基于物理机制和深度学习的混合模型及应用研究

TV124; 充分利用现代技术手段提高径流预报精度,对流域水旱灾害防御和水库群联合调度具有重要的指导作用.现有深度学习模型存在缺乏模型透明度、物理可解释性差等问题.针对上述难题,将概念水文模型 EXP-Hydro嵌入物理递归神经网络P-RNN层,建立了耦合物理机制的深度学习混合模型Hybrid-DL,该混合模型采用微分框架实现概念模型与神经网络的深度双向融合,能够同时训练概念模型与神经网络的参数,并以清江上游为例开展了应用研究.结果表明,相较于RNN、EXP-Hydro、BP和SVM模型,Hybrid-DL模型的纳什效率系数NSE分别提升了6.08%、21.01%、37.09%、73.92%,...

Full description

Saved in:
Bibliographic Details
Published in中国农村水利水电 no. 8; pp. 67 - 80
Main Authors 孙明博, 闫宝伟, 常建波, 邹旖轩, 古东霖
Format Journal Article
LanguageChinese
Published 华中科技大学土木与水利工程学院,湖北 武汉 430074 15.08.2024
华中科技大学数字流域科学与技术湖北省重点实验室,湖北 武汉 430074
Subjects
runoff prediction
deep learning
physical mechanisms
深度学习
neural network units
物理机制
径流预测
神经网络单元
Online AccessGet full text
ISSN1007-2284
DOI10.12396/znsd.231989

Cover

More Information
Summary:TV124; 充分利用现代技术手段提高径流预报精度,对流域水旱灾害防御和水库群联合调度具有重要的指导作用.现有深度学习模型存在缺乏模型透明度、物理可解释性差等问题.针对上述难题,将概念水文模型 EXP-Hydro嵌入物理递归神经网络P-RNN层,建立了耦合物理机制的深度学习混合模型Hybrid-DL,该混合模型采用微分框架实现概念模型与神经网络的深度双向融合,能够同时训练概念模型与神经网络的参数,并以清江上游为例开展了应用研究.结果表明,相较于RNN、EXP-Hydro、BP和SVM模型,Hybrid-DL模型的纳什效率系数NSE分别提升了6.08%、21.01%、37.09%、73.92%,均方根误差RMSE分别降低了10.82%、33.73%、54.70%、95.57%,KGE效率系数分别提升了4.78%、12.68%、26.79%、55.74%,峰值误差TPE分别降低了4.96%、13.12%、252.84%、297.81%.Hybrid-DL模型具有良好的稳健性和适应性,可为清江上游乃至其他流域的径流预报提供可靠的理论工具.
ISSN:1007-2284
DOI:10.12396/znsd.231989