首页|水文变异对深度学习模型训练性能的影响研究

水文变异对深度学习模型训练性能的影响研究

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
受气候变化和人类活动的双重影响,黄河流域水文情势发生剧烈演变,水文序列颠覆传统的"一致性"假设.为使深度学习模型更好适应于变异水文序列预测,采用Mann-Kendall检验方法确定径流时间序列变异点,对基于LSTM模型的k-fold交叉验证方法进行改进,提出考虑变异点的k-fold交叉验证方法,分析水文变异对深度学习模型训练的影响.选取黄河支流渭河华县站和黑河祁连山站为研究对象,对比分析不同变异程度的中长期水文序列预测结果.结果表明:渭河华县站的径流时间序列变异发生在1986年和2008年,黑河祁连山站径流时间序列变异发生在1988年;LSTM模型在中长期径流预测中,模型性能主要受时间序列长度的影响,其次受水文变化趋势及变异的影响.
Research on the Influence of Hydrological Variation to the Training Performance of Deep Learning Model

hydrological variationdeep learning modelpredictive performancecross validation

师小雨、黄强

展开 >

西安理工大学 电气工程学院,陕西 西安710048

西安理工大学 水利水电学院 西北旱区生态水利国家重点实验室,陕西 西安710048

水文变异 深度学习模型 预测性能 交叉验证

国家重点研发计划国家自然科学基金面上项目中国博士后科学基金中国博士后科学基金陕西省自然科学基础研究计划陕西省自然科学基础研究计划陕西省水利科技计划

2017YFC0405900518792132019T1209332017M623332XB2019JLM-522018JQ51452017slkj-27

2023

10.3969/j.issn.1000-1379.2023.08.013

人民黄河
水利部黄河水利委员会

人民黄河

CSTPCD北大核心
影响因子：0.494
ISSN：1000-1379
年,卷(期)：2023.45(8)
  • 13