社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

HA.186 [深度学习] 基于深度学习模型优化人类活动调控流域的径流模拟

走天涯徐小洋地理数据科学 • 9 月前 • 223 次点击  


作者简介|PROFILE


艾尔肯·图尔荪


北京师范大学地理科学学部2021级博士生。




主要研究方向包括:

      基于深度学习的水文过程模拟,多源数据融合提升水文预报,基于GEE和深度学习结合的遥感图像分类。



联系方式:

arkenjan@mail.bnu.edu.cn


引文链接|CITATION


Tursun, A., Xie, X., Wang, Y., Liu, Y., Peng, D., Zheng, B., 2024. Enhancing streamflow simulation in large and human-regulated basins: long short-term memory with multiscale attributes. Journal of Hydrology 630, 130771. https://doi.org/10.1016/j.jhydrol.2024.130771


关键词|KEYWORDS


深度学习、多尺度属性、径流模拟、人类活动调控流域


摘要|ABSTRACT


人类调控流域的径流模拟对于陆面水文模型或者深度学习来说都是一个很大挑战,主要是因为这些模型中的人类调控规则很难参数化。本研究评估了长短期记忆(LSTM)在黄河流域的25个子流域中径流模拟的性能。研究发现,整合不同类型的水文属性(流域和河流特征)可以显著提高LSTM的性能,即使对于带有水坝和水库的流域也能发挥很好的作用。其中,整合河流属性对LSTM模型改进的贡献最大。研究表明,多尺度属性是深度学习方法改善人为调节流域流量预测的重要支点。


图1:人类活动影响下的黄河流域水循环示意图


自1999年生态恢复工程实施以来,黄河流域的植被覆盖出现了显著的恢复。此外,黄河流域范围内启动了一系列关键水库和水利基础设施项目。据统计,黄河流域拥有3000多座水库,这些水库和水坝通过改变流量的频率和大小,显著改变了流域水文过程。可以看出,高强度的人类活动对黄河流域的流量产生了明显影响,引起了流量的非线性变化。


Google Earth Engine (GEE)是一个免费的云服务平台,拥有庞大的地理空间数据目录,而且该平台不需要任何特定的硬件。作者在GEE平台上对每个流域的变量进行了面积加权的空间平均,并从不同来源的数据集创建了水文大数据。对多源数据处理之后,我们对模型性能进行了训练、验证和测试。数据处理和LSTM设置以及评估的流程如图2所示。


图2:基于LSTM的流量模拟与评估技术路线图


       包含全部属性的LSTM的模拟精度高于其他模型,仅包含河流静态属性的LSTM性能接近全部属性LSTM 模型,这表明河流静态属性主要有助于提高模型性能。流域静态属性模拟精度低于全部属性和河流静态属性模型,并且大多数站点径流模拟 KGE 值小于0.45。不包含属性的LSTM模型难以产生可靠的径流模拟,大多数流域的KGE 值小于0.30。


图3:不同属性的LSTM模型KGE空间分布图

      

      本研究有望为人类活动调控流域的径流模拟提供新的视角。期望通过此研究完善现有的深度学习水文过程模拟框架,以适应复杂的水循环条件。

数据链接:

本文所用的径流数据可以通过国家地球系统科学数据中心-黄土高原分中心(http://loess.geodata.cn)申请获取

模型代码:

https://github.com/neuralhydrology/neuralhydrology


相关推荐|RECOMMENDATIONS


[1] Feng, D., Liu, J., Lawson, K., Shen, C., 2022. Differentiable, learnable, regionalized process‐based models with multiphysical outputs can approach state‐of‐the‐art hydrologic prediction accuracy. Water Resour Res 58 (10). https://doi.org/10.1029/2022WR032404

[2] Kratzert, F., Gauch, M., Nearing, G., Klotz, D., 2022. Neuralhydrology — a python library for deep learningresearch in hydrology. Journal of Open Source Software 7 (71), 4050. https://doi.org/10.21105/joss.04050

[3]Kratzert, F., Nearing, G., Addor, N., Erickson, T., Gauch, M., Gilon, O., Gudmundsson, L., Hassidim, A., Klotz, D., Nevo, S., Shalev, G., Matias, Y., 2023. Caravan - a global community dataset for large-sample hydrology. Sci Data10 (1), 61. https://doi.org/10.1038/s41597-023-01975-w 


撰稿: 艾尔肯·图尔荪  | 编辑: 樊正龙 | 校稿: Hydro90编委团


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/167259
 
223 次点击