基于长短期记忆（LSTM）网络的高时间分辨率降雨径流建模
信号处理
2020-06-15 v2 机器学习
机器学习
摘要
准确且高效的降雨径流（RR）模拟模型对洪水风险管理至关重要。当今使用的大多数降雨模型为过程驱动型；即它们求解简化的经验公式或圣维南（浅水）方程的某种变体。随着机器学习技术的发展，我们现在或许能够使用例如神经网络来仿真降雨模型。本研究构建了一个使用序列到序列长短期记忆（LSTM）网络的数据驱动 RR 模型。该模型在以德克萨斯州休斯顿一个以严重洪水事件闻名的流域进行了测试。LSTM 网络学习网络输入与输出之间长期依赖关系的能力，使得以高时间分辨率（15 分钟）建模 RR 成为可能。利用来自 153 个雨量站的 10 年降水数据与河槽流量数据（超过 530 万个数据点），并通过设计若干数值试验，测试了所开发模型在预测河流流量方面的性能。还将模型结果与一个过程驱动模型网格化地表地下水文分析（GSSHA）的输出进行了比较。此外，探讨了 LSTM 模型的物理一致性。模型结果表明，LSTM 模型能够高效预测流量并取得良好的模型性能。与 GSSHA 相比，该数据驱动模型在预测与校准方面更高效且更稳健。有趣的是，当基于模型性能筛选的雨量站子集（而非全部雨量站）用作输入时，LSTM 模型的性能有所提升（测试期 Nash-Sutcliffe 模型效率从 0.666 升至 0.942）。
引用
@article{arxiv.2002.02568,
title = {High Temporal Resolution Rainfall Runoff Modelling Using Long-Short-Term-Memory (LSTM) Networks},
author = {Wei Li and Amin Kiaghadi and Clint N. Dawson},
journal= {arXiv preprint arXiv:2002.02568},
year = {2020}
}