用于洞察多时间尺度水文过程的深度学习模型

在流量预测工作中,搭建了由单元、输入门、输出门和遗忘门组成的循环神经网络长短期记忆(RNN LSTM)模型,能学习长期时间依赖和捕获非线性关系,用来预测每日、每周和每月时间尺度的河流流量。利用2006—2014年唐河流域倒马关水文站的多个气候和水文要素数据集,可以对深度学习模型进行训练和验证。通过设置多个时序步长,探讨记忆单元存储信息的长短对不同时间尺度的影响。研究发现,RNN LSTM模型在日尺度预测中表现出较好的预测性能,数据集的粗粒度特性是影响周尺度和月尺度预测性能的关键。