基于集成学习与深度学习的洪水径流预报研究

深度学习模型凭借其对水文因素间复杂作用的优秀处理能力,在水文预报领域得到了一定的应用,然而,针对集成学习与深度学习耦合模型的研究仍有所缺失。通过融合集成学习AdaBoost算法与深度学习Informer模型,提出了一种组合模型,称为AdaBoost-Informer模型,以提高洪水径流预报的精度。该模型以历史雨量和径流数据作为数据输入,将具备长时序依赖捕获能力的Informer作为集成学习的弱预测器,使用网格搜索法进行超参数调优,使用AdaBoost集成学习算法对弱预测器进行加权组合得到强预测器。在浙江省椒江流域的应用分析表明:对比Random Forest、AdaBoost、Transformer、Informer等模型,AdaBoost-Informer模型表现最佳,RMSE为62.08 m^(3)/s,MAE为23.83 m^(3)/s,NSE为0.980,预报合格率为100%。所提模型可有效提高洪水预报精度,为防汛抢险和防洪系统调度提供决策依据。

“分解-校正-集成”模式下基于深度信念网络模型的径流预测

精准的短期径流预测可为流域内水资源规划、防洪调度及抗旱减灾工作提供重要的科学依据。为减小模型的系统误差,提高径流预测精度,在“分解-集成”模式的基础上提出“分解-校正-集成”框架,构建EEMD-DBN-EnKF、VMD-DBN-EnKF模型。利用集合卡尔曼滤波数据同化算法对偏离实测径流过大的分量校正以降低分解子序列在预测中产生的系统误差,并与未修正的EEMD-DBN、VMD-DBN模型及单一DBN模型进行了对比分析。结果表明:基于模态分解的组合模型较单一模型RMSE减小了至少23%,NSE与R^(2)增加了21%以上;基于径流分量校正的组合模型相较于模态分解的组合模型各评价系数有所提升,其中VMD-DBN-EnKF预测模型误差最小,效果最优,NSE与R^(2)达到0.89以上,其次依次为EEMD-DBN-EnKF>VMD-DBN>EEMD-DBN。综上“分解-校正-集成”模式的预测框架在玛纳斯河流域具有良好的适用性,可为玛纳斯河径流短期预报提供技术支持。

基于CNN-LSTM-Attention模型的沁河流域径流模拟及未来多情景预测

为提升深度学习模型对变化环境下流域的径流模拟精度,以沁河流域为例,构建了基于卷积神经网络(CNN)、长短期记忆网络(LSTM)和注意力机制(Attention)的CNN-LSTM-Attention耦合模型,加入多种优化算法,结合第六次国际耦合模式比较计划CMIP6中的BCC-CSM2-MR气候模式并考虑多种情景,应用于流域的径流模拟和预测,同时比较了多种深度学习模型的模拟精度。结果表明:CNN-LSTM-Attention模型在沁河流域表现出了较好的径流模拟效果,模拟精度均优于其他深度学习模型,纳什效率系数(NSE)为0.883,均方根误差(RMSE)为2.317,平均绝对误差(MAE)为1.098;不同气候变化情景下,沁河流域在2025—2050年的年径流量均呈现缓慢衰减趋势且波动程度较大,尤其在SSP1-2.6情景下,径流量衰减和波动程度突出。研究可为深度学习模型在人水关系智能化计算模拟领域的应用提供新思路,并为流域后续的水资源开发利用和管理提供科学参考价值。

基于物理机制和深度学习的混合模型及应用研究

充分利用现代技术手段提高径流预报精度,对流域水旱灾害防御和水库群联合调度具有重要的指导作用。现有深度学习模型存在缺乏模型透明度、物理可解释性差等问题。针对上述难题,将概念水文模型EXP-Hydro嵌入物理递归神经网络P-RNN层,建立了耦合物理机制的深度学习混合模型Hybrid-DL,该混合模型采用微分框架实现概念模型与神经网络的深度双向融合,能够同时训练概念模型与神经网络的参数,并以清江上游为例开展了应用研究。结果表明,相较于RNN、EXP-Hydro、BP和SVM模型,Hybrid-DL模型的纳什效率系数NSE分别提升了6.08%、21.01%、37.09%、73.92%,均方根误差RMSE分别降低了10.82%、33.73%、54.70%、95.57%,KGE效率系数分别提升了4.78%、12.68%、26.79%、55.74%,峰值误差TPE分别降低了4.96%、13.12%、252.84%、297.81%。Hybrid-DL模型具有良好的稳健性和适应性,可为清江上游乃至其他流域的径流预报提供可靠的理论工具。

基于差分序列多尺度深度学习的径流量预测方法

精准的径流量预报是预防洪水事故的主要依据。由于径流量数据具有很强的非稳定性,径流信息难以通过单一方法充分挖掘,易导致预测精度较低,提出了基于差分序列多尺度深度学习的径流量预测方法。首先,计算径流量一阶差分序列,为模型建立提供建模样本;其次,针对差分序列波动性,采用变分模态分解(VMD)方法对其进行变换,对变换后得到的差分序列分量采用多尺度LSTM方法对其进行估计;最后,结合原始径流量尾部数据和差分序列预测结果得到径流量预测值。结果表明,基于差分序列建模方法能够实现误差自适应校正,同时多尺度深度学习方法解决了数据波动特性,整体预测性能优越。

基于Informer模型的开都河流域径流预测

为提高径流预测的准确性,本文通过应用长短期记忆(Long Short-Term Memory,LSTM)和Informer模型,对开都河流域察汗乌苏水文站2010年6月至2023年6月的逐日径流数据进行模拟。结果表明Informer模型的模拟性能最优,验证期的NSE达到0.96,而LSTM模型在径流峰值处的模拟存在低估。因此,基于Informer模型建立了开都河流域的单变量和多变量径流预测模型。结果表明,Informer模型在开都河流域察汗乌苏水文站具有较好的适用性。单变量和多变量预测模型在预测步长为1-3d时精度最高,R2>0.9,RMSE<15,MAE<10。对比单变量预测模型与考虑降水和气温的多变量预测模型的预测结果,结果表明,随着预见期逐渐增加,单变量预测模型性能更好。研究结果验证了Informer模型在径流预测领域的有效性,为研究区的水资源管理和防洪减灾等决策部门提供了一定参考。

基于深度学习的流域洪水预报模型研究

随着水文信息系统的普及,水文数据的采集越来越方便。传统上依靠各类水文模型及参数率定以刻画水文数据和预报成果间的复杂关联,如何实现水文数据驱动的水文自动预报是当前面临的问题。近年来,人工智能技术蓬勃发展,深度学习技术开始应用于水文学领域,试图解决这一问题。本文以沮漳河西支峡口至远安区间流域为研究对象,结合分布式水文模型的原理及深度学习理论方法,基于流域多维度数据对流域产汇流特性进行提取,利用特征网络进行流域径流预报,构建基于卷积神经网络(CNN,Convolutional Neural Networks)的流域降雨径流预报模型。研究将模型模拟结果与前期影响雨量模型(API,Antecedent Precipitation Index)结果进行对比分析,结果表明,基于卷积神经网络的流域降雨径流预报模型模拟精度为90%,模型可靠,能满足大部分的降雨洪水预报,为流域降雨径流预报提供一种新的方法。

强径流带条件下深部山青开采水害治理技术研究与应用

孙庄矿井田位于黑龙洞泉域的西南部强径流带上,受水文地质条件影响,深部开采表现出了与浅部开采不同的水文地质规律,深部开采受双重水害威胁。目前,矿井经过近50 a的开采,剩余可采储量为332.3万t,其中受大青灰岩水和奥灰水威胁的深部山青煤为247.2万t,占全矿井可采储量的74.4%,如不解放受水威胁的深部山青煤,矿井将面临关闭的严峻局面。为解决防治水技术难题,通过对矿井水文地质条件进行分析,决定采用地面区域治理的方法对大青灰岩含水层进行注浆加固,使其改造为弱含水层或相对隔水层,阻断了奥灰含水层对上伏薄层灰岩的补给通道,增强了煤层底板的阻隔水能力,来解决矿井深部山青煤层开采受“双重”水害威胁的难题。

多源数据融合的深度学习径流预测模型

为探究深度学习结合多源数据融合算法在流域径流预测中的效果,采用双向长短期记忆神经网络模型,选取汉江上游区域长序列水文气象资料及大气环流因子数据集,结合集合卡尔曼滤波数据融合算法,构建研究区域内5个流域径流预测模型并进行验证。结果表明,在相同预见期内该模型相比于传统长短期记忆神经网络模型,各项预测指标均有提高且能较好捕捉径流序列极值。采用数据融合算法加入大气环流因子数据集后,不同流域模型评价指标可进一步提升且随着预见期延长模型评价指标变化更为平稳。此预测模型可有效提升流域径流预报效果,为基于深度学习的径流预测提供参考。

LSTM变体模型在径流预测中的性能及其可解释性

基于湘江流域1999—2013年实测水文气象数据,采用LSTM模型和其变体模型研究多个预见期下不同输入变量和不同模型结构对径流预测结果的影响,评估LSTM模型及其变体模型在短期径流预测中的性能,基于排列重要性法和积分梯度法探究了LSTM模型对流域径流预测的可解释性。结果表明:在历史径流输入数据的基础上增加有效的水文气象变量输入,可以明显改善模型的预测效果,输入变量的改变比模型结构的差异对预测结果的影响更大;随着预见期的增大,降水数据的加入对预测效果表现出不同程度的提升,预见期为1 d时,预测结果的纳什效率系数(NSE)提升2.0%,预见期为2~4 d时,NSE提升可达13.6%;降水和历史径流在预测中起着重要的作用,而前期湿润条件与降水事件的共同作用是湘江流域洪水的主要诱发因素;LSTM模型可反映两种不同的输入输出关系,这两种关系对应于近期降雨和历史降雨两种洪水诱发机制。

资料长度对深度学习方法日径流预报效率的影响

长短期记忆(Long Short-Term Memory,LSTM)神经网络深度学习方法具有显著的时序分析能力,在径流预报方面有其独特的优势,但该模型预报的最优输入输出长度组合尚不太明确,探析不同输入输出长度对LSTM日径流预报效率的影响对相关应用具有实际意义。以四川省西部大渡河、雅砻江、岷江支流以及嘉陵江上游等流域为研究区,选取了20个子/区间流域,试验不同长度的前期输入资料预报不同预见期下的径流,研究了不同资料长度下LSTM模型的日径流预报效率,分析了该方法在不同流域的适用性与最优输入输出长度的特征。结果表明:①以前期降水、气温以及径流作为输入,前期资料长度对预报结果影响不太明显,但预报准确性会随预见期延长而下降,采用该种输入方案的预见期不宜超过7 d;②仅以前期降水、气温资料作为输入,预报准确性会随前期资料长度增加而提高,也会随预见期的延长而下降,建议该种方案的资料长度大于7 d、预见期最好为1 d,不宜超过3 d;③径流变异性是显著影响预报效率和最优输入输出长度组合的重要因子,变异性强,则预报效果较差,对输入输出长度的敏感性偏弱。研究成果可为提高深度学习径流预报效率提供参考,有助于结合流域特性确定适用的输入输出长度组合方案。

基于随机森林与深度神经网络的水库枯季入库径流中长期预报

准确可靠的枯季中长期入库径流预报对于指导水库枯水期开展水量调度等具有重要意义。本文以公平水库为研究对象,首先利用随机森林模型(RF)对水文气象因子进行筛选,然后基于深度神经网络模型(DNN)构建水库枯季入库径流中长期预报方案。结果表明:DNN模型对公平水库枯季中长期径流的模拟结果较好,率定期Nash系数为0.952,验证期为0.774,模型具有较强的泛化能力;次年3月的模拟精度较其他月份更优,受异常海温指数的影响,验证期次年1月的模拟结果较差;由于RF模型筛选预报因子侧重点的不同,当量级增大时,DNN模型出现了模拟结果较小量级时明显偏小的情况。

圆梁山隧道毛坝向斜深埋大型充填溶洞及其形成机制分析

研究目的:圆梁山隧道施工开挖揭示,毛坝碳酸盐岩向斜核部和东翼在隧道洞身附近发育3个罕见的大型深埋充填溶洞,其中2#溶洞多次发生涌砂突水灾害,3#溶洞还发生过粘性土爆喷型突出灾害;通过对3个溶洞发育充填的基本特征及灾害特征的综合分析研究,阐明3个溶洞的形成机制,为整治设计提供地质依据。研究方法:采用地表与隧道洞内超前物探、洞内超前水平与斜向钻探、充填物测试和理论分析等方法。研究结果:通过综合勘探和理论分析,查明了3个溶洞各自发育充填的基本特征及灾害特征,初步阐明了溶洞的形成机制,目前3个溶洞已完成整治。研究结论:初步综合分析认为,毛坝向斜、特别是核部与东翼的层间滑脱和纵向张裂隙被NW^NWW向横张断裂所交切,为岩溶水的深循环提供了较通畅的原始空间与通道,岩溶水在此通道中形成倒虹吸循环,长期溶蚀及溶蚀裂隙流转化为管道流,强烈冲刷与顶板坍塌导致核部与东翼的层间滑脱和纵张裂隙部位发展为大型溶洞,后因深部径流条件改变而被逐渐充填,发育形成现今这种罕见的深埋大型充填溶洞。

圆梁山隧道毛坝向斜段深部承压岩溶水系统浅析

通过地表调研、深孔勘探与抽水试验以及氢氧同位素测试 ,揭示向斜核部存在深部岩溶承压水系统 ,局部地带以绕轴与断层带局部承压径流的形式沟通向斜东西翼的水力联系 ,深部承压岩溶水系统在整个向斜水循环中所起的作用是很有限的。隧道施工时 ,应做好防水措施。

天山北坡山地森林与河川径流关系的探讨

分析研究了天山北坡山地森林与河川径流关系问题 ,结果表明 :天山北坡山地系统的降水、冰川、森林植被等流域因素在不同空间集水区内的不同组合 ,是决定山地森林与河川径流关系的关键所在 ;天山北坡山地森林与河川径流关系表现出在林率低于 10 %的流域 ,森林具有增加河川年径流量的效应 ;而在林率高于 10 %的流域 ,森林具有减少河川年径流量的效应 ;森林的调蓄功能是以森林分布的规模和森林质量为基础 ,在具有一定森林规模的河流集水区 。

皖北矿区深层地下水径流规律的地球化学反演

利用NetpathXL2.14对皖北矿区典型煤矿(朔里矿、张庄矿、杨庄矿和刘二矿)太灰水的地球化学特征进行了模拟,并结合与区域构造有关的地貌特征和水文地质条件对该区深层地下水径流规律、控制因素、地下水子系统划分及煤矿开采过程对深层地下水的影响进行了讨论。模拟结果表明:皖北矿区太灰水径流受不同的地下水子系统控制,其中朔里矿—张庄矿—杨庄矿与刘二矿处于不同的水文地质单元,朔里矿—张庄矿—杨庄矿太灰水径流主要与区内北高南低的地形有关自北东向南西流动的;朔里矿—张庄矿段太灰水的补给和排泄可能受到了矿井人工排泄的影响,但太灰水主体径流方向并未明显改变;对张庄矿—杨庄矿段而言,需要着重考虑区内太灰水的补给和排泄情况,以防止相关突水事故的发生。

丽香铁路莲花山岩溶隧道方案地质比选研究

研究目的:查明莲花山岩溶隧道的水文地质条件,提出安全可行的隧道选线原则。研究结论:(1)控制隧道方案的主要因素是黑龙潭岩溶径流带。该岩溶径流带以泉群形式排泄于丽江古城北象山坡麓的黑龙潭,泉水主要来自九子海、腊日光、红水塘一带约121 km2洼地区的大气降水补给。该岩溶径流带属相对独立的脉状径流,为深岩溶形成,水力坡度很小,流速缓慢。(2)隧道的选线原则:应以岩溶水对隧道的危害及隧道开挖对岩溶水系的影响为研究重点,尽量避开大型溶蚀盆地、溶蚀洼地等集中汇水区,避开靠近补给区的岩溶径流带上游;在进洞前应通过展线拔高线路,使隧道从靠近排泄区的岩溶安全带内通过。

基于长短时记忆(LSTM)神经网络的黄河中游洪水过程模拟及预报

洪水预报是防洪减灾的重要非工程措施,黄河中游地区水文情势近50 a发生显著变化,为提高变化环境下黄河中游半干旱半湿润地区洪水预报精度,本文以对时间序列数据具有良好模拟效果的深度学习神经网络(长短时记忆神经网络)为基础,建立不同预见期下的流域暴雨洪水模型,以探讨长短时记忆神经网络在黄河中游水文预报中的应用.模型建立采用汾河上游静乐控制站1 956-2014年98场暴雨洪水数据,其中以14个站点降雨及静乐站水文数据作为输入,不同预见期下的洪水过程作为输出,率定期为78场次,验证期为20场次.结果显示:在预见期为0~6 h时预报精度较高,预见期为6 h以上时预报效果相对较差;预报精度随神经元数量和训练次数的增加而呈上升趋势,预见期为0~6h时预报精度上升较为明显,而预见期6 h以上时预报精度上升较为均匀.

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网络鄱阳湖抚河流域径流模拟研究

水文预报及其径流变化趋势预测能够为防汛工作提供辅助决策,是水库调度兴利的重要手段.与传统分布式水文模型相比,利用长短期记忆网络(LSTM)建立降雨径流预报模型具有简单可行和精度较高的优点.该文以鄱阳湖抚河流域为研究对象,采用抚河流域的降雨和径流数据分别作为模型驱动数据和标签数据,通过LSTM网络实现抚河流域的径流模拟工作.结果表明:在使用气象站数据建立的日尺度径流模拟模型中,模拟结果与实测值相关性均达到0.9以上,偏差在±5%以内,模型表现非常好;在使用TRMM数据建立的月尺度模型中,整体模拟结果与实测值相关性在0.9以上,整体偏差在±5%以内,模型表现优秀.