基于循环神经网络的洞庭湖水位预测研究

洞庭湖流域分布了3个重要的自然保护区,是我国大型淡水湖泊湿地系统之一,生态资源丰富.水位是维持其生态系统结构、功能和完整性的基础.为预测长江和流域"四水"来水组合影响下的洞庭湖水位变化,该文采用两种循环神经网络方法——长短期记忆(LSTM)和门控循环单元(GRU),构建了洞庭湖水位变化的预测模型.LSTM和GRU的优势在于能够学习网络的输入和输出之间的长期依赖关系,这对于模拟受上游来水影响的水位累积变化至关重要.模型以湘江、资水、沅江、澧水入湖流量和长江干流宜昌站前期流量作为输入条件,预测洞庭湖不同湖区的水位变化过程.利用1980～2002年水位流量时间序列数据对模型进行测试,2003～2014年数据进行验证,并对两种模型的预测结果进行了比较.结果表明:(1)循环神经网络LSTM和GRU方法均可合理预测洞庭湖水位的变化过程,NSE和R2均为0.91～0.95,各站水位预测的RMSE值为0.41～0.86 m,NSE和R2均为0.91～0.95;(2)LSTM的预测精度稍高于GRU,但GRU计算更高效,是LSTM一个很好的替代方案;(3)模型能够较准确的模拟一次洪水事件,洪水位的预测值与真实值的最大相对误差低于5％;且模型具有较好的多步长时间序列预测能力,有在水文模型应用方面的潜力.

Research on Water Level Prediction of Dongting Lake Based on Recurrent Neural Network