基于迁移学习的长短时记忆神经网络水文模型

针对无/缺水文资料地区水文建模的难题，提出了基于迁移学习的长短时记忆神经网络（LSTM）水文模型。以嘉陵江、乌江和岷江流域为例，基于实测水文气象数据，采用K-最近邻算法与土壤和水评价模型（SWAT）模拟生成气象和径流数据，并构建实测和模拟样本集；然后构建不同的网络迁移微调策略和网络学习情景，分析迁移网络的可能性和性能。结果表明，固定网络的细胞层并微调网络其他层时，迁移学习的效果较好；同流域和跨流域进行网络迁移时，迁移后的网络更稳定且精度更高；跨流域迁移时，源流域和目标流域的相似度越高，迁移网络的难度更小，精度更高。该模型为无/缺水文资料地区构建水文模型提供了新的思路。