154.com皇冠
“科研成果快报”
1. 标题
· An improved Long Short-Term Memory Network for Streamflow Forecasting in the Upper Yangtze River
· 改进的长短期记忆网络用于长江上游干支流径流预测
2. 成果信息
· Zhu, S., Luo, X., Yuan, X. et al. An improved long short-term memory network for streamflow forecasting in the upper Yangtze River. Stoch Environ Res Risk Assess 34, 1313–1329 (2020). https://doi.org/10.1007/s00477-020-01766-4
This work is supported by the National Natural Science Foundation of China (51809242),
3. 成果团队成员
· 朱双,博士,助理研究员,研究方向为基于水文模型、水文遥感,深度学习、大数据技术的生态环境监测与预警。
· 罗显刚,地图制图学与地理信息工程专业博士,博士生导师,美国北德克萨斯大学访问学者。主要研究方向包括:生态环境大数据、地质灾害动态预警与人工智能、智慧水利、智慧城市与云计算等。主持、参加科研课题40余项,其中包括多项863项目、国家重大专项、重点基金等项目,在国内外专业期刊发表30多篇论文,10多个发明专利,主编或参与编写专著、教材近10本,多次获得省部级奖项。
· 袁晓辉,北德克萨斯大学教授,计算机视觉和智能系统实验室主任,电气电子工程师学会(IEEE)高级会士。主持了 18 项由美国科学基金,美国空军实验室等支持的项目,担任多个国际期刊编辑。发表文章的期刊杂志包括 Pattern Recognition,Information Sciences,Journal of Hydrology,IEEE Transactions on Remote Sensing and Geoscience等。
4. 成果介绍
准确的水文预报在水资源管理和灾害应急响应方面具有重要意义。径流过程具有本质上的复杂性、动态性和随机性,时间序列方法,机器学习方法,概念性水文模型和分布式水文预报模型是常用的预报手段,适合的应用场景各异,预报精度不同。长短期记忆(LSTM)径流预测模型因其强大的非线性建模能力,近年来受到广泛关注和研究,但基于LSTM的概率性径流预测很少提及。本文提出了一种基于高斯过程的概率性长短期记忆网络来处理流量预测问题。此外,考虑到日径流时间序列的非平稳性,存在随时间变化的均值和方差,进一步采用异方差高斯过程回归产生变化的预测区间。该方法封装了LSTM递归网络的非线性学习属性,保留了高斯过程的非参数性和概率性。通过预测长江上游及其支流的日径流,结果表明,该模型提高了预测精度并提供了自适应变化的预测区间。
图1 长江上游流域和水系图
主要研究结果如下:
1. 通过对长江上游干流和支流的北碚、高场、屏山和宜昌的日径流预报研究,验证了本模型的性能。屏山地处金沙江出口处,海拔高,气候干燥,融雪是径流的主要来源,而暴雨是嘉陵江和岷江径流的主要来源。在所选的四个水文站中,屏山的径流预报效果最好,高场和北碚的预报结果次之。暴雨引起的洪涝灾害具有陡起陡落得特点,给预报带来了困难,同时,嘉陵江和岷江水系的水电站数目较多,对天然径流造成不同程度的破坏。
2. 采用点预测和区间预测的统计指标评价表明,对于长江上游的径流预报,本模型的预报性能较好,预报精度得到了一定的改善
3.提出的模型优势在于预测区间的自适应,这对水资源决策具有重要意义。为了证明本模型在构建区间范围方面的优势,本文还对传统的分段策略和Box-Cox数据转换进行了研究(图3)。POC和AIW分析表明,将LSTM与异方差高斯结合用于径流区间预测(图2)是一种方便、实用的方法。
图2 长江上游径流预测结果(耦合异方差高斯回归的点预测与预测区间)
图3 长江上游径流预测结果(耦合正态化转换的点预测与预测区间)