耦合新安江模型与LSTM模型的赣江流域径流模拟研究

邹佳成; 黄监初; 杨丽琳; 顾雯叶

doi:10.20040/j.cnki.1000-7709.2024.20231438

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

耦合新安江模型与LSTM模型的赣江流域径流模拟研究

更新时间：2026-02-25

- 耦合新安江模型与LSTM模型的赣江流域径流模拟研究
- Issue 7, Pages: 12-15(2024)
- 作者机构：
  
  1. 赣江下游水文水资源监测中心
  2. 山东省水利勘测设计院有限公司
  3. 中交第三航务工程勘察设计院有限公司
- 作者简介：
- 基金信息：
- DOI：10.20040/j.cnki.1000-7709.2024.20231438
  CLC： P333
- Published：2024
- 稿件说明：
移动端阅览
邹佳成, 黄监初, 杨丽琳, et al. 耦合新安江模型与LSTM模型的赣江流域径流模拟研究[J]. 2024, (7): 12-15.
DOI：

邹佳成, 黄监初, 杨丽琳, et al. 耦合新安江模型与LSTM模型的赣江流域径流模拟研究[J]. 2024, (7): 12-15. DOI： 10.20040/j.cnki.1000-7709.2024.20231438.

摘要

准确的径流模拟对流域水资源优化配置、防汛抗旱具有重要作用。为此，以赣江流域为例，构建了新安江模型与LSTM的耦合模型（XAJ-LSTM）

对比分析了XAJ-LSTM、新安江模型和LSTM模型的径流模拟差异，并评估了汛期划分对径流模拟精度的影响。结果表明，在赣江流域，LSTM模型的最佳神经元参数为第一层18个，第二层36个；LSTM模型的径流模拟效果要优于新安江模型，且利用新安江模型对LSTM模型进行物理约束后，R

RMSE

的降幅达11%;考虑汛期划分能够提升XAJ-LSTM模型对汛期与非汛期径流的模拟精度，且在汛期的改善效果更明显，R

RMSE

减幅达18%。研究成果可为赣江流域径流模拟与预报提供参考。

Abstract

关键词

Keywords

references

Zhongrun Xiang,Jun Yan,Ibrahim Demir.A Rainfall‐Runoff Model With LSTM‐Based Sequence‐to‐Sequence Learning[J].Water Resources Research,2020.

Hochreiter S,Schmidhuber J.Long short-term memory.[J].Neural computation,1997.

徐冬梅,王逸阳,王文川.基于贝叶斯优化算法的长短期记忆神经网络模型年径流预测[J].水电能源科学,2022(12).

郭晓萌,方秀琴,杨露露,曹煜.基于人工神经网络的西辽河流域根区土壤湿度估算[J].自然资源遥感,2023(02).

巴欢欢,胡挺,袁玉,张松,梁运鸿.基于小波变换和人工神经网络模型的三峡入库月径流预报[J].水电能源科学,2022(05).

熊一橙,徐炜,张锐,侯家其,杨雨霞,许莎莎.基于LSTM网络的长江上游流域径流模拟研究[J].水电能源科学,2021(09).

鲁向晖,张海娜,白桦,陈章诚,李阳.赣江流域1986—2015年降雨侵蚀力时空变化特征[J].长江科学院院报,2020(10).

王鸽,肖长来,梁秀娟,齐志伟,冉聪聪.挠力河流域地下水动态特征分析及预测[J].水电能源科学,2017(12).

赵人俊,王佩兰.新安江模型参数的分析[J].水文,1988(06).

Views

247

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于多层土壤湿度数据同化的小流域径流模拟

回水顶托效应下巨型水电站下游水位预测研究

基于机器学习模型的河道水位预测方法及其应用

新安江模型和NAM模型在皖南山区中小河流洪水模拟中的适应性研究

基于机器学习的雅砻江流域洪水预报研究

Related Author

黄媛媛

祁永靓

吴雪梅

郭立

李红霞

彭旺

姚华明

蒋志强

Related Institution

四川大学水利水电学院

四川大学山区河流保护与治理全国重点实验室

中国长江电力股份有限公司

华中科技大学土木与水利工程学院

绍兴市上虞区上浦闸运行管理中心

AI问答

⁰