本技术提供一种基于LSTM‑SWAT耦合模型的洪水径流量预报方法,包括:构建SWAT分布式水文模型,并分析SWAT分布式水文模型率定及参数敏感性;引入BiLSTM深度学习模型,并耦合构建的SWAT分布式水文模型与BiLSTM深度学习模型,基于SWAT分布式水文模型的物理机制运算,在空间与时间上完成对输入气象数据的扩展;将SWAT分布式水文模型输出的多特征数据作为BiLSTM深度学习模型的输入数据,对径流进行预报。本发明通过对水文要素的拆解,突破深度学习模型可解释性差造成的输入特征参数筛选问题,进一步提升了径流预报模型效果,同时探究了多维特征参数对预报性能的影响,可为洪水期间河口环境的研究提供新的解决方案。
背景技术
随着气候变化与人类活动的不断加剧,极端洪水事件发生的频次与规模急剧上升,造成了极大的人口及经济损失。我国海岸线绵长而曲折,海岸地形丰富多样,沿海分布大量重要港口城市,大量人口与工业设施聚集于沿海地区,是亚洲地区主要的承灾载体。发达的沿海经济与密集的人口使我国难以避免地具有受灾韧性不足、承灾能力较弱的特点。洪水期径流量的高效预报研究对于我国经济发展和人口安全具有重要意义。
目前主流的水文模型可分为集总式水文模型(新安江模型、Tank模型、萨克拉门托模型)与分布式水文模型(SWAT模型、SHE模型、IHDM模型、DTVGM模型)两类。集总式水文模型属于概念模型,不考虑水文现象与下垫面要素的空间异质性,模型中各项参数通常取流域平均值,将流域看作一个整体,简化了建模过程。分布式水文模型是基于物理机制计算流域水文过程的数学模型,全面考虑了水文现象与下垫面空间的不均匀特性,能够充分反应流域内降雨和下垫面要素空间变化对产流的影响。集总式水文模型与分布式水文模型都广泛应用于水文研究,但在径流预报方向应用较为局限。
深度学习模型以其善于解决非线性问题的优点可以成为解决径流预报难题的先进方法,其中长短期记忆记忆模型(LSTM)广泛用于处理时间序列问题。但由于其不具有可解释性,无法准确描绘真实物理过程,在洪水过程这类复杂现象中模型难以准确选择输入特征量,这使其在洪水径流的预报应用上尚存局限性。
实现思路