湖泊流域汇水径流过程的模拟预测是一种复杂系统中的时间序列分析问题。模型选择上,现有的机理模型法与辨识模型法各有利弊。同时,现有的模型多采用静态数据驱动模拟,不能有效利用传感网实时观测数据来改善模拟不确定性的问题。本文基...湖泊流域汇水径流过程的模拟预测是一种复杂系统中的时间序列分析问题。模型选择上,现有的机理模型法与辨识模型法各有利弊。同时,现有的模型多采用静态数据驱动模拟,不能有效利用传感网实时观测数据来改善模拟不确定性的问题。本文基于深度循环神经网络技术,提出一种适应动态数据驱动的模式,可融合遥感数据与原位传感器站点数据的DTSM(Dynamic Data Driven Time Series Model)时序模拟预测模型,并在观测值与数值模拟之间建立了一种能动态反馈、自适应调整的模拟框架,解决了传统辨识模型法对时序信息挖掘较弱导致模拟精度较低的问题。通过在鄱阳湖多个子流域入湖径流的案例中验证,显示静态数据驱动模式下,以不同数据源作为输入模拟时,本文DTSM模型的纳希效率系数Ens精度比机理模型提高10个百分点以上;相比静态模式,动态数据驱动模式的模拟精度有进一步提高,尤其是对于静态模式精度较低的流域,提高更为明显。展开更多
文摘湖泊流域汇水径流过程的模拟预测是一种复杂系统中的时间序列分析问题。模型选择上,现有的机理模型法与辨识模型法各有利弊。同时,现有的模型多采用静态数据驱动模拟,不能有效利用传感网实时观测数据来改善模拟不确定性的问题。本文基于深度循环神经网络技术,提出一种适应动态数据驱动的模式,可融合遥感数据与原位传感器站点数据的DTSM(Dynamic Data Driven Time Series Model)时序模拟预测模型,并在观测值与数值模拟之间建立了一种能动态反馈、自适应调整的模拟框架,解决了传统辨识模型法对时序信息挖掘较弱导致模拟精度较低的问题。通过在鄱阳湖多个子流域入湖径流的案例中验证,显示静态数据驱动模式下,以不同数据源作为输入模拟时,本文DTSM模型的纳希效率系数Ens精度比机理模型提高10个百分点以上;相比静态模式,动态数据驱动模式的模拟精度有进一步提高,尤其是对于静态模式精度较低的流域,提高更为明显。
