深度学习模型用于三峡入库洪水概率预报

作者：崔震; 郭生练; 汪芸; 张俊; 王俊; 胡挺; 李帅

来源：水力发电学报, 2022, 1-11.

• 洪水预报
• 深度学习
• 编码-解码结构
• 概率预报
• 不确定性分析

将长短期记忆神经网络（LSTM）嵌套至编码-解码结构，构建了LSTM-ED深度学习模型，采用贝叶斯概率预报处理器量化洪水预报不确定性，提出了一种三峡入库洪水概率预报业务方法，并讨论了降雨预报对洪水概率预报性能的影响。选用向家坝～三峡坝址区间流域2010—2021年汛期6h降水径流资料序列训练和检验模型，开展了1～7d预见期入库洪水预报。结果表明：LSTM-ED模型的模拟预报精度优于LSTM模型，验证期1～7d预见期纳什效率系数高于0.92；概率预报连续排位概率分数相对平均绝对误差降低26.82%～32.74%，考虑预报降雨可进一步提高概率预报性能，为调度决策者提供可靠的风险信息。

• 单位
  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; 武汉大学