基于特征增强与时序感知的洪水预报模型

作者：巫义锐; 郭鸿飞; 钱程; 王文鹏^*

来源：人民长江, 2021, S2: 21-44.

DOI：10.16232/j.cnki.1001-4179.2021.S2.005

• 洪水预报
• 长短时记忆网络
• 特征增强
• 时序感知
• 深度神经网络模型

面对洪水发生频率低且机制复杂的问题,提出了一类深度神经网络模型(ET-LSTM)。该模型通过构建特征增强模块提升了小样本情况下的洪水预报能力,通过结合时序感知模块的深度神经网络模型,构建洪水因子与径流量间的非线性关系,挖掘洪水因子间的隐含时序关联关系。首先利用一维卷积神经网络构建洪水深度特征表达;然后,结合瓶颈(BottleNeck)结构设计,通过特征通道间的信息交换,增强洪水深度特征的表达能力;最后,构建时序无关和时序相关模块,分别提取深度特征中的时序相关与时序无关部分,进一步提升深度特征的时变表达能力,并在流域数据集上进行对比分析。结果表明:该方法在模拟精度、相关性系数等指标上优于对比方法,能够更好地拟合真实径流量数据,提升洪水预报的准确性与预见期。

• 单位
  河海大学; 江苏省水利科学研究院