共 31 条
三峡入库洪水概率预报的深度学习模型
被引：13
作者：
崔震
[1
]
郭生练
[1
]
汪芸
[1
]
张俊
[2
]
王俊
[1
,2
]
胡挺
[3
]
李帅
[3
]
机构：
[1] 武汉大学水资源与水电工程科学国家重点实验室
[2] 长江水利委员会水文局
[3] 中国长江三峡集团有限公司流域管理中心
来源：
基金：
国家重点研发计划;
关键词：
洪水预报;
深度学习;
编码-解码结构;
概率预报;
不确定性分析;
D O I：
暂无
中图分类号：
TP18 [人工智能理论];
P338 [水文预报];
TV697 [水库管理];
学科分类号：
081104 ;
0812 ;
0835 ;
1405 ;
摘要：
将长短时记忆（LSTM）神经网络嵌套至编码-解码（ED）结构，构建了LSTM-ED深度学习模型，采用贝叶斯概率预报处理器量化洪水预报不确定性，提出了一种三峡入库洪水概率预报业务方法，并讨论了降雨预报对洪水概率预报性能的影响。选用向家坝—三峡坝址区间流域2010—2021年汛期6 h降水径流资料序列训练和检验模型，开展了1～7 d预见期入库洪水预报。结果表明：LSTM-ED模型的模拟预报精度优于LSTM模型，验证期1～7 d预见期纳什效率系数高于0.92；概率预报连续排位概率分数相对平均绝对误差降低26.82%～32.74%，考虑预报降雨可进一步提高概率预报性能，为调度决策者提供可靠的风险信息。
引用
收藏
页码：1 / 10
页数：10
相关论文