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
纸质出版:2025
移动端阅览
苑峻华, 李雪, 韩会明, 等. 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]. 水电能源科学, 2025,43(6):29-32+61.
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.
苑峻华, 李雪, 韩会明, 等. 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]. 水电能源科学, 2025,43(6):29-32+61. DOI: 10.20040/j.cnki.1000-7709.2025.20241358.
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.
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
和R
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。
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).
0
浏览量
294
下载量
CSCD
关联资源
相关文章
相关作者
相关机构