考虑记忆时间的LSTM模型在赣江流域径流预报中的应用

在气候变化条件下,准确的径流预测对水资源的规划与管理十分重要。本文基于长短时记忆神经网络(LSTM)模型,采用赣江流域外洲、峡江以及栋背水文站的逐日流量以及CN05.1日降水数据构建3个不同面积流域的径流预测模型,并通过设置不同情景分析:模型的有效预见期与不同流域平均产汇流时间之间的关系,有效预见期内LSTM径流预测模型精度与记忆时间之间的关系,不同长度的预见期与模型最佳记忆时间之间的关系,同时探讨LSTM径流预测所需的记忆时间与流域面积的关系。结果表明:(1)综合考虑降水和前期径流情景下的径流预测效果最好,当预见期为1 d时,外洲、峡江、栋背站的纳什效率系数(NSE)分别可达0.98、0.96以及0.90;且其有效预见期与仅考虑降水信息的有效预见期相同,均与流域平均产汇流时间相近。(2)随着预见期的延长,不同情景下的预测精度均有不同程度的下降,其中仅考虑前期径流情景的下降率最大,说明降水信息较前期径流对径流预测效果的提升更重要。同时,随着流域面积的增加,相同预见期内径流预测精度均有所提升。(3)当预见期相同时,随记忆时间的延长,不同径流预测模型的预测精度均先上升至最高,接着具有下降趋势,最后逐渐趋于稳定。且在有效预见期内,随着预见期的延长,最佳记忆时间均有增大趋势,当达到最长的有效预见期时,对应的最佳记忆时间均为14 d。此外,在赣江流域的模拟结果表明,随着流域面积的增大,LSTM的最佳记忆时间减小。研究结果可为赣江流域的径流预报提供参考,同时有助于推求其他流域采用机器学习进行径流预测所需的最佳记忆时间。