含水库流域的洲际尺度径流建模：迈向连贯的深度学习策略
机器学习
2021-06-09 v2
摘要
大部分主要水道都建有水坝影响径流，在大规模水文建模中必须加以考虑。然而，对于有坝流域的日径流预测对各种建模方法都具有挑战性，尤其是在大尺度上。在此，我们考察了哪些类型的受坝流域可以使用 readily-available 的信息由长短期记忆（LSTM）模型良好表示，并划定了剩余的挑战。我们分析了美国本土 3557 个流域（83% 受坝）的数据，注意到水库用途、调节程度（dor）和引水对径流建模的强烈影响。虽然在广泛使用的基础流域数据集上训练的模型在非基础流域表现不佳，但在整个数据集上训练的模型呈现了 0.74 的中值 Nash-Sutcliffe 效率系数（NSE）。我们发现零 dor、小 dor（蓄水量约为平均径流量一个月或更少）和大 dor 流域具有不同行为，因此在类别间迁移模型会产生灾难性结果，这意味着我们绝不能将小 dor 流域视为基础流域。然而，使用来自不同集合的合并数据训练分别对这三组产生了 0.72、0.79 和 0.64 的最优中值 NSE，明显强于现有模型。这些结果支持一种连贯的建模策略：将较小水坝（蓄水量约为平均径流量一个月或更少）作为流域降雨-径流过程的一部分隐式建模；然后，某些类型的大 dor 水库可以显式表示。但是，受坝流域必须出现在训练数据集中。未来工作应考察对用于防火与灌溉、水力发电和防洪的大型水库进行单独建模。
引用
@article{arxiv.2101.04423,
title = {Continental-scale streamflow modeling of basins with reservoirs: towards a coherent deep-learning-based strategy},
author = {Wenyu Ouyang and Kathryn Lawson and Dapeng Feng and Lei Ye and Chi Zhang and Chaopeng Shen},
journal= {arXiv preprint arXiv:2101.04423},
year = {2021}
}