Sitemap: http://www.cizhuanfanghua.com/sitemap.xml
您的當前位置:首頁(yè) > 研究亮點(diǎn)
研究亮點(diǎn)

成都山地所在無(wú)資料區徑流與洪水預報研究方面取得重要進(jìn)展

時(shí)間:2024-04-29   文章編輯:山地自然災害與工程安全重點(diǎn)實(shí)驗室   文本大小:【 |  | 】  【打印

全球95%以上的中小流域沒(méi)有任何監測數據,這些無(wú)資料地區徑流和洪水預測(PUB: Prediction on Ungauged Basins)一直是水文領(lǐng)域長(cháng)期面臨的科學(xué)難題。近期,成都山地所歐陽(yáng)朝軍研究員團隊提出了一種新的基于A(yíng)I的徑流洪水預測模型ED-DLSTM,通過(guò)編碼流域靜態(tài)屬性和氣象驅動(dòng),利用全球2000多個(gè)水文站數據進(jìn)行模型訓練,以解決全球范圍內有資料流域和無(wú)資料流域徑流預測問(wèn)題。

該研究提出的ED-DLSTM模型,針對流域徑流預測目標,設計了空間屬性編碼模塊,利用卷積層和空間金字塔池化層,將所有流域的靜態(tài)屬性映射到規模相同的隱空間,使得模型能抽象地“意識”到不同流域的水文響應特征。

該研究采用的訓練數據集來(lái)自美國、英國、中歐、加拿大等地共計2089個(gè)流域,這些流域分布差異性顯著(zhù),確保了數據的多樣性。利用這些流域歷史資料訓練模型,并測試模型在未來(lái)時(shí)段的預測準確性和可靠性。利用納什效率系數NSE對實(shí)驗結果進(jìn)行評估,發(fā)現81.8%的流域平均NSE高于0.6,預測精度比傳統水文模型和其他人工智能模型更好。

基于上述預訓練模型(北半球),研究者對智利(南半球)的160個(gè)全新流域(不使用任何監測數據)進(jìn)行預測,以檢驗模型在無(wú)監測數據流域的預測能力,不同預訓練模型的預測結果顯現出了較強的空間分布一致性。在最好情況下,所有未計量流域中76.9%的流域NSE>0,展現了AI在未計量流域進(jìn)行水徑流及洪水預測的巨大潛力。

相關(guān)成果以“Deep Learning for Cross-Region Streamflow and Flood Forecasting at a Global Scale”為題,在線(xiàn)發(fā)表于綜合性學(xué)術(shù)期刊The Innovation(IF=33.1)上。

文章信息:

Zhang B.,Ouyang C.,Cui P.,et al. (2024). Deep Learning for Cross-Region Streamflow and Flood Forecasting at a Global Scale. The Innovation 5(3),100617.

全文鏈接


研究摘要

研究設計的ED-DLSTM模型總覽

版權所有:中國科學(xué)院、水利部成都山地災害與環(huán)境研究所 蜀ICP備05003828號川公網(wǎng)安備 51010702001669號
地址:四川省成都市天府新區群賢南街189號 郵編:610299 | 聯(lián)系我們