典型文献
融合气象要素时空特征的深度学习水文模型
文献摘要：
针对现有深度学习水文模型未能充分刻画气象要素空间特征的问题,本文基于主成分分析(PCA)方法提取气象要素空间特征,利用长短时记忆神经网络(LSTM)学习长时序过程规律,构建融合气象要素时空特性的深度学习水文模型PCA-LSTM.以黄河源区为研究区域,利用LSTM模型和物理水文模型THREW作为比对模型,基于高斯噪音法系统评估PCA-LSTM模型的适用性和鲁棒性.结果显示:PCA-LSTM模型径流模拟纳什效率系数为0.92,高于比对模型LSTM和THREW,表明模型具有较高的精度.研究结果可为流域高精度水文模拟提供参考.
文献关键词：
水文模拟;物理水文模型;深度学习;长短时记忆神经网络;主成分分析;黄河源区
中图分类号：
作者姓名：
李步;田富强;李钰坤;倪广恒
作者机构：
清华大学水沙科学与水利水电工程国家重点实验室,北京 100084
文献出处：
引用格式：
[1]李步;田富强;李钰坤;倪广恒-.融合气象要素时空特征的深度学习水文模型)[J].水科学进展,2022(06):904-913
A类：
物理水文模型,THREW
B类：
气象要素,时空特征,习水,有深度,空间特征,长短时记忆神经网络,长时序,时空特性,黄河源区,噪音,法系,系统评估,径流模拟,纳什,水文模拟,拟提
AB值：
0.187331
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。
