水文变异对深度学习模型训练性能的影响研究

摘要：

受气候变化和人类活动的双重影响,黄河流域水文情势发生剧烈演变,水文序列颠覆传统的"一致性"假设.为使深度学习模型更好适应于变异水文序列预测,采用Mann-Kendall检验方法确定径流时间序列变异点,对基于LSTM模型的k-fold交叉验证方法进行改进,提出考虑变异点的k-fold交叉验证方法,分析水文变异对深度学习模型训练的影响.选取黄河支流渭河华县站和黑河祁连山站为研究对象,对比分析不同变异程度的中长期水文序列预测结果.结果表明:渭河华县站的径流时间序列变异发生在1986年和2008年,黑河祁连山站径流时间序列变异发生在1988年;LSTM模型在中长期径流预测中,模型性能主要受时间序列长度的影响,其次受水文变化趋势及变异的影响.

关键词：水文变异、深度学习模型、预测性能、交叉验证

所属期刊栏目：45

分类号：TP18;TV882.1(自动化基础理论)

资助基金：国家重点研发计划;国家自然科学基金;中国博士后科学基金资助项目;中国博士后科学基金资助项目;陕西省自然科学基础研究计划项目;陕西省自然科学基础研究计划项目;陕西省水利科技计划项目

在线出版日期：2023-08-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：64-67