基于深度学习的降水和径流预报方法改进研究
文献类型：学位论文
| 作者 | 奈聪毅 |
| 答辩日期 | 2024-06 |
| 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 | 汤秋鸿 ; 刘星才 |
| 关键词 | 径流预报 降雨预报 LSTM 概率扩散模型 |
| 学位名称 | 硕士 |
| 学位专业 | 自然地理学 |
| 英文摘要 | 水文预报是水文研究的重要方向，是科学管理和调配水资源、以及防治洪涝灾害的重要基础。径流和降水是水文预报的两个关键因素，对于预测水资源供给、洪水和干旱等问题至关重要。径流和降水变化通常呈现出很强的非线性特征，给这两个要素的预报带来巨大的挑战。可靠的径流预报依赖准确的降水预报结果。目前降水预报不确定性过大是径流不够准确、预见期难以延长的主要因素。本文通过先进的机器学习算法改进了降水和径流预报方法，以获得一个更好的单流域径流模型，以及一套可以预报出极值且对预报的不确定性有着准确估计的短临降水预报系统，为一体化的降水-径流预报系统奠定基础，从而更好地支撑流域管理的相关决策。本论文成果不仅丰富了水文气象预报的技术手段，也为流域精细化管理和防灾减灾提供了新的模型工具。未来有望为提升极端天气预警和水资源优化调度能力提供关键支撑。本研究取得的主要创新性成果包括以下两个方面。 （1）基于概率扩散模型改进了降水概率预报模型，提高了数据驱动方法的预报精度，弥补了确定性预报方法不能刻画不确定性且无法对极值进行有效预报的局限。本文通过概率扩散模型的短临预报方法直接模拟未来降水场的时空概率分布，从而对未来的降雨进行概率性预报，给出了更好的极值预报且可以准确地估计预报的不确定性。该模型在英国雷达数据集上进行测试并评估了预报性能，相比于上一代最先进的短临预报系统DGMR（deep generative models of radar），概率扩散模型有着3.7%的CRPS（Continuous Ranked Probability Score）提升，更为关键的是，扩散概率模型在SSR（spread-skill ratio）指标上提高了68%，证明了概率扩散模型可以对预报的不确定性有着更准确的估计，从而在集合预报的准确性和离散度之间取得一个很好的平衡。具体的强降水案例表明，概率扩散模型可以更好地捕捉到降水极值。因此，与其他的方法相比，该模型有着更广阔的应用前景。 （2）基于长短期记忆网络提出了高效精准利用水文大数据的模型训练策略，显著提高了机器学习流域径流模型的模拟精度。本文系统地分析了训练数据规模对深度学习水文模型性能的影响，发现之前公认的“更多的数据会带来更好的结果”这个结论不会在每个流域上都成立，区域性模型性能在部分流域有明显的损失，尤其是干旱流域NSE 损失可达0.2 以上。单流域模型效果不如区域性模型，是因为没有充分利用多流域的有效信息。为了填补区域性模型的预报与真实决策需求的差距，本研究目的在于借助大数据的优势帮助单个流域构建更好的模型。为了达到这个目的，本研究提出一种自适应的数据筛选策略，可以自动区分哪些流域的数据对目标流域的建模是有帮助的。这个新的训练策略在CAMELS（Catchment Attributes and Meteorology for Large-sample Studies）数据集上的531个流域进行了检验，结果显示，使用该策略可以显著地帮助单个流域建模，531个流域的NSE 中位数为0.757 相比于区域性模型的0.726 提高了0.031。进一步地，本文探究了新策略背后的水文直觉，发现自动筛选出的流域并非传统智慧所认为的“水文相似”流域；由于干旱流域和湿润流域对降水的相应不同，在区域性模型训练的过程中这两者往往是互为噪声的，整个训练集中湿润流域的过多主导了训练过程，便导致区域性模型在干旱流域的性能损失更加严重。这些结果为流域尺度的径流精准模拟提供了新的思路，可以更好地指导基于深度学习的径流模型训练集的构建。 |
| 语种 | 中文 |
| 页码 | 77 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/208082]  |
| 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 | 奈聪毅. 基于深度学习的降水和径流预报方法改进研究[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2024. |
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。