科研之友
微信
新浪微博
Facebook
分享链接
摘要
将长短时记忆（LSTM）神经网络嵌套至编码-解码（ED）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6 h降水径流资料序列训练和检验模型，开展了1～7 d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1～7 d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。
-
单位武汉大学; 长江水利委员会水文局; 水资源与水电工程科学国家重点实验室
