典型文献
基于GR4 J-LSTM混合模型的洪水预报研究
文献摘要：
为提高洪水过程预报的准确性,将概念性水文模型GR4J(modèle du Génie Ruralà 4 paramètres Jour-nalier)的预报流量耦合到长短时记忆神经网络(Long Short-Term Memory Neural Network,LSTM)中,构建了GR4J-LSTM混合模型,并与GR4J、LSTM模型进行对比.基于2012～2019年陆水水库汛期与洪水事件相关的数据集,并结合欧洲中期天气预报中心的3 h预报降水产品,驱动GR4J-LSTM混合模型,预报陆水水库3～12 h预见期的入库流量.最后采用平均影响值(Mean Impact Value,MIV)算法评估输入变量的相对重要性.结果表明:GR4J、LSTM和GR4J-LSTM模型均具有较好的模拟预报能力,但GR4J-LSTM混合模型的预报性能最优,既可以学习GR4J模型的产汇流过程,又提高了洪水预报的精度.研究成果可为洪水预报方案制定提供参考.
文献关键词：
洪水预报;入库流量;GR4J-LSTM混合模型;神经网络;平均影响值算法;陆水水库
中图分类号：
作者姓名：
崔震;郭生练;王俊;王何予;尹家波;巴欢欢
作者机构：
武汉大学 水资源与水电工程科学国家重点实验室,湖北 武汉 430072;长江勘测规划设计研究有限责任公司,湖北武汉430010
文献出处：
引用格式：
[1]崔震;郭生练;王俊;王何予;尹家波;巴欢欢-.基于GR4 J-LSTM混合模型的洪水预报研究)[J].人民长江,2022(07):1-7
A类：
GR4,tres,nalier,预报流量,陆水水库,平均影响值算法
B类：
混合模型,洪水过程,概念性,水文模型,GR4J,mod,le,du,nie,Rural,param,Jour,合到,长短时记忆神经网络,Long,Short,Term,Memory,Neural,Network,汛期,洪水事件,天气预报,降水产品,预见期,入库流量,Mean,Impact,Value,MIV,相对重要性,预报性能,产汇流过程,洪水预报方案,方案制定
AB值：
0.327316
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
