學(xué)術(shù)簡(jiǎn)報(bào)

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(lèi)：(1)概念模型，使用概念組成模型徑流；(2)物理模型，代表實(shí)際的產(chǎn)流過(guò)程；(3)數(shù)據(jù)驅(qū)動(dòng)方法，從輸入變量中估算徑流。由于模型結(jié)構(gòu)和參數(shù)估計(jì)的不確定性，物理模型十分依賴(lài)模型的校準(zhǔn)。如需實(shí)現(xiàn)水文或水動(dòng)力過(guò)程的精確模擬，則需要依賴(lài)強(qiáng)大的計(jì)算能力，所以此方法僅限于模擬持續(xù)時(shí)間較短的水文過(guò)程。以往的研究證明了多元線性回歸(MLR)、支持向量機(jī)(SVM)和人工神經(jīng)網(wǎng)絡(luò)(ANN)等數(shù)據(jù)驅(qū)動(dòng)的方法在水文應(yīng)用中的可行性。與傳統(tǒng)物理模型相比，深度學(xué)習(xí)方法可以獲得相當(dāng)甚至更好的結(jié)果。其中長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory，LSTM)在水文模擬、土壤水分預(yù)測(cè)、降雨徑流模擬等方面都有不錯(cuò)的效果。

Part.2

研究目的

該研究將建立一個(gè)LSTM神經(jīng)網(wǎng)絡(luò)，用降水資料和其他氣象資料對(duì)其進(jìn)行訓(xùn)練，并與傳統(tǒng)的水文模型和人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比較。該研究的目的是：

1、分析窗口尺寸對(duì)模擬性能的影響。給定一個(gè)時(shí)間序列數(shù)據(jù)集，模型使用前一個(gè)時(shí)間步長(zhǎng)作為輸入變量，下一個(gè)時(shí)間步長(zhǎng)作為輸出變量。前一個(gè)的時(shí)間步長(zhǎng)稱(chēng)為窗口尺寸(Windows Size)。

2、 用僅包含降水量的數(shù)據(jù)集和包含所有可用氣象變量的數(shù)據(jù)集作為輸入數(shù)據(jù)集分別訓(xùn)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(yáng)湖流域的地形與河網(wǎng)(A)。7個(gè)水文站和13個(gè)氣象站的位置分別用紅三角和藍(lán)點(diǎn)表示

Part.3

研究方法

1、 數(shù)據(jù)歸一化。數(shù)據(jù)歸一化是大多數(shù)神經(jīng)網(wǎng)絡(luò)的一般要求。對(duì)所有氣象和水文數(shù)據(jù)采用零均值歸一化可以確保數(shù)據(jù)保持在同一尺度上，進(jìn)一步保證模型可以快速穩(wěn)定地收斂。

2、 LSTM是一種遞歸神經(jīng)網(wǎng)絡(luò)(RNN)的特殊類(lèi)型，它避免了RNN不能準(zhǔn)確地提取過(guò)去的特征信息的特點(diǎn)。該研究開(kāi)發(fā)的LSTM神經(jīng)網(wǎng)絡(luò)模型包含3層，共有128個(gè)LSTM神經(jīng)元。輸出層產(chǎn)生5組不同的徑流時(shí)間序列。訓(xùn)練周期為2002年至2008年，測(cè)試周期為2009年至2013年。

圖2 該研究提出的LSTM模型結(jié)構(gòu)

3、 該研究實(shí)現(xiàn)了一個(gè)標(biāo)準(zhǔn)的三層前饋網(wǎng)絡(luò)的ANN模型。其隱藏層包含雙曲正切sigmoid傳遞函數(shù)，輸出層包含線性傳遞函數(shù)，其他設(shè)置均與LSTM相同。

圖3 該研究的ANN結(jié)構(gòu)

4、 該研究將揭示從短時(shí)期到長(zhǎng)時(shí)期的窗口大小(幾天到半年)對(duì)模型的影響。受限于計(jì)算能力，該研究窗口設(shè)置為1、5、10、15、20、25、30、60、90和180天。氣象變量對(duì)徑流產(chǎn)生的日和周影響可以用1到25天的窗口來(lái)表示，月影響可以用30天的窗口說(shuō)明，年際氣候變化的影響可以用60天、90天和180天的窗口說(shuō)明。然后選擇產(chǎn)生最佳模型性能的窗口尺寸以供進(jìn)一步應(yīng)用。

5、 為了比較LSTM與傳統(tǒng)分布式水文模型的性能，該研究利用土壤水評(píng)價(jià)工具(SWAT)建立了鄱陽(yáng)湖流域徑流模擬模型。該模型對(duì)2002–2008年期間的每日觀測(cè)徑流對(duì)模擬徑流進(jìn)行了訓(xùn)練，并用2009–2013年的數(shù)據(jù)進(jìn)行驗(yàn)證。

圖4 鄱陽(yáng)湖流域特征：(A)土壤類(lèi)型；(B)土地利用；(C)水文響應(yīng)單元

6、 模型性能的評(píng)價(jià)指標(biāo)是均方根誤差(RMSE)和納什效率系數(shù)(NSE)。

Part.4

研究結(jié)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(duì)模型性能的影響。如圖5所示，隨著窗口尺寸的增加，RMSE出現(xiàn)了先減小后增加的趨勢(shì)。最小的RMSE和最大的NSE都是在窗口為15時(shí)獲得的，這表明15天的窗口可能是模擬鄱陽(yáng)湖流域徑流的最佳選擇。

表1 LSTM模型在訓(xùn)練和測(cè)試期間的總體性能統(tǒng)計(jì)結(jié)果

如表1所示，LSTM在訓(xùn)練期表現(xiàn)良好，降水?dāng)?shù)據(jù)集LSTM1和氣象數(shù)據(jù)集LSTM2的平均NSE分別為0.86和0.90。盡管在訓(xùn)練期LSTM1和LSTM2趨勢(shì)大致相同，但在測(cè)試期，兩種模型的性能差異是顯著的。在測(cè)試期，修水子流域LSTM2的NSE為0.74，而LSTM1的NSE僅為0.60，說(shuō)明氣象資料可以改善模型的性能。

圖6 測(cè)試期內(nèi)所有五個(gè)子流域的LSTM1表現(xiàn)

圖7 測(cè)試期內(nèi)所有五個(gè)子流域的LSTM2表現(xiàn)

圖6和圖7顯示了來(lái)自LSTM模型的實(shí)測(cè)和模擬徑流。如圖所示，LSTM1和LSTM2都能很好地模擬整個(gè)測(cè)試期內(nèi)的徑流模式。但是當(dāng)徑流量相對(duì)較低時(shí)，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(zhǔn)確。

圖8 LSTM、ANN和SWAT模型在徑流模擬中的應(yīng)用

在模擬性能方面，LSTM生成的時(shí)間序列與傳統(tǒng)的ANN和SWAT相比均表現(xiàn)出了良好的結(jié)果。如圖8所示，與傳統(tǒng)的ANN和SWAT模型相比，在整個(gè)測(cè)試期間，LSTM2在所有子流域的RMSE最低，NSE最高。雖然LSTM模型對(duì)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(shí)，LSTM的NSE值升高了23%。除修水流域外，傳統(tǒng)的ANN與SWAT模型表現(xiàn)相當(dāng)甚至優(yōu)于SWAT模型。然而在修水子流域，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型的性能明顯下降，NSE值低于0.40。

Part.5

研究結(jié)論

該研究提出了一種使用最先進(jìn)的LSTM網(wǎng)絡(luò)的數(shù)據(jù)驅(qū)動(dòng)方法，將所提出的模型用于鄱陽(yáng)湖流域。該研究檢驗(yàn)了窗口尺寸和輸入數(shù)據(jù)集對(duì)LSTM模型模擬精度的影響，并與ANN和SWAT進(jìn)行了比較。從該研究的結(jié)果可以得出以下結(jié)論：

1、 LSTM模型的性能受窗口尺寸的影響十分強(qiáng)烈。對(duì)研究區(qū)而言，15天的窗口尺寸比較穩(wěn)定。

2、 當(dāng)以降水資料為唯一輸入時(shí)，所提出的LSTM1模式可取得理想的結(jié)果(NSE在測(cè)試期間的范圍為0.60至0.92)。通過(guò)向模型輸入更多的氣象變量(NSE在試驗(yàn)期間的變化范圍為0.74～0.94)時(shí)，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(jīng)網(wǎng)絡(luò)(ANN)和SWAT模型相比，在大多數(shù)情況下，即使是在氣象臺(tái)站稀少的地區(qū)也取得了不錯(cuò)的效果。因此，基于數(shù)據(jù)建模的LSTM及其進(jìn)一步的發(fā)展在徑流模擬領(lǐng)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(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎(jiǎng)勵(lì)來(lái)咯，堅(jiān)持創(chuàng)作打卡瓜分現(xiàn)金大獎(jiǎng)

總結(jié)

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?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。