基于VMD-LSTM模型的三峡水库水面蒸发量预测研究OA北大核心CSTPCD

为减少水面蒸发非线性、复杂性和不稳定性等特征带来的预测误差,基于“分解-预测-重构”的策略,提出VMD-LSTM水面蒸发预测模型。该模型耦合长短期记忆神经网络(LSTM)与变分模态分解法(VMD),利用变分模态分解将水面蒸发及其主要影响因素分解为相同数量的子模态分量以降低数据的非平稳性,将对应子模态分量作为长短期记忆神经网络的输入,构建VMD-LSTM深度神经网络混合模型,并应用于三峡水库巴东站的月水面蒸发量预测。结果表明:VMD-LSTM模型较其他模型具有预测精度更高、峰谷值拟合更优的特点,与单一LSTM模型相比,率定期均方根误差(RMSE)、平均绝对百分比误差(MAPE)分别下降了54%和48%,而纳什效率系数(NSE)提升了11%。随着预见期的增加,模型的预测精度会逐渐降低但预测效果保持良好,当预见期从1个月增至7个月时,率定期NSE由0.97降至0.84。研究成果可为三峡水库水资源合理利用与科学管理提供理论支撑。