基于深度学习和信号分解的北方寒区河流开河日期预报OA北大核心CSTPCD

中国北方寒区河流春季开河时易产生冰凌现象,威胁涉河水工建筑物的安全。准确地预测寒区河流开河日期可为防凌指挥、调度决策提供重要参考依据。本文基于中国北方典型寒区-黑龙江省的5个代表水文站近60年的历史开河日期序列,采用完全自适应集合经验模态分解(CEEMDAN)技术和深度学习长短期记忆模型(LSTM)方法构建河流开河日期预报的耦合模型,以期提高河流开河日期预报的精度。结果表明:本研究构建的开河日期预报耦合模型(CEEMDAN-LSTM)预测精度明显优于单一深度学习方法(LSTM)计算结果;与LSTM相比,CEEMDAN-LSTM可将开河日期预报的平均绝对误差从2.51 d降低至1.20 d,合格率从91.59%提高至100%。验证期平均绝对误差从3.85 d降低至1.65 d,合格率从88%提高至96%。因此,所构建的开河日期预报耦合模型具有较高的预报精度,可为我国北方寒区春季防凌指挥和调度提供技术支持。