基于GR4J-LSTM混合模型的洪水预报研究

为提高洪水过程预报的准确性,将概念性水文模型GR4J (modèle du Génie Ruralà4 paramètres Journalier)的预报流量耦合到长短时记忆神经网络(Long Short-Term Memory Neural Network, LSTM)中,构建了GR4J-LSTM混合模型,并与GR4J、LSTM模型进行对比。基于2012~2019年陆水水库汛期与洪水事件相关的数据集,并结合欧洲中期天气预报中心的3 h预报降水产品,驱动GR4J-LSTM混合模型,预报陆水水库3~12 h预见期的入库流量。最后采用平均影响值(Mean Impact Value, MIV)算法评估输入变量的相对重要性。结果表明:GR4J、LSTM和GR4J-LSTM模型均具有较好的模拟预报能力,但GR4J-LSTM混合模型的预报性能最优,既可以学习GR4J模型的产汇流过程,又提高了洪水预报的精度。研究成果可为洪水预报方案制定提供参考。