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。     

基于多种学习方案LSTM的信江流域径流预测

长短期记忆神经网络(LSTM)在径流预测中具有广泛应用,不同的输入使神经网络具有不同的学习方案,从而影响到模型性能。设置3种不同的LSTM学习方案,以前期径流预测当日径流(方案一)、以前期降雨预测当日径流(方案二)和以前期径流和前期降雨预测当日径流(方案三),比较其在相同模型结构下对信江流域丰水期和枯水期径流预测的性能。结果表明,丰水期和枯水期时方案三拟合度最高,平均绝对误差为0.012 6和0.007 6,纳什效率系数为0.94和0.96,对于信江流域基于LSTM的日径流预测,应当将前期降雨与前期径流结合起来作为模型输入。研究对基于数据驱动的径流预测输入集数据的选取有参考价值。     

网格新安江模型在于桥水库洪水预报中的应用

根据于桥水库流域的地理概况和水文气象特性,利用网格新安江模型GRID-XAJ对流域历史资料进行降雨径流模拟及参数率定,研制洪水预报方案。从模拟结果上看,网格新安江模型能有效反映流域下垫面变化及降水空间分布的离散对降水径流的影响。     

与MM5气象模式耦合的VIC分布式水文模型构建

从水文气象耦合的角度入手,根据汉中流域的特点,首次在汉江流域MM5运行的9 km×9km网格上构建了VIC日分布式水文模型.利用流域内7个水文站的径流资料对该模型进行了应用检验.结果表明,该模型能较好模拟汉中流域的日径流过程,其模拟精度与集总式VIC模型和集总式三水源新安江模型基本相当,但它充分考虑了研究流域内降水输入和下垫面条件的空间差异性,能够提供网格降水分布及流域内产汇流的分布状况,能进一步同中尺度MM5气象模式耦合,延长洪水预报的预见期.     

考虑预见期降水的三峡水库区间洪水预报模型研究

 选用长江三峡水库区间流域的历史雨洪资料与短期定量降水预报资料,编制三峡水库区间流域洪水预报模型,并将区间定量降水预报与区间洪水预报模型相耦合,研究了预见期降水对洪水预报的影响。提出了一个随机降水模型,随机生成 500组序列作为降水预报值输入到区间洪水预报模型,并以均值作为预报结果发布。方案比较结果表明,考虑预见期内的降水预报可提高三峡水库的洪水预报精度。     

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。     

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。     

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.     

Seq2Seq 模型的短期水位预测

为有效预测未来一定时间内的连续水位,提出了基于序列到序列(Seq2Seq) 的短期水位预测模型,并使用一个长短期记忆神经网络(LSTM)作为编码层,将历史水位序列编码为一个上下文向量,使用另一个LSTM 作为解码层,将上下文向量解码来预测目标水位序列。以流溪河为研究对象,针对不同预测长度分别建立水位预测模型,并与LSTM 模型和人工神经网络(ANN)模型进行了对比。结果表明:Seq2Seq 模型对连续6 h、12 h 和24 h 水位预测的纳什效率系数最高分别为0.93、0.90和0.85;当预测长度为6 h 时,LSTM 和Seq2Seq 模型预测结果相似,ANN 模型精度较低;当预测长度为12 h 和24 h 时,Seq2Seq 模型相比LSTM 模型和ANN 模型预测效果更好,收敛速度更快。     

Estimation of future water resources of Xiangjiang River Basin with VIC model under multiple climate scenarios

Variation trends of water resources in the Xiangjiang River Basin over the coming decades have been investigated using the variable infiltration capacity(VIC) model and 14 general circulation models'(GCMs') projections under the representative concentration pathway(RCP4.5) scenario. Results show that the Xiangjiang River Basin will probably experience temperature rises during the period from 2021 to2050, with precipitation decrease in the 2020 s and increase in the 2030 s. The VIC model performs well for monthly discharge simulations with better performance for hydrometric stations on the main stream of the Xiangjiang River than for tributary catchments. The simulated annual discharges are significantly correlated to the recorded annual discharges for all the eight selected target stations. The Xiangjiang River Basin may experience water shortages induced by climate change. Annual water resources of the Xiangjiang River Basin over the period from 2021 to 2050 are projected to decrease by 2.76% on average within the range from-7.81% to 7.40%. It is essential to consider the potential impact of climate change on water resources in future planning for sustainable utilization of water resources.     

TRMM雨量在汉江上游大尺度水文模型中的应用

将TRMM（Tropic Rainfall Measurement Mission）卫星收集分析的降雨资料，利用大尺度水文模型对汉江白河以上流域进行流量模拟与预测，研究TRMM降雨资料应用于大尺度水文模型（LSHM）进行流量预测的可行性。对比分析了TRMM年、月、日系列降雨资料与气象站网降水观测资料，以及将其作为输入数据源的大尺度模型降雨径流模拟预测结果，分析表明：大尺度水文模型概念基本适合汉江上游的流量预测，水库对模拟预测结果影响显著，TRMM日降雨资料尚不满足利用该模型进行洪峰流量预报精度的要求。     

RCP情景下都柳江上游气候变化及径流响应分析

建立都柳江上游三水源新安江月水文模型,根据1968-2004年历史降雨、蒸发及径流数据运用遗传算法来率定和优选敏感参数,使用降尺度GCM数据驱动模型得到不同RCP情景下的流域未来月平均径流,并通过线性拟合方法分析都柳江上游未来气象要素及模拟径流过程。结果表明:2020-2099年都柳江年平均降雨基本处于稳定状态,年平均气温和蒸发呈波动增长,局部短时段下降。流域径流流量总体低于历史平均值,年际间波动降低,年内分布不均,主要集中在5-10月份。     

适用于分布式水文模拟的空间插值方法改进

降水数据是水文模型重要输入数据之一,雨量空间插值是获得面雨量数据的有效方法。改进现有雨量插值方法,获取较为精确的逐日连续面域降水数据,并以补远江流域为例对改进效果进行验证,将插值后得到的降水数据作为输入条件,基于MIKE SHE水文模型模拟补远江流域径流过程,分析改进后的插值方法所得降水数据对模型精度的提高效果。结果表明:利用改进插值方法(简称IDW-Thiessen插值法)得到的降水数据,在模型模拟径流过程中的效果优于利用Thiessen多边形获得的降水数据;在补远江流域这一研究案例中,利用IDW-Thiessen插值法得到的降水数据模拟补远江日径流,所得结果的纳什系数在率定期和验证期都超过0.7,高于利用Thiessen多边形法得到的降水数据进行径流模拟结果的纳什系数;IDW-Thiessen插值法与Thiessen多边形得到的径流模拟结果相比,年平均误差减少10%,雨季模型模拟精度提高6%,旱季模型模拟精度提高了7%,模拟径流过程线与实测径流过程线更吻合。     

Correction of Reservoir Runoff Forecast Based on Multi-scenario Division and Multi Models

Accurate runoff forecast is very important for reservoir operation. In view of the shortcomings of the existing correction models for runoff forecast, including the influence of the difference of external factors on the forecast results is not considered, and the optimal situation adaptation of different forecast models is not considered, three models, i.e., long and short-term memory neural network model (LSTM), gaussian process regression model (GPR) and support vector machine regression model (SVR), are used to forecast the relative errors of runoff forecast under different scenarios in this paper. The classification of forecast scenarios is determined based on factors such as rainfall, inflow, and foresight period, and two scenario sets are given, i.e., 12 forecast scenarios and 24 forecast scenarios. Then, a multi-model coupled runoff forecast correction method considering forecast error and forecast scenario is proposed. Through the case study of the Three Gorges Reservoir (TGR), it is found that, when the analysis is carried out based on the forecast period, the SVR model should be used for forecast correction when the foresight period is 1–5 days, and the LSTM model should be used for forecast correction when the foresight period is 6 days. The application effect of SVR and LSTM is better than GPR in the scenario set of 12 forecast scenarios. LSTM model has the highest accuracy of forecast correction in the scenario set of 24 forecast scenarios, and the mean value of the coefficient of certainty (R²) changes from 0.919 of 12 forecast scenarios to 0.931 of 24 forecast scenarios, increasing by 1.31%. The mean value of mean relative error (MRE) changes from 6.80% of 12 forecast scenarios to 5.64% of 24 forecast scenarios, a decrease of 17.06%. Finally, the best model adaptation table corresponding to different forecast scenarios of TGR is established, which has an important guiding role in the actual runoff forecast of TGR.

     

基于SWAT模型的巴勒更河流域降雨-径流关系

研究流域的降雨-径流关系可为水资源管理与水土保持等工作提供依据.根据实测降雨资料和历史实测径流数据构建SWAT模型并用于还原径流序列,采用Kendall秩次检验、滑动平均、M-K突变检验、小波分析、累积距平法以及径流系数,分析巴勒更河流域1970—2015年的降雨-径流关系年际变化特征、变化趋势,并运用累积斜率变化率比...     

Effects of Training Data on the Learning Performance of LSTM Network for Runoff Simulation

With the rapid development of Artificial Intelligence (AI) technology, the Long Short-Term Memory (LSTM) network has been widely used for forecasting hydrological process. To evaluate the effect of training data amount on the performance of LSTM, the study proposed an experiment scheme. First, K-Nearest Neighbour (KNN) algorithm is employed for generating the meteorological data series of 130 years based on the observed data, and the Soil and Water Assessment Tool (SWAT) model is used to obtain the corresponding runoff series with the generated meteorological data series. Then, the 130 years of rainfall and runoff data is divided into two parts: the first 80 years of data for model training and the remaining 50 years of data for model verification. Finally, the LSTM models are developed and evaluated, with the first 5-year, 10-year, 20-year, 40-year and 80-year data series as training data respectively. The results obtained in Yalong River, Minjiang River and Jialing River show that increasing the training data amount can effectively reduce the over-fittings of LSTM network and improve the prediction accuracy and stability of LSTM network.