SMA-LSTM模型在径流预报中的适用性研究

径流预报对于防洪、发电和生态调度等具有重要意义。以大渡河丹巴以上流域为研究区域,采用黏菌优化算法（SMA）对长短期记忆神经网络（LSTM）的隐藏层输出维度进行优化,构建SMA-LSTM模型对未来10日径流过程进行预报,以探讨深度学习方法对流域径流预报的适用性。基于2012—2017年的日降雨量和日流量资料,构建了预见期为10天的逐日径流SMA-LSTM预报模型,以2018—2019年的资料进行模型验证;采用最大1日径流量相对误差和10日总径流量相对误差作为SMA-LSTM模型精度的评价指标,并与未优化的LSTM模型和新安江模型结果进行对比。结果表明：SMA-LSTM模型具有较高的模拟和预报精度,无论是在率定期还是验证期,两种指标均控制在±10%以内,且两种指标的绝对值平均都不超过7%;整体而言,SMA-LSTM模型精度更高,预报的径流过程与实测过程更为贴近。研究成果可供流域径流预报实际工作参考。     

融合数据同化与机器学习的流域径流模拟方法

环境变化影响下流域径流的精确模拟对洪涝灾害防治与区域水资源管理都具有重要意义。在径流模拟研究中，现有机器学习模型未能充分考虑水文中间状态变量对降雨-径流过程的影响，本研究基于集合卡尔曼滤波(EnKF)更新水文状态变量，结合主成分分析(PCA)提取预报因子的主要特征，采用长短时记忆神经网络(LSTM)构建考虑水文中间变量的机器学习水文模型EnKF-PCA-LSTM。以赣江流域为例，评估EnKF-PCA-LSTM模型的径流模拟效果，同时将模拟结果与LSTM模型、物理水文模型HYMOD做对比分析。结果表明，EnKF-PCA-LSTM模型模拟径流的纳什效率系数、Kling-Gupta效率系数和对数纳什效率系数分别为0.954、0.971和0.972,比LSTM模型和HYMOD模型具有更好的模拟性能，说明考虑水文状态变量可有效提高机器学习模型的径流模拟精度及稳定性。研究成果可为流域径流模拟提供技术参考。     

训练数据量对 LSTM 网络学习性能影响分析

以雅砻江、岷江和嘉陵江为研究流域,采用K-最近邻（KNN）算法模拟生成130年的气象数据,并采用SWAT模型计算各流域出口水文站的径流过程;然后分别以前5年、10年、20年、40年和80年的降雨和径流数据对网络进行训练,以最后50年数据作为验证。主要结果表明：LSTM网络的学习能力随着神经元数量增加不断提高,但对水文序列数据的学习则存在过拟合严重的问题;增加训练数据量,可以有效地降低LSTM网络过拟合现象。     

不同土地利用模式对大洋河流域径流的影响研究

基于分布式水文模型SWAT模型,以大洋河沙里寨水文站以上为研究流域,利用沙里寨水文站2000-2010年水文数据、研究流域分辨率为1 km×1 km土地利用数据以及1:100 000土壤类型数据,定量模拟大城子以上流域2000-2010年径流量,通过设定三种土地利用模式情景,定量分析不同土地利用模式情景下对大洋河流域径流量的影响。研究结果表明:SWAT模型在大洋河流域径流模拟具有较好的适用性,模拟相对误差小于10%,确定性系数0.7以上;在三种土地利用模式情景,其中情景II(林地减少10%,城镇用地增加10%)径流深增加7.7mm,径流系数增加0.16,情景I(林地增加10%,旱地减少10%)以及情景III(林地增加10%,城镇用地减少10%)使得径流深分别减少14.1 mm和16.2 mm,城镇用地对径流影响大于旱地。研究成果对于大洋河水资源规划和保护提供参考价值。     

基于时序分解与机器学习的非平稳径流序列集成模型与应用

揭示变化环境下非平稳径流序列波动特征,可为提高径流预测精度和涉水工程规划提供支撑。针对径流序列具有非平稳性、周期性和异方差性的特征,收集长江流域攀枝花、城陵矶和大通站2008—2018年实测径流资料,基于周期趋势分解法(STL)将原始数据分解为周期项、趋势项和剩余项,结合各子序列特征采用多模型集成获取未来径流的综合预测值,并将预测结果与Prophet、LSTM和GARCH等单一模型进行对比。结果表明：联合机器学习和时序分解的集成模型在多个评价指标上均优于单一模型,且对异方差效应显著的站点模拟精度提升明显;验证期内3个站点的纳什效率系数分别为0.96、0.95和0.93,表明该模型能有效模拟长江流域径流波动过程。     

GSFLOW在沙颍河流域地表水与地下水联合模拟的应用

近年来,沙颍河流域内大量开采深层地下水,形成了大面积降落漏斗。因此,亟需加强流域地表水与地下水的统一管理。使用GSFLOW构建了沙颍河流域的地表水与地下水联合模型,将流域划分为178个水文响应单元(HRU)并与MODFLOW网格叠加生成10 915个地下水库。利用1961—1965年的观测数据对模型进行拟合验证,取得了较好的模拟精度。并在此基础上分析了流域内地下水与河流的补排关系以及流域内多年的水均衡。结果表明:流域以地下水补给河流为主,补给量随降雨量变化,占地表径流总量的20%~90%。流域水资源主要以蒸散发和地表径流的方式排泄,地表径流量多年平均的40%~50%为基流。本研究可为沙颍河流域地表与地下水资源综合管理提供重要支撑。     

GSFLOW在沙颖河流域地表水与地下水联合模拟的应用

近年来,沙颍河流域内大量开采深层地下水,形成了大面积降落漏斗。因此,亟需加强流域地表水与地下水的统一管理。使用GSFLOW构建了沙颍河流域的地表水与地下水联合模型,将流域划分为178个水文响应单元(HRU)并与MODFLOW网格叠加生成10 915个地下水库。利用1961—1965年的观测数据对模型进行拟合验证,取得了较好的模拟精度。并在此基础上分析了流域内地下水与河流的补排关系以及流域内多年的水均衡。结果表明:流域以地下水补给河流为主,补给量随降雨量变化,占地表径流总量的20%~90%。流域水资源主要以蒸散发和地表径流的方式排泄,地表径流量多年平均的40%~50%为基流。本研究可为沙颍河流域地表与地下水资源综合管理提供重要支撑。     

基于高精度遥感亮温的典型流域河道径流模拟分析

随着对地卫星遥感技术的发展,微波遥感监测为径流模拟提供了新途径。目前,基于被动微波遥感亮度温度的河道径流模拟方法亟待深入探索。本文基于M/C信号法,利用新一代高精度被动微波亮温数据集在中国典型流域进行河道径流模拟,探讨该方法的适用性,分析断面河宽、平均流量、控制面积、植被覆盖度、高程、土地覆盖/利用类型、气候类型等地形地貌和水文气象因素对模拟效果的影响。结果表明:在中国七大流域61个典型站点中,决定系数R2 ≥ 0.5的站点占比超过59.0%,41.0%的站点纳什效率系数E_NS ≥ 0.5;位于西南诸河流域的站点模拟效果最佳,尤其在青藏高原地区;高程、平均流量、气候类型以及断面河宽是影响模拟效果的主要因素;站点位于高原山地气候下的小型河流一般模拟效果更佳,本文方法相对更适用。研究成果可为河道径流模拟提供研究思路,为微波遥感的水文应用提供切实指导。     

开都河流域山区径流模拟及降雨输入的不确定性分析

选取塔里木河源区的开都河流域为研究区,将流域内气象水文站点数据与遥感数据相结合,利用气象、土壤类型、土地利用和地表覆盖、数字高程(DEM)和降雨等资料,模拟流域水文过程,并在出山口实测径流数据的基础上对模型进行率定和验证;对降雨输入所带来的径流模拟不确定性进行分析,探讨降雨输入的空间异质性对水文预报结果的影响机制.结果表明:MIKE-SHE模型能在水文、气象站点稀少,土壤及水文地质数据缺乏的条件下,模拟开都河流域的日径流过程,但精度上仍有待提高;降雨输入的空间分布程度对径流模拟有重要影响.FY-2C遥感估算降雨资料能够更好地表达降雨时间的空间异质性,相应地对径流模拟精度也有一定程度的提高.     

基于ERA5-Land数据集的玛纳斯河径流模拟研究

气象数据是水文过程研究的关键要素,再分析数据的发展为资料缺乏地区的径流模拟提供了新的解决方案。为研究ERA5-Land再分析数据集在径流模拟中的适用性,本文以玛纳斯河流域肯斯瓦特水文站以上流域为研究区,选取多个评价指标对ERA5-Land降水和温度进行准确性评价,并采用经验模态分解(EOF)分析其在研究区内的分布特点。在准确性方面,ERA5-Land与实测数据具有较好相关性,降水探测率为0.96,能反映大多数的降水事件,但与实测数据相比总体偏高21.81%,气温准确性好于降水,总体拟合效果较好,最优范围为-520 ℃,在极值部分不确定性有所增加。EOF决定性模态表明研究区内降水、气温变化趋势基本一致,即易受大尺度天气系统影响。利用该数据集驱动SWAT模型在月、日尺度上对玛纳斯河流域进行径流模拟,在验证期纳什系数(NSE)分别为0.88和0.82,具有较好的模拟效果。ERA5-Land再分析数据集可为西北缺乏实测气象资料地区径流模拟提供参考。     

四套降水资料在喀喇昆仑山叶尔羌河上游流域的适用性分析

分析了2003-2009年基于卫星观测的降水数据CMORPH、 TMPA 3B42 v6、 中国科学院青藏高原研究所的融合数据ITPCAS和基于地面台站的APHRODITE (2003-2007)四套降水数据集在叶尔羌河上游流域的时空分布特征, 并以这四套降水数据为驱动, 利用VIC分布式水文模型对叶尔羌河上游流域的降水径流进行模拟.结果表明: 在空间分布上, 四套降水资料在叶尔羌河上游流域的差异较大, ITPCAS的空间分布与流域冰川的分布较一致, 基于冰川区即为大降水区的基本认知, 初步认为ITPCAS的空间分布比较合理; 其次是TMPA 3B42 v6和APHRODITE; 在流域的年降水量和季节分配量上, 由于缺乏高海拔地区的实测降水资料, 无法准确回答各套降水资料在量级上是否合理; 在时间序列上, 四套降水资料与流域站点降水(库鲁克栏杆站和塔什库尔干站的平均降水)存在着不同程度的差异.但从整体上看, CMORPH数据在一定程度上能够反映流域的月降水变化过程, 而APHRODITE和ITPCAS只能在个别年份对流域的降水描述较好; 在径流模拟上, 卫星降水数据CMORPH显示了作为水文模型输入数据的较大潜力; 而其他降水资料在叶尔羌河径流模拟中, 与实测径流在量和季节分配上可能存在较大偏差.     

无资料地区水文模型参数移植不确定性分析

无资料地区降水径流模拟是水文学研究的国际前沿和热点问题。水文模型参数移植是无资料地区降水径流模拟的重要方法,对径流模拟精度具有重要的影响。利用核密度估计和蒙特卡罗随机模拟等方法,构建了一种水文模型参数移植误差驱动的无资料地区径流模拟不确定性定量评估框架。以广西壮族自治区42个有水文监测站点的典型中小河流为研究对象,率定新安江模型参数并模拟日径流和洪水过程,将42个典型流域依次假定为无资料流域,利用基于回归分析、相似流域和机器学习的参数移植方法,模拟无资料地区的洪水过程并识别最优的参数移植方法,分析移植法估算的模型参数值和直接率定值相比误差的概率分布特征,定量评估模型参数移植误差带来的径流模拟不确定性。研究结果表明：(1)基于回归分析的参数移植法模拟无资料地区洪水过程的精度优于相似流域法,优选的机器学习算法比传统回归分析法和相似流域法的计算精度提高了7%～15%;(2)与模型参数率定值相比,移植方法计算的模型参数具有一定的误差,对洪水模拟敏感参数的误差小于不敏感参数;(3)受模型参数移植误差的影响,利用蒙特卡罗法随机模拟的洪水过程具有一定的不确定性,洪量和洪峰相对误差的主要区间分别为10...     

流域降雨径流时间序列的混沌识别及其预测研究进展

混沌和随机在本质上是两种不同的特征,对这两种特征的描述方法各不相同,确定流域降雨径流时间序列的混沌性和随机性是对其进行模拟和预测的重要基础。近10多年来,许多学者相继开展了流域降雨径流时间序列的混沌识别及其预测研究。着重回顾其中最为重要的相空间重构、混沌识别和混沌预测方法,对将混沌理论应用于降雨径流时间序列的限制条件(序列的数据量大小和数据噪声)也进行了探讨。     

基于Budyko假设预测长江流域未来径流量变化

基于Budyko水热耦合平衡假设,推导了年径流变化的计算公式,分析了长江流域多年平均潜在蒸发量、降水量、干旱指数和敏感性参数的空间变化规律。选用BCC-CSM1-1全球气候模式和RCP4.5排放情景,把未来气候要素预估值与LS-SVM统计降尺度方法相耦合,预测长江流域未来的气温、降水和径流变化情况。采用乌江和汉江流域的长期径流观测资料,分析验证了基于Budyko公式计算年径流变化的可靠性。结果表明:降水量变化是影响径流量变化的主导因素;长江各子流域未来径流相对变化增减不一,最大变幅10%左右;在未来2020s(2010—2039年)、2050s(2040—2069年)和2080s(2070—2099年)3个时期内,长江南北两岸流域的径流将出现"南减北增"现象,北岸径流变化增幅逐渐升高,南岸径流变化减幅逐渐降低。     

融合气象要素时空特征的深度学习水文模型

针对现有深度学习水文模型未能充分刻画气象要素空间特征的问题,本文基于主成分分析(PCA)方法提取气象要素空间特征,利用长短时记忆神经网络(LSTM)学习长时序过程规律,构建融合气象要素时空特性的深度学习水文模型PCA-LSTM。以黄河源区为研究区域,利用LSTM模型和物理水文模型THREW作为比对模型,基于高斯噪音法系统评估PCA-LSTM模型的适用性和鲁棒性。结果显示：PCA-LSTM模型径流模拟纳什效率系数为0.92,高于比对模型LSTM和THREW,表明模型具有较高的精度。研究结果可为流域高精度水文模拟提供参考。     

概念性水文模型与智能模型在中小河流洪水模拟中的比较研究

相较于大江大河的流域水文预报研究,中小流域的研究相对匮乏。以沅江河溪水文站以上流域为例,研究LSTM(Long Short-Term Memory)模型和新安江模型在场次洪水中的模拟效果。通过对比,新安江模型的整体模拟精度较高,洪量、洪峰、峰现时间的平均相对误差分别为9.39%、9.55%、1.6 h,确定性系数为0.73,综合合格率为100%,达到甲级精度标准;LSTM模型的模拟精度较低,洪量、洪峰、峰现时间的平均相对误差分别为11.76%、12.33%、2.3 h,确定性系数为0.60,综合合格率为75%,达到乙级精度标准。结果表明,新安江模型和LSTM模型是中小河流洪水预报的有效方法,均可用于河溪流域的正式预报,且对于河溪流域,新安江模型的模拟精度比LSTM模型更高。     

雅鲁藏布江流域气候和下垫面变化对径流的影响研究

典型高原寒区雅鲁藏布江流域径流变化是反映该区域气候和下垫面变化的重要指标。在全球升温背景下,由于观测资料稀缺,导致缺乏针对整个流域的气候和下垫面变化对径流影响的研究。因此,本研究基于1986—2010年的气象数据和奴下水文站月尺度、动态土地利用数据等,利用改进的水文模型并结合不同的模拟策略厘清了流域1991—2010年不同时段间气候和下垫面变化对径流的影响。结果表明：在1991—2010年期间,不同时段间气候和下垫面变化对径流变化的贡献率差异较大,气候变化对径流变化的贡献率高于下垫面变化,且使径流量增加。从空间上看,气候变化对流域产流的贡献率在上游和中游都较大,在下游东北部的贡献率较小,而在该区域下垫面变化的贡献率较大。雪冰融水径流呈增加的趋势,对年径流的平均贡献率在21.1%~48.6%范围内,多年平均贡献率为33.6%;雪冰融水径流一般从4月开始增大,8月达到最大,10月达到消融末期。本研究的开展和发现既是雅鲁藏布江流域水文、水资源基础性研究的需要,具有重要的理论研究意义,同时也可为该流域的水资源保护、规划与管理提供科学理论和决策依据,具有重要的现实意义。     

基于LSTM的青藏高原冻土区典型小流域径流模拟及预测

冻土覆盖率高的小流域的径流形成受温度因素控制明显,普通水文模型不适用,而常规冻土水文模型因需要较多的气象观测要素而难以应用。考虑冻土流域产流机制,利用青藏高原腹地风火山小流域2017—2018年逐日降水、气温、径流观测数据,以降水、气温为输入,径流为输出,基于长短期记忆神经网络（LSTM）建立了适用于小流域尺度的冻土水文模型,并利用2019年观测数据进行验证。模型得益于LSTM特殊的细胞状态和门结构能够学习、反映活动层冻融过程和土壤含水量变化,具有一定的冻土水文学意义,能很好地模拟冻土区径流过程。模型训练期R²、NSE均为0.93,RMSE为0.63 m³·s^-1,验证期R²、NSE分别为0.81、0.77,RMSE为0.69 m³·s^-1。同时,为了验证模型可靠性,将模型应用于邻近的沱沱河流域,模型训练期（1990—2009年）R²、NSE均为0.73,验证期（2010—2019年）R²、NSE分别为0.66、0.64,模拟结果较好。考虑到未来气候变化,通过模型对风火山流域径流进行了预测：降水每增加10%,年径流增加约12%;气温每升高0.5 ℃,年径流增加约1%;春季融化期、秋季冻结期径流增幅明显,而由于蒸发加剧、活动层加深,径流在8月出现了减少。模型经训练后依靠降水、气温作为输入能较好地模拟、预测青藏高原冻土区小流域径流,为缺少土壤温度、水分等观测数据的冻土小流域径流研究提供了一种简单有效并具有一定物理意义的方法。     

降雨输入不确定性对分布式流域水文模拟的影响研究——以武烈河流域为例

降雨输入对分布式流域水文模拟具有重要影响。针对流域降雨资料不完整的情况,以武烈河流域为例,基于反距离加权平均法对雨量站降雨资料进行插补延长,并结合SWAT模型研究了降雨输入不确定性对分布式流域水文模拟的影响。结果表明:不同降雨输入对流域平均降雨量的影响较小,但基于气象站资料的降雨数据在降雨空间差异显著的年份会明显低估面雨量,且在夏季汛期表现更为显著;不同降雨输入对分布式流域水文模拟的影响较大;在雨量站降雨资料不完整的情况下,通过对雨量站降雨数据进行插补延长,相对于直接利用气象站降雨资料,在一定程度上可以提高径流模拟精度,满足降雨资料欠缺流域分布式水文模拟的实际需求。     

基于格尔木河流域的SWAT模型水文特征情景模拟研究

以2008—2016年格尔木河流域实测径流量数据为基础,构建SWAT分布式水文模型,采用SUFI-2算法进行参数率定、验证及不确定性分析,并设置不同的气候情景(RCP2.6、RCP4.5和RCP6.0),预测流域2022—2050年的径流变化趋势,分析了研究区未来降水、气温的变化趋势并探究了这些气候要素对格尔木河流域径流的影响。结果表明：(1)SWAT模型在格尔木河流域径流过程的模拟中具有较好的适用性,率定期R²和E_NS分别为0.84和0.73,验证期R²和E_NS分别为0.74和0.70;(2)径流预测不确定性较小;(3)未来流域降水呈现增加趋势而气温降低;(4)未来时段流域径流增加显著,且降水是控制流域径流的主要因素。