基于深度学习和机理模型耦合的径流预测方法研究
文献类型：学位论文
| 作者 | 沈建明 |
| 答辩日期 | 2023-06 |
| 文献子类 | 学术型学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 夏军 |
| 关键词 | 径流预测 深度学习 洪水机制 洪水多步预测 汉江流域 |
| 学位名称 | 博士 |
| 学位专业 | 自然地理学 |
| 英文摘要 | 由降水产生的净雨以坡面流、壤中流及地下流等方式汇流到河道，并通过河道流向流域出口断面的过程称为径流形成过程。由于这一非线性的水循环过程涉及到降水、蒸发、地形和人类活动(如重大水利枢纽兴建)等多个随机变量，尚未得到完全的理解，而很难被预测。近十多年来，越来越多的水文研究者尝试基于数据驱动(如机器学习、深度学习)模型预测这一复杂的水文过程并取得了大量的重要成果。然而，上述研究依然面临着一些关键的科学技术难题，如面临流域异构性表达的难题、构建的模型是一个“黑箱”很难被解释以及由信息缺乏导致多步输出洪水预报精度降低等难题。 本文围绕上述的科学技术难题，以汉江丹江口水库上游典型区域为研究区域，以多源时空数据为模型输入，在充分考虑流域属性时空变异性的前提下，首先将传统分布式时变增益水文物理模型(DTVGM)的流域产汇流模拟方法嵌入到深度学习模型的神经元内，构建了基于深度学习和机理模型耦合的径流预测模型(DTVGM-GRU)。然后引入先进的深度学习模型解释方法(DeepSHAP法)，客观的解释DTVGM-GRU模型，揭示了典型区域的主要洪水机制。最后本文根据已揭示的洪水机制，通过在DTVGM-GRU模型中引入洪水指标�.�.，实现了高精度的日尺度的多步输出洪水预测。本文的研究成果如下: (1)在数据预处理时，提出了一种基于GWR-LSTM的多源降水产品的融合方法，将4种卫星日降水产品(TRMM_3B42，CMORPH，PERSIANN-CDR和GPM)与地面站点观测降水融合，生成了一套长序列的汉江流域高空间分辨率、高精度的空间日降水估计数据。并实验发现多遥感降水产品与地面站点观测降水融合效果比单一遥感降水产品与地面站点观测降水融合效果要更好。 (2)本文提出的DTVGM-GRU模型具有较强的泛化能力，模型预测性能得到明显的提升，无论在校准期还是在验证期，NSE值都超过了0.87，均提升了约11%，尤其验证期的KGE值达0.91，提升了约15%。DTVGM-GRU模型不仅可以很好的捕获水文物理系统的输入输出之间的潜在非线性关系，而且获取的输入输出关系符合水文物理系统理解。因此，该模型赋予了深度学习网络水文物理机制，将传统分布式水文物理模型和深度学习模型这两种范式结合，实现了深度学习主导的水文模型与物理一致性。 (3)通过本文提出的一种洪水归因解析框架，发现DeepSHAP方法能够很好的解释以时空数据为输入的DTVGM-GRU模型，量化的水文气象因素对洪水(洪峰)在不同时间步上的重要性得分符合客观的物理规律。并且根据量化的水文气象因素对洪水(洪峰)贡献得分可以将白河水文站集水区的洪水机制主要分为三种:最新降水事件，历史降水事件和连续降水事件。 (4)在DTVGM-GRU模型的神经网络中引入洪水指数�.�.，能够增强循环神经单元对洪水状态的“记忆能力”，在延长基于深度学习的洪水预报模型的洪水预见期同时，提升了洪水的预报精度。另外，根据洪水不确定性来源分析结果表明，在不同预见期下，单个建模因素对洪水预报的不确定性贡献是不同的，交互作用的不确定性贡献也不容忽视。随着预见期的增加，模型输入的不确定性贡献比例逐步增大，而模型结构的不确定性贡献比例逐步减小。 |
| 语种 | 中文 |
| 页码 | 128 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/199792]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 沈建明. 基于深度学习和机理模型耦合的径流预测方法研究[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2023. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。