基于长短时记忆神经网络的鄱阳湖水位预测

• 作者: 赖锡军 郭燕
• 来源期刊: 湖泊科学
• 关键词: 湖泊水位 LSTM循环神经网络 模型参数 训练集 鄱阳湖
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 专稿
• 页码范围: 865-876
• 页数: 12页
• 字数: 6547字
• 语种: 中文
• DOI: 10.18307/2020.0325

摘要

湖泊水位是维持其生态系统结构、功能和完整性的基础.鄱阳湖受流域"五河"和长江来水双重影响,水位变化复杂.为了准确预测鄱阳湖水位变化,采用长短时记忆神经网络方法(LSTM)构建了鄱阳湖水位预测模型.该模型以赣江、抚河、信江、饶河和修水"五河"入湖流量和长江干流流量作为输入条件,预测鄱阳湖湖区不同代表站(湖口、星子、都昌、吴城和康山)的水位过程.研究以19561980年的水文时间序列数据作为训练集,19812000年作为验证集,探讨了LSTM模型输入时间窗、隐藏神经元数目、初始学习率等模型参数对预测精度的影响,并确定了鄱阳湖水位预测模型的最优参数.结果表明,采用LSTM神经网络方法可基于流域"五河"和长江来水量历时数据合理预测鄱阳湖不同湖区的水位过程,五站水位预测的均方根误差为0.41～0.50 m,纳什效率系数和决定系数达0.96～0.98.为考察模型训练数据集对鄱阳湖水位预测结果的影响,进一步选取了随机5年(19561960年)的资料和5个典型水文年(1954年、1973年、1974年、1977年和1978年)的日均流量资料来训练模型.结果显示随机5年资料作为训练数据的预测精度要差于典型年水文资料训练得到的模型,尤其是洪、枯水位的预测;由于典型水文年数据量仍远低于20年的资料,故其总体预测精度要略低于采用20年资料训练的模型.建议应用这类基于数据驱动的模型时,应该尽可能多选取具有代表性的资料来训练.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	赖锡军	中国科学院南京地理与湖泊研究所中国科学院流域地理学重点实验室	46	490	13.0	21.0
2	郭燕	中国科学院南京地理与湖泊研究所中国科学院流域地理学重点实验室	13	22	2.0	4.0