文献类型：期刊文章

作　　者：邓超[1] 陈春宇[1] 尹鑫[2] 王明明[3] 张宇新[4]

DENG Chao;CHEN Chunyu;YIN Xin;WANG Mingming;ZHANG Yuxin(College of Hydrology and Water Resources,Hohai University,Nanjing 210098,China;The National Key Laboratory of Water Disaster Prevention,Nanjing Hydraulic Research Institute,Nanjing 210029,China;Suqian Municipal Water Resources Bureau,Suqian 223800,China;Nanjing R&D Tech Group Co.,Ltd,Nanjing 210098,China)

机构地区：[1]河海大学水文水资源学院,江苏南京210098 [2]南京水利科学研究院水灾害防御全国重点实验室,江苏南京210029 [3]宿迁市水利局,江苏宿迁223800 [4]南京水科院瑞迪建设科技集团有限公司,江苏南京210098

出　　处：《水科学进展》

基　　金：国家重点研发计划资助项目(2022YFC3202802);中央高校基本科研业务费专项资金资助项目(B210201030)。

年　　份：2023

卷　　号：34

期　　号：6

起止页码：839-849

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2023_2024、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：环境变化影响下流域径流的精确模拟对洪涝灾害防治与区域水资源管理都具有重要意义。在径流模拟研究中,现有机器学习模型未能充分考虑水文中间状态变量对降雨-径流过程的影响,本研究基于集合卡尔曼滤波(EnKF)更新水文状态变量,结合主成分分析(PCA)提取预报因子的主要特征,采用长短时记忆神经网络(LSTM)构建考虑水文中间变量的机器学习水文模型EnKF-PCA-LSTM。以赣江流域为例,评估EnKF-PCA-LSTM模型的径流模拟效果,同时将模拟结果与LSTM模型、物理水文模型HYMOD做对比分析。结果表明,EnKF-PCA-LSTM模型模拟径流的纳什效率系数、Kling-Gupta效率系数和对数纳什效率系数分别为0.954、0.971和0.972,比LSTM模型和HYMOD模型具有更好的模拟性能,说明考虑水文状态变量可有效提高机器学习模型的径流模拟精度及稳定性。研究成果可为流域径流模拟提供技术参考。

关 键 词：径流模拟方法  水文状态变量  集合卡尔曼滤波 主成分分析  长短时记忆神经网络  

分 类 号：TV122]