基于LSTM和KNN组合模型的黄河源区日径流量模拟研究

李永花; 代青措; 马玉芳; 刘玮; 张静

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

基于LSTM和KNN组合模型的黄河源区日径流量模拟研究

更新时间：2025-11-16

- 基于LSTM和KNN组合模型的黄河源区日径流量模拟研究
- Vol. 19, Issue 3, Pages: 157-164(2025)
- 作者机构：
  
  1. 青海省气象科学研究所
  2. 青海省防灾减灾重点实验室
  3. 青海省气象服务中心
- 作者简介：
- 基金信息：
- DOI：
  CLC： P333.1
- Published：2025
- 稿件说明：
移动端阅览
李永花, 代青措, 马玉芳, et al. 基于LSTM和KNN组合模型的黄河源区日径流量模拟研究[J]. 2025, 19(3): 157-164.
DOI：

李永花, 代青措, 马玉芳, et al. 基于LSTM和KNN组合模型的黄河源区日径流量模拟研究[J]. 2025, 19(3): 157-164. DOI：

摘要

采用长短期记忆网络（LSTM）和K近邻算法（KNN）组合模型对水文流量进行预报，对黄河源区的吉迈、军功、唐乃亥的日径流量进行预报分析。首先用温度、降水等气象要素构建流域动态属性，用历史气象水文和地理信息资料构建流域静态属性特征，用LSTM模型开展特征优选，确定最优模型TOPO＿CLIM＿SOIL＿LSTM后用于实际的日径流量预测，然后用KNN算法对预测结果进行实时校正。结果表明：TOPO＿CLIM＿SOIL＿LSTM模型能更好地学习到降雨与径流之间的关系，可有效解决低流量段预测径流量跳变的问题。用KNN模型对预测流量修订后，吉迈、军功、唐乃亥站未来1 d的日径流量预报准确率均达到了93%以上，纳什系数分别提高18.07%、6.45%和12.5%，有效提高了日径流量预报精度。

Abstract

关键词

Keywords

references

左岗岗.基于机器学习的径流预测方法及适应性预测机制研究[D].西安理工大学,2021(01).

田杨.基于长短期记忆神经网络的舞水河径流量预测研究[D].湖南农业大学,2021(02).

Granata Francesco,Di Nunno Fabio,de Marinis Giovanni.Stacked machine learning algorithms and bidirectional long short-term memory networks for multi-step ahead streamflow forecasting: A comparative study[J].Journal of Hydrology,2022.

Xiangang Luo,Xiaohui Yuan,Shuang Zhu,Zhanya Xu,Lingsheng Meng,Jing Peng.A hybrid support vector regression framework for streamflow forecast[J].Journal of Hydrology,2019.

College of Hydropower and Information Engineering, Huazhong University of Science and Technology, Wuhan 430074, China,School of Hydraulic Engineering, Dalian University of Technology, Dalian, China,College of Hydropower and Information Engineering, Huazhong University of Science and Technology, Wuhan 430074, China,Changjiang River Scientific Research Institute, Wuhan, Hubei, China,College of Hydropower and Information Engineering, Huazhong University of Science and Technology, Wuhan 430074, China,College of Hydropower and Information Engineering, Huazhong University of Science and Technology, Wuhan 430074, China.Monthly streamflow forecasting based on hidden Markov model and Gaussian Mixture Regression[J].Journal of Hydrology,2018.

Z. H. He,J. Parajka,F. Q. Tian,G. Blöschl.Estimating degree-day factors from MODIS for snowmelt runoff modeling[J].Hydrology and Earth System Sciences,2014.

Hamid Moradkhani,Kuo-lin Hsu,Hoshin V. Gupta,Soroosh Sorooshian.Improved streamflow forecasting using self-organizing radial basis function artificial neural networks[J].Journal of Hydrology,2004.

张梦凡,丁兵兵,贾国栋,余新晓.基于TCN-BiLSTM与LSTM模型对比预测北洛河径流[J].北京林业大学学报,2024(04).

张少卿,陈义浦,王世辉,沈昊,刘雨.基于差分序列多尺度深度学习的径流量预测方法[J].水力发电,2024(04).

徐冬梅,廖安栋,王文川.基于VMD-EEMD-CNN-LSTM混合模型的月径流预测[J].水利规划与设计,2023(07).

熊怡,周建中,孙娜,张建云,朱思鹏.基于自适应变分模态分解和长短期记忆网络的月径流预报[J].水利学报,2023(02).

李彬,魏吟娬,祁兵,孙毅,陈宋宋.基于EEMD-LSTM的需求响应终端DDoS攻击检测方法[J].电力建设,2022(04).

肖风劲,徐雨晴,黄大鹏,廖要明,於琍.气候变化对黄河流域生态安全影响及适应对策[J].人民黄河,2021(01).

岳明哲,陈旭东,李俊杰.基于CNN-LSTM的混凝土坝渗流预测[J].水电能源科学,2020(09).

韩辉邦,张博越,马守存,田建兵,康晓燕.黄河上游地区降水雨滴谱特征分析[J].沙漠与绿洲气象,2019(06).

冯钧,潘飞.一种LSTM-BP多模型组合水文预报方法[J].计算机与现代化,2018(07).

吉哲君,王丽娜,李国军,宁和平.黄河上游玛曲地区1971—2010年云量的变化特征[J].沙漠与绿洲气象,2014(05).

谢小燕,李春红,王建平,陈建.基于ANN和多元门限回归相结合的中长期水文预报组合预报模型研究[J].水电厂自动化,2012(04).

张弛,周惠成,王本德,蒋云钟.河道洪水演进的分类多模型组合预报方法[J].哈尔滨工业大学学报,2008(08).

李国军,李晓媛,王振国,张胜智.黄河上游水源补给区气候变化及对水资源的影响[J].干旱气象,2007(02).

Views

1092

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

No data

Related Author

No data

Related Institution

No data

AI问答

⁰