學術簡報

題目:Comparison of Long Short Term Memory Networks and the Hydrological Model in Runoff Simulation

作者:Hailin You¹,Hongxiang Fan²,Ligang Xu²,Yongmi Wu^1,*,Lizhen Liu²?and?Zhong Yao¹

作者單位:

1 Poyang Lake Research Center, Jiangxi Academy of Sciences, Nanchang 330096, Jiangxi, China; youhailin1985@163.com (H.Y.); woliulizhen2007@126.com (L.L.); readnature@163.com (Z.Y.)

2?Key Laboratory of Watershed Geographic Sciences, Nanjing Institute of Geography and Limnology,?Chinese Academy of Sciences, Nanjing 21008, Jiangsu, China; fanhongxiang13@mails.ucas.ac.cn (H.F.);?lgxu@niglas.ac.cn (L.X.)

* Correspondence: wuyongming@jxas.ac.cn

期刊/日期:Water/8 January 2020

文案：郭東淏排版：郭東淏校核：楊苑

Part.1

研究背景

水文研究中模擬徑流的方法可分為三大類：(1)概念模型，使用概念組成模型徑流；(2)物理模型，代表實際的產流過程；(3)數據驅動方法，從輸入變量中估算徑流。由于模型結構和參數估計的不確定性，物理模型十分依賴模型的校準。如需實現水文或水動力過程的精確模擬，則需要依賴強大的計算能力，所以此方法僅限于模擬持續時間較短的水文過程。以往的研究證明了多元線性回歸(MLR)、支持向量機(SVM)和人工神經網絡(ANN)等數據驅動的方法在水文應用中的可行性。與傳統物理模型相比，深度學習方法可以獲得相當甚至更好的結果。其中長短期記憶人工神經網絡(Long Short-Term Memory，LSTM)在水文模擬、土壤水分預測、降雨徑流模擬等方面都有不錯的效果。

Part.2

研究目的

該研究將建立一個LSTM神經網絡，用降水資料和其他氣象資料對其進行訓練，并與傳統的水文模型和人工神經網絡模型進行比較。該研究的目的是：

1、分析窗口尺寸對模擬性能的影響。給定一個時間序列數據集，模型使用前一個時間步長作為輸入變量，下一個時間步長作為輸出變量。前一個的時間步長稱為窗口尺寸(Windows Size)。

2、 用僅包含降水量的數據集和包含所有可用氣象變量的數據集作為輸入數據集分別訓練模型，分析在LSTM模型中輸入更多的氣象變量是否可以提高模擬性能；

3、?比較LSTM模型與其他模型的模擬能力。

圖1 鄱陽湖流域的地形與河網(A)。7個水文站和13個氣象站的位置分別用紅三角和藍點表示

Part.3

研究方法

1、 數據歸一化。數據歸一化是大多數神經網絡的一般要求。對所有氣象和水文數據采用零均值歸一化可以確保數據保持在同一尺度上，進一步保證模型可以快速穩定地收斂。

2、 LSTM是一種遞歸神經網絡(RNN)的特殊類型，它避免了RNN不能準確地提取過去的特征信息的特點。該研究開發的LSTM神經網絡模型包含3層，共有128個LSTM神經元。輸出層產生5組不同的徑流時間序列。訓練周期為2002年至2008年，測試周期為2009年至2013年。

圖2 該研究提出的LSTM模型結構

3、 該研究實現了一個標準的三層前饋網絡的ANN模型。其隱藏層包含雙曲正切sigmoid傳遞函數，輸出層包含線性傳遞函數，其他設置均與LSTM相同。

圖3 該研究的ANN結構

4、 該研究將揭示從短時期到長時期的窗口大小(幾天到半年)對模型的影響。受限于計算能力，該研究窗口設置為1、5、10、15、20、25、30、60、90和180天。氣象變量對徑流產生的日和周影響可以用1到25天的窗口來表示，月影響可以用30天的窗口說明，年際氣候變化的影響可以用60天、90天和180天的窗口說明。然后選擇產生最佳模型性能的窗口尺寸以供進一步應用。

5、 為了比較LSTM與傳統分布式水文模型的性能，該研究利用土壤水評價工具(SWAT)建立了鄱陽湖流域徑流模擬模型。該模型對2002–2008年期間的每日觀測徑流對模擬徑流進行了訓練，并用2009–2013年的數據進行驗證。

圖4 鄱陽湖流域特征：(A)土壤類型；(B)土地利用；(C)水文響應單元

6、 模型性能的評價指標是均方根誤差(RMSE)和納什效率系數(NSE)。

Part.4

研究結果

圖5 不同窗口大小下的模型性能。(A)RMSE；(B)NSE

該研究分析了窗口尺寸對模型性能的影響。如圖5所示，隨著窗口尺寸的增加，RMSE出現了先減小后增加的趨勢。最小的RMSE和最大的NSE都是在窗口為15時獲得的，這表明15天的窗口可能是模擬鄱陽湖流域徑流的最佳選擇。

表1 LSTM模型在訓練和測試期間的總體性能統計結果

如表1所示，LSTM在訓練期表現良好，降水數據集LSTM1和氣象數據集LSTM2的平均NSE分別為0.86和0.90。盡管在訓練期LSTM1和LSTM2趨勢大致相同，但在測試期，兩種模型的性能差異是顯著的。在測試期，修水子流域LSTM2的NSE為0.74，而LSTM1的NSE僅為0.60，說明氣象資料可以改善模型的性能。

圖6 測試期內所有五個子流域的LSTM1表現

圖7 測試期內所有五個子流域的LSTM2表現

圖6和圖7顯示了來自LSTM模型的實測和模擬徑流。如圖所示，LSTM1和LSTM2都能很好地模擬整個測試期內的徑流模式。但是當徑流量相對較低時，LSTM1往往明顯高估了徑流的變化，并低估了峰值徑流的值。與LSTM1相比，修水子流域LSTM2的性能要好得多，峰值更準確。

圖8 LSTM、ANN和SWAT模型在徑流模擬中的應用

在模擬性能方面，LSTM生成的時間序列與傳統的ANN和SWAT相比均表現出了良好的結果。如圖8所示，與傳統的ANN和SWAT模型相比，在整個測試期間，LSTM2在所有子流域的RMSE最低，NSE最高。雖然LSTM模型對修水子流域的徑流模擬存在一定的困難，但在輸入更多氣象變量時，LSTM的NSE值升高了23%。除修水流域外，傳統的ANN與SWAT模型表現相當甚至優于SWAT模型。然而在修水子流域，傳統的神經網絡模型的性能明顯下降，NSE值低于0.40。

Part.5

研究結論

該研究提出了一種使用最先進的LSTM網絡的數據驅動方法，將所提出的模型用于鄱陽湖流域。該研究檢驗了窗口尺寸和輸入數據集對LSTM模型模擬精度的影響，并與ANN和SWAT進行了比較。從該研究的結果可以得出以下結論：

1、 LSTM模型的性能受窗口尺寸的影響十分強烈。對研究區而言，15天的窗口尺寸比較穩定。

2、 當以降水資料為唯一輸入時，所提出的LSTM1模式可取得理想的結果(NSE在測試期間的范圍為0.60至0.92)。通過向模型輸入更多的氣象變量(NSE在試驗期間的變化范圍為0.74～0.94)時，可以提高模型的性能。

3、 該研究所提出的LSTM模型與人工神經網絡(ANN)和SWAT模型相比，在大多數情況下，即使是在氣象臺站稀少的地區也取得了不錯的效果。因此，基于數據建模的LSTM及其進一步的發展在徑流模擬領域中具有較大的潛力。

原文鏈接

https://www.mdpi.com/2073-4441/12/1/175

你在看這篇文章嗎？

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的lstm原文_LSTM模型与水文模型在径流模拟中的比较的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。