基于深度学习的河流径流值预测

在传统预测径流值方法中,由于径流序列具有非常复杂的非线性特征,所以无法充分对径流值进行信息提取并进行预测。本文提出一种基于LSTM (长短期记忆网络)和注意力机制的模型来对径流值进行预测。对于气候原因引发的自然灾害——洪水的预测来说,该模型考虑到降雨量与上游水文站径流值对目标地区的径流值的影响,并通过加入注意力机制对各个影响因素添加距离影响。以四川省乐山市五通桥区径流值数据为例,通过对比2015年径流值的预测值和真实值进行对比。验证结果表明:添加了注意力机制的LSTM模型具有误差小,准确度高的特性,可以较为显著提高径流值预测的能力。

基于VMD-NGO-LSTM的融雪洪水汛期非平稳性极值径流预测模型及应用

金沟河属于典型的融雪补给流域,受自然环境、气候变化和人类活动等因素的影响,汛期极值径流序列表现出非平稳性及复杂性特征,给流域内汛期极值径流精准预测带来新的挑战。为解决该地区汛期极值径流的非平稳性对于预测结果的影响,引入变分模态分解算法(Variational Mode Decomposition,VMD),提出一种基于北方苍鹰优化算法(Northern Goshawk Optimization,NGO)与长短期记忆神经网络(Long Short-Term Memory,LSTM)的组合预测模型(VMD-NGO-LSTM),应用于金沟河流域八家户水文站1964—2016年的汛期极值径流预测,采用均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、Nash系数(NSE)评价模型的预测能力。结果表明:(1)根据金沟河流域融雪洪水汛期径流极值序列的周期变化和趋势变化的水文特性变化结果表明径流极大值序列和径流极小值序列均具有非平稳性;(2)VMD-NGO-LSTM预测模型的NSE均大于0.97,且RMSE、MAPE、MAE值均处于偏小状态,与VMD-LSTM模型和VMD-NGO-BP模型相比,VMD-NGO-LSTM模型能够很好地预测八家户汛期极值径流的变化过程。该研究为汛期极值径流预测工作提供了新的思路,对新疆地区防洪减灾具有一定参考价值。