基于神经网络和卫星重力数据的中国典型地区陆地水储量的变化预测
Shanbo Lu1, Wanqiu Li2,3, Guobiao Yao1
1School of Surveying and Geo-Informatics, Shandong Jianzhu University, Shandong, Jinan, 250101, China.
Scientific reports
|July 22, 2024
概括
准确地预测陆地储水变化 (TWSA) 对水资源管理至关重要. 像BiLSTM-attention这样的先进神经网络模型在中国关键地区的TWSA预测中明显优于传统方法.
科学领域:
- 水文学的水文学
- 地质物理学 地质物理学
- 数据科学数据科学数据科学
背景情况:
- 准确预测区域陆地储水变化 (TWSA) 对水资源管理和极端气候事件预警至关重要.
- 传统的TWSA时间序列预测方法往往难以准确.
- 中国的六个典型地区被选中来评估TWSA预测模型.
研究的目的:
- 开发和评估先进的神经网络模型,用于准确的区域TWSA预测.
- 为了比较改进的背向传播 (BP),长期短期记忆 (LSTM) 和双向LSTM (BiLSTM-attention) 模型与传统方法的性能.
- 分析建议的神经网络模型的最佳参数选择.
主要方法:
- 使用来自GRACE/GRACE-FO (CSR) 的mascon产品提取TWSA时间序列.
- 开发并应用了改进的BP,LSTM和BiLSTM注意力神经网络模型.
- 用最小平方和随机森林 (RF) 方法比较模型预测.
- 使用RMSE,R2,NSE和MAPE指标评估模型准确性.
主要成果:
- 改进的BP,LSTM和BiLSTM注意力模型显示出更高的预测准确性,特别是在长江上游 (UYR) 和西南地区 (SWR).
- 在这些地区实现的RMSE<2.641厘米,R2 ≥0.8,NSE>0.6和MAPE<0.1.
- 神经网络模型显示,与最小方形 (平均RMSE下降0.700-0.998厘米,平均R2增加69.89-81.75%) 和RF (平均RMSE下降0.316-0.601厘米,平均R2增加24.60-38.20%) 相比,神经网络模型显著改善.
结论:
- 改进的BP,LSTM和BiLSTM注意力模型有效预测区域TWSA.
- 这些先进的模型与水资源管理和灾害风险评估的传统方法相比,提供了更高的准确性.
- 该研究为合理利用水资源和灾害风险评估提供了宝贵的参考资料.
