基于ForecastNet的径流模拟及多步预测

摘要

径流过程呈现出的强非线性,使得现有水文模型的预测性能受到制约,深度学习等人工智能方法具有较强的非线性拟合能力,一定程度上可以突破现有瓶颈。为有效提取径流序列的非线性时变特征信息,提高径流模拟精度和多步预测性能,以雅砻江上游雅江流域为研究对象,建立了基于具有时变结构的ForecastNet径流预测模型,并与传统水文模型SWAT(Soil and Water Assessnent Teol)和神经网络模型RNN(Recurrent Neural Network)、LSTM(Long Short-Term Memory)及其组合进行对比分析。结果表明,ForcastNet模型在长预见期径流预测中有较强的适用性,能有效提高径流模拟及多步预测精度,为高精度实时径流预测提供了一种技术支撑。