基于深度学习的全球无资料流域水文模拟研究
文献类型：学位论文
| 作者 | 汤森林 |
| 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 | 孙福宝 |
| 关键词 | 深度学习 LSTM神经网络 全球水文模型 HBV水文模型 无资料流域 |
| 学位名称 | 博士 |
| 学位专业 | 自然地理学 |
| 英文摘要 | 全球水文站分布极为不均，发展中国家水文观测网络稀疏，而发达国家观测网络密集，水文站的不均衡分布给无资料流域的水资源管理带来巨大挑战。无资料流域的水文模拟一直是国际水文学研究的热点和难点，其中，径流是流域水资源评估的关键因素。近年来，深度学习在水文领域的应用呈指数增加，凭借其高精度水文模拟性能给无资料流域通过模型移植估算径流提供了强有力支持。本研究将深度学习和水文模型相结合，构建了后处理和物理性两种耦合方案，并探究影响模型空间移植的关键因素，以提高全球无资料流域水文模拟精度。主要结论如下： （1）结合全球水文模型和长短期记忆（LSTM）神经网络的优势，构建了提升流域水文模拟精度的后处理耦合方案。跨部门影响模型比较项目2a阶段（ISIMIP2a）框架下七个全球水文模型在全球1,897个流域的水文模拟结果表明，不同模型存在较大的不确定性，且湿润流域模拟效果优于干旱流域。整体而言，全球水文模型的水文模拟精度并不理想，模拟纳什系数（NSE）的中位数为-3.17–0.03。同等条件下，采用纯数据驱动的LSTM神经网络显著提升了水文模拟性能，NSE的中位数达到0.59。在此基础上，耦合全球水文模型的LSTM神经网络，NSE的中位数从0.59提高到0.66。因此，结合全球水文模型的LSTM神经网络是无资料流域水文模拟的最佳选择。 （2）识别了影响流域水文相似性的关键指标，当充分考虑训练流域和测试流域间的水文相似性，可通过模型移植实现无资料流域更精确的水文模拟。基于全球水文模型和LSTM神经网络的后处理耦合方案在全球流域的水文模拟性能呈现较大空间异质性。通过流域静态属性识别流域间水文相似性，发现干燥指数对水文相似性影响最大，叶面积指数和纬度位置次之，利用以上指标可快速识别全球流域间的水文相似性。研究表明流域间的水文相似性对后处理耦合方案的移植性能至关重要，各大洲流域间较弱的水文相似性导致模型移植性能较差；当充分考虑训练和测试流域的干燥程度、叶面积指数和纬度位置的水文相似性后，模型的移植性能得到显著提升。 （3）将深度学习LSTM神经网络耦合到具有物理机制的Hydrologiska Byrans Vattenbalansavdelning（HBV）水文模型中，构建了提升流域水文模拟性能的物理性耦合方案。物理性耦合方案可灵活调整模型结构，该方案在全球1,477个水文站的模拟结果表明，与仅耦合单个HBV水文模型的LSTM神经网络相比（NSE=0.67），耦合多个HBV水文模型的LSTM神经网络可显著提升水文模拟的性能（NSE= 0.75）；当HBV水文模型中的静态植被参数和产流折算系数设置为动态参数时，水文模拟性能（NSE= 0.77）接近纯数据驱动的LSTM神经网络（NSE= 0.78）。物理性耦合方案严格遵守HBV水文模型的物理准则，能够输出基流和蒸散发等水文过程变量。验证结果表明，模型模拟的基流指数与全球径流特征数据集（GSCD）的基流指数之间的相关系数（R）为0.66，而模拟的蒸散发与全球陆地卫星产品（GLASS）蒸散发的R为0.86。考虑到训练流域和测试流域的水文相似性对无资料流域水文模拟性能的影响，本研究对比了区域抽样法和随机抽样法两种无资料流域样本划分方法。区域抽样法中训练和测试流域之间水文相似性较低，导致物理性耦合方案的模型移植性能较差（NSE=0.35）；而随机抽样法中训练和测试流域之间水文相似性相对较高，模型移植性能（NSE= 0.68）略优于纯数据驱动的LSTM神经网络（NSE= 0.66）。 |
| 语种 | 中文 |
| 页码 | 131 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/199805]  |
| 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 | 汤森林. 基于深度学习的全球无资料流域水文模拟研究[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。