利用一维CNN缩减LSTM输入数据规模用于小时尺度降雨-径流建模
机器学习
2021-11-10 v1 人工智能
大气与海洋物理
摘要
本研究提出了一种由一维卷积神经网络（1D-CNN）与长短期记忆（LSTM）网络串行耦合组成的架构，称为CNNsLSTM，用于小时尺度降雨-径流建模。在CNNsLTSM中，CNN组件接收长时间段的小时气象时间序列数据，然后LSTM组件接收来自1D-CNN提取的特征和短时段小时气象时间序列数据。作为一个案例研究，CNNsLSTM被应用于日本石狩河流域的小时降雨-径流建模。气象数据集由降水、气温、蒸散发以及长波和短波辐射组成，用作输入，河流流量用作目标数据。为评估所提CNNsLSTM的性能，将其结果与1D-CNN、仅使用小时输入的LSTM（LSTMwHour）、1D-CNN与LSTM的并行架构（CNNpLSTM）以及同时使用日和小时输入数据的LSTM架构（LSTMwDpH）进行比较。CNNsLSTM相比三种传统架构（1D-CNN、LSTMwHour和CNNpLSTM）以及近期提出的LSTMwDpH，估计精度有明显提升。与观测流量相比，测试期NSE值的中位数：1D-CNN为0.455-0.469（基于NCHF=8、16和32，即CNN第一层特征图通道数），CNNpLSTM为0.639-0.656（基于NCHF=8、16和32），LSTMwHour为0.745，LSTMwDpH为0.831，CNNsLSTM为0.865-0.873（基于NCHF=8、16和32）。此外，所提CNNsLSTM将1D-CNN的中位数RMSE降低50.2%-51.4%，CNNpLSTM降低37.4%-40.8%，LSTMwHour降低27.3%-29.5%，LSTMwDpH降低10.6%-13.4%。
引用
@article{arxiv.2111.04732,
title = {Use of 1D-CNN for input data size reduction of LSTM in Hourly Rainfall-Runoff modeling},
author = {Kei Ishida and Ali Ercan and Takeyoshi Nagasato and Masato Kiyama and Motoki Amagasaki},
journal= {arXiv preprint arXiv:2111.04732},
year = {2021}
}
备注
18 pages, 9 figures