耦合Encoder-Decoder的LSTM径流预报模型研究

作者：林康聆; 陈华^*; 陈清勇; 罗宇轩; 刘峰; 陈杰

来源：武汉大学学报(工学版), 2022, 55(08): 755-761.

DOI：10.14188/j.1671-8844.2022-08-001

• 径流预报
• Encoder-Decoder结构
• 长短期记忆神经网络
• 深度学习
• 人工神经网络

将长短期记忆神经网络（long short-term memory neural network,LSTM）与Encoder-Decoder结构耦合应用为LSTM-ED模型，并与LSTM人工智能径流预报模型进行比较。通过在闽江建溪流域进行应用，结果表明，相较于LSTM,LSTM-ED在检验期整体和各预见期具有更高的精度和稳定性，且对于典型洪水的预报洪峰误差更小，其独有的语义向量可以保持水文信息的连续性，预报径流过程不易受降雨波动干扰。2个模型的预报能力都与流域最大汇流时间密切相关，当预见期小于流域最大汇流时间时，2个模型都有很好的预报能力；当预见期大于流域最大汇流时间时，模型预报能力显著变差；当预见期远大于流域最大汇流时间时，2个模型都失去预报可靠性。

• 单位
  水资源与水电工程科学国家重点实验室; 武汉大学