10.14042/j.cnki.32.1309.2023.01.004
基于变分贝叶斯深度学习的水文概率预报方法
目前水文领域关于深度学习的研究多集中于提高预测能力方面,与具有物理机制的水文模型相比,深度学习复杂的内部结构导致其不具备可解释性,预测结果难以被信任,因此发展可信赖的深度学习对于推进水科学发展具有重要意义.基于预报残差分析框架,构建具有物理机制的水文模型与深度学习融合的混合模型,以充分利用两者优势;引入变分贝叶斯理论,提出变分贝叶斯与深度学习耦合的概率预报模型VB-LSTM,以定量评估水文预报结果的不确定性、 提高结果可靠度.以黄河源区1961—2015年的径流过程为研究对象,对VB-LSTM模型进行应用示例研究.结果表明:与长短时记忆网络(LSTM)相比,VB-LSTM模型在验证期预报精度更高,结果更稳定;与传统基于"线性-正态"假设的水文概率预报方法相比,VB-LSTM模型具有更高的预报精度,且不确定性更小、 预报结果更可靠.
水文概率预报、深度学习、变分贝叶斯、长短时记忆网络、混合模型
34
TV124;P338(水利工程基础科学)
国家自然科学基金;国家自然科学基金
2023-04-03(万方平台首次上网日期,不代表论文的发表时间)
共9页
33-41