基于 CNN-LSTM 的径流预报简约框架

Sudan Pokharel; Tirthankar Roy

基于 CNN-LSTM 的径流预报简约框架

机器学习 2024-04-12 v1

作者: Sudan Pokharel , Tirthankar Roy

摘要

径流预测领域已取得显著进展，特别是随着前沿机器学习模型的引入。长短期记忆网络（LSTM）和卷积神经网络（CNN）已被广泛应用于该领域。虽然 LSTM 适用于降雨-径流和时间序列两种场景，但 CNN-LSTM 主要用于降雨-径流场景。在本研究中，我们将 CNN-LSTM 的应用扩展至时间序列场景，利用滞后径流数据结合降水和温度数据来预测径流。我们的结果表明，在内布拉斯加州的 32 个 HUC8 流域中，有 21 个流域的预测性能得到显著提升，Kling-Gupta 效率（KGE）值显著增加。这些结果突显了 CNN-LSTM 在时间序列场景中的有效性，特别是在时空水文建模中，能够实现更准确、更稳健的径流预测。

关键词

径流预报 CNN-LSTM 时间序列降雨-径流时空水文建模

引用

@article{arxiv.2404.07924,
  title  = {A Parsimonious Setup for Streamflow Forecasting using CNN-LSTM},
  author = {Sudan Pokharel and Tirthankar Roy},
  journal= {arXiv preprint arXiv:2404.07924},
  year   = {2024}
}

基于 CNN-LSTM 的径流预报简约框架

摘要

关键词

引用

相关论文