结合退水曲线和长短期记忆网络的中长期低流量预报OA北大核心CSTPCD

【目的】长短期记忆网络(LSTM)在水文预报研究中显示出较强的预报能力,但通常依赖于大量数据的训练。为使LSTM模型更好的适用于数据量较少的流域。【方法】研究采用退水曲线,对LSTM模型施加物理约束,提出了适用于低流量预报的混合模型。【结果】在中国西南不同地区3个流域的应用表明:(1)随着预见期的增长,混合模型预报结果的合格率有轻微下降,预见期10 d以内准确率可达到90%以上;(2)混合模型的预报精度显著高于LSTM,且能够显著降低误差累积效应的影响;(3)混合模型在减少训练样本数和减少预报因子维数的情况下均优于LSTM模型。【结论】结果表明,引入退水曲线可以降低混合模型对训练数据量的要求,有效延长预见期,对深度学习预报低流量提供了新的改进思路,并可以为抗旱方案设计等提供技术支持。