基于机器学习的雅砻江流域洪水预报研究

何彦锋; 许涵冰; 刘洁; 周研来; 陈华; 郭生练

doi:10.20040/j.cnki.1000-7709.2025.20242368

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

基于机器学习的雅砻江流域洪水预报研究

更新时间：2026-02-25

- 基于机器学习的雅砻江流域洪水预报研究
- Issue 5, Pages: 15-20(2025)
- 作者机构：
  
  1. 武汉大学水资源工程与调度全国重点实验室
  2. 中国电建集团成都勘测设计研究院有限公司
  3. 成都大学建筑与土木工程学院
- 作者简介：
- 基金信息：
- DOI：10.20040/j.cnki.1000-7709.2025.20242368
  CLC： P338
- Published：2025
- 稿件说明：
移动端阅览
何彦锋, 许涵冰, 刘洁, et al. 基于机器学习的雅砻江流域洪水预报研究[J]. 2025, (5): 15-20.
DOI：

何彦锋, 许涵冰, 刘洁, et al. 基于机器学习的雅砻江流域洪水预报研究[J]. 2025, (5): 15-20. DOI： 10.20040/j.cnki.1000-7709.2025.20242368.

摘要

雅砻江干流水力资源丰富，流域内已形成梯级水库格局，开展流域梯级水库洪水预报对实现精细化水库调度、洪水资源高效利用具有重要意义。采用自适应模糊推理系统(ANFIS)、长短期记忆神经网络(LSTM)和时域卷积网络(TCN)建立洪水预报模型。研究结果表明，相较ANFIS

TCN的纳什效率系数改善率最高为17.47%(二滩，t+12)

LSTM的纳什效率系数改善率最高为15.44%(桐子林，t+12)。TCN和LSTM对两河口水库入库洪水预报整体上能达到甲等精度。与ANFIS和LSTM相比，TCN在洪峰误差和峰现时差方面表现最优，有效克服了时滞和误差累计的影响，显著降低了系统误差。结果表明，构建的TCN模型能够提高洪水预报准确性和可靠性。

Abstract

关键词

Keywords

references

余周,姜涛,范鹏辉,牛超群,陈兵.基于EMD-DELM-LSTM组合模型的湖泊水位多时间尺度预测[J].长江科学院院报,2024(06).

王军,高梓勋,单春意.基于TCN-Attention模型的多变量黄河径流量预测[J].人民黄河,2022(11).

李涛,夏润亮,李冰,俞彦,徐志恒,杨无双.洪水预报研究与展望[J].中国农村水利水电,2022(12).

李匡,何朝晖,梁犁丽.雅砻江流域水情预报方案[J].人民珠江,2017(08).

Jang J.-S.R..ANFIS: adaptive-network-based fuzzy inference system[J].IEEE transactions on systems, man, and cybernetics,1993(3).

Views

351

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于新安江+马斯京根洪水预报模型的梅汛期分水江流域应用研究

三峡水库区间洪水预报误差影响因素定量识别

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

基于测雨雷达与分布式水文模型的小流域汛期短期洪水预报

Related Author

康爱卿

冯晓乐

朱兆晶

宁亚伟

唐榕

王刚

郭率

任明磊

Related Institution

中国水利水电科学研究院

北京合源科技有限公司

北京云粒智慧科技有限公司

中国长江三峡集团有限公司

水利部防洪抗旱减灾工程技术研究中心(水旱灾害防御中心)

AI问答

⁰