基于水动力模型和深度学习的缺资料河段水位预测研究

苑峻华; 李雪; 韩会明; 刘杨

doi:10.20040/j.cnki.1000-7709.2025.20241358

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

基于水动力模型和深度学习的缺资料河段水位预测研究

更新时间：2026-02-25

- 基于水动力模型和深度学习的缺资料河段水位预测研究
- Vol. 43, Issue 6, Pages: 29-32+61(2025)
- 作者机构：
  
  1. 江西省水利科学院
  2. 长江涪陵航道处
  3. 华中科技大学土木与水利工程学院
- 作者简介：
- 基金信息：
- DOI：10.20040/j.cnki.1000-7709.2025.20241358
  CLC： TP18;P338
- Published：2025
- 稿件说明：
移动端阅览
苑峻华, 李雪, 韩会明, et al. 基于水动力模型和深度学习的缺资料河段水位预测研究[J]. 2025, 43(6): 29-32+61.
DOI：

苑峻华, 李雪, 韩会明, et al. 基于水动力模型和深度学习的缺资料河段水位预测研究[J]. 2025, 43(6): 29-32+61. DOI： 10.20040/j.cnki.1000-7709.2025.20241358.

摘要

河流水位预测对于河流防洪、灌溉、航运等功能的发挥具有重要意义，目前水位预测主要针对有实测数据的监测站点处，对于无监测站点缺资料河段的有效水位预测方法还有待进一步研究。为此，提出了一种融合水动力模型和深度学习的缺资料河段水位预测方法，通过水动力模型获得无站点处的水位变化过程，并采用水动力模型的模拟水位数据结合上游水文水位站数据，构造了不同模型输入下的深度学习模型训练数据集，比较了不同模型输入对深度学习模型在未来1～3 d的水位预测效果影响。对长江中游宜昌至沙市段的模型试验结果表明，水动力模型模拟的河段无站点处的水位变化过程精度较高，基于水动力模型模拟水位数据进行深度学习模型的训练后，其水位预测精度与基于实测数据训练的水位预测精度相似，待预测站点——枝城站未来1 d水位预测结果的纳什系数N

NSE

和均方根误差R

RMSE

分别为0.977 9和0.356 0 m

整体处于较优精度；在训练集中加入上游水文水位站数据后，模型预测精度得到了进一步提升，枝城站未来1 d水位预测结果的N

NSE

和R

RMSE

分别达0.980 4和0.327 3 m。研究方法能够为无站点河段的水资源管理与利用提供一定的参考。

Abstract

关键词

Keywords

references

Prashant Kadam,Dhrubajyoti Sen.Flood inundation simulation in Ajoy River using MIKE-FLOOD[J].ISH Journal of Hydraulic Engineering,2012.

Hochreiter S,Schmidhuber J.Long short-term memory.[J].Neural computation,1997(8).

隆院男,潘鹤鸣,盛东,黄春福,宋昕熠,刘易庄.基于IPSO-EGA-LSTM模型的洞庭湖水位预测方案研究[J].长江流域资源与环境,2024(06).

周兰庭,陈思思,孙永明.基于深度学习提取时空信息的流域内库水位预测模型研究[J].水电能源科学,2024(04).

罗志洁,刘海生,杜世鹏.基于圩区产流与调蓄的大型平原河网水文水动力耦合模型研究[J].水电能源科学,2024(01).

薛萍,廖丽莎,廖卫红,位文涛,景象.南水北调中线工程水位的水动力-神经网络耦合预测模型[J].南水北调与水利科技(中英文),2023(06).

刘惟飞,陈兵,余周.基于GRU-BP组合模型的湖泊水位预测方法探索[J].中国农村水利水电,2022(11).

郭燕,赖锡军.基于长短时记忆神经网络的鄱阳湖水位预测[J].湖泊科学,2020(03).

Views

294

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于情景分析与水动力模型的分洪区洪水模拟及防洪工程效果评估

基于水动力响应的白洋淀水质迁移规律研究

基于水动力模型的大石河流域变电站防洪能力评估

基于水质水量联合调度的岷江干流污染应急处置研究

基于多层感知机和编码器解码器架构的混凝土坝长期变形预测

Related Author

赵艳湄

徐美

李小娟

郝晓丽

高强

赵浩楠

朱永涛

潘增辉

Related Institution

北京市水文总站

中国水利水电科学研究院

首都师范大学资源环境与旅游学院

保定学院

河北省水利科学研究院

AI问答

⁰