空间时空卷积长期短期记忆用于区域流量预测

科学领域:

• 水文学的水文学
• 深度学习 (Deep Learning) 是一种深度学习.
• 地理空间分析的研究.

背景情况:

• 降雨-流水 (RR) 建模对于水资源管理至关重要,但在区域范围内具有挑战性.
• 现有的方法往往难以捕捉水文过程中固有的复杂的空间和时间动态.
• 准确的流量预测对于洪水预测,干旱管理和水利基础设施规划至关重要.

研究的目的:

• 开发和评估一种深度学习方法,用于同时区域每日流量预测.
• 评估结合卷积神经网络 (CNN) 和长短期记忆 (LSTM) 架构的有效性,以捕获时空模式.
• 调查微调区域模型对地方子集群的影响,以提高预测准确度.

主要方法:

• 一个连续的CNN-LSTM深度学习架构被用来处理空间分布的每日气象数据 (降水量,最大/最小温度).
• 该模型在86个美国的水域中进行了区域训练,随后在三个地方子集群中进行了微调.
• 使用纳什-萨特克利夫效率 (NSE) 评估性能,并与独立的CNN,LSTM和人工神经网络 (ANN) 模型进行比较.

主要成果:

• 微调的CNN-LSTM模型在86个水域中实现了0.62的NSE中位数.
• 65%的电台达到NSE大于0.6,表明强大的预测性能.
• 区域CNN-LSTM模型的表现优于其他区域深度学习模型,并显示了与本地训练的LSTM相似的结果.

结论:

• 该CNN-LSTM深度学习方法显示了有效的区域降雨-流水建模的巨大潜力.
• 整合空间信息 (CNN) 与时间依赖 (LSTM) 是捕捉复杂水文过程的关键.
• 微调区域模型可以进一步提高当地规模的流量预测准确性.