融合相空间重构和深度学习的径流模拟预测

打开文本图片集

摘要：发展对数据依赖程度低、快捷实用和精准的模拟预报技术，可为资料缺乏地区径流模拟预测提供有效的解决办法。从数据驱动的角度，提出一种融合相空间重构（PSR）和长短期记忆神经网络（LSTM）的径流预测复合模型PSR-LSTM，在国内外不同气候分区的10个流域（站点）进行验证。结果表明：PSR-LSTM能够提取水文变量的多维子空间特征，并较好预测不同时间尺度的径流变化过程;相较于LSTM，PSR-LSTM预测未来1、3、5、7、9时间步长的纳什效率系数在10个流域平均提高1.49%～9.77%，均方根误差平均降低17.01%～19.72%，对训练数据量的依赖程度相比LSTM降低25%～33%。（剩余10810字）