Environment,University of Electronic Science and Technology of China,Chengdu 611731,China;[2]Yangtze Delta Region Institute(Huzhou),University of Electronic Science and Technology of China,Huzhou 313001,China;[3]School of Computer Science and Engineering,University of Electronic Science and Technology of China,Chengdu 611731,China;[4]State Key Laboratory of Hydrology–Water Resources and Hydraulic Engineering,Nanjing Hydraulic Research Institute,Nanjing 210029,China;[5]Xinyang Hydrology and Water Resources Survey Bureau,Xinyang 450003,China高影响力机构 出　　处：《Engineering》索引2023年第5期,共11页高影响力期刊 基　　金：financially supported by the National Natural Science Foundation of China(52079026);the National Key Research and Development Program of China(2021YFC3201100);the National Natural Science Foundation of China(41830863 and 61976044);Sichuan Science and Technology Program(2020YFH0037);the Belt and Road Fund on Water and Sustainability of the State Key Laboratory of Hydrology–Water Resources and Hydraulic Engineering(2019nkzd02);the Open Research Fund of State Key Laboratory of Simulation and Regulation of Water Cycle in River Basin(IWHR-SKL-201911);the Fundamental Research Funds for the Central Universities(ZYGX2019Z014)。 摘　　要：径流预报对防洪具有重要意义。然而,由于径流过程的复杂性和随机性,对日径流量进行准确预测是困难的,尤其是对峰值径流量的预测。为了解决这一问题,本研究提出了一种用于径流预测的增强型长短期记忆(LSTM)模型,其中引入了新的损失函数并集成了特征提取器。设计了峰值误差tanh(peak error tanh,PET)和峰值误差swish(peak error swish,PES)两个损失函数,增强了峰值径流预测的重要性,弱化了正常径流预测的权重。为每个气象站建立由3个LSTM网络组成的特征提取器,目的是提取每个气象站输入数据的时间特征。以中国淮河上游为例,利用增强型LSTM模型对1960—2016年的日径流量进行了预测。结果表明,改进后的LSTM模型表现良好,在验证期内(2005年11月至2016年12月),Nash-Sutcliffe效率(NSE)系数在0.917-0.924之间,优于广泛使用的集总水文模型(Australian Water Balance model(AWBM)、Sacramento、Sim Hyd和Tank模型)和数据驱动模型(人工神经网络(ANN)、支持向量回归(SVR)和门控循环单元(GRU))。以PES为损失函数的增强型LSTM对洪水极端径流的预测效果最好,平均NSE为0.873。此外,海拔较高的气象站降水对径流预测的贡献比最近的气象站更大。该研究为流域日径流预测提供了有效工具,有利于流域防洪和水安全管理。 关 键 词：长短期记忆 损失函数 数据驱动模型 输入数据 日径流预测
相关文献

参考文献(57)

引证文献(4)

网站首页 | 关于我们 | 联系我们 | 产品服务 | 客服中心 | 广告服务 | 版权声明 | 网站联盟 | 友情链接 | 售卡网点

版权所有© 渝B2-20050021-1　渝公网安备 50019002500403号　违法和不良信息举报中心

互联网出版许可证 新出网证(渝)字10号 全国400电话 - 免长途话费