基于深度学习的小流域山洪水位预测模型研究
由于小流域山洪致灾因素多、时空因素变化快、成灾速度快,导致传统水文水动力模型在山地丘陵小流域地区的预测及时度不高、准确度低,预测效果不明显,而基于数据驱动的人工智能模型成为逐步成为一种及时准确的方案.为此,通过构建基于深度学习的循环神经网络(RNN)与长短期记忆神经网络(LSTM)山洪灾害水位预测模型,通过对学习速率与步长进行调整,逐步降低模型误差,并通过实时数据与气象预测数据实现浙江小流域水山洪监测点的水位的预测.试验表明,基于深度学习的小流域山洪水位预测模型的实时性与准确性效果好,LSTM拟合效果优于RNN,对小流域山洪灾害的预测预警具有一定的参考意义.
人工智能、山洪水位预测、深度学习、RNN、LSTM
18
TP18(自动化基础理论)
浙江省水利科技计划;浙江水利水电学院大学生创新创业训练计划项目;浙江水利水电学院大学生创新创业训练计划项目
2022-09-05（万方平台首次上网日期，不代表论文的发表时间）
共3页
89-91
