基于混合深度学习模型的洪水过程概率预报研究

作者：崔震; 郭生练; 王俊; 张俊; 周研来

来源：水利学报, 2023, 54(08): 889-897+909.

DOI：10.13243/j.cnki.slxb.20220726

• 概率预报
• 不确定性分析
• 长短期记忆神经网络
• 编码-解码结构
• 混合密度网络

传统的人工神经网络模型无法量化洪水预报的不确定性，而且在多时段连续预报中未考虑输出的时间相关性。本文通过融合新安江(XAJ)模型、基于外源输入编码-解码(EDE)结构的长短期记忆(LSTM)神经网络和混合密度网络(MDN),构建了XAJ-LSTM-EDE-MDN混合深度学习模型，以实现洪水过程概率预报。该模型在考虑预报洪水时间相关性的前提下，将解码过程产生的点估计转化为条件概率分布的估计；进一步采用最大似然估计法建立了损失函数，通过自适应矩估计(Adam)算法优选模型参数。在陆水和建溪两个流域的研究结果表明：该模型在不降低XAJ-LSTM-EDE模型预报精度的前提下，可有效反映预报洪水过程的不确定性，获得合理可靠的置信区间和优良的概率预报性能，为水库防洪调度等决策提供更多的风险信息，同时为研究深度学习在洪水概率预报中的应用提供参考。

• 单位
  武汉大学; 水资源与水电工程科学国家重点实验室; 长江水利委员会水文局