基于CNN-LSTM-Attention融合模型的东江流域中长期水文预报方法及应用
彭海波1
戴善进1
李泽华2
钟华1
利逸2
刘菁1
田兆伟1
徐飞2
1.广东省水文局惠州水文分局,516003,惠州2.广东省科学院广州地理研究所,510070,广州;广东省地理空间信息技术与应用公共实验室,510070,广州;广东省遥感与地理信息系统应用重点实验室,510070,广州
摘要：针对中长期径流预报中预见期长、影响因素复杂、不确定性大等问题,研究提出了一种基于深度学习的中长期水文预报方法.该方法通过卷积神经网络(CNN)提取前期气候指数的时变特征,结合长短期记忆网络(LSTM)捕捉水文过程的时间依赖性,并引入多头注意力机制(Multi-Head Attention)聚焦关键突变信号,实现了对欧洲中期天气预报中心(ECMWF)SEAS5数值预报产品的动态校正.以东江流域为例,利用1993-2022年水文气象逐月实测资料,构建了用于东江流域中长期水文预报的CNN-LSTM-Attention深度学习融合模型.结果表明,预见期在1～3个月时,模型显著提升了降水预报精度,平均绝对误差(MAE)较SEAS5集合平均预报降低0.6～5.5 mm,确定性系数(R²)提升0.10～0.11;径流预报在1～5个月预见期内的MAE降低0.4～5.7 m³/s,R²提升0.07～0.31.此外,开发的模型集成与可视化平台为东江流域中长期水文预报提供了便捷有力的工具,具有重要的业务应用价值.
关键词：东江流域深度学习卷积神经网络长短期记忆网络注意力机制
分类号：TV124(水利工程基础科学)TP39(计算技术、计算机技术)
论文发表日期：2025-04-30
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 61-66,72 )
英文信息