基于深度学习的水文预报方法研究
《基于机器学习的中长期径流预报方法研究》范文
《基于机器学习的中长期径流预报方法研究》篇一一、引言随着现代科技的快速发展，机器学习在各个领域的应用越来越广泛。
其中，基于机器学习的中长期径流预报方法研究具有重要的实际意义。
径流预报是水文领域的重要研究内容，对于水资源管理、防洪抗旱、水生态保护等方面都具有重要的指导作用。
本文旨在探讨基于机器学习的中长期径流预报方法，为相关领域的研究和应用提供理论依据。
二、径流预报的背景与意义径流预报是通过对河流、湖泊等水体的水文信息进行收集、分析和预测，以了解其未来一段时间内的水流状况。
中长期径流预报是指对未来数月甚至数年的径流情况进行预测，对于水资源规划、调度、管理及保护具有十分重要的意义。
随着全球气候变化和人类活动的加剧，径流情况的变化对生态环境和社会经济产生深远影响，因此，提高径流预报的准确性和可靠性显得尤为重要。
三、传统径流预报方法的局限性传统径流预报方法主要包括物理模型和统计模型。
物理模型基于水流运动的物理规律进行建模，但模型参数的确定和调整较为复杂；统计模型则主要依据历史数据进行统计分析，但往往难以考虑多种影响因素的相互作用。
此外，传统方法在处理非线性、时变和复杂的水文系统时存在一定局限性，导致预报结果的准确性和可靠性难以满足实际需求。
四、基于机器学习的中长期径流预报方法针对传统方法的局限性，本文提出基于机器学习的中长期径流预报方法。
该方法以大量历史径流数据为基础，通过机器学习算法建立预测模型，实现对未来一段时间内径流情况的预测。
具体而言，该方法包括数据预处理、特征选择、模型构建和模型评估等步骤。
1. 数据预处理：对历史径流数据进行清洗、整理和标准化处理，以便于后续的模型构建。
2. 特征选择：从历史数据中提取与径流情况相关的特征，如气象因素、地形因素、人类活动等。
3. 模型构建：采用机器学习算法（如支持向量机、神经网络、随机森林等）建立预测模型。
这些算法能够处理非线性、时变和复杂的水文系统，提高预报的准确性和可靠性。
基于神经网络的短期水文预测方法
基于神经网络的短期水文预测方法短期水文预测是水文学中的重要研究领域，对于水资源管理和防洪减灾具有重要意义。
随着神经网络技术的发展和应用，基于神经网络的短期水文预测方法逐渐成为研究的热点。
本文将探讨基于神经网络的短期水文预测方法及其应用，分析其优势和不足，并展望未来发展方向。
一、引言随着气候变化和人类活动的影响，水资源管理和防洪减灾等问题变得越来越复杂。
准确预测未来一段时间内的降雨量、径流量等水文要素对于科学合理地管理和利用水资源具有重要意义。
传统的统计方法在一定程度上可以满足需求，但受到数据特征复杂、非线性关系等问题的限制。
二、基于神经网络的短期水文预测方法1. 神经网络原理神经网络是一种模拟人类大脑工作方式而设计出来的计算模型。
它由大量简单处理单元（神经元）相互连接而成，并通过学习调整连接权值以实现特定的功能。
神经网络具有自适应性、非线性映射能力和并行处理能力等特点，适用于处理复杂的非线性问题。
2. 数据预处理在应用神经网络进行短期水文预测之前，需要对原始数据进行预处理。
预处理包括数据清洗、缺失值填补、异常值检测和数据标准化等步骤，以提高神经网络模型的准确性和鲁棒性。
3. 神经网络模型构建基于神经网络的短期水文预测方法通常采用前馈神经网络（Feedforward Neural Network）模型。
该模型由输入层、隐藏层和输出层组成，其中隐藏层可以有多个。
输入层接收水文要素数据，输出层给出对未来水文要素的预测结果。
隐藏层负责对输入数据进行非线性映射和特征提取。
4. 神经网络训练与优化神经网络模型需要通过训练来学习输入与输出之间的映射关系。
常用的训练算法包括误差反向传播算法（Backpropagation）和Levenberg-Marquardt算法等。
在训练过程中，可以采用交叉验证方法评估模型的泛化能力，并通过调整网络结构和参数来优化模型性能。
三、基于神经网络的短期水文预测方法的应用1. 降雨预测基于神经网络的短期降雨预测方法能够通过历史降雨数据和其他气象要素数据，准确地预测未来一段时间内的降雨量。
河流水位预测方法研究
河流水位预测方法研究河流是大自然中最重要的自然资源之一，为人类提供饮用水、灌溉水和能源等多种资源，同时也给人类带来了不少灾害。
因此，对河流的水位进行预测显得尤为重要。
本文将对河流水位预测方法进行研究，探讨不同预测方法的优缺点以及其应用场景。
一、传统方法传统的河流水位预测方法是基于统计学模型的，如ARIMA、指数平滑、回归等。
这些方法的基本思想是利用历史数据对未来进行预测，依据是“历史会重演”。
这些方法具有简单、易用的特点，并且可以处理各种类型的数据。
但是，这些方法都是基于假设数据是平稳的。
而一些河流水位数据实际上是非平稳的，因为受到了不同的气象、地质、地形、人为因素等的影响。
所以，这些传统方法存在一定的局限性。
二、机器学习方法目前，随着机器学习算法的不断发展，人们开始尝试将机器学习应用于河流水位预测。
机器学习方法可以自适应地学习数据的特点，并通过建立模型对未来进行预测。
在机器学习方法中，常见的算法有神经网络、支持向量机、决策树等。
相比传统方法，机器学习方法更适合解决非平稳数据的预测问题。
以神经网络为例，它是一种基于人类大脑神经元工作原理的模型。
它可以通过学习样本来自适应地构建模型，并可以预测未来的输出结果。
神经网络算法具有高度的灵活性和适应性，可以处理多种类型的数据，并且其预测精度通常比传统方法更高。
但是，神经网络算法也存在一定的局限性，例如需要大量的数据进行训练，并且对模型的解释性不够强。
三、深度学习方法深度学习是机器学习的一个分支，它可以让程序自动地进行特征提取，并通过分类或回归等方式得到输出结果。
深度学习通常需要大量的数据来进行训练，但是其精度比传统方法和机器学习方法都更高。
近年来，深度学习在河流水位预测领域也得到了广泛应用。
例如，基于深度学习的方法可以通过对气象、地形等多种因素进行分析预测未来的水位。
需要指出的是，尽管深度学习的预测精度很高，但是其运算速度较慢。
因此，当预测的时间周期较短时，深度学习并不一定是最有效的方法。
基于深度学习的雷达降雨临近预报及洪水预报
第34卷第5期2023年9月㊀㊀水科学进展ADVANCES IN WATER SCIENCEVol.34,No.5Sep.2023DOI:10.14042/ki.32.1309.2023.05.003基于深度学习的雷达降雨临近预报及洪水预报李建柱,李磊菁,冯㊀平,唐若宜(天津大学水利工程仿真与安全国家重点实验室,天津㊀300350)摘要:为探究深度学习的雷达降雨临近预报在流域洪水预报中的适用性,采用U-Net㊁嵌入注意力门的Attention-Unet 和添加转换器的多级注意力TransAtt-Unet 开展雷达降雨临近预报,将预报降雨作为HEC-HMS 水文模型的输入,对柳林实验流域进行洪水预报㊂结果表明:1h 预见期时,Attention-Unet 对短时强降雨预报结果较好,TransAtt-Unet 预报降雨模拟的洪峰流量和径流量相对误差小于20%,各深度学习模型对量级较大的降雨和洪水预报精度较高;2h 预见期的预报降雨强度㊁降雨总量㊁洪峰流量和径流量存在显著低估,U-Net 能取得相对较好的降雨预报结果㊂基于深度学习的1h 预见期雷达降雨临近预报及洪水预报可为流域防洪减灾提供科学依据㊂关键词:雷达降雨临近预报;降雨定量估计;深度学习;洪水预报;柳林实验流域中图分类号:P333㊀㊀㊀文献标志码:A㊀㊀㊀文章编号:1001-6791(2023)05-0673-12收稿日期:2023-05-19;网络出版日期:2023-09-19网络出版地址:https :ʊ /urlid /32.1309.P.20230918.1718.002基金项目:国家自然科学基金资助项目(52279022)作者简介:李建柱(1981 ),男,河北沧州人,教授,博士,主要从事水文水资源方面研究㊂E-mail:lijianzhu@近年来,极端降雨事件导致洪涝灾害频发,对洪水预报精度和时效性的要求越来越高[1]㊂准确的降雨预报是洪水预报的关键,可为防洪减灾工作提供重要的科学依据[2]㊂传统的洪水预报主要以地面雨量站实测降雨输入水文模型,导致洪水预报的有效预见期短,且雨量站实测降雨无法反映其空间分布特性[3]㊂天气雷达具有高时空分辨率㊁高精度和可靠性等特点[4]㊂将雷达降雨临近预报结果作为水文模型的输入进行洪水预报,能在一定程度上延长洪水预见期[5],是水文预报领域的主要发展趋势,但降雨临近预报是尚未解决的重要科学难题[6]㊂以光流法㊁质心跟踪法㊁交叉相关法为主的传统雷达回波外推方法[7],能在较短预见期内对缓慢变化的回波过程取得较好的外推效果,但无法准确描述迅速变化的回波过程[8]㊂近年来大量研究将深度学习的方法引入到水文气象领域,并取得显著成效[9-10]㊂Zhang 等[6]提出一种具有预测误差优化的神经网络模型NowcastNet,基于中国和美国的雷达资料开展降雨预报,显著提高了极端强降雨的预报精度㊂Ritvanen 等[11]提出一种基于卷积神经网络U-Net 的拉格朗日模型,改善了强降雨的临近预报效果㊂作为一种应用广泛的基础模型,U-Net 在临近预报领域得到推广[12]㊂Han 等[13]将U-Net 模型用于雷达回波外推,并与循环神经网络的TrajGRU 和交叉相关法的预报结果进行对比,表明U-Net 模型在时空序列预测问题的适用性㊂预报降雨的重要用途之一是作为水文模型的输入进行洪水预报[14-15]㊂Heuvelink 等[16]使用确定性和概率性方法进行降雨预报,并将结果作为WALRUS 水文模型的输入进行流量预报,在小流域取得较好的预报效果;Nguyen 等[17]将雷达回波外推和数值模式天气预报结合,提高了降雨预报精度,并指出降雨预报与分布式水文模型结合使用的优势;包红军等[18]构建了临近降雨集合预报的中小河流洪水预报模型,延长了洪水预报的预见期㊂但目前使用深度学习的方式开展雷达降雨临近预报,从而进行洪水预报的精度还有待提高,尤其是在半干旱半湿润地区的小流域㊂U-Net 结构简单,可根据目标灵活调整和添加模块,为实现更加精确的雷达降雨临近预报和洪水预报提供了更多可能㊂因此,本研究采用深度学习的U-Net,并尝试使用嵌入注意力门的Attention-Unet(简写为Att-674㊀水科学进展第34卷㊀Unet)和添加转换器的多级注意力TransAtt-Unet进行柳林实验流域典型降雨过程的1h和2h预见期雷达回波外推,利用动态雷达反射率因子和降雨强度关系计算外推回波对应的逐小时降雨,作为半分布式水文模型HEC-HMS的输入进行洪水预报,对比分析预报降雨与雨量站实测降雨模拟的洪水精度差异,探讨基于深度学习的雷达降雨临近预报在小流域洪水预报中的适用性㊂1㊀研究区域与数据1.1㊀流域概况选择河北省邢台市内丘县柳林实验流域为研究区㊂如图1所示,流域出口位于114ʎ21ᶄE㊁37ʎ17ᶄN,布设有柳林水文站进行水位和流量观测㊂流域面积为57.4km2,主河道长13.2km,流域坡度为30.9ɢ㊂地处半干旱半湿润气候区,季节变化分明,径流的年内和年际分配不均,降雨多发生在6 9月,多年平均降水量为594.5mm,多年平均径流深为80.7mm㊂雷达资料来源于中国新一代多普勒天气雷达监测网河北省石家庄市的Z9311站㊂雷达位于114ʎ42ᶄ50ᵡE㊁38ʎ21ᶄ00ᵡN,采用VP21体扫模式,扫描半径为230km,时间分辨率为6min,能够完成9个不同仰角的扫描㊂柳林实验流域在距离雷达120km范围内,可保证雷达回波数据的质量㊂图1㊀柳林实验流域位置和雷达监测范围Fig.1Location of Liulin experimental watershed and radar monitoring range1.2㊀雷达数据预处理将2018 2020年降雨时段的雷达基数据,经过编码转换㊁杂波抑制㊁衰减订正㊁地物遮挡订正㊁坐标转换后,形成反射率混合扫描数据图,用于深度学习模型的训练㊂由于柳林实验流域面积较小,将回波图裁剪至流域周围128行128列的范围(113ʎ36ᶄ36ᵡE㊁37ʎ30ᶄ36ᵡN到114ʎ53ᶄ24ᵡE㊁36ʎ47ᶄ24ᵡN)㊂以训练集中20180521场次降雨为例,图2为经过预处理与未处理回波对比图,经过质量控制后的回波剔除了杂波干扰并显著减少波束遮挡,具有较高的可靠性㊂训练集和验证集共包含20000帧回波图,按照8ʒ2的比例划分进行模型训练和验证㊂测试集选取2012年㊁2016年和2021年的4场典型降雨过程对应的雷达数据㊂1.3㊀典型降雨洪水过程降雨洪水资料来源于河北省邢台水文勘测研究中心㊂洪水资料为柳林水文站汛期实测逐小时流量数据,㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报675㊀图2㊀20180521场次降雨未处理与预处理后回波对比Fig.2Comparison of unprocessed and preprocessed echoes of20180521case暴雨资料为流域内菩萨岭㊁神头㊁任庄㊁安上和柳林5个雨量站汛期逐小时雨量,筛选出与雷达回波时段对应的典型降雨洪水过程对降雨和洪水预报精度进行评价㊂降雨洪水信息如表1所示㊂由于20211006场次降雨过程在汛期后发生,柳林水文站未对其洪水过程进行观测㊂表1㊀典型降雨洪水过程信息Table1Information of typical rainfall and flood processes降水场次降水量/mm最大小时雨量/mm降雨时长/h洪水径流深/mm洪峰流量/(m3㊃s-1) 2012072675.958.45 5.147.020160719251.942.718129.2368.020210721149.426.92929.993.32021100625.58.25//2㊀研究方法2.1㊀雷达回波外推的深度学习模型2.1.1㊀U-NetU-Net网络由4层编码器-解码器组成,是一种卷积神经网络㊂如图3(a)所示,网络的左边是编码器,应用最大池化和双重卷积来减小图像大小和加倍特征映射的数量㊂编码器之后的右侧为解码器,通过双线性插值进行上采样操作,使特征图大小增加1倍㊂每层编码器和解码器之间通过1个跳跃连接保存来自较浅层的细尺度信息㊂完成上述采样操作之后,模型通过一个1ˑ1的卷积,输出代表网络预测值的单个特征图㊂2.1.2㊀Att-UnetAtt-Unet(图3(a))在U-Net的解码器前添加注意力门,以此过滤跳跃连接传播的特征,再将编码器的特征与解码器中相应的特征进行拼接,有效抑制无关区域的激活,减少编码器中无关信息的跳跃连接,达到改善预测效果的目的[19]㊂本研究将Att-Unet模型调整为时间序列预测模型进行回波外推㊂676㊀水科学进展第34卷㊀图3㊀U-Net㊁Att-Unet㊁TransAtt-Unet和TSA㊁GSA模块结构Fig.3Structure of U-Net,Attention-Unet,TransAtt-Unet,TSA and GSA modules2.1.3㊀TransAtt-UnetTransAtt-Unet将多层次引导注意和多尺度跳跃连接联合嵌入U-Net,如图3(b)㊂将变换器自注意力(TSA)和全局空间注意力(GSA)嵌入到网络中,同时在解码器中使用多尺度跳跃连接来聚合不同语义尺度的特征,从而有效减少卷积层叠加和连续采样操作造成的细节损失㊂如图3(c)和图3(d)所示,TSA将特征嵌入到Q㊁K㊁V3个矩阵中,在Q和K的转置之间采用Softmax函数进行归一化运算,形成注意力图,再与V 矩阵相乘得到注意力权重㊂GSA对特征进行卷积转置映射为W㊁M㊁N,对M㊁N采用Softmax函数进行归一化运算得到位置注意力信息,再与W相乘得到位置特征㊂在解码器部分采用残差多尺度跳跃连接的方式[20],输入特征图通过双线性插值向上采样到输出的分辨率,然后与输出特征图进行级联,作为后续块的输入㊂2.2㊀深度学习模型训练1h外推数据集取前1h间隔6min共10帧回波图(反射率因子),预测后1h共10帧回波图(2h外推为前20帧预测后20帧)㊂深度学习模型基于Pytorch环境,初始学习率设置为0.001,批处理大小设置为8,损失函数采用均方根误差(E MS)[13],在NVIDIA Geforce RTX3050上采用Adam优化器训练200个轮次㊂当损失函数在4个周期内没有增加时,学习率调节器将学习率自动减小10%㊂采用二元评价指标命中率(Proba-bility of detection,D PO)㊁虚警率(False alarm ratio,R FA)㊁临界成功指数(Critical success index,I CS)和准确率(Accuracy,A)进行雷达回波外推精度的评价[21]㊂2.3㊀雷达降雨临近预报多普勒天气雷达采用Z R关系描述雷达反射率因子(Z)和降雨强度(R)的幂指数关系[22]㊂中国的多普勒雷达普遍采用Z=aR b(a=300,b=1.4)进行降雨定量估计,但仅适用于平均情况㊂基于实测资料动态调整的Z R关系,可以实现更加精确的降雨估计[23]㊂殷志远等[24]采用4种不同的Z R关系开展雷达降雨定量估计,并将结果用于水文模拟,表明动态Z R关系的降雨定量估计精度最高,洪水模拟效果最好㊂动态Z R关系建立在逐小时快速更新资料的基础上,通过动态调节参数a和b,使逐小时雷达估测降雨与对应㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报677㊀的雨量站观测降雨的最优判别函数δ达到最小[23],从而确定适用于逐小时雷达定量降雨估计的多组Z R关系参数㊂为保证参数a和b的取值合理,限定a和b数值调节范围分别为[150.00,400.00]㊁[0.80, 2.40],调整间隔分别为10和0.05㊂经过上述步骤最终确定出每场降雨过程的动态Z R关系参数如图4所示㊂采用相关系数(Correlation coefficient,C C)㊁平均偏差(Mean bias,B M)和平均绝对误差(Mean absolute error,E MA)进行降雨预报精度评价[14]㊂图4㊀动态Z R关系参数Fig.4Parameters of dynamic Z R relationship2.4㊀水文模型李建柱等[25]研究了地形数据源和分辨率对柳林实验流域洪水模拟精度的影响,结果表明,基于无人机三维倾斜摄影构建的1m分辨率DEM能反映流域真实地形的变化,在此基础上构建的HEC-HMS模型能较好地模拟流域洪水过程㊂本研究采用作者基于无人机三维倾斜摄影构建的1m分辨率HEC-HMS模型,将雷达降雨临近预报结果作为HEC-HMS水文模型的输入,进行柳林实验流域洪水预报㊂采用洪峰流量相对误差(E RP)㊁径流量相对误差(E RV)㊁峰现时差(ΔT)和纳什效率系数(E NS)进行洪水预报精度评价[25]㊂3㊀结果及分析3.1㊀回波外推结果分析以反射率20dBZ和30dBZ为阈值计算二元评价指标㊂1h回波外推评价结果见表2,Att-Unet对20120726场次降雨的回波外推效果相对较好,注意力门加强了Att-Unet对强回波的识别和外推效果,同时抑制弱回波或杂波产生的干扰,但对弱回波或中等回波的外推效果较差;TransAtt-Unet采用的多尺度跳跃连接和注意力机制使模型能综合不同尺度的图像特征,提高模型精度和稳定性,因此,该模型对于持续时间较长㊁降雨过程变化丰富的20160719场次回波过程取得了较好的外推效果;20210721和20211006场次降雨的过程回波总体偏弱,各模型的1h预见期回波外推精度差异并不显著㊂2h回波外推评价结果见表3,U-Net 模型对30dBZ阈值的回波外推效果优于其他模型,其原因是雷达回波外推需要预测每个像素的精确值;Att-Unet和TransAtt-Unet所采用的注意力门或者多尺度跳跃连接结构仅增强局部特征的学习,而忽略随时间动态变化的信息,因此导致预测时效性的不足㊂U-Net模型尽管结构简单,但以往研究表明其在时间序列预测中具有一定适用性[26],对不同等级回波信息具有一定的泛化能力[27],因此,尽管U-Net的1h预见期回波外推效果略差于添加注意力机制的模型,但能在更长预见期的回波外推中保持相对较好的效果㊂总体来看, 3种模型对中等强度回波外推效果均好于强回波,1h预见期回波外推效果好于2h预见期㊂国内外研究主要依靠天气雷达外推实现1h预见期降雨预报[5]㊂与传统的雷达外推方法相比,深度学习678㊀水科学进展第34卷㊀对回波和降水的演变趋势具有更好的预报效果,更适用于剧烈变化的降雨过程[28]㊂曹伟华等[29]使用基于U-Net网络搭建的RainNet模型开展雷达降雨临近预报,并与交叉相关的外推结果进行对比,指出了深度学习模型对降雨消亡过程的时空演变趋势和强度变化范围具有更好的预报效果,而交叉相关法更适合于稳定降雨的预报㊂本研究预报的4场典型降雨过程,除20211006场次持续时间短㊁降雨强度较小外,其余场次降雨过程变化较为剧烈,回波过程变化较为迅速,因此,采用深度学习的方法进行雷达降雨临近预报更为合适㊂表2㊀1h回波外推结果评价指标值Table2Evaluation index value of1h echo extrapolation results降雨场次模型D PO R FA I CS A20dBZ30dBZ20dBZ30dBZ20dBZ30dBZ20dBZ30dBZ20120726U-Net0.830.370.070.190.780.330.820.56 Att-Unet0.820.520.120.170.760.440.800.65 TransAtt-Unet0.750.350.060.170.720.340.770.5820160719U-Net0.710.370.140.440.610.210.610.31 Att-Unet0.790.460.150.450.680.240.690.33 TransAtt-Unet0.870.470.140.490.750.240.750.3120210721U-Net0.740.420.140.210.670.360.810.71 Att-Unet0.700.490.260.440.540.280.640.51 TransAtt-Unet0.720.520.260.460.550.290.650.5320211006U-Net0.450.240.560.760.190.090.740.64 Att-Unet0.440.210.550.790.240.080.750.61 TransAtt-Unet0.430.280.560.720.210.090.690.63表3㊀2h回波外推结果评价指标值Table3Evaluation index value of2h echo extrapolation results降雨场次模型D PO R FA I CS A20dBZ30dBZ20dBZ30dBZ20dBZ30dBZ20dBZ30dBZ20120726U-Net0.660.370.140.160.600.350.640.63 Att-Unet0.620.180.140.170.590.180.650.48 TransAtt-Unet0.660.200.110.130.590.200.630.5120160719U-Net0.590.200.420.630.380.120.430.47 Att-Unet0.480.120.440.640.310.070.370.47 TransAtt-Unet0.570.150.360.600.410.100.420.4820210721U-Net0.690.480.140.330.620.330.770.62 Att-Unet0.600.360.250.390.460.220.590.51 TransAtt-Unet0.650.380.290.460.480.220.570.4820211006U-Net0.500.170.480.770.320.080.670.58 Att-Unet0.420.180.670.810.210.020.600.54 TransAtt-Unet0.410.170.610.800.200.040.640.52㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报679㊀3.2㊀降雨预报精度分析利用动态Z R关系计算各降雨场次真实回波和外推回波的逐小时降雨,精度和相关性评价指标见表4㊂20160719㊁20210721和20211006场次真实回波的反演降雨与实际降雨有较高的相关性,但20120726场次真实回波反演降雨与实际降雨的相关性较弱,但该场次回波外推取得较高的技能评分,其原因可能是2012年Z9311雷达为单偏振雷达,所采集的原始回波数据存在一定的数值和发生时间的系统误差,且该场降雨过程变化迅速,导致预报降雨与实际产生误差㊂TransAtt-Unet对20160719和20210721场次降雨在1h预见期内具有较小的误差,Att-Unet在20160719场次降雨的预报中具有最高的相关性㊂3种模型对20211006场次降雨预报效果差别并不显著,其原因是该场降雨强度较小,深度学习模型对此类降雨预报性能较接近㊂在2h 预见期降雨预报中,U-Net模型的降雨预报效果优于其他模型,这与雷达回波外推结果相对应,表明了U-Net在较长预见期降雨预报中的适用性㊂表4㊀降雨相关性评价指标值Table4Rainfall correlation evaluation index value降雨场次模型E MA/mm C C B M/mm1h2h1h2h1h2h20120726U-Net22.5722.49-0.28-0.41-1.96-2.32 Att-Unet23.9921.28-0.22-0.32-0.66-3.08 TransAtt-Unet24.2022.66-0.28-0.32-1.76-2.66真实回波14.780.31 2.9320160719U-Net8.868.840.480.420.22-6.21 Att-Unet8.7010.710.590.170.25-7.05 TransAtt-Unet7.8810.520.580.13-0.74-6.77真实回波 6.020.77-0.0620210721U-Net 4.57 4.780.520.380.31-1.90 Att-Unet 4.85 5.580.320.19-0.93-1.31 TransAtt-Unet 4.40 5.650.470.21-0.22-1.29真实回波 3.090.67-0.4120211006U-Net 2.81 2.650.840.61-2.81-2.39 Att-Unet 2.61 2.790.790.63-2.61-2.79 TransAtt-Unet 2.48 2.620.820.65-2.48-2.62真实回波 1.670.88-1.67㊀㊀预报降雨过程如图5所示㊂3种模型在1h预见期时,预报的20120726场次降雨峰值与实际较为一致,但出现1h时差;对20160719和20210721场次降雨过程预报结果出现部分异常值,这与回波外推过程较大的虚警率有关,但总体上能反映降雨过程变化和雨强峰值;20211006场次降雨则存在少量低估,但能预报出该场降雨峰值出现的时间,这与动态Z R算法对较弱降雨的系统性低估有关㊂2h预见期降雨可以一定程度预报降雨过程的变化,但对各场降雨的峰值存在显著低估㊂目前,小流域降雨临近预报效果普遍较差㊂Heuvelink等[16]采用拉格朗日持续性方法在一个40km2的680㊀水科学进展第34卷㊀流域上对一场强降雨进行预报,产生了50%相对误差,发现面积越小的流域对过程变化迅速的降雨越容易产生误报;石毅[30]采用Farneback光流法和ConvLSTM在柳林实验流域进行降雨预报,结果表明光流法对回波演变的敏感性相对较低,ConvLSTM对强回波存在显著的均化趋势,导致1h预见期强降雨存在严重的低估㊂本研究采用的深度学习方法,在1h预见期内对不同类型的降雨均取得相对较好的回波外推效果,且能较准确的预报出强降雨峰值和变化过程,尽管2h预见期的预报精度相对较差,但能预报出降雨变化过程㊂预报结果存在的误差与定量降雨估计方法的系统误差和小流域上有限的雷达回波信息相关㊂动态Z R关系在定量降雨估计中具有相对较高的精度,但在降雨预报的业务化应用中仍然具有优化的空间,如Mihulet等[31]使用机器学习的方法改善了定量降雨估计的效果㊂另外,由于流域面积较小,随着预见期的延长降雨发生的实际位置也许出现在雷达图之外,使得深度学习的方法对剧烈变化的降雨产生较大的误差,Heuvelink等[16]也指出面积越小的流域对降雨发生的位置敏感性越高㊂图5㊀预报逐小时降雨过程Fig.5Forecasted hourly rainfall process3.3㊀洪水预报精度分析表5为洪水预报精度评价结果㊂3场实测降雨模拟的洪峰流量均小于实测洪峰流量,但E NS均达到了0.7以上㊂预报降雨模拟的20120726和20210721场次峰量较小的洪水,E NS均小于0.3,但20120726场次洪水1h预见期径流量相对误差小于20%,20210721场次洪水的洪峰流量预报效果也好于实测降雨模拟结果㊂对于20160719场次峰量较大的洪水,1h预见期预报的洪水E NS均能达到0.7以上且预报洪峰流量相对误差均小于20%,满足预报的精度要求㊂2h预见期洪水预报效果显著变差,洪峰流量和径流量的预报也存在较大误差㊂1h预见期时,TransAtt-Unet对于3场洪水的预报洪峰流量和径流量相对误差均小于20%,且20160719场次洪水E NS达0.78;Att-Unet则较准确地预报出20210721场次洪水的洪峰流量,相对误差仅为-0.9%㊂由于2h预见期预报的降水量存在显著低估,使得预报洪峰流量显著小于实测值,但U-Net模型对3场洪水预报的E NS为3个深度学习模型的最优值,且预报的20160719场次洪水E NS达0.52㊂㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报681㊀表5㊀洪水预报精度评价结果Table5Accuracy evaluation of forecasted floods洪水场次模型预见期Q S/(m3㊃s-1)E RP/%V S/mm E RV/%ΔT/h E NS20120726U-Net1h31.3-33.4 4.4-13.610.23 2h19.2-59.2 4.7-8.010.16Att-Unet1h40.3-24.5 5.68.810.06 2h17.8-62.1 3.9-43.630.08TransAtt-Unet1h38.0-19.2 5.3 2.210.23 2h19.0-59.6 4.3-17.110.15实测降雨模拟36.7-21.97.0537.200.7220160719U-Net1h372.4 1.2162.525.810.76 2h198.4-46.189.3-30.930.52Att-Unet1h407.310.7165.928.410.77 2h185.3-49.779.3-38.640.34TransAtt-Unet1h354.9-3.6154.819.910.78 2h191.3-48.183.9-35.030.37实测降雨模拟343.3-6.7167.729.810.8320210721U-Net1h123.232.033.010.400.25 2h32.3-65.47.7-74.300.14Att-Unet1h92.5-0.917.9-40.110.04 2h41.6-55.411.6-61.31-0.09TransAtt-Unet1h101.08.325.7-14.000.19 2h57.0-38.912.8-57.210.02实测降雨模拟76.2-18.327.7-7.300.79㊀㊀预报洪水过程线如图6所示㊂3种模型1h预见期洪水变化过程与实际较为一致,预报的20120726场次洪水峰现时间和洪水涨落时间较实际滞后1h;20160719场次预报洪水与实测降雨模拟的峰现时间均较实际滞后1h,预报洪峰与实际较为接近,但径流量存在一定的高估;对于20210721场次洪水预报,U-Net预报的洪峰流量较实际偏大,Att-Unet预报的峰现时间较实际滞后1h,TransAtt-Unet的预报结果与实际更为接近,3种模型均能预报出该场洪水的涨落过程㊂深度学习的方法对于剧烈变化的降雨引发的洪水,1h预见期的预报洪水E NS较低,但能较好地预报出洪水的变化过程和洪峰流量,对量级较大的洪水能取得较高的E NS,且能在准确预报洪水变化过程的基础上,较准确地预报出洪峰流量㊁径流量和峰现时间㊂2h预见期降雨虽然可以预报出洪峰形成过程,但对洪峰流量和径流量存在显著低估㊂糜佳伟等[32]在梅溪流域(面积约956km2)进行降雨预报和洪水预报,指出1h预见期降雨预报结果能满足中小流域洪水预报需求㊂本研究在降雨径流响应时间更快的柳林实验流域进行洪水预报,尽管预报洪水E NS较小,但能在1h预见期对不同类型降雨引发的洪水取得较为准确的洪峰流量和径流量预报效果,预报的20160719场次大洪水的洪峰流量和径流量相对误差小于实测降雨模拟洪水结果,因此,1h预见期洪水预报效果具有一定的准确性,为流域的防洪减灾工作争取了更长的时间㊂未来可在更多流域开展雷达降雨临近预报和洪水预报研究,以验证本文采用的深度学习方法在其他流域的适用性㊂682㊀水科学进展第34卷㊀图6㊀模拟和预报洪水过程线Fig.6Simulated and forecasted flood hydrographs4㊀结㊀㊀论采用深度学习的U-Net㊁Att-Unet和TransAtt-Unet进行雷达回波外推,通过动态雷达反射率因子和降雨强度关系实现雷达降雨临近预报,将降雨预报的结果输入HEC-HMS水文模型对柳林实验流域典型洪水过程进行预报,得到以下主要结论:(1)1h预见期时Att-Unet对强回波过程外推效果较好,TransAtt-Unet对变化更丰富的回波过程外推效果较好;2h预见期时U-Net外推效果更稳定㊂(2)深度学习模型在1h预见期对短时强降雨存在时间上的误差,对持续时间较长的降雨存在少量预报异常值,但均能较准确地预报降雨强度和过程;2h预见期降雨存在显著低估和较大误差㊂(3)3种模型的1h预见期预报的洪水能反映实际变化过程,TransAtt-Unet预报的洪峰流量和径流量误差更小,Att-Unet能对部分场次洪水取得较准确的洪峰预报效果㊂U-Net在2h预见期洪水预报效果精度最高㊂参考文献:[1]雍斌,张建云,王国庆.黄河源区水文预报的关键科学问题[J].水科学进展,2023,34(2):159-171.(YONG B, ZHANG J Y,WANG G Q.Key scientific issues of hydrological forecast in the headwater area of Yellow River[J].Advances in Water Science,2023,34(2):159-171.(in Chinese))[2]金君良,舒章康,陈敏,等.基于数值天气预报产品的气象水文耦合径流预报[J].水科学进展,2019,30(3):316-325.(JIN J L,SHU Z K,CHEN M,et al.Meteo-hydrological coupled runoff forecasting based on numerical weather prediction products[J].Advances in Water Science,2019,30(3):316-325.(in Chinese))[3]IMHOFF R O,BRAUER C C,van HEERINGEN K J,et rge-sample evaluation of radar rainfall nowcasting for flood early warning[J].Water Resources Research,2022,58(3):e2021WR031591.[4]IMHOFF R O,de CRUZ L,DEWETTINCK W,et al.Scale-dependent blending of ensemble rainfall nowcasts and numerical weather prediction in the open-source pysteps library[J].Quarterly Journal of the Royal Meteorological Society,2023,149(753):㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报683㊀1335-1364.[5]刘佳,邱庆泰,李传哲,等.降水临近预报及其在水文预报中的应用研究进展[J].水科学进展,2020,31(1):129-142.(LIU J,QIU Q T,LI C Z,et al.Advances of precipitation nowcasting and its application in hydrological forecasting[J]. Advances in Water Science,2020,31(1):129-142.(in Chinese))[6]ZHANG Y C,LONG M S,CHEN K Y,et al.Skilful nowcasting of extreme precipitation with NowcastNet[J].Nature,2023, 619(7970):526-532.[7]SOKOL Z,SZTURC J,ORELLANA-ALVEAR J,et al.The role of weather radar in rainfall estimation and its application in mete-orological and hydrological modelling:a review[J].Remote Sensing,2021,13(3):351.[8]HAN L,ZHAO Y Y,CHEN H N,et al.Advancing radar nowcasting through deep transfer learning[J].IEEE Transactions on Geoscience and Remote Sensing,2022,60:1-9.[9]BI K F,XIE L X,ZHANG H H,et al.Accurate medium-range global weather forecasting with3D neural networks[J].Nature, 2023,619(7970):533-538.[10]李步,田富强,李钰坤,等.融合气象要素时空特征的深度学习水文模型[J].水科学进展,2022,33(6):904-913.(LI B,TIAN F Q,LI Y K,et al.Development of a spatiotemporal deep-learning-based hydrological model[J].Advances in Water Science,2022,33(6):904-913.(in Chinese))[11]RITVANEN J,HARNIST B,ALDANA M,et al.Advection-free convolutional neural network for convective rainfall nowcasting[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2023,16:1654-1667. [12]AYZEL G,SCHEFFER T,HEISTERMANN M.RainNet v1.0:a convolutional neural network for radar-based precipitation now-casting[J].Geoscientific Model Development,2020,13(6):2631-2644.[13]HAN L,LIANG H,CHEN H N,et al.Convective precipitation nowcasting using U-net model[J].IEEE Transactions on Geo-science and Remote Sensing,2022,60:1-8.[14]熊立华,刘成凯,陈石磊,等.遥感降水资料后处理研究综述[J].水科学进展,2021,32(4):627-637.(XIONG LH,LIU C K,CHEN S L,et al.Review of post-processing research for remote-sensing precipitation products[J].Advances in Water Science,2021,32(4):627-637.(in Chinese))[15]刘家宏,梅超,刘宏伟,等.特大城市外洪内涝灾害链联防联控关键科学技术问题[J].水科学进展,2023,34(2):172-181.(LIU J H,MEI C,LIU H W,et al.Key scientific and technological issues of joint prevention and control of river flood and urban waterlogging disaster chain in megacities[J].Advances in Water Science,2023,34(2):172-181.(in Chi-nese))[16]HEUVELINK D,BERENGUER M,BRAUER C C,et al.Hydrological application of radar rainfall nowcasting in the Netherlands[J].Environment International,2020,136:105431.[17]NGUYEN H M,BAE D H.An approach for improving the capability of a coupled meteorological and hydrological model for rain-fall and flood forecasts[J].Journal of Hydrology,2019,577:124014.[18]包红军,曹勇,曹爽,等.基于短时临近降水集合预报的中小河流洪水预报研究[J].河海大学学报(自然科学版),2021,49(3):197-203.(BAO H J,CAO Y,CAO S,et al.Flood forecasting of small and medium-sized rivers based on short-term nowcasting and ensemble precipitation forecasts[J].Journal of Hohai University(Natural Sciences),2021,49(3): 197-203.(in Chinese))[19]GAO Y B,GUAN J P,ZHANG F H,et al.Attention-unet-based near-real-time precipitation estimation from Fengyun-4A satel-lite imageries[J].Remote Sensing,2022,14(12):2925.[20]FANG J,YANG C,SHI Y T,et al.External attention based TransUNet and label expansion strategy for crack detection[J].IEEE Transactions on Intelligent Transportation Systems,2022,23(10):19054-19063.[21]TREBING K,STA CZYK T,MEHRKANOON S.SmaAt-UNet:precipitation nowcasting using a small attention-UNet architec-ture[J].Pattern Recognition Letters,2021,145:178-186.[22]ZOU H B,WU S S,TIAN M X.Radar quantitative precipitation estimation based on the gated recurrent unit neural network andecho-top data[J].Advances in Atmospheric Sciences,2023,40(6):1043-1057.[23]GOU Y B,CHEN H N,CHANDRASEKAR V.A dynamic approach to quantitative precipitation estimation using multiradar mul-tigauge network[J].IEEE Transactions on Geoscience and Remote Sensing,2020,58(9):6376-6390.。
机器学习模型在岩溶地区水文预报中的适用性分析
ｈｔｔｐ：／／ｗｗｗ．ｒｅｎｍｉｎｚｈｕｊｉａｎｇ．ｃｎＤＯＩ：１０ ３９６９／ｊ ｉｓｓｎ １００１ ９２３５ ２０２４ ０３ ００７第４５卷第３期人民珠江 ２０２４年３月 ＰＥＡＲＬＲＩＶＥＲ基金项目：国家自然科学基金（９１８４７３０１、９２０４７２０３、４２０７５１９１、５２００９０８０、４２１７５１７７）；蒙开个地区河库连通工程梯级泵站运行调度研究科技项目（ＭＫＧ〔２０２１〕 ＫＹＫＴ ０１）；中央级公益性科研院所基本科研业务费专项资金（Ｙ５２１０１１、Ｙ５２１０１３）收稿日期：２０２３－０７－１９作者简介：赵泽锦（１９７５—），男，本科，高级工程师，主要从事水文水资源研究。
Ｅ－ｍａｉｌ：ｚｈａｏｚｅｊｉｎ７７００＠１６３．ｃｏｍ通信作者：张轩（１９９６—），男，硕士，工程师，主要从事水文物理规律模拟及水文预报研究。
Ｅ－ｍａｉｌ：ｘｚｈａｎｇ＠ｎｈｒｉ．ｃｎ赵泽锦，孙伟，周斌，等．机器学习模型在岩溶地区水文预报中的适用性分析［Ｊ］．人民珠江，２０２４，４５（３）：５９－６８．机器学习模型在岩溶地区水文预报中的适用性分析赵泽锦１，孙 伟２，周 斌１，张 轩３，王高旭３，吴 巍３，李文杰１，姚 业１（１．红河州南源供水有限公司，云南 蒙自 ６５１４００；２．南京瑞迪水利信息科技有限公司，江苏 南京 ２１００２９；３．南京水利科学研究院水文水资源与水利工程科学国家重点实验室，江苏 南京 ２１００２９）摘要：现有岩溶地区的水文预报主要采用基于物理机制的水文模型，而机器学习模型的应用较为罕见。
为了探索机器学习模型在岩溶地区水文预报的适用性，以云南省沙甸河流域为研究区，采用了ＬＳＴＭ模型与随机森林模型对倘甸水文站的逐日径流量与场次洪水进行了模拟，并以针对岩溶地区的改进型新安江模型做参照。
研究表明：机器学习模型与改进型新安江模型在日径流过程模拟方面都取得较好的效果，ＬＳＴＭ模型模拟效果更优；场次洪水模拟方面，改进型新安江模型达到了甲级预报精度，机器学习模型６ｈ预见期预报结果整体优于改进型新安江模型，但２４ｈ预见期的预报结果不能满足预报业务的精度需求。
利用深度学习算法的模拟智能水文灾害预测模型研究
利用深度学习算法的模拟智能水文灾害预测模型研究近年来，由于人口的不断增长和城市化的不断推进，水文灾害成为了一个十分严重的问题。
而如何在事先预测、减小灾害带来的影响，是让人们十分关心的问题。
传统的水文预测模型对于各种气候条件的适应性不强，预报准确度也不够高。
因此，研究和应用更为先进的水文预测技术显得十分重要。
随着深度学习算法的兴起，深度学习模型也开始进入了水文预测领域。
本文将探讨利用深度学习算法的模拟智能水文灾害预测模型研究。
一、深度学习算法的优势和应用深度学习算法是近年来神经网络领域中的一大热门研究领域。
与传统的神经网络相比，深度学习算法具有更强的学习能力和适应性。
它可以实现端到端的学习和训练，提高了模型的泛化能力，从而可以更加准确地预测未来的水文情况。
深度学习算法的应用领域非常广泛，比如语音识别、图片分类、自然语言处理等等。
它可以处理大规模的数据，高效地完成模式识别任务。
在水文预测领域，深度学习算法也逐渐受到了关注。
利用深度学习算法来进行水文预测研究，不仅可以提高模型预测准确率，还可以提高预测速度和效率。
二、深度学习模型在水文预测中的应用优势深度学习模型在水文预测中的应用主要体现在以下几个方面：（1）适应性强：深度学习算法可以学习并提取出数据中的复杂特征关系。
这种特点使深度学习模型可以适应不同的数据类型和不同的环境条件。
通过学习历史的气象水文数据，深度学习模型可以准确预测未来的水文情况。
（2）预测准确率高：相比传统的水文预测模型，深度学习模型在预测准确率上具有更高的优势。
深度学习模型可以利用大量的数据进行训练，并且可以对数据中的误差做出自动的修正。
这样，深度学习模型可以更加准确地预测未来的水文情况。
（3）模型泛化能力强：深度学习模型可以通过学习数据中的特征，提高模型的泛化能力。
这使得深度学习模型可以在不同的环境下进行预测，提高了其在实际应用中的使用价值。
三、深度学习模型在水文预测中的研究现状深度学习模型在水文预测中的应用还处于初级阶段，但在近年来已经有了一些重要的进展。
水利水电工程中基于深度学习的水位预测算法研究
水利水电工程中基于深度学习的水位预测算法研究随着经济的发展和社会的进步，水利水电工程在我国经济建设中的地位日益重要。
而水位预测作为水利水电工程的重要组成部分，其准确性直接关系到工程的安全性和经济效益。
然而，水位预测的准确性一直是水利水电工程实践中较为困难的问题之一。
传统的水位预测方法通常基于经验公式或物理模型，但这些方法需要大量的先验知识和实验数据，且其精确度和稳定性在很大程度上依赖于经验和实验分析的准确性。
而随着深度学习技术的发展，基于深度学习的水位预测算法逐渐成为一种新的解决方法，其能够通过自动学习神经网络中的“知识”来预测水位，有效解决了传统方法所存在的一些问题。
深度学习技术中最为基础的是神经网络。
在水位预测问题中，神经网络的输入层通常包含一到多个实时监测数据，如水位高度、流量、降雨量等。
随着网络的深入学习，神经网络的隐层中逐渐提取出相关的特征，并最终输出预测结果。
基于深度学习的水位预测算法通常可以分为两类，一类是基于时间序列的预测方法（如LSTM），另一类是基于机器学习的半监督方法（如GAN）。
时间序列的预测方法通常要求输入数据具有一定时序性质，比如一定时间段内的水位记录。
这种方法基于基础的RNN（循环神经网络）和其改进品LSTM（长短时记忆网络），通过捕捉输入数据和时序信息之间的内在关系，实现准确预测目标数据的目的。
半监督的机器学习方法通常依托于GAN（生成式对抗网络）和VAE（变分自编码器）等深度学习技术，通过无监督学习的方式预测目标数据。
由于每个水利水电工程的情况不同，基于深度学习的水位预测算法需要根据具体需求对应用场景进行优化和改进，实现最优的结果。
浅层的神经网络只能对简单的复杂关系进行建模，难以处理具有深层次复杂关系的数据。
而深度学习技术则更为适合处理这种类型的数据。
当然，深度学习技术并不能解决所有水位预测的难题。
由于深度学习基于大量数据训练的特性，其对于缺乏数据的工程项目并不适用。
《基于深度学习的中长期径流预测研究》
《基于深度学习的中长期径流预测研究》篇一一、引言径流预测是水资源管理、防洪抗旱、水力发电等众多领域的重要研究课题。
随着深度学习技术的快速发展，其在中长期径流预测中的应用逐渐受到广泛关注。
本文旨在探讨基于深度学习的中长期径流预测研究，以期为相关领域提供有益的参考。
二、研究背景及意义径流预测是指根据历史气象、水文、地形等因素，预测未来一段时间内河流的流量变化。
中长期径流预测对于水资源规划、水库调度、防洪抗旱等方面具有重要意义。
传统的径流预测方法主要依赖于物理模型和统计模型，然而这些方法往往需要大量的参数调整和假设，且对于复杂多变的气候条件适应性较差。
因此，寻找一种更加准确、高效的径流预测方法显得尤为重要。
深度学习作为一种新兴的人工智能技术，具有强大的特征提取和学习能力。
将深度学习应用于中长期径流预测，可以提高预测精度，为水资源管理和防洪抗旱等提供有力支持。
因此，基于深度学习的中长期径流预测研究具有重要的理论和实践意义。
三、研究方法本研究采用深度学习中的循环神经网络（RNN）和长短期记忆网络（LSTM）进行中长期径流预测。
具体步骤如下：1. 数据收集与预处理：收集历史气象、水文、地形等数据，进行数据清洗、格式转换等预处理工作。
2. 模型构建：构建基于RNN和LSTM的深度学习模型，设置合适的网络结构、参数等。
3. 模型训练与优化：使用历史数据进行模型训练，通过调整网络结构、参数等优化模型性能。
4. 预测与评估：使用训练好的模型进行中长期径流预测，并采用合适的评估指标对预测结果进行评估。
四、实验结果与分析1. 数据集与实验环境本研究采用某地区的历史气象、水文、地形等数据作为实验数据集。
实验环境为高性能计算机集群，采用深度学习框架进行模型构建和训练。
2. 模型性能评估本研究采用均方误差（MSE）、平均绝对误差（MAE）等指标对模型性能进行评估。
实验结果表明，基于深度学习的中长期径流预测模型具有较高的预测精度和稳定性。
《水科学进展》第34_卷(2023_年)_总目次
水科学进展第34卷(2023年)总目次第1期论㊀㊀著台风活动对中国沿海地区极端降水的影响高延康,赵铜铁钢,田㊀雨,杨㊀芳,郑飞飞,陈晓宏(1)…………………………………………变化环境下海河流域天然河川径流丰枯概率演变规律鲁㊀帆,江㊀明,蒋云钟,周毓彦,徐㊀扬(12)江汉平原水域空间格局时空演变特征及其驱动因素分析唱㊀彤,郦建强,郭旭宁,李云玲(21)…………………………………………………………基于变分贝叶斯深度学习的水文概率预报方法李大洋,姚㊀轶,梁忠民,周㊀艳,李彬权(33)…基于时序分解与机器学习的非平稳径流序列集成模型与应用张㊀力,王红瑞,郭琲楠,徐源浩,李㊀理,谢㊀骏(42)江河断面分级分期旱限水位(流量)确定方法严子奇,周祖昊,严登华,韦瑞深(53)……………………………………………………新入海水沙情势下的黄河口沙嘴动态响应凡姚申,窦身堂,王万战,王广州,陈沈良,姬泓宇,李㊀鹏(63)………………城镇建成区内涝和非点源污染联合风险评价方法陈㊀磊,周雪辉,余㊀宇,郭晨茜,张潇月,沈珍瑶(76)…………………………………考虑风场影响的城市建筑区产流计算方法高希超,王㊀浩,杨志勇,高㊀凯,牟亚莉(88)………………1979 2021年鄂陵湖和扎陵湖结冰日变化及主控因素分析黄文峰,李㊀瑞,李志军,张庾粟,杨文焕(102)……………………………荆江河段泥沙冲淤对三峡水库汛期排沙的响应左利钦,陆永军,王洪杨,郑㊀力,李㊀鑫(115)淹没植被和河床吸收边界对湿地污染物输移影响方浩泽,杨中华(126)………………………………………………………………………………………………缓解水温失调问题的水库生态调控策略张㊀弛,张㊀洋,吴雨娇,李㊀昱,陈㊀豪(134)……………………………窝崩区水流结构的概化水槽试验研究孙启航,夏军强,邓珊珊,周美蓉,司金华,张幸农(144)书㊀㊀评……………………………………………………………十年磨一剑㊀砺得梅花香 编制‘中国水图“有感刘昌明(157)简㊀㊀讯…………………………………………………………………………………………‘水科学进展“2022年审稿专家名单(158)第2期论㊀㊀著………………………………………………………………黄河源区水文预报的关键科学问题雍㊀斌,张建云,王国庆(159)…………特大城市外洪内涝灾害链联防联控关键科学技术问题刘家宏,梅㊀超,刘宏伟,房小怡,倪广恒,靳文波(172)……………1956 2016年中国年降水量及其年内分配演变特征杜军凯,仇亚琴,李云玲,卢㊀琼,郝春沣,刘海滢(182)基于地块概化和路网精细模拟理念的城市雨洪过程分区自适应模型㊀李东来,侯精明,申若竹,高徐军,黄绵松,马㊀越(197)……………………………………………………………………Ⅰ极端降水下的城市地表-地下空间洪涝过程模拟郭㊀元,王路瑶,陈能志,金菊香(209)…………………………………………………………………………………基于改进垂向流量交换的城市内涝模拟方法金㊀溪,周鹏飞,张翔凌,刘承宇(218)…………………海河流域典型区地下水回补适宜性评价曹文庚,文爱欣,南㊀天,王㊀哲,高媛媛,崔亚莉,孙晓悦(227)……………………………黄河三门峡水库水沙电耦合模型研究及应用夏军强,张贤梓依,王增辉,周美蓉,娄书建(238)长江下游落成洲河段洲滩联动关系与航道浅滩碍航机制……………………………………………………………㊀杨云平,张夏博,郑金海,朱玲玲,王建军,方娟娟,魏㊀稳(250)………………………………1986 2021年雅江-尼洋河交汇段辫状河道演变过程游宇驰,李志威,余国安,胡旭跃(265)……………………………………………金沙江下游区间来沙驱动因子分析及产沙预测模型谭寓宁,刘怀湘,陆永军(277)…………………………………渗流对潮沟沟壁崩塌影响的三维物理模型试验研究龚㊀政,唐㊀帅,赵㊀堃,张凯丽(290)………………………………………………冰盖下水流紊动特性试验研究陈㊀刚,董增川,王海军,顾世祥,杨红宣(299)述㊀㊀评……………………………………………高强度扰动下海岸动力地貌特征研究进展伍志元,蒋昌波,陈㊀杰,邓㊀斌(310)书㊀㊀评…………………………………………………………………………………………………‘中国水图“研读有感王㊀浩(321)简㊀㊀讯……………………………………………………………………………………‘水科学进展“2021 2022年度优秀论文(322)第3期论㊀㊀著……………………………………………………区域水平衡与健康水平衡实现路径张建云,胡庆芳,王银堂,金君良(323)基于黄河流域水资源均衡调配的南水北调西线一期工程水量配置……………………………………………………………………㊀王㊀煜,周翔南,彭少明,武㊀见,明广辉,郑小康(336) 1966 2015年长江流域水文干旱时空演变归因杨肖丽,崔周宇,任立良,吴㊀凡,袁山水,江善虎,刘㊀懿(349)………………………中国东北三省地下水储量时空变化特征及其影响因素分析王子龙,孙昌鸿,姜秋香,刘传兴,单家珣(360)基于复杂网络的珠江流域片极端降水空间特征及时间规律分析…………………………………………………………………㊀黎晓东,赵铜铁钢,郭成超,田㊀雨,杨㊀芳,陈文龙(374)……………………融合相空间重构和深度学习的径流模拟预测师鹏飞,赵酉键,徐辉荣,李振亚,杨㊀涛,冯仲恺(388)………………………………………降雨数据时空精度对城市暴雨变异性及频率分析的影响庄㊀琦,刘曙光,周正正(398)…………………………………………城市洪涝灾害应急疏散模拟及其效率-公平权衡分析阎沁琳,杜二虎,郑春苗(409)………………………永定河流域多水源配置与水库群优化调度彭安帮,牛凯杰,胡庆芳,王银堂,张㊀蕊,蒋文航(418)洞庭湖入汇对荆江河段水位的顶托程度与范围尚海鑫,胡春宏,夏军强,周美蓉(431)…………………………………………………………………………………………复杂边界作用下三峡水库泥沙淤积特征与趋势杨春瑞,邓金运,陈㊀立(442)Ⅱ基于离散裂隙基质模型的水平双裂隙含水层海水入侵机制谢一凡,曾祎芃,杨㊀杰,叶㊀逾,吴吉春,鲁春辉(454)…………………………臂坡对堰槽组合设施紊流结构影响试验研究廖㊀伟,张维乐,王文娥,王㊀坤,巩㊀朝,王芳芳(465)水科学家…………………………………………纪念实验水文和同位素水文学家顾慰祖先生廖爱民,任立良,庞忠和,岳甫均(480)第4期西南河流源区径流变化和适应性利用 重大研究计划专栏………………………………青藏高原东部流域径流偶极子时空变化规律田富强,李琨彪,韩松俊,南㊀熠,杨㊀龙(481)…………………………………………青藏高原潜在蒸发时空变化的南北分异特征韩松俊,王㊀旭,刘亚平,田富强(490)论㊀㊀著……………………………………1982 2020年黄河流域植被变化特征及驱动因素王紫荆,徐梦珍,胡宏昌,张向萍(499)…………………………城市暴雨洪涝多尺度分层嵌套模拟技术张红萍,郝晓丽,胡昌伟,臧文斌,任汉承,胡春宏(510)金沙江下游梯级水库防洪库容优化配置公式推导与应用……………………………………………………………㊀谢雨祚,郭生练,钟斯睿,刘㊀攀,王㊀俊,李㊀帅,胡㊀挺(520)……考虑产流模式空间分布的流域-城市复合系统洪水预报模型刘成帅,孙㊀悦,胡彩虹,赵晨晨,徐源浩,李文忠(530)………………………………………………基于小世界网络的海河流域河网结构及功能响应张兴源,李发文,赵㊀勇(541)………………………………………分布式SCS-CN有效降雨修正模型建立及应用申红彬,徐宗学,曹㊀兵,王海周(553)……………………………低坝工程对弯道水流特性影响试验和数值模拟牛志攀,杨㊀航,赵惟扬,孟楚轲,龙㊀屹(562)……………………………………长江石首段河岸带地下水位变化过程模拟及分析夏军强,朱㊀恒,邓珊珊,周美蓉(572)…………………径流变化下长江口多分汊系统冲淤分布差异及动力机制朱博渊,刘凌峰,李江夏,程永舟,胡旭跃(585)………………………凹岸边坡型式对急弯河道水力特性影响的数值模拟李㊀倩,马㊀黎,余明辉,吴㊀迪,龚兰强(599)珠江三角洲顶点思贤滘分流自适应调节机制袁㊀菲,陈文龙,胡晓张,卢㊀陈,高时友,黄鹏飞(610)……………………………………………黑河高曲率弯道形态特征时空变化与横向迁移速率陈㊀帮,李志威,胡旭跃,游宇驰,田世民(622)………………………波浪作用下粉沙临底输沙特征的试验研究朱㊀昊,左利钦,陆永军,李寿千,王茂枚,刘㊀菁(635)第5期论㊀㊀著………………………………………………维持黄河流域水沙平衡的调控指标阈值体系研究胡春宏,张治昊,张晓明(647)………………………………无资料地区水文模型参数移植不确定性分析关铁生,鲍振鑫,贺瑞敏,杨艳青,吴厚发(660)………………………………………基于深度学习的雷达降雨临近预报及洪水预报李建柱,李磊菁,冯㊀平,唐若宜(673)…………基于贝叶斯三角帽法的多源降水数据融合分析及应用赵㊀君,刘㊀雨,徐进超,王国庆,邵月红,杨㊀林(685)Ⅲ三峡水库蓄水后下游河道悬沙恢复效率陈㊀立,王愉乐,邹振华,李雨晨,余博闻,余长伍(697)………………………………………………………………………黄河水沙调控多目标协同模型构建及应用李洁玉,李㊀航,王远见,江恩慧(708)…………………………新疆绿洲格局变化与生态耗水结构分析李梦怡,邓铭江,凌红波,邓晓雅,闫俊杰,焦阿永(719)……黄丘区自然植被对暴雨的拦蓄作用 以坊塌小流域为例赵文婷,姜晓晗,李萌萌,焦菊英,严晰芹,祁泓锟(731)……………………基于改进SPH模型的溃坝洪水演进模拟方法李同春,贾玉彤,李宏恩,郑㊀斌,周㊀宁,齐慧君(744)…………………………考虑溃坝后果的水库工程等级划分方法李宗坤,王㊀特,葛㊀巍,景来红,崔秋晶,焦余铁(753)基于遥感数据的山区河流测深反演方法与应用吴剑平,杜洪波,李文杰,万㊀宇,肖㊀毅,杨胜发(766)……………………………………考虑湖泊互济互调运行的江苏省南水北调工程优化调度方国华,钟华昱,闻㊀昕,李智超,罗煜宁(776)……………………………………………………………潮上带盐沼地层盐分分布及形成机制詹泸成,梁嘉颖,何晓冬(788)述㊀㊀评…………………水利工程卫星遥感监测技术应用与展望李子阳,戴济群,黄㊀对,张㊀文,李涵曼,王㊀喆,康㊀芮(798)………………………………青藏高原水资源现状与问题王㊀欣,连文皓,魏俊锋,张㊀勇,殷永胜,王㊀琼,张法刚(812)第6期论㊀㊀著……………………预估全球升温1.5ħ与2.0ħ下淮河流域极端降雨的变化特征卞国栋,张建云,王国庆,宋明明(827)……………………………融合数据同化与机器学习的流域径流模拟方法邓㊀超,陈春宇,尹㊀鑫,王明明,张宇新(839)……………………………三峡水库1990 2021年洪峰沙峰异步特性分析张㊀为,朱敬一,薛居理,袁㊀晶,杨成刚(850)…………………………小浪底水库运用对黄河下游河道水流阻力的影响张原锋,王㊀平,申冠卿,魏㊀欢,张武欣(858)…………………马莲河流域固沟保塬工程水文响应变化及优化霍艾迪,赵志欣,王㊀星,杨璐莹,钟芳倩,陈㊀建(867)基于水资源分区的中国水系发育度与连通度相关性窦㊀明,余佳琦,关㊀健,杨柳俊,王㊀偲,李桂秋(877)………………………花山流域河水同位素年内变化及采样方案优化廖爱民,李薛刚,刘九夫,张建云,王㊀越,王文种,李志恒(887)………………………………………输水渠系水动力数字孪生模型糙率估计方法管光华,刘王嘉仪,陈晓楠,史良胜(901)…………………沉水植被斑块尾流多尺度紊流结构研究张维乐,吴时强,吴修锋,薛万云,王芳芳,张㊀宇,於思瀚(913)…………………………………溪洛渡库区支流拦门沙形成机理张帮稳,邓安军,王党伟,冯胜航,史红玲,吕瑞茹(928)………………………………………………库岸有限厚度粉质黏土冲蚀演化规律及预测陈㊀勇,张书石,CHAN Dave(938)滨海地区分层含水层中陆源溶质运移过程沈城吉,李世昌,卜建东,邹永庆,鲁春辉(948)……………………………………………………………………………射流冲刷底泥起动输移规律及机理张文皎,赵连军,王仲梅,赵㊀荥,吕鸣聪(960)……………………………基于拦河闸坝蓄水补给的大沽河流域海水入侵优化防治张㊀迪,王㊀莹,郑小康,曹智伟(971)述㊀㊀评……黄河三角洲水文-地貌-生态系统演变与多维调控研究进展凡姚申,窦身堂,于守兵,王广州,吴㊀彦,谢卫明(984)……………………………………………………………………………………‘水科学进展“第34卷(2023年)总目次(Ⅰ)…………………………………………………………………………………‘水科学进展“第34卷(2023年)单位索引(Ⅸ)ⅣADVANCES IN WATER SCIENCEContents of Vol.34,2023No.1Effects of typhoon activities on extreme precipitation in coastal areas of China㊀GAO Yankang,ZHAO Tongtiegang,TIAN Yu,YANG Fang,ZHENG Feifei,CHEN Xiaohong(11)……………………………Evolution law of wet and dry probability of natural river runoff in Haihe River Basin under changing environment …………………………………………………………㊀LU Fan,JIANG Ming,JIANG Yunzhong,ZHOU Yuyan,XU Yang(20) The spatial-temporal characteristics and driving forces analysis of water area landscape pattern changes on the Jianghan Plain ………………………………………………………………………㊀CHANG Tong,LI Jianqiang,GUO Xuning,LI Yunling(32) Probabilistic hydrological forecasting based on variational Bayesian deep learning ……………………………………………………………㊀LI Dayang,YAO Yi,LIANG Zhongmin,ZHOU Yan,LI Binquan(41) Integrated model and application of non-stationary runoff based on time series decomposition and machine learning …………………………………………………㊀ZHANG Li,WANG Hongrui,GUO Beinan,XU Yuanhao,LI Li,XIE Jun(52) An algorithm for grading and staged drought-limited water level(flow)of river sections㊀YAN Ziqi,ZHOU Zuhao,YAN Denghua,WEI Ruishen(62)………………………………………………………………………Dynamic response of the Yellow River estuarine sandspit to new water and sediment regimes……………㊀FAN Yaoshen,DOU Shentang,WANG Wanzhan,WANG Guangzhou,CHEN Shenliang,JI Hongyu,LI Peng(75) A joint risk assessment method of waterlogging and non-point source pollution in urban built-up areas ……………………………………㊀CHEN Lei,ZHOU Xuehui,YU Yu,GUO Chenqian,ZHANG Xiaoyue,SHEN Zhenyao(87) Runoff calculation method of urban built-up areas considering the impact of wind ……………………………………………………………㊀GAO Xichao,WANG Hao,YANG Zhiyong,GAO Kai,MOU Yali(101) Analysis on the variation of ice-on date of Lakes Ngoring and Gyaring from1979 2021and its influencing factors ………………………………………………………㊀HUANG Wenfeng,LI Rui,LI Zhijun,ZHANG Yusu,YANG Wenhuan(114) Responses of erosion and deposition in the Jingjiang Reach to sediment delivery of the Three Gorges Reservoir during flood season ……………………………………………………………㊀ZUO Liqin,LU Yongjun,WANG Hongyang,ZHENG Li,LI Xin(125) Effects of submerged vegetation and bed absorption boundary on pollutant transport in wetland …………………………………………………………………………………………………㊀FANG Haoze,YANG Zhonghua(133) Reservoir ecological regulation strategy to alleviate water temperature imbalances㊀ZHANG Chi,ZHANG Yang,WU Yujiao,LI Yu,CHEN Hao(143)…………………………………………………………………Experimental study on flow structures in arc-shaped bank erosion zones ………………………………㊀SUN Qihang,XIA Junqiang,DENG Shanshan,ZHOU Meirong,SI Jinhua,ZHANG Xingnong(156)No.2Key scientific issues of hydrological forecast in the headwater area of Yellow River …………………………………………………………………………………㊀YONG Bin,ZHANG Jianyun,WANG Guoqing(171) Key scientific and technological issues of joint prevention and control of river flood and urban waterlogging disaster chain ……………………………㊀in megacities LIU Jiahong,MEI Chao,LIU Hongwei,FANG Xiaoyi,NI Guangheng,JIN Wenbo(181) Evolution characteristics of the interannual and intra-annual precipitation in China from1956to2016㊀DU Junkai,QIU Yaqin,LI Yunling,LU Qiong,HAO Chunfeng,LIU Haiying(196)………………………………………………Partition adaptive model of urban rainstorm and flood process based on the simulation concept of plots generalization and…………………㊀road networks fine LI Donglai,HOU Jingming,SHEN Ruozhu,GAO Xujun,HUANG Miansong,MA Yue(208) Simulation of the flood process in urban surface-underground space under extreme rainfall ………………………………………………………………………㊀GUO Yuan,WANG Luyao,CHEN Nengzhi,JIN Juxiang(217) A coupling1D-2D model of urban flooding simulation based on improved vertical flow exchange method㊀JIN Xi,ZHOU Pengfei,ZHANG Xiangling,LIU Chengyu(226)……………………………………………………………………ⅤEvaluation of the suitability of groundwater recharge in typical areas of the Haihe River basin …………………………㊀CAO Wengeng,WEN Aixin,NAN Tian,WANG Zhe,GAO Yuanyuan,CUI Yali,SUN Xiaoyue(237) Study and application of a coupled modelling of flow-sediment transport and hydropower generation in the Sanmenxia Reservoir㊀XIA Junqiang,ZHANG Xianziyi,WANG Zenghui,ZHOU Meirong,LOU Shujian(249)……………………………………………Linkage relationship of beach/central bar and waterway shoal obstruction mechanism in Luochengzhou reach of㊀the lower reaches of Yangtze River㊀YANG Yunping,ZHANG Xiabo,ZHENG Jinhai,ZHU Lingling,WANG Jianjun,FANG Juanjuan,WEI Wen(264)……………Evolution of braided channels at the confluence of Yarlung Tsangpo and Niyang River from1986 2021………………………………………………………………………………㊀YOU Yuchi,LI Zhiwei,YU Guoᶄan,HU Xuyue(276) Factors controlling sediment yield and prediction of ungauged areas in the Lower Jinsha River basin ……………………………………………………………………………………㊀TAN Yuning,LIU Huaixiang,LU Yongjun(289) The influence of seepage on bank collapse of muddy tidal channel:three-dimensional physical model ………………………………………………………………………㊀GONG Zheng,TANG Shuai,ZHAO Kun,ZHANG Kaili(298) Experimental study on turbulence characteristics of open channel flow beneath an ice cover㊀CHEN Gang,DONG Zengchuan,WANG Haijun,GU Shixiang,YANG Hongxuan(309)……………………………………………Coastal dynamic geomorphology under high intensity disturbance:research progress and perspectives ………………………………………………………………………㊀WU Zhiyuan,JIANG Changbo,CHEN Jie,DENG Bin(320)No.3Regional water balance and the path to healthy water balance ………………………………………………………………㊀ZHANG Jianyun,HU Qingfang,WANG Yintang,JIN Junliang(335) Water allocation of the first phase of South-to-North Water Diversion Western Route Project based on balanced㊀provisioning of water resources in the Yellow River basin……………………………㊀WANG Yu,ZHOU Xiangnan,PENG Shaoming,WU Jian,MING Guanghui,ZHENG Xiaokang(348) Patterns and attributions of hydrological drought in the Yangtze River basin from1966to2015……………………………㊀YANG Xiaoli,CUI Zhouyu,REN Liliang,WU Fan,YUAN Shanshui,JIANG Shanhu,LIU Yi(359) Analysis of spatiotemporal variation characteristics of groundwater storage and their influencing factors in three provinces of㊀Northeast China WANG Zilong,SUN Changhong,JIANG Qiuxiang,LIU Chuanxing,SHAN Jiaxun(373)…………………………Analysis of the spatial characteristics and the temporal regime of extreme precipitation for the Pearl River basin:complex…………㊀network perspective LI Xiaodong,ZHAO Tongtiegang,GUO Chengchao,TIAN Yu,YANG Fang,CHEN Wenlong(387) Simulation and prediction of streamflow based on phase space reconstruction and deep learning algorithm ………………………………………㊀SHI Pengfei,ZHAO Youjian,XU Huirong,LI Zhenya,YANG Tao,FENG Zhongkai(397) Impact of rainfall spatiotemporal resolutions on urban extreme rainfall variability and rainfall frequency analysis ………………………………………………………………………………㊀ZHUANG Qi,LIU Shuguang,ZHOU Zhengzheng(408) Urban flood emergency evacuation simulation and its efficiency-fairness tradeoff analysis ……………………………………………………………………………………㊀YAN Qinlin,DU Erhu,ZHENG Chunmiao(417) Allocation of multiple water sources and optimal operation of reservoir group in the Yongding River basin ………………………………㊀PENG Anbang,NIU Kaijie,HU Qingfang,WANG Yintang,ZHANG Rui,JIANG Wenhang(430) Influence of Dongting Lake inflow on the degree and range of backwater effect in the Jingjiang reach㊀SHANG Haixin,HU Chunhong,XIA Junqiang,ZHOU Meirong(441)………………………………………………………………Sediment deposition trend in the Three Gorges Reservoir under the action of complex boundary conditions ………………………………………………………………………………………㊀YANG Chunrui,DENG Jinyun,CHEN Li(453) Seawater intrusion mechanism in coastal aquifer with horizontal double fractures based on discrete fracture matrix model ……………………………………………………㊀XIE Yifan,ZENG Yipeng,YANG Jie,YE Yu,WU Jichun,LU Chunhui(464) Experimental study on the effect of arm slope on turbulent structure of weir-flume combination㊀LIAO Wei,ZHANG Weile,WANG Wene,WANG Kun,GONG Zhao,WANG Fangfang(479)……………………………………ⅥNo.4Dipole spatiotemporal variations of river runoff in Eastern Tibetan Plateau㊀TIAN Fuqiang,LI Kunbiao,HAN Songjun,NAN Yi,YANG Long (489)……………………………………………………………North south differentiation on the spatiotemporal variations of potential evaporation in Tibetan Plateau㊀HAN Songjun,WANG Xu,LIU Yaping,TIAN Fuqiang (498)………………………………………………………………………Characteristics of vegetation changes and their drivers in the Yellow River basin from 1982to 2020㊀WANG Zijing,XU Mengzhen,HU Hongchang,ZHANG Xiangping (509)……………………………………………………………A hierarchically nested multi-scale modeling technique for urban pluvial floods ㊀ZHANG Hongping,HAO Xiaoli,HU Changwei,ZANG Wenbin,REN Hancheng,HU Chunhong (519)…………………………Derivation and application of optimal allocation formulas for flood prevention storage of cascade reservoirs in the㊀downstream Jingsha River XIE Yuzuo,GUO Shenglian,ZHONG Sirui,LIU Pan,WANG Jun,LI Shuai,HU Ting (529)…………Study on flood forecasting model of watershed-urban complex system considering the spatial distribution of runoff generation pattern ㊀LIU Chengshuai,SUN Yue,HU Caihong,ZHAO Chenchen,XU Yuanhao,LI Wenzhong (540)…………………………………Structural characteristics of the river network and its functional responses in the Haihe River basin based on small-world networks ㊀ZHANG Xingyuan,LI Fawen,ZHAO Yong (552)……………………………………………………………………………………A distributed SCS-CN model with revised effective precipitation SHEN Hongbin,XU Zongxue,CAO Bing,WANG Haizhou (561)…Experimental and numerical simulation study on the influence of low dam engineering on the water flow characteristics of bends ㊀NIU Zhipan,YANG Hang,ZHAO Weiyang,MENG Chuke,LONG Yi (571)………………………………………………………Simulation and study of riparian groundwater exchange processes in the Shishou reach of the Middle Yangtze River㊀XIA Junqiang,ZHU Heng,DENG Shanshan,ZHOU Meirong (584)…………………………………………………………………Erosion-deposition change pattern and hydrodynamic mechanism for the multilevel bifurcating system of Yangtze㊀River Estuary under runoff variation ZHU Boyuan,LIU Lingfeng,LI Jiangxia,CHENG Yongzhou,HU Xuyue (598)………………Numerical simulation of effect of outer bank slope types on the hydraulic characteristics in sharp bends ㊀LI Qian,MA Li,YU Minghui,WU Di,GONG Lanqiang (609)……………………………………………………………………Adaptive regulation mechanism of the Sixianjiao channel at the apex of the Pearl River Delta for flow diversion ㊀YUAN Fei,CHEN Wenlong,HU Xiaozhang,LU Chen,GAO Shiyou,HUANG Pengfei (621)……………………………………Spatiotemporal morphological change and lateral migration of high-sinuosity bends in the Black River ㊀CHEN Bang,LI Zhiwei,HU Xuyue,YOU Yuchi,TIAN Shimin (634)……………………………………………………………Experimental study on the characteristics of silt bottom sediment transport under wave actions ㊀ZHU Hao,ZUO Liqin,LU Yongjun,LI Shouqian,WANG Maomei,LIU Jing (646)………………………………………………No.5Threshold system of regulation indicators for maintaining the runoff and sediment balance of the Yellow River basin ㊀HU Chunhong,ZHANG Zhihao,ZHANG Xiaoming (659)……………………………………………………………………………Uncertainties of model parameters regionalization in ungauged basins ㊀GUAN Tiesheng,BAO Zhenxin,HE Ruimin,YANG Yanqing,WU Houfa (672)……………………………………………………Radar rainfall nowcasting and flood forecasting based on deep learning LI Jianzhu,LI Leijing,FENG Ping,TANG Ruoyi (684)……Multi-source precipitation data fusion analysis and application based on Bayesian-Three Cornered Hat method㊀ZHAO Jun,LIU Yu,XU Jinchao,WANG Guoqing,SHAO Yuehong,YANG Lin (696)...................................................Efficiency of suspended sediment recovery in the downstream reaches of the Three Gorges Reservoir ㊀CHEN Li ,WANG Yule ,ZOU Zhenhua,LI Yuchen ,YU Bowen ,YU Changwu (707)................................................Construction and application of a multi-objective collaborative model of water and sediment regulation in the Yellow River ㊀LI Jieyu,LI Hang,WANG Yuanjian,JIANG Enhui (718).......................................................................................Analysis on the change of oasis pattern and ecological water consumption structure in Xinjiang ㊀LI Mengyi,DENG Mingjiang,LING Hongbo,DENG Xiaoya,YAN Junjie,JIAO Ayong (730) (Ⅶ)Interception and storage of heavy rainfall by natural vegetations in the loess hilly and gully area㊀ZHAO Wenting,JIANG Xiaohan,LI Mengmeng,JIAO Juying,YAN Xiqin,QI Hongkun (743)……………………………………Simulation method of dam break flood propagation based on improved SPH model ㊀LI Tongchun,JIA Yutong,LI Hongen,ZHENG Bin,ZHOU Ning,QI Huijun (752)………………………………………………Research on the rank classification method of reservoir projects considering dam failure consequences ㊀LI Zongkun,WANG Te,GE Wei,JING Laihong,CUI Qiujing,JIAO Yutie (765)…………………………………………………Mountain river bathymetry inversion method based on remote sensing data and its application ㊀WU Jianping,DU Hongbo,LI Wenjie,WAN Yu,XIAO Yi,YANG Shengfa (775)………………………………………………Optimal operation of the Jiangsu Province section of the South-to-North Water Diversion Project under the operational mode of㊀mutual transfer and diversion among lakes FANG Guohua,ZHONG Huayu,WEN Xin,LI Zhichao,LUO Yuning (787)…………Salt distribution and formation mechanism in supratidal saltmarsh stratum ZHAN Lucheng,LIANG Jiaying,HE Xiaodong (797)……Application and prospects of satellite remote sensing monitoring technology in water conservancy projects ㊀LI Ziyang,DAI Jiqun,HUANG Dui,ZHANG Wen,LI Hanman,WANG Zhe,KANG Rui (811)…………………………………Status and problems of water resources on the Qinghai-Tibet Plateau ㊀WANG Xin,LIAN Wenhao,WEI Junfeng,ZHANG Yong,YIN Yongsheng,WANG Qiong,ZHANG Fagang (826)………………No.6Projection of extreme precipitation over the Huai River basin under 1.5ħ/2.0ħglobal warming㊀BIAN Guodong,ZHANG Jianyun,WANG Guoqing,SONG Mingming (838)…………………………………………………………Catchment runoff simulation by coupling data assimilation and machine learning methods ㊀DENG Chao,CHEN Chunyu,YIN Xin,WANG Mingming,ZHANG Yuxin (849)…………………………………………………Asynchrony of flood peaks and sediment peaks in the Three Gorges Reservoir from 1990to 2021㊀ZHANG Wei,ZHU Jingyi,XUE Juli,YUAN Jing,YANG Chenggang (857)………………………………………………………Impact of Xiaolangdi Reservoir operations on flow resistance in the Lower Yellow River ㊀ZHANG Yuanfeng,WANG Ping,SHEN Guanqing,WEI Huan,ZHANG Wuxin (866)……………………………………………Hydrologic response change and optimization of gully consolidation and highland protection in the Malian River ㊀basin based on CMADS and SWAT model ㊀HUO Aidi,ZHAO Zhixin,WANG Xing,YANG Luying,ZHONG Fangqian,CHEN Jian (876)……………………………………Study on relationship between water system development and connectivity in China based on water resource zoning ㊀DOU Ming,YU Jiaqi,GUAN Jian,YANG Liujun,WANG Cai,LI Guiqiu (886)…………………………………………………Annual variation in hydrogen and oxygen isotopes of river water in the Huashan watershed and sampling scheme optimization㊀LIAO Aimin,LI Xuegang,LIU Jiufu,ZHANG Jianyun,WANG Yue,WANG Wenzhong,LI Zhiheng (900)………………………Roughness estimation methods of hydrodynamic digital twin models for canal systems ㊀GUAN Guanghua,LIU-WANG jiayi,CHEN Xiaonan,SHI Liangsheng (912)………………………………………………………Investigation of wake flow on submerged vegetation patches based on spectral proper orthogonal decomposition ㊀ZHANG Weile,WU Shiqiang,WU Xiufeng,XUE Wanyun,WANG Fangfang,ZHANG Yu,YU Sihan (927)……………………Study on formation mechanism of barrier sandbar of tributaries in Xiluodu Reservoir ㊀ZHANG Bangwen,DENG Anjun,WANG Dangwei,FENG Shenghang,SHI Hongling,LYU Ruiru (937)…………………………Erosion evolution and prediction of silty clay with finite thickness on reservoir bank ㊀CHEN Yong,ZHANG Shushi,CHAN Dave (947)……………………………………………………………………………………Study on the transport of land-derived solutes in coastal stratified aquifers ㊀SHEN Chengji,LI Shichang,BU Jiandong,ZOU Yongqing,LU Chunhui (959)……………………………………………………Law and mechanism of sediment starting and transportation during jet scouring process㊀ZHANG Wenjiao,ZHAO Lianjun,WANG Zhongmei,ZHAO Xing,LYU Mingcong (970)…………………………………………Optimized control of seawater intrusion in the Dagu River basin based on the river damming and impounding strategies㊀ZHANG Di,WANG Ying,ZHENG Xiaokang,CAO Zhiwei (983)..............................................................................Research progress on hydrology-geomorphology-ecology system evolution and multidimensional regulation in Yellow River Delta ㊀FAN Yaoshen,DOU Shentang,YU Shoubing,WANG Guangzhou,WU Yan,XIE Weiming (998) (Ⅷ)。
基于深度学习的水尺水位识别技术研究
基于深度学习的水尺水位识别技术研究基于深度学习的水尺水位识别技术研究摘要：水位是水资源管理和水工程设计中非常重要的一个参数。
传统的水位监测方法主要依赖于专门的水尺设备和人工测量，存在测量不精确、成本高昂和工作强度大等问题。
随着深度学习技术的发展，基于深度学习的水尺水位识别技术逐渐应用于水位监测领域。
本文对基于深度学习的水尺水位识别技术进行研究和探讨，通过实验验证了该技术在水位监测领域的应用潜力。
一、引言水位是水资源管理和水工程设计中非常重要的一个参数，准确测量水位可以为水资源管理、洪水预警和水工程设计等提供重要依据。
传统的水位监测方法主要依赖于专门的水尺设备和人工测量，这种方式存在测量不精确、成本高昂和工作强度大等问题。
二、基于深度学习的水尺水位识别技术深度学习是机器学习的一种方法，近年来在计算机视觉、自然语言处理等领域取得了重要突破。
基于深度学习的水尺水位识别技术通过训练深度神经网络模型，实现对水位图像的自动识别和水位数值的提取。
2.1 数据收集和预处理首先需要收集一定数量的水位图像样本，样本应涵盖不同水位的情况。
收集到的图像需要进行预处理，包括图像去噪、图像增强等处理操作，以提高后续深度学习模型的识别精度。
2.2 深度学习模型设计和训练在深度学习模型的设计中，可以采用卷积神经网络（CNN）等模型结构。
通过多层卷积和池化操作，提取图像中的水位特征。
然后，将提取的特征输入到全连接层，最后通过输出层得到水位的数值。
在训练模型之前，需要将数据集划分为训练集和测试集。
训练集用于训练深度神经网络模型，测试集用于评估模型的泛化能力。
训练的过程中，可以采用梯度下降法等优化算法，不断调整模型参数，提高模型的准确率。
2.3 水尺水位识别与数值提取经过深度学习模型训练后，可以将水位图像输入到模型中进行识别和数值提取。
模型输出的结果可以表示水位的高低，通过与已知的水位值进行比对，可以计算出实际的水位数值。
三、实验与验证为了验证基于深度学习的水尺水位识别技术的效果，本研究搜集了一批水位图像数据进行实验。
深度学习水文预报研究进展综述Ⅱ——研究进展及展望
深度学习水文预报研究进展综述Ⅱ——研究进展及展望
欧阳文宇;叶磊;顾学志;李晓阳;张弛
【期刊名称】《南水北调与水利科技(中英文)》
【年(卷),期】2022(20)5
【摘要】深度学习在数据驱动水文模型方向的应用研究是当前水文预报的研究热点。
综述近期深度学习模型在水文预报中的应用研究进展,归纳以往数据驱动模型未表现出的新特点,分析深度学习在水利工程影响下水文建模、不确定性分析等问题中的应用潜力以及深度学习水文预报模型解释的知识发现作用。
从物理机制模型中融入深度学习和物理机制指导的深度学习两方面讨论深度学习与水文物理机制整合的研究实例。
总结深度学习水文预报研究仍面临的重要挑战,展望可能的发展趋势,以期为深度学习在水文预报中的研究发展提供有效参考。
【总页数】14页(P862-875)
【作者】欧阳文宇;叶磊;顾学志;李晓阳;张弛
【作者单位】大连理工大学水利工程学院
【正文语种】中文
【中图分类】TV214
【相关文献】
1.水文预报不确定性研究进展与展望
2.水文预报不确定性的研究进展与展望
3.贝叶斯概率水文预报研究进展与展望
4.水文水资源领域深度学习研究进展综述
5.深度学习水文预报研究进展综述Ⅰ——常用模型与建模方法
因版权原因，仅展示原文概要，查看原文内容请购买。
基于深度学习的居民用水量预测研究
基于深度学习的居民用水量预测研究随着人们生活水平的不断提高，用水量也越来越庞大。
在水资源紧缺的情况下，如何进行水资源合理利用以及减少浪费，已经成为各个国家和地区所关注的问题之一。
近年来，随着深度学习技术在各个领域的广泛应用，基于深度学习的居民用水量预测也成为了研究的热点问题之一。
本文将从预测模型的构建、特征工程和实验结果三个方面来探讨基于深度学习的居民用水量预测的研究。
一、预测模型的构建在基于深度学习的居民用水量预测中，预测模型的构建是至关重要的一环。
在构建预测模型时，需要考虑到数据的类型、模型的结构以及选择合适的优化算法。
常见的预测模型包括卷积神经网络（CNN）、长短时记忆网络（LSTM）和深度神经网络（DNN）等。
其中，LSTM模型在序列预测方面表现优异，因此在居民用水量预测中被广泛应用。
除了选择合适的模型结构之外，还需要考虑数据的类型以及如何进行特征工程。
在居民用水量预测中，常见的数据类型包括水表数据、气象数据和人口数据等。
这些数据可以通过特定的方式进行融合，以提高预测模型的准确性。
在进行特征工程时，需要考虑数据之间的相关性以及如何降低特征的维度，以加快模型训练的速度。
二、特征工程特征工程是居民用水量预测中非常关键的一环。
通过特定的方式进行特征工程，可以大大降低数据维度，减少特征冗余，提高模型预测的准确性。
在居民用水量预测中，常见的特征工程方式包括时间序列分析、主成分分析和特征选择等。
时间序列分析可以将居民用水量数据分解为趋势、季节性和随机性三部分，以便更好地进行特征工程。
主成分分析可以降低特征的维度，使其易于处理。
特征选择可以筛选出最具影响力的特征，并降低模型过拟合的风险。
因此，在居民用水量预测中，特征工程是非常重要的一环，决定了模型预测的准确性。
三、实验结果在进行基于深度学习的居民用水量预测时，需要使用已有的数据进行预测模型的训练和测试。
通过对比实验结果，可以评估模型的预测准确性。
在实验过程中，需要设定训练集和测试集，并使用合适的评估指标进行模型性能的评估。
《基于机器学习的中长期径流预报方法研究》
《基于机器学习的中长期径流预报方法研究》篇一一、引言随着现代科技的飞速发展，机器学习技术在诸多领域得到了广泛应用。
其中，基于机器学习的中长期径流预报方法研究成为了水文科学和水利工程领域的重要课题。
本文旨在探讨基于机器学习的中长期径流预报方法，以提高径流预报的准确性和可靠性，为水资源管理和防洪减灾提供科学依据。
二、研究背景及意义径流预报是水文科学研究的重要内容，对于水资源管理、防洪减灾、水利工程规划等方面具有重要意义。
传统的径流预报方法主要基于物理模型和经验统计模型，但这些方法往往受到数据质量、模型复杂度等因素的影响，导致预报结果存在一定的误差。
而基于机器学习的径流预报方法，可以通过学习大量历史数据，提取径流变化规律和影响因素，提高预报的准确性和可靠性。
因此，研究基于机器学习的中长期径流预报方法具有重要的理论和实践意义。
三、机器学习在径流预报中的应用机器学习是一种基于数据的学习方法，可以通过学习大量历史数据，发现数据之间的内在规律和模式。
在径流预报中，机器学习可以应用于以下几个方面：1. 数据预处理：对原始径流数据进行清洗、筛选和预处理，以提高数据的质量和可靠性。
2. 特征提取：通过机器学习算法，提取影响径流变化的关键因素和特征，如气象因素、地形因素、水文因素等。
3. 模型训练：利用提取的特征和历史径流数据，训练机器学习模型，建立径流预报模型。
4. 预报结果评估：利用实际观测数据对预报结果进行评估，不断优化和改进模型。
四、机器学习算法在径流预报中的应用实例以支持向量机（SVM）为例，介绍机器学习算法在径流预报中的应用。
SVM是一种基于统计学习的监督学习算法，可以用于二分类问题和回归问题。
在径流预报中，SVM可以通过学习历史径流数据和影响因素数据，建立径流与影响因素之间的非线性关系模型，提高径流预报的准确性和可靠性。
同时，SVM还可以对模型进行优化和改进，进一步提高模型的预测性能。
五、研究方法与技术路线1. 数据收集与预处理：收集历史径流数据、气象数据、地形数据等，进行数据清洗、筛选和预处理。
基于深度学习的浅水区海洋水文模型研究
基于深度学习的浅水区海洋水文模型研究随着环境污染和气候变化的日益严重，人类对海洋的认识和保护变得越来越迫切。
其中，海洋水文模型是实现海洋资源可持续利用和生态保护的基础，而基于深度学习的浅水区海洋水文模型则是海洋水文学研究的前沿方向。
一、海洋水文模型的研究现状海洋水文模型是对海洋环境的数学描述，可以为科学家提供有关海洋的预测、模拟等数据。
现阶段的海洋水文模型主要是基于传统的物理方程模型进行建模，如Navier-Stokes方程、Boussinesq方程等。
这些模型所需要的参数和初始条件比较繁琐，精度也有限。
在传统模型的基础上，人们采用了多种优化方法对其进行改进，如引入人工神经网络、粒子群优化等方法。
这些方法可以带来一定的模型精度提升，但其性能也很容易受到训练集数量、选取方法等因素的影响。
二、引入深度学习的意义深度学习作为一种新兴的机器学习算法，可以在大规模数据集上快速学习输入之间的复杂非线性关系。
这为海洋水文模型的研究提供了新的思路和手段。
首先，深度学习模型可以直接处理复杂的环境与海流交互作用等现象，不需要人工设置多个具体的环境特征和物理参数，节省了大量建模和参数确定的时间和精力。
其次，深度学习基于的高维空间特征优化算法可在很大程度上提高模型精度和泛化能力。
三、浅水区海洋水文模型的研究进展浅水区是指海洋水深相对较浅的区域，是海洋浪涌等自然现象的重要发生地。
对于浅水区海洋水文模型的研究，既要考虑海洋流体力学的传统物理模型，也要考虑到各种修正项和非线性因素。
目前，基于深度学习的浅水区海洋水文模型的研究也取得了初步成果。
例如，科研人员将深度学习应用于三维全天候浅水区流场预报，预测了降雨后海洋水位、流速等多种变量的变化趋势。
他们还借助深度卷积神经网络来预测暴雨天气下潮汐涌潮的变化情况。
四、深度学习的局限性及展望虽然深度学习在浅水区海洋水文模型研究中显示出了良好的表现，但需要注意的是，深度学习模型仍存在一些局限性：首先，深度学习模型需要大量的训练数据才能发挥出其强大的表达能力，而海洋环境观测数据稀少且十分昂贵，这可能成为深度学习模型应用于海洋水文模型的瓶颈。
水文预报模型的机器学习算法改进与应用
水文预报模型的机器学习算法改进与应用水文预报是现代水文学的重要研究领域，通过对气象、水文等数据进行观测和分析，运用数理统计、计算机等现代化技术，研发出一系列水文预报模型，用于预测未来一段时间水文灾害的可能性和影响程度。
而机器学习算法，作为一种新兴且快速发展的技术手段，被越来越多地应用于水文预报建模中，以提高模型精度和适应性。
本文将从机器学习算法的应用角度出发，探讨水文预报模型的改进和应用，以期为相关学者和研究人员提供参考和借鉴。
一、机器学习算法在水文预报中的应用概述机器学习算法是一种通过算法和模型来实现信息学习和智能处理的科学方法，在人工智能、数据挖掘、模式识别等诸多领域得到了广泛应用。
在水文预报中，机器学习算法主要用于基于数据构建模型和优化预报模型两个方面。
1. 基于数据构建模型通过建立机器学习模型，可以利用历史数据、气象观测数据、水文观测数据等来构建水文预报模型，以实现流量、水位等指标的预测和预报。
因此，机器学习算法在水文预报建模过程中的应用主要涉及以下方面：（1）基于监督学习的模型：监督学习是机器学习算法的一种重要分支，主要用于探索数据间的关系，从而建立模型并进行预测分析。
常见的监督学习模型包括决策树、神经网络、支持向量机等，这些模型在水文预报中都得到了广泛应用。
（2）基于非监督学习的模型：非监督学习主要用于无标签数据的分类和聚类等问题，通过对数据结构和分布的探索，建立模型以实现对数据的有效分析。
在水文预报领域中，非监督学习模型可以应用于径流、水位等数据的聚类分析。
（3）深度学习模型：深度学习是一种以人工神经网络为基础的机器学习技术，其主要特点是通过多层次的神经元连接完成对输入数据的有效分类和预测。
在水文预报领域中，深度学习模型可以被广泛应用于建模和预测分析。
2. 优化预报模型机器学习算法还可以通过对传统预报模型的优化，来提高模型的准确性和适应性。
在水文预报领域，常见的优化方法主要包括以下几种：（1）特征工程：特征工程是指对原始数据进行清洗、变形、筛选等处理，以提取出对建模有用的特征，从而提高模型的精度和鲁棒性。
基于人工智能和大数据驱动的新一代水文模型及其在洪水预报预警中的应用
基于人工智能和大数据驱动的新一代水文模型及其在洪水预报预警中的应用近年来，随着科技的快速发展，人工智能和大数据成为了各行各业的关键词。
在水文领域，基于人工智能和大数据的新一代水文模型的出现，为我们提供了更加准确和可靠的洪水预报预警工具。
本文将探讨基于人工智能和大数据驱动的新一代水文模型在洪水预报预警中的应用，并对其优势和未来发展进行分析。
一、新一代水文模型的概述新一代水文模型基于人工智能和大数据技术，以替代传统的统计模型和物理模型。
它通过对庞大的水文数据进行深度学习和模式识别，能够更准确地分析、预报和预警洪水情况。
与传统模型相比，新一代水文模型具有以下几个优势：1. 更高的准确性：借助人工智能算法，新一代水文模型能够分析复杂的水文数据，并提取潜在的规律和特征。
通过对历史洪水事件的学习和模拟，模型可以更加准确地预测未来的洪水情况，并提前做出相应的预警。
2. 更强的适应性：传统的统计模型和物理模型在处理非线性和非稳态的水文过程时存在一定的局限性。
而新一代水文模型通过多层次的神经网络结构，能够更好地适应不同类型和不同尺度的水文过程。
无论是小流域还是大流域，短时间尺度还是长时间尺度，新一代水文模型都能够有效地应对。
3. 更快的计算速度：传统的物理模型通常需要复杂的计算过程和大量的参数估计，计算速度较慢，尤其是在大尺度和高分辨率的情况下。
而新一代水文模型基于大数据和分布式计算平台，计算速度更快，可以实时更新和分析海量的水文数据，提高洪水预报预警的时效性。
二、新一代水文模型在洪水预报预警中的应用新一代水文模型在洪水预报预警中具有广泛的应用价值。
它能够实时地获取并分析水文数据，并通过对历史洪水事件和气象条件的学习，提前发现洪水的迹象，并提供准确的预警信息。
以下是新一代水文模型在洪水预报预警中的几个典型应用场景：1. 洪水预测：新一代水文模型能够对特定区域的水文过程进行实时模拟和预测。
通过对气象数据、土地利用数据和水位流量数据的分析，模型可以准确地预测洪水的发生时间、范围和强度，为相关部门和居民提供及时的预警信息，以便采取相应的防洪措施。
基于变分贝叶斯深度学习的水文概率预报方法
第34卷第1期2023年1月㊀㊀水科学进展ADVANCES IN WATER SCIENCE Vol.34,No.1Jan.2023DOI:10.14042/ki.32.1309.2023.01.004基于变分贝叶斯深度学习的水文概率预报方法李大洋1,姚㊀轶2,梁忠民3,周㊀艳4,李彬权3,5(1.盐城工学院土木工程学院,江苏盐城㊀224051;2.南京水利科学研究院水文水资源与水利工程科学国家重点实验室,江苏南京㊀210029;3.河海大学水文水资源学院,江苏南京㊀210098;4.盐城师范学院江苏省滩涂生物资源与环境保护重点实验室,江苏盐城㊀224007;5.水安全与水科学协同创新中心,江苏南京㊀210024)摘要:目前水文领域关于深度学习的研究多集中于提高预测能力方面,与具有物理机制的水文模型相比,深度学习复杂的内部结构导致其不具备可解释性,预测结果难以被信任,因此发展可信赖的深度学习对于推进水科学发展具有重要意义㊂基于预报残差分析框架,构建具有物理机制的水文模型与深度学习融合的混合模型,以充分利用两者优势;引入变分贝叶斯理论,提出变分贝叶斯与深度学习耦合的概率预报模型VB-LSTM,以定量评估水文预报结果的不确定性㊁提高结果可靠度㊂以黄河源区1961 2015年的径流过程为研究对象,对VB-LSTM 模型进行应用示例研究㊂结果表明:与长短时记忆网络(LSTM)相比,VB-LSTM 模型在验证期预报精度更高,结果更稳定;与传统基于 线性-正态 假设的水文概率预报方法相比,VB-LSTM 模型具有更高的预报精度,且不确定性更小㊁预报结果更可靠㊂关键词:水文概率预报;深度学习;变分贝叶斯;长短时记忆网络;混合模型中图分类号:TV124;P338㊀㊀㊀文献标志码:A㊀㊀㊀文章编号:1001-6791(2023)01-0033-09收稿日期:2022-10-14;网络出版日期:2023-02-01网络出版地址:https :ʊ /kcms /detailʊ32.1309.P.20230131.1533.005.html基金项目:国家自然科学基金资助项目(41730750;41877147)作者简介:李大洋(1992 ),男,江苏徐州人,博士,主要从事水文水资源方面研究㊂E-mail:dayangli_hhu@ 通信作者:梁忠民,E-mail:zmliang@ 1990年以来,机器学习在水文领域不断应用发展㊂人工神经网络(ANN)㊁循环神经网络(RNN)㊁支持向量机(SVM)㊁最近邻算法(KNN)等一系列模型被广泛应用于降水预报修正㊁径流预报㊁土壤水分预测㊁地下水位预测等水文领域的各个方面[1-2]㊂近些年,深度学习作为一种特定类型的机器学习日益受到水文学者的广泛关注㊂与传统的 浅层 机器学习相比,深度学习通过复杂结构或多处理层进行多层次㊁多维度的数据抽象处理,一些研究显示深度学习模型如长短时记忆网络(LSTM)在水位㊁径流㊁土壤水等方面展现出了更强的预测能力[3-5]㊂然而,与具有物理机制的水文模型相比,深度学习无法真正理解水文过程及其物理规律,其结构复杂难以被解释,导致预测结果难以被充分信任,如何构建可信赖的深度学习是当前研究的热点与难点[6]㊂预报残差分析模型[7]作为一种在水文领域应用广泛的概率预报后处理模型,提供了将具有物理机制的模型与深度学习模型相结合从而充分发挥两者优势的途径,有望在提高深度学习预测结果可信赖程度方面发挥作用[8]㊂贝叶斯理论是进行水文概率预报的通用框架[9-10],将贝叶斯理论应用于深度学习可以实现概率预报并对预测结果可靠度进行评估,然而其中常用于估计参数后验分布的抽样算法 马尔可夫链蒙特卡罗法(MCMC)的收敛速度偏慢,消耗计算资源较多,难以进行高维参数估计㊂Vrugt 等[11]指出采用MCMC 算法估计地下水模型MODFLOW 中的241个参数需花费数月才能完全收敛㊂深度神经网络的参数数量一般远高于这个量级,难以采用MCMC 算法在有效时间内(如1~3d 预见期)估计众多参数的不确定性并提供概率预报㊂Fang 等[12]通过蒙特卡罗暂退算法(Monte Carlo Dropout,MC Dropout)估计深度神经网络LSTM 参数的不确定性,实现了土壤水的概率预报㊂MC Dropout 是一种将正则化算法Dropout 解释为高斯过程的贝叶斯近似,有34㊀水科学进展第34卷㊀望在不增加计算成本的情况下实现深度学习的概率预报㊂但一些学者认为MC Dropout算法并非基于贝叶斯理论,无法正确估计参数并提供合理的不确定性分析[13];此外,该算法专为神经网络设计,无法用于水文领域其他高维参数估计问题㊂变分贝叶斯(Variational Bayes,VB)[14]是解决贝叶斯推断问题的新兴方法,与MC Dropout相比,VB方法理论基础与适用性更强;与MCMC算法相比,VB的计算效率更高㊂VB方法的本质在于能快速寻找参数化分布族的最佳近似分布,因此,对估计高维参数等问题具有显著优势㊂本文引入一种基于变分贝叶斯理论的最新算法 随机变分推断(Stochastic Variational Inference, SVI)[15],提出一种耦合SVI与LSTM的概率预报方法(VB-LSTM),作为水文模型的预报残差分析模型定量评估水文预报不确定性㊂为充分发挥物理模型与数据驱动模型的优势,采用分布式水文模型模拟径流过程,研究SVI算法的收敛性和时效性,分析VB-LSTM模型在减少水文预报不确定性和提高预报精度方面的优势㊂1㊀方法原理1.1㊀预报残差分析模型预报残差分析模型是一种后处理方法,用于构建预报残差与预报因子矩阵XɪDˑT之间的线性或者非线性回归关系,其中,为实数集,D为所选预报因子的个数,T为时间序列长度㊂此回归关系可写作yε=f(X,θ)+ε(1)式中:yε=[yε1, ,yεT]ɪ1ˑT为实测流量(记为向量y o)与模拟流量(记为向量y m)之差,被称为残差;ε=[ε1, ,εT]ɪ1ˑT为随机误差项,通常被认为服从均值为0㊁方差为σ2的正态分布;参数向量θ= [θ1, ,θN]ɪ1ˑN,其中,N为参数个数㊂水文预报不可避免地存在着误差[10,16],在水文预报残差分析模型中,建模者认为水文预报的所有误差(如数据观测㊁模型初值㊁模型参数㊁模型结构)均集中在yε中,通过分析和模拟残差从而达到量化预报不确定性的目的㊂贝叶斯学派认为θ是随机变量且可以通过概率分布描述㊂根据贝叶斯公式,θ的后验分布为p(θ|y o)=p(y o|θ)p(θ)p(y o)ɖp(y o|θ)p(θ)(2)式中:条件分布p(θ|y o)在贝叶斯中被称为后验分布;p(y o|θ)称为似然函数;边际分布p(θ)称为先验分布;p(y o)称为证据(Evidence)或归一化常数;符号ɖ表示 成正比例 ㊂贝叶斯推断的关键是估计参数后验分布,但这很难直接获得,主要原因在于证据p(y o)=ʏp(y o|θ)p(θ)dθ是一个积分,除个别理想情况外多数不可积㊂以MCMC为代表的贝叶斯抽样方法通过建立参数θ的马尔可夫链依次进行抽取样本㊂这意味着每次迭代过程中每个参数可获得1个抽样样本,但如果不符合一定条件,该样本将被舍弃㊂当参数过多时,MCMC抽样效率很低且难以收敛,需要更多的迭代次数[11]㊂变分贝叶斯方法采用已知的一组分布逼近真实后验的思路极大地提高了高维参数估计的计算效率㊂需要注意的是,变分贝叶斯方法的参数估计结果存在一定的偏差,因此,使用时需要在精度与速度之间做出权衡[17]㊂1.2㊀变分贝叶斯方法变分贝叶斯的主要思路是通过引入一组分布去逼近参数后验分布p(θ|y o),这组分布被称为变分分布,记作q(θ|Λ),其中Λ=[λ1, ,λN]ɪSˑN是与模型参数θ=[θ1, ,θN]对应的变分参数矩阵,S 意味着每个变分分布由S个变分参数控制㊂例如,假设变分分布为正态分布,则S=2,因为正态分布是由均值(μ)和方差(σ2)2个参数决定,该参数可以被称为变分参数,记作λ=[μ,σ2]㊂在变分贝叶斯计算中,Kullback-Leibler散度(D KL),又称相对熵,被用来量化变分分布与真实后验之间的距离㊂D KL可推导后表示为:DKL[q(θ|Λ)p(θ|y o)]=-(Λ)+lg p(y o)(3)㊀第1期李大洋,等:基于变分贝叶斯深度学习的水文概率预报方法35㊀(Λ)=Eq[lg p(y o,θ)-lg q(θ|Λ)](4)式中:Eq(㊃)为关于q(θ|Λ)的期望;p(y o,θ)为y o与θ的联合分布;(Λ)为证据下界(Evidence Low-er BOund,ELBO),相当于变分贝叶斯方法的目标函数㊂调整式(3)各项位置后可推导出log p(yo)=D KL[q(θ|Λ)p(θ|y o)]+(Λ)ȡ(Λ)(5)㊀㊀从在变分贝叶斯中,D KL被用来计算变分分布与真实后验之间的距离,最小化D KL可以最终得到近似的后验㊂最小化D KL的难点在于证据p(y o)难以被积分,导致D KL很难被计算㊂从式(3)可以看出,最小化D KL 等价于最大化ELBO,因此,变分贝叶斯可以通过最大化ELBO的方式来获得后验分布的近似㊂最大化EL-BO可以通过梯度优化算法获得,但ELBO中包含期望函数(见式(4))导致很难进行求导㊂Ranganath等[15]提出了一种目前最先进的变分贝叶斯方法 随机变分推断,该算法采用REINFORCE技巧解决此问题,详细介绍请见参考文献[15]㊂1.3㊀变分贝叶斯与长短时记忆网络耦合模型 VB-LSTM神经网络通常采用基于反向传播的梯度下降算法更新权重并最小化目标函数,得出最优的确定性预报结果,一般可称作确定性神经网络㊂然而,确定性神经网络中的众多参数使得预报结果具有明显的不确定性,预报结果难以被信任㊂贝叶斯理论提供了量化不确定性的基本框架,将贝叶斯理论用于神经网络参数不确定性量化并提供概率预报的方法可被称为贝叶斯神经网络[18]㊂图1比较了确定性神经网络与贝叶斯神经网络的结构差异㊂本文采用变分贝叶斯训练先进的深度学习网络LSTM,构建耦合模型 变分贝叶斯深度学习网络VB-LSTM,作为水文预报中的预报残差分析模型并提供概率预报结果㊂VB-LSTM模型由深度神经网络和变分贝叶斯方法两部分构成,因此,在构建VB-LSTM模型时需考虑两者的特点㊂进行变分贝叶斯估计时,需要在构建LSTM模型的基础上,合理地设置参数的变分分布㊁先验分布以及似然函数㊂下面具体介绍VB-LSTM模型的各个部分㊂图1㊀确定性神经网络与贝叶斯神经网络比较Fig.1Comparison of deterministic neural networks and Bayesian neural networks36㊀水科学进展第34卷㊀1.3.1㊀长短时记忆网络长短时记忆网络是Hochreiter等[19]在1997年提出的一种特殊的循环神经网络㊂LSTM在RNN基础上引入了 门 ,在一定程度上解决了标准RNN存在的梯度消失或爆炸以及长时记忆问题㊂LSTM网络的架构包含若干LSTM层和1个全连接层㊂全连接层一般用线性函数表示,负责在最后输出最终结果㊂每一个LSTM 层由很多隐含单元(又叫神经元)组成,每个隐含单元又包括2个状态:隐含状态(又叫输出状态)和细胞状态㊂细胞状态是由3个门控制,分别是输入门㊁遗忘门㊁输出门㊂门负责决定信息的进入,其结构是一个Sigmoid层和点乘操作的组合㊂Sigmoid层将输入值转化成0到1之间的数值,数值大小代表了输入值通过的程度,其中0代表不通过,1代表都通过㊂还有一个候选细胞为细胞状态添加额外信息㊂具体公式可见参考文献[19]㊂1.3.2㊀先验分布、变分分布与似然函数先验分布代表了进行推理前对该参数或数据的认知㊂由于LSTM参数没有明确的物理意义或可解释性,因此,很难给出一个有意义的先验分布㊂在这种情况下,一般可以用无信息(Uninformative)的均匀分布或者数学性质较好的正态分布描述㊂这里假定LSTM参数的先验分布服从正态分布,误差项的方差为了保证非负则服从均匀分布,表达式如下:θi~N(0,1)(6)σ2~U(0,1)(7)式中:N(0,1)为均值为0㊁方差为1的正态分布;U(0,1)为下界为0㊁上界为1的均匀分布㊂在变分推断中,变分分布用来近似真实后验分布㊂本文假定LSTM参数的变分分布为正态分布,主要因为正态分布简单且具有良好的数学性质㊂为了保证误差项的方差估计为正,采用截断正态分布Nᶄ(㊃)作为变分分布㊂变分推断通过迭代不断更新变分参数(αi㊁γ2i㊁μ和2)从而控制变分分布逼近真实后验分布,迭代时需要设置初始变分分布㊂这里初始变分分布的均值设定为对应的先验分布均值,标准差为对应先验分布的1/10,写作:θi|αi,γ2i~N(αi=0,γ2i=0.12)(8)σ2|μ,2~Nᶄ(μ=0.5,2=0.0252)(9)似然函数用条件分布的形式衡量模拟值与实测值之间的吻合程度,似然函数的选择直接决定推断结果的合理性㊂为了使数据减少异方差性以及更服从正态分布,将Box-Cox转换应用于观测数据与模拟数据中㊂然后采用标准化减少变量的尺度差异,帮助SVI算法更快地收敛㊂在数据转换空间ϕ(㊃)中,假设随机误差独立同分布且服从均值为0㊁方差为常数σ2的正态分布㊂似然函数可以表示为l=-T2lg2πσ2+12ðT t=1-ε2tσ2+(λ1-1)ðT t=1lg(y t o+λ2)(10)其中:εt=(y~t o-..y~t m)-f(x㊆t,θ)(11)式中:y~t o和y~t m分别为t时刻经Box-Cox转换后的观测数据和水文模型模拟值;(y~t o-..y~t m)表示(y~t o-y~t m)的标准化;x㊆t表示LSTM输入数据的标准化;λ1和λ2为Box-Cox转换的2个参数,根据文献建议固定λ1= 0.2和λ2=0[20]㊂2㊀应用实例2.1㊀研究流域与数据处理本文选取黄河源区即唐乃亥以上流域进行应用研究㊂黄河源区的高程㊁水文站点㊁气象站点及水系分布㊀第1期李大洋,等:基于变分贝叶斯深度学习的水文概率预报方法37㊀如图2所示㊂流域面积约12.2万km2,约占黄河流域面积的15%㊂本文所需的气象数据包括降水㊁平均气温㊁最高气温㊁最低气温㊁相对湿度㊁平均风速和日照时数等日系列资料,除降水作为水文模型直接输入外其余气象数据主要用于计算潜在蒸散发(PET)㊂考虑到资料的一致性和完整性,本文收集了图中所示的流域内7个气象站和1个水文站的实测日系列资料,时间范围为1961 2015年㊂此外,收集了空间分辨率为90m的数字高程模型(DEM)数据以及比例尺为1ʒ100万的土壤分类数据HWSD V1.1㊂采用反距离插值法将各类型数据插值到对应计算网格㊂图2㊀黄河源区流域Fig.2Map of the source area of the Yellow River2.2㊀模型设置本文采用分布式水文模型MIKE SHE模拟黄河源区1961 2015年的日径流过程㊂将模拟时段分成3部分,即预热期(1961 1965年)㊁率定期(1966 2000年)和验证期(2001 2015年)㊂由于研究流域面积较大(约122000km2),所以模型网格大小设置为5kmˑ5km,总共约5000个有效计算网格㊂采用数据中提取与人工率定相结合的方式率定MIKE SHE的参数,具体可见相关文献[21]㊂MIKE SHE模拟流量作为VB-LSTM的输入变量,将日模拟径流集成的月径流输入VB-LSTM构建月尺度的预报残差分析模型㊂选择月尺度主要有以下2点考虑:①月系列数据比日数据资料长度更短,可以减少计算时间,便于研究随机变分推断SVI的收敛性;②深度学习通常在大样本中表现优异,采用月尺度的小样本数据训练VB-LSTM,如果表现较好则可以在一定程度上说明VB-LSTM的通用性㊂根据相关文献[5]以及人工试错,VB-LSTM设置为1个包含20个隐含单元的LSTM层,后面接1个全连接层㊂在SVI中,采用梯度下降优化算法Adam最大化证据下界ELBO,其相关超参数采用默认设置如下:ρ= 0.001,β1=0.9,β2=0.999以及 =10-8㊂VB-LSTM最大迭代次数设置为50000次㊂VB-LSTM在Python 环境中运行并基于开源机器学习库Pytorch与概率模型工具库Pyro构建,计算采用服务器集群中英特尔CPU 中的4颗核心㊂2.3㊀结果分析图3给出了ELBO值(N ELBO)的迭代变化轨迹(NᶄELBO为N ELBO除以数据个数)㊂在SVI中,采用梯度下降优化算法Adam最大化证据下界来估计参数后验,设定最大迭代次数阈值为50000㊂SVI的收敛性可通过观察N ELBO的变化轨迹判断㊂如图3所示,N ELBO的轨迹图不够平滑,有不少噪声㊂为方便观察收敛性,引入窗口为20的滑动平均函数处理N ELBO(黑色线条)㊂可以发现当迭代次数超过30000时平滑后的N ELBO稳定不变,这时可认为N ELBO已经收敛,并且收敛时的计算时间少于1h,能够满足一定的预报时效性需求㊂此时,本文38㊀水科学进展第34卷㊀中的LSTM具有20个隐含单元的单层神经网络,参数数量为1861个,这对于MCMC算法而言难以在该时间内完成如此多参数的后验估计㊂图3㊀训练VB-LSTM时NᶄELBO随迭代次数变化与耗时Fig.3NᶄELBO changes with the number of iterations and time-consuming when training VB-LSTM 采用ELBO收敛时刻的参数后验分布作为最优分布计算相应预报流量,如图4所示㊂为了与VB-LSTM 比较,选择传统的基于 线性-正态 假设的预报残差分析模型,该模型中的回归模型即为贝叶斯线性回归模图4㊀VB-LSTM模型与LR模型在1966 2015年黄河源区径流预报结果比较Fig.4Comparison of the VB-LSTM and LR models in the source area of the Yellow River over1966 2015㊀第1期李大洋,等:基于变分贝叶斯深度学习的水文概率预报方法39㊀型(LR),并采用改进的MCMC算法(AM-MCMC)估计参数后验㊂引入 精度-可靠度 指标综合评价体系评估VB-LSTM概率预报结果㊂精度指标选择常见的纳什效率系数(E NS)㊁克林效率系数(E KG)以及平均绝对误差(E MA),可靠度指标选择概率预报评价指标区间覆盖率(Coverage Ratio,R C)㊁区间离散度(Dispersion of In-terval,I D)以及连续排位概率评分(Continuous Ranked Probability Score,S CRP)㊂R C是指给定可信水平下的预测区间覆盖实测值的比例;I D是指该预测区间的平均宽度㊂从图4看出,与LR模型相比,VB-LSTM的90%预测区间更窄,说明预报结果不确定性更低;VB-LSTM的S CRP分别在率定期和验证期比LR模型低11%与10%;对于90%预测区间,VB-LSTM的I D分别在率定期和验证期比LR模型低15%和16%,并且有着更接近90%的R C㊂以上分析表明,VB-LSTM比LR模型的概率预报结果不确定性更小,预报结果更可靠㊂对于确定性预报结果(预报分布均值),VB-LSTM与LR模型均优于MIKE SHE,且VB-LSTM预报结果的精度指标E NS和E KG的值比LR模型平均高0.06,所以VB-LSTM模型预报精度更高㊂此外,将确定性神经网络LSTM作为MIKE SHE的后处理模型,预报结果与VB-LSTM作对比,如表1中所示㊂LSTM设置为1个包含20个隐含单元的LSTM层,与VB-LSTM设置相同;采用Adam算法训练LSTM,目标函数为E MA,迭代次数为200;采用暂退法(Dropout)减少LSTM过拟合,暂退概率设置为0.5㊂从表1中E NS㊁E KG和E MA3个精度指标可以看出,尽管VB-LSTM在率定期比LSTM预报结果稍差,但在验证期表现出了更好的预报结果,表明VB-LSTM预报结果更稳定,变分贝叶斯深度学习模型在一定程度上能够减少神经网络的过拟合现象㊂表1㊀3种后处理模型确定性预报结果比较Table1Comparison of deterministic results for three postprocessing methods模型率定期验证期E NS E KG E MA/(m3㊃s-1)E NS E KG E MA/(m3㊃s-1)LR0.780.76163.10.760.75167.3VB-LSTM0.840.84144.90.810.80142.8LSTM0.850.86139.20.780.78152.4㊀㊀尽管基于MCMC方法的参数后验估计更准确,可以近似于参数的真实分布,但难以处理高维参数,因此,无法直接比较SVI与MCMC来判断SVI是否能正确估计参数不确定性㊂观察参数后验分布对应的预测区间变化是一种简单的间接方法㊂理想情况下,随着训练数据的不断增多,参数后验也趋于集中,对应的预测区间也会变窄㊂为此,本文将黄河源区1966 2015年共600个月连续数据分成3种长度,分别采用前200㊁400㊁600个数据训练深度模型,观察预测区间的变化以判断SVI能否捕获LSTM中众多参数的不确定性㊂需要指出的是,提出的后处理模型不仅考虑了模型参数不确定性,也包含了随机误差的不确定性,因此,总的预测区间(不确定性区间)可以划分为参数不确定性区间与随机误差不确定性区间㊂表2给出了训练数据长度分别为200㊁400㊁600时VB-LSTM的参数不确定性与总误差不确定性的变化,可靠度指标区间离散度与区间覆盖率用于衡量不确定性变化㊂从表2中可以看出,随着训练数据长度的增加,90%预测区间中参数不确定性对应的I D与R C不断减少,并且在总不确定性中的比例也在下降㊂表明随着训练数据的增加深度学习参数不确定性在减少,与设想吻合,这为SVI在一定程度上能够捕获参数不确定性提供了间接证据㊂表2㊀VB-LSTM不同训练数据长度时90%预测区间对应的参数与随机误差不确定性变化Table2Changes of uncertainty intervals for the VB-LSTMᶄs parameter errors and random errors in a90%predictioninterval with different training data lengths数据训练长度参数不确定性区间总不确定性区间I D/(m3㊃s-1)R C/%I D/(m3㊃s-1)R C/%比例/%200332.451.5855.596.538.9 400195.348.0635.393.830.8 600152.640.7579.991.826.3注:比例为参数不确定性区间对应的I D占总不确定性区间I D的比例,总不确定性包括参数不确定性与随机误差不确定性㊂40㊀水科学进展第34卷㊀3㊀结㊀㊀论为提高深度学习预测结果的可信赖程度,本文基于预报残差分析框架构建了将深度学习与具有物理基础的水文模型相融合的混合模型;通过引入变分贝叶斯算法SVI,提出了基于变分贝叶斯与深度学习的水文概率预报新方法VB-LSTM,该方法可与任意的确定性水文模型相耦合,具有一定的灵活性与通用性㊂主要结论如下:(1)实例研究显示,SVI能够在较短时间内(1h)完成数以千计的参数后验估计,可为水文领域其他高维参数估计问题提供新方法㊂(2)VB-LSTM的径流预报结果可信程度更高㊂与传统基于 线性-正态 假设的水文概率预报模型相比, VB-LSTM的预报结果精度与可靠度更高,不确定性更小㊂根据 精度-可靠度 指标综合评价显示,VB-LSTM 的概率预报结果的90%预测区间覆盖率更合理,区间宽度更窄,区间宽度与连续排位概率评分平均低10%以上;VB-LSTM的确定性预报结果精度更高,纳什效率系数与克林效率系数均在0.8以上,平均提高0.06以上㊂此外,与LSTM相比,VB-LSTM在验证期也表现出更高的预报精度㊂参考文献:[1]SHEN C P,LALOY E,ELSHORBAGY A,et al.HESS opinions:incubating deep-learning-powered hydrologic science advances as a community[J].Hydrology and Earth System Sciences,2018,22(11):5639-5656.[2]鲍振鑫,张建云,王国庆,等.基于水文模型与机器学习集合模拟的水沙变异归因定量识别:以黄河中游窟野河流域为例[J].水科学进展,2021,32(4):485-496.(BAO Z X,ZHANG J Y,WANG G Q,et al.Quantitative assessment of the attribution of runoff and sediment changes based on hydrologic model and machine learning:a case study of the Kuye River in the Middle Yellow River basin[J].Advances in Water Science,2021,32(4):485-496.(in Chinese))[3]周研来,郭生练,张斐章,等.人工智能在水文预报中的应用研究[J].水资源研究,2019,8(1):1-12.(ZHOU Y L, GUO S L,ZHANG F Z,et al.Hydrological forecasting using artificial intelligence techniques[J].Journal of Water Resources Research,2019,8(1):1-12.(in Chinese))[4]郭燕,赖锡军.基于长短时记忆神经网络的鄱阳湖水位预测[J].湖泊科学,2020,32(3):865-876.(GUO Y,LAI X J.Water level prediction of Lake Poyang based on long short-term memory neural network[J].Journal of Lake Sciences,2020, 32(3):865-876.(in Chinese))[5]KRATZERT F,KLOTZ D,BRENNER C,et al.Rainfall-runoff modelling using Long Short-Term Memory(LSTM)networks[J]. Hydrology and Earth System Sciences,2018,22(11):6005-6022.[6]JIANG S J,ZHENG Y,WANG C,et al.Uncovering flooding mechanisms across the contiguous United States through interpretive deep learning on representative catchments[J].Water Resources Research,2022,58(1):e2021WR030185.[7]梁忠民,蒋晓蕾,钱名开,等.考虑误差异分布的洪水概率预报方法研究[J].水力发电学报,2017,36(4):18-25. (LIANG Z M,JIANG X L,QIAN M K,et al.Probabilistic flood forecasting considering heterogeneity of error distributions[J]. Journal of Hydroelectric Engineering,2017,36(4):18-25.(in Chinese))[8]RAZAVI S.Deep learning,explained:fundamentals,explainability,and bridgeability to process-based modelling[J].Environ-mental Modelling&Software,2021,144:105159.[9]刘章君,郭生练,许新发,等.贝叶斯概率水文预报研究进展与展望[J].水利学报,2019,50(12):1467-1478.(LIU Z J,GUO S L,XU X F,et al.Bayesian probabilistic hydrological forecasting:progress and prospects[J].Journal of Hydraulic Engineering,2019,50(12):1467-1478.(in Chinese))[10]梁忠民,戴荣,李彬权.基于贝叶斯理论的水文不确定性分析研究进展[J].水科学进展,2010,21(2):274-281.(LIANG Z M,DAI R,LI B Q.A review of hydrological uncertainty analysis based on Bayesian theory[J].Advances in Water Science,2010,21(2):274-281.(in Chinese))[11]VRUGT J A,LALOY E.Reply to comment by Chu et al.on High-dimensional posterior exploration of hydrologic models usingmultiple-try DREAM(ZS)and high-performance computing [J].Water Resources Research,2014,50(3):2781-2786.[12]FANG K,KIFER D,LAWSON K,et al.Evaluating the potential and challenges of an uncertainty quantification method for long㊀第1期李大洋,等:基于变分贝叶斯深度学习的水文概率预报方法41㊀short-term memory models for soil moisture predictions[J].Water Resources Research,2020,56(12):e2020WR028095.[13]HRON J,MATTHEWS A G D G,GHAHRAMANI Z.Variational Gaussian dropout is not Bayesian[EB/OL].2017:arXiv.:1711.02989.https:ʊ/abs/1711.02989.[14]JORDAN M I,GHAHRAMANI Z,JAAKKOLA T S,et al.An introduction to variational methods for graphical models[J].Ma-chine Language,1999,37(2):183-233.[15]RANGANATH R,GERRISH S,BLEI D M.Black box variational inference[J].Journal of Machine Learning Research,2014,33:814-822.[16]苟娇娇,缪驰远,徐宗学,等.大尺度水文模型参数不确定性分析的挑战与综合研究框架[J].水科学进展,2022,33(2):327-335.(GOU J J,MIAO C Y,XU Z X,et al.Parameter uncertainty analysis for large-scale hydrological model:challenges and comprehensive study framework[J].Advances in Water Science,2022,33(2):327-335.(in Chinese)) [17]BLEI D M,KUCUKELBIR A,MCAULIFFE J D.Variational inference:a review for statisticians[J].Journal of the AmericanStatistical Association,2017,112(518):859-877.[18]van de SCHOOT R,DEPAOLI S,KING R,et al.Bayesian statistics and modelling[J].Nature Reviews Methods Primers,2021,1:1.[19]HOCHREITER S,SCHMIDHUBER J.Long short-term memory[J].Neural Computation,1997,9(8):1735-1780.[20]WU X,MARSHALL L,SHARMA A.The influence of data transformations in simulating total suspended solids using Bayesianinference[J].Environmental Modelling&Software,2019,121:104493.[21]LI D Y,LIANG Z M,LI B Q,et al.Multi-objective calibration of MIKE SHE with SMAP soil moisture datasets[J].HydrologyResearch,2019,50(2):644-654.Probabilistic hydrological forecasting based on variationalBayesian deep learning∗LI Dayang1,YAO Yi2,LIANG Zhongmin3,ZHOU Yan4,LI Binquan3,5(1.College of Civil Engineering,Yancheng Institute of Technology,Yancheng224051,China;2.State Key Laboratory of Hydrologyand Water Resources and Hydraulic Engineering Science,Nanjing Hydraulic Research Institute,Nanjing210029,China;3.College of Hydrology and Water Resources,Hohai University,Nanjing210098,China;4.Jiangsu Provincialkey Laboratory of Coastal Wetland Bioresources and Environmental Protection,Yancheng Teachers University,Yancheng224007,China;5.Cooperative Innovation Center for Water Safety&Hydro Science,Nanjing210024,China)Abstract:The field of deep learning research in hydrology primarily aims to enhance prediction capabilities.Howev-er,the intricate structure of deep learning models often leads to predictions that are difficult to explain and trust, making the development of trustworthy deep learning models a challenging and increasingly important topic.In this paper,we present a novel hybrid model that combines the strengths of deep learning and physical-based hydrological models to improve predictions in hydrology.Utilizing a framework of a residual error model,our approach develops a VB-LSTM(variational Bayesian deep learning model)to quantify hydrological uncertainty and enhance predictive re-liability.We applied our model to predict streamflow in the source area of the Yellow River from1961to2015,and the results demonstrate its superiority over traditional pared to long-short term memory networks (LSTM),the VB-LSTM model achieved stable performance and higher predictive accuracy in the validation period. Additionally,it outperforms the traditional probabilistic hydrological post-processing method that relies on a linear-normal assumption,by providing higher predictive accuracy and reliability,and reducing predictive uncertainty. Key words:probabilistic hydrological forecasting;deep learning;variational Bayes;long short-term memory;hybrid model∗The study is financially supported by the National Natural Science Foundation of China(No.41730750;No.41877147).。
基于深度信念网络的钱塘江潮位预测方法
基于深度信念网络的钱塘江潮位预测方法鲍枫林;方力先;王瑞荣;赵晓东;孙映宏【摘要】浅层网络不能很好地挖掘钱塘江各站点间潮位数据及其他数据的原始特征关系,其浅层网络模型学习后获得的是没有层次结构的单层特征,影响预测数据重构精度,为此,提出了一种基于深度学习的钱塘江潮位预测方法.首先利用多个受限玻尔兹曼机RBM提取钱塘江各水文站点的潮位数据以及农历"日"的数据特征值,然后在网络的最后一层设置BP神经网络实体分类器,将RBM提取到的特征数据作为BP神经网络的输入特征向量,利用BP神经网络对实体关系分类器进行有监督地训练,最后将误差反向传播至每一层RB M来微调整个网络参数,最终建立深度信念网络DBN预测模型.实验结果表明,深度信念网络预测模型比神经网络预测模型预测钱塘江潮位更具稳定性,为钱塘江潮位的预测提供了一种方法.【期刊名称】《杭州电子科技大学学报》【年(卷),期】2018(038)002【总页数】6页(P67-72)【关键词】钱塘江;潮位预报;深度学习;受限玻尔兹曼机;深度信念网络【作者】鲍枫林;方力先;王瑞荣;赵晓东;孙映宏【作者单位】杭州电子科技大学生命信息与仪器工程学院,浙江杭州310018;杭州电子科技大学生命信息与仪器工程学院,浙江杭州310018;杭州电子科技大学生命信息与仪器工程学院,浙江杭州310018;杭州电子科技大学自动化学院,浙江杭州310018;杭州市水文水资源监测总站,浙江杭州310014【正文语种】中文【中图分类】P332.30 引言潮位高低是反映涌潮大小的直接量度之一，潮位预报是水利部门发布涌潮预警的重要依据。
钱塘江作为著名的旅游景点，吸引了众多游客，但是几乎每年都会出现游客因不知潮位信息被潮水卷走事件，因此，钱塘江潮位预测对沿岸单位及时做好防潮工作、保障游客安全具有重要作用。
近年来，对潮位预报的相关研究逐渐增多，主要有两类方法。
一类是经验值法[1]。
基于深度学习和水动力模型的洪水演进快速模拟方法
基于深度学习和水动力模型的洪水演进快速模拟方法
廖耀星;高玮志;张轩;赖成光;王兆礼
【期刊名称】《中国防汛抗旱》
【年(卷),期】2024(34)2
【摘要】洪涝灾害的快速模拟及预警预报是洪涝防灾减灾的重点,但目前基于物理机制的城市洪涝模型的模拟时效仍然过低。
通过结合水动力模型模拟生成的洪水淹没数据和深度学习技术,构建基于卷积神经网络(CNN)的深度学习洪水模拟模型,对城市洪水淹没演进情况进行快速模拟。
结果表明,所构建的CNN模型能较好地模拟洪水淹没的演进情况,预测峰值水深误差在8%以内,对淹没范围模拟效果良好。
CNN模型具有极高的洪水淹没模拟效率,在保持和水动力模型近似精度的同时,计算效率可提升约400倍。
研究结果可为流域与城市洪水淹没快速模拟、洪涝灾害预警预报和数字孪生流域建设等提供技术支撑。
【总页数】7页(P16-22)
【作者】廖耀星;高玮志;张轩;赖成光;王兆礼
【作者单位】华南理工大学土木与交通学院;人工智能与数字经济广东省实验室(广州);南京水利科学研究院水文水资源与水利工程科学国家重点实验室
【正文语种】中文
【中图分类】TP183;TV122
【相关文献】
1.基于二维水动力学模型的洪水演进数值模拟
2.基于一二维耦合水动力模型的横阳支江洪水演进数值模拟
3.二维水动力学模型在蓄滞洪区洪水演进模拟分析中的应用
4.基于水动力学模型的沿海城市洪水实时演进模拟
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于深度学习的水文预报方法研究
摘要：从当前的社会发展情况来看，洪水灾害对人类社会发展造成的损失是
非常严重的。
人每年都会造成非常大的危害，洪水在形成的过程中会受到自然因
素和人为因素的影响。
水文灾害存在着复杂的不确定性，开盖式流量预测是如果
只是采用传统的一种方法，无法解决当前一些复杂的问题，也无法对数据进行准
确的判断。
为了更好的获取水文序列中的一些有效特征，需要构建完善的水文流
量模型，全面提高水文流量预测的精准度。
关键词：深度学习；水文预告；研究方法
引言：在新时代发展的背景下，相关水利部门要做好水文预报方法研究工作。
了解水文管理工作的主要内容分析水文要素的基本影响，同时做好特征和流量因
子之间的复杂关系。
明确信息分析的主要情况，采用现代化的信息技术，动态化
的了解水文输入的基本特征，为后续建模工作做好基础。
1 分析要素研究
对于当前的社会发展而言，洪水流量预测管理工作的开展是非常重要的，水
文要素是影响洪水流量预测的，主要物理因素能够直接反映出当前使用流量变化
的重要尺度。
在近些年的社会发展中，但是水资源短缺和洪水灾害的问题越来越
严重。
各地区在进行水文特征分析和研究的过程中，要了解小流量数据的误差分析，系统化的强调年均降水量和地质指标之间的差距。
要从根本上意识到数据特
征管理的重要性，同时要系统分析不同地区水温水质和地理环境的差异性。
这些
外在因素对水文特征以及对径流洪水产生了一些影响，系统化地强调水文要素对
是资源利用的重要性。
了解汛期和非汛期降水的特点，非汛期的降水比较少，但
是不够稳定，在进行系统研究的过程中，要着重强调季节变化对洪水的影响程度
了解水文流量，研究工作的主要情况，为后续研究工作的开展提供一些参考方向。
降雨量的周期性变化进行系统化的分析，了解降雨量多尺度的周期性和自相理性
的特点。
系统化的分析当前水库河流年降水量的流量变化情况和趋势变化情况，
从系统的结果出发，了解结果的变化规律，同时对水资源的调度工作进行合理的
分析。
全面提高水资源的使用效率，做好系统的降水量趋势和研究工作。
进行数
据管理的过程中，要采取数据管理和数据分析的方法，要了解当前水文特征的基
本内容，合理的选择输入变。
对暴雨过程中的浑浊程度和pH值进行预测，了解
神经网络系统以及信息分析的具体结果。
引进现代化的处理技术，全面提高水温
流量预测的准确性。
2 可行性分析
对于当下的社会发展而言，深度学习和深度研究是非常重要的，研究人员要
明确深度学习的基本概念和特点，将深度学习的内容和水文预报管理工作融合在
一起。
随着当前科学技术的不断发展，人工智能模型的应用频率越来越高，人工
智能技术也被广泛的应用于水文地质环境探测工作。
相关工作人员要深入分析当
前流量的基本情况，做好洪水流量预报管理工作，全面提高流量预测的准确度，
推动洪水流量 the快速发展明确当前流量预测管理的发展趋势。
人工智能技术和
人工智能模型的建立也属于深度学习的一部分，人工智能模型具有较强的数据处
理能力和分析能力。
当前人工智能模型的具体使用情况来看，整体的可行性是比
较高的，首先能够具有较强的自主学习和适应能力，在传统的洪水预报模型建立
工作中，相关水利部门只是以水文现象的基本概念作为基础进行模型创建，在这
一过程中需要综合考虑径流形成的基本机制，但是采用人工智能技术对其进行深
入学习和设计就不需要考虑这些问题相关人员，只需要通过合适的算法来获取水
流的基本特征和输入的特征，并且通过训练模拟的方式，对现代化的原理进行系
统化的分析。
自主的对黑盒中的一些参数进行调整，使其能够达到比较有效的预
测效果，这样能够有效的降低建模过程中的复杂程度。
工作人员需要不断对水文要素进行系统化的分析，了解洪水流量的基本形成
原因，探讨水文要素特征之间的联系，同时要分析各个特征之间的不确定联系和
复杂性的关系。
这些关系是可行性的，有些是非线性的，在传统的物理概念中很
难建立完善的模型，也很难考虑当前水文要素的主要特质。
相关电力企业在进行
智能模型建造的过程中，要了解智能建造的基本基础。
考虑什么要素的主要特征，建立完善的网络调整结构。
洪水流量预测是一个系统化的过程在进行流量预测和分析的过程中，工作人员要深入分析使用要素的主要特征，了解流量形成过程与水文要素特征之间的影响，同时在进行人工智能模型创建的过程中，要借助现代化的算法对流量进行系统化的预测。
自动地提取相关的序列，保证水文要素特征的稳定性和科学性，做好学问时间的序列预测管理工作。
3 基于深度学习使用预测的相关内容分析在当前的社会发展中，水文信息预测管理工作的开展非常重要，工作人员要从深度学习的角度出发，借助现代化的信息技术，建立完善的数据处理系统和处理结构，根据数据预处理的情况，进行综合性的分析，构建完善的时间序列预测模型。
了解不同时间段的流量模型和其他月份的流量预测模型，对不同时间段的数据进行模型的创建，削弱数据之间的非线性特征，使其能够获得更加准确的预测结果。
在进行数据处理的过程中，要从原始的数据出发，选择出一个特征，子集特征子集中一般保函两个特点，首先是每个子集每个特征之间都是低冗余。
所以进行各类数据变量预测管理的过程中，要准确的把握各个数据特征之间的关系，对各类数据进行综合性的分析。
进行数据检测的过程中，要考虑到降水量库上水位和流量的数据，同时要对历史的使用数据进行综合性的研究，了解降水量，对水量的具体流量影响。
分析输入特征因子与流量之间的关系，从信息角度出发，基于信息方法筛选一些与流量数据相联系的模型。
好全方位的复核和研究工作，对流量数据进行系统化的研究，做好数据分析工作。
在进行模型构建的过程中，要深入分析构建模型和深度学习之间的联系，对获取到的各类历史数据进行预处理，同时要做好特征的选择和分析工作，在对各类数据信息进行研究的过程中，要考虑到结构设计和参数的选择。
结合前后时刻的流量进行综合性的分析，建立流量预测模型[1]。
这一过程中不能只考虑某一个时刻的水文信息，要真正从时间序列的角度出发，针对已经处理过的水文数据进行综合性的研究，做好全方位的数据和研究工作，选择科学的处理方法。
进行数据分析的过程中，要了解不同时间段降雨量和雨量之间的互动情况，同时要对每年的降水量和流量的变化情况进行及时的记录与研究。
做好全方位的预算管理工作建立完善的预算模型，同时要考虑到特征变量和不同属性之间的关系，做好数据处理工作，在进行训练和测试的过程中，要对不同的数据进行标准化的处理，
保证在不同模型和算法的背景下，能够保证预算结果的科学性[2]。
在开展实验管理工作的过程中，要对现有的数据进行统一化的处理，了解不同属性水文特征的标准化映射情况。
要了解当前流量数据的基本情况，做好流量和降水量的划归工作，在进行模拟训练之前，要将数据分成不同的训练模式，按照相关的比例进行及时化的调整。
进行模拟构建之前采取不同的验证方法做好水文数据的训练研究工作，并且做好训练集和验证集的工作[3]。
在进行洪水流量预测的过程中，要找出传统模型建立过程中的一些问题，分析水文变化过程中受到各种因素的影响，在进行数据处理的过程中，要考虑到具体的处理模式，做好水温监测和洪水流量监测工作。
建立完善的数据处理模型，对获得的流量数据进行详细的记录，仔细观察不同实际的数据变化情况。
了解当前神经网络循环检测模型的情况，同时要了解输入层的基本节点，做好数据处理工作之后，要明确基本特征的相关个数，做好流量预测值的个数工具。
对隐藏的各类数据进行及时的处理，要保证数据的准确性，在开展实验的过程中要考虑到具体的神经元次数。
结束语：总而言之，相关水利部门的工作人员，要做好水文预报管理工作基于深度学习，探索水文预报的基本方法，全面提高预报管理工作的实际水平，保证数据的准确性。
参考文献：
[1] 梁肖旭. 基于深度学习的水文预报方法研究[D]. 西安电子科技大学.
[2] 朱齐亮, 任建勋, 刘静,等. 一种基于深度学习和迁移学习的水文预报方法:, CN114707736A[P]. 2022.
[3] 马瑜君, 邹希. 基于深度学习的中小河流洪水预报方法研究[J]. 国外电子测量技术, 2018, 37(12):7.。