亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于偏互信息篩選的中長期徑流預(yù)報方案比選

        2022-11-04 01:50:26榮,湯陽,曹
        人民長江 2022年10期

        張 海 榮,湯 正 陽,曹 輝

        (1.三峽水利樞紐梯級調(diào)度通信中心,湖北 宜昌 443002; 2.智慧長江與水電科學(xué)湖北省重點實驗室,湖北 宜昌 443002)

        0 引 言

        精度較高的徑流預(yù)報是水工程調(diào)度、水資源高效利用的重要基礎(chǔ)。徑流預(yù)報從預(yù)報尺度區(qū)分,可以分為以日或者小時為尺度的短期預(yù)報和以月或者旬為尺度的中長期預(yù)報。隨著衛(wèi)星遙感和數(shù)值天氣預(yù)報等技術(shù)的快速發(fā)展,短期降雨預(yù)報在預(yù)見期和預(yù)報精度上都有了長足進步[1-2],考慮水文循環(huán)特性的短期徑流方法層出不窮,短期徑流預(yù)報精度不斷提高。然而,由于大氣環(huán)流異常復(fù)雜,較長時間尺度的降雨等氣象因素預(yù)報效果欠佳,中長期徑流預(yù)報較長時期以內(nèi)仍以數(shù)理統(tǒng)計方法為主,具體可分為時間序列方法和多元數(shù)理回歸方法等[3]。

        近年來,隨著氣候觀測技術(shù)和機器學(xué)習(xí)技術(shù)的快速發(fā)展,較多學(xué)者嘗試將遙相關(guān)氣候因子和機器學(xué)習(xí)引入中長期徑流預(yù)報,并取得了不錯效果[4-5]。受海陸循環(huán)影響,陸地水循環(huán)過程可能會受到大氣環(huán)流指數(shù)、海平面氣溫、氣壓等遙相關(guān)氣候因子的影響,但影響流域水文循環(huán)的因子往往成百上千,且存在不同程度的時滯效應(yīng),如前5個月的太平洋區(qū)域平均海平面溫度與宜昌站的徑流存在較強相關(guān)關(guān)系[6]。如此眾多的輸入因子在輸入模型訓(xùn)練之前必須進行一定的預(yù)報因子篩選,保證模型的計算精度與效率。

        輸入因子的選擇是中長期徑流預(yù)報研究的重要內(nèi)容。由于影響流域徑流的遙相關(guān)氣候因子往往與徑流存在高維的非線性關(guān)系,一般的統(tǒng)計方法難以挖掘其中的相關(guān)關(guān)系。同時,因子與因子之間的相關(guān)關(guān)系如何剔除,如某一個因子可由其他因子推導(dǎo)得出,那么此因子包含的信息就是冗余信息,應(yīng)該予以剔除。在眾多輸入因子篩選方法中,有學(xué)者以互信息為基礎(chǔ),通過度量輸入變量與預(yù)報對象之間的相關(guān)關(guān)系,提出偏互信息方法,可有效剔除新加入因子對預(yù)報對象相關(guān)性的增量,有效避免了冗余變量的選入[7]。

        在中長期徑流預(yù)報模型研究方面,人工神經(jīng)網(wǎng)絡(luò)等模型發(fā)展迅速,其中包括BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)[8]、自組織映射(Self-organizing Map,SOM)神經(jīng)網(wǎng)絡(luò)[9]、Hopfield神經(jīng)網(wǎng)絡(luò)[10]、徑向基函數(shù)(Radial Basis Function,RBF)神經(jīng)網(wǎng)絡(luò)[11]、廣義回歸神經(jīng)網(wǎng)絡(luò)(General Regression Neural Network,GRNN)[12]等模型,均取得了較好的預(yù)報精度[13-17]。長短時記憶(Long Short- Term Memory,LSTM)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)中一種帶有門控的網(wǎng)絡(luò),能夠考慮到數(shù)據(jù)的時序性特點,學(xué)習(xí)到數(shù)據(jù)之間的長期依賴關(guān)系,在處理時間序列數(shù)據(jù)的預(yù)測方面具有獨特的優(yōu)勢,在時間序列預(yù)測領(lǐng)域使用廣泛[18-20]。

        隨著電力市場改革的不斷推進、水電站長中短期精細化調(diào)度要求的不斷提高,長江流域中長期徑流預(yù)報的重要性不斷凸顯,有眾多學(xué)者采用多元線性回歸[21]、人工神經(jīng)網(wǎng)絡(luò)[22]、貝葉斯經(jīng)驗統(tǒng)計[23]等方法探索了長江流域徑流預(yù)報方法,但對業(yè)務(wù)預(yù)報中,如何有效應(yīng)用遙相關(guān)氣候因子、降雨信息等多源數(shù)據(jù)制定合理的預(yù)報方案,缺乏進一步的對比研究?;诖?,本文以長江上游流域宜昌站為主要研究對象,在歷史降雨徑流數(shù)據(jù)的基礎(chǔ)上,引入130個遙相關(guān)氣候因子,基于偏互信息篩選輸入因子,應(yīng)用LSTM神經(jīng)網(wǎng)絡(luò)模型建模,對宜昌站的月徑流預(yù)報方案進行比選。

        1 研究區(qū)域概況

        本文以長江上游主要控制站點宜昌站徑流為主要研究對象。長江干流自江源至湖北省宜昌段為長江上游,包括江源段、通天河段、金沙江段和川江段。長江干流上游河段長4 504 km,流域面積約100萬km2。長江流域的多年平均徑流量中上游來水量占47.0%,其中金沙江水系占16.1%,岷沱江占10.9%,嘉陵江占7.4%,烏江占5.7%,長江上游干流占6.9%。

        1.1 降雨與徑流數(shù)據(jù)

        研究采用1981~2019年宜昌站的還原月徑流量,以及石鼓以上、雅礱江、石鼓-宜賓段、岷沱江、嘉陵江、烏江、宜賓-重慶段、重慶-宜昌段等8個子流域或區(qū)間的面平均累計月降雨作為基礎(chǔ)數(shù)據(jù)。徑流數(shù)據(jù)來源于長江水利委員會水文局歷史整編資料,降雨數(shù)據(jù)來源于湖北省氣象局整編資料。

        1.2 氣候因子

        研究采用的氣候因子從國家氣候中心(https:∥cmdp.ncc-cma.net/Monitoring/cn_index_ 130.php)下載,包括北半球副高面積指數(shù)、北非副高面積指數(shù)、北非-大西洋-北美副高面積指數(shù)等88項大氣環(huán)流指數(shù),NINO 1+2區(qū)海表溫度距平指數(shù)、NINO 3區(qū)海表溫度距平指數(shù)、NINO 4區(qū)海表溫度距平指數(shù)等26項海溫指數(shù),冷空氣次數(shù)、西太平洋編號臺風(fēng)數(shù)、登陸中國臺風(fēng)數(shù)等16項其他指數(shù),一共130個遙相關(guān)氣候因子。

        2 研究方法

        2.1 偏互信息法

        互信息(Mutual Information,MI)表示一個隨機變量中包含另一個隨機變量的信息量,可用于度量隨機變量間的所有相關(guān)關(guān)系,包括線性相關(guān)關(guān)系和非線性相關(guān)關(guān)系。令X和Y為兩個隨機變量,其互信息可定義為

        (1)

        式中:fX(x)和fY(y)分別為隨機變量X和Y的邊緣概率密度函數(shù);fX,Y(x,y)為X、Y的聯(lián)合概率密度函數(shù)。若X、Y相互獨立,聯(lián)合概率密度函數(shù)等于邊緣概率密度函數(shù)和的乘積,式(1) 中對數(shù)函數(shù)內(nèi)的值恒為1,MI值等于0;相反,隨機變量X和Y的相關(guān)性越強,MI值越大。

        用互信息方法挑選影響徑流的遙相關(guān)因子難以避免冗余信息,為此采用偏互信息法(Partial Mutual Information,PMI),剔除無關(guān)變量以精簡模型輸入。離散型偏互信息的定義為

        (2)

        (3)

        式中:E為期望值;x為備選輸入變量;y為預(yù)報對象;z為已選入的預(yù)報變量集合;x′為排除z影響x的殘差;y′為排除z影響y的殘差。其中,針對偏互信息中變量的邊緣概率密度函數(shù)和聯(lián)合概率密度函數(shù)估計,采取高斯函數(shù)作為核函數(shù)估計樣本概率密度:

        (4)

        (5)

        以 Hampel 顯著性檢驗作為偏互信息的顯著性檢驗標(biāo)準(zhǔn)確定選擇邊界,計算式為

        (6)

        2.2 LSTM

        LSTM是從循環(huán)神經(jīng)網(wǎng)絡(luò)(Rerrent Neural Network,RNN)衍生而來。在求解時間相關(guān)的輸入信號時,傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)由于其正向連接結(jié)構(gòu)特性使其僅處理當(dāng)前輸入,而不能使用先前信息。RNN 是一個循環(huán)網(wǎng)絡(luò),它將隱藏神經(jīng)元在前一個時間步的狀態(tài)作為下一個時間步的附加輸入。LSTM 則在RNN基礎(chǔ)上具有刪除或添加一些信息的能力。這個過程稱為門的結(jié)構(gòu)控制。LSTM 用一個記憶單元和3個門代替了隱藏層中的普通神經(jīng)元:輸入門、遺忘門和輸出門。LSTM可以根據(jù)新的輸入有選擇地更新記憶細胞狀態(tài),忘記不相關(guān)的內(nèi)容,或者分別根據(jù)輸入、遺忘和輸出門的狀態(tài)有選擇地輸出一部分記憶細胞狀態(tài)作為新的隱藏神經(jīng)元狀態(tài)。通過這種方式,LSTM 能夠?qū)W習(xí)長時間跨度的時間序列。當(dāng)前時間步ht的神經(jīng)元狀態(tài)計算如下[19-20]:

        ft=σ(Wf·[ht-1,xt]+bf)

        (7)

        it=σ(Wi·[ht-1,xt]+bi)

        (8)

        (9)

        ot=σ(Wo·[ht-1,xt]+bo)

        (10)

        (11)

        ht=ot⊙tanh(Ct)

        (12)

        式中:ft,it分別為t時刻的兩個控制門,ft為t時刻刪除的舊消息,it為t時刻添加的新消息;Ct為t時刻的網(wǎng)絡(luò)狀態(tài),Ct′為t時刻網(wǎng)絡(luò)的更新信息;ht為t時刻LSTM隱藏層狀態(tài);xt為t時刻的預(yù)報因子;yt為t時刻的預(yù)報對象;σ為sigmoid函數(shù);Wf為遺忘門權(quán)重矩陣;bf為遺忘門偏斜向量;Wi為輸入門權(quán)重矩陣;bi為輸入門偏斜向量;WC為狀態(tài)更新的權(quán)重矩陣;bC為狀態(tài)更新的偏斜向量;Wo為輸出門權(quán)重矩陣;bo為輸出門偏斜向量;ot為模型輸出。

        3 研究結(jié)果

        3.1 相關(guān)因子選擇

        為充分對比宜昌站徑流與遙相關(guān)氣候因子、前期降雨和徑流的關(guān)系,設(shè)計以下3種研究方案。

        (1) 方案1:歷史遙相關(guān)氣候因子。由于遙相關(guān)氣候因子與徑流存在一定的滯后性,因此以1 a(12個月)為滯后時期,分別比選130個遙相關(guān)氣候因子與長江上游徑流預(yù)報的相關(guān)關(guān)系,形成1 560(130×12)個遙相關(guān)備選輸入因子。特別說明,由于宜昌站徑流存在較強的周期特性,在歷史遙相關(guān)因子的分析中,并未將宜昌站歷史徑流放入備選因子,僅單獨挖掘遙相關(guān)因子與宜昌站徑流的相關(guān)關(guān)系。

        (2) 方案2:歷史降雨徑流因子。參考遙相關(guān)因子的處理辦法,對石鼓以上、雅礱江、石鼓-宜賓段、岷沱江、嘉陵江、烏江、宜賓-重慶段、重慶-宜昌段等8個子流域或區(qū)間的面平均累計月降雨,和宜昌站歷史徑流共計9個因子,以1 a(12個月)為時滯形成108(9×12)個降雨徑流備選因子。

        (3) 方案3:考慮徑流及當(dāng)月降雨。參考方案2,在此基礎(chǔ)上增加石鼓以上、雅礱江、石鼓-宜賓段、岷沱江、嘉陵江、烏江、宜賓-重慶段、重慶-宜昌段等8個子流域或區(qū)間的預(yù)報當(dāng)月降雨,共計116(108+8)個降雨徑流備選因子。

        偏互信息篩選因子的方法分為2步。第1步,對每個因子對應(yīng)的時滯作為輸入變量集合,如{石鼓以上前1月降雨,石鼓以上前2月降雨,…,石鼓以上前12月降雨},采用偏互信息法篩選石鼓以上降雨與宜昌站徑流相關(guān)性顯著的時滯。第2步,將第1步選出的輸入因子重新組成集合,再次運用偏互信息法挑選與宜昌站徑流相關(guān)性高的變量,形成最終的輸入變量。

        通過對上述3種方案進行偏互信息篩選,得到各種方案的輸入因子如表1所列。

        表1 不同方案輸入因子選擇結(jié)果Tab.1 Selection results of input factors for different schemes

        從歷史遙相關(guān)因子的結(jié)果篩選可知,長江上游來水與半年前的西太平洋副高、厄爾尼諾NINO 1+2區(qū)海表溫度距平指數(shù)關(guān)系密切。這也與麥紫君等[6]的研究成果類似,而本研究更進一步印證了西太平洋副高系統(tǒng)對長江流域的徑流影響。從歷史降雨與徑流的相關(guān)關(guān)系來看,宜昌站徑流與去年同期宜昌站徑流、上一月的岷沱江、烏江和雅礱江降雨關(guān)系密切,同時,模擬當(dāng)月的嘉陵江、宜賓-重慶段降雨與宜昌站徑流相關(guān)性較強。

        3.2 中長期徑流預(yù)報結(jié)果分析

        利用LSTM模型,分別采用不同方案的輸入因子,對宜昌站徑流進行預(yù)報。其中,70%數(shù)據(jù)用作訓(xùn)練,30%數(shù)據(jù)用作檢驗。訓(xùn)練期以及檢驗期精度如表2 所列。

        表2 不同方案預(yù)報精度結(jié)果Tab.2 Forecast accuracy of different schemes

        從表2的結(jié)果可知,應(yīng)用遙相關(guān)氣候因子進行中長期徑流預(yù)報具有一定的可行性,在未加入前期徑流的情況下,檢驗期確定性系數(shù)為72%,且理論上單獨使用遙相關(guān)氣象因子進行預(yù)報,可以具有5個月的預(yù)見期。在應(yīng)用歷史降雨徑流因子的預(yù)報中,由于去年同期和上月宜昌站徑流的引入,檢驗期預(yù)報精度可以達到84%。進一步,若引入徑流預(yù)報當(dāng)月的實測降雨,檢驗期預(yù)報精度可達到93%,證明了宜昌站徑流與當(dāng)月降雨的強相關(guān)性,在中長期徑流預(yù)報中應(yīng)用定量預(yù)報降雨對于提升預(yù)報精度效果顯著。

        3種方案的實測與模擬徑流值如圖1~3所示。3種方案對徑流的周期性,以及低流量過程都有很好的預(yù)報效果。方案1應(yīng)用遙相關(guān)因子的中長期徑流預(yù)報中,在訓(xùn)練期對于大流量過程刻畫段準(zhǔn)確,但在檢驗期,存在預(yù)報較大的情況。方案2中,對訓(xùn)練期內(nèi)大流量過程存在預(yù)報偏小的問題,但對檢驗期的大流量過程刻畫較準(zhǔn)確。在方案3中,由于引入了模擬當(dāng)月預(yù)報降雨,訓(xùn)練期和檢驗期的大流量過程模擬效果都較為優(yōu)秀。對比方案1和方案2,可以得出遙相關(guān)氣候因子相比于降雨信息,對中長期的極值預(yù)報具有更高的指導(dǎo)性,例如1998年的長江流域大洪水,厄爾尼諾便是其重要原因,而遙相關(guān)因子正好可以有效刻畫這一現(xiàn)象。

        4 結(jié) 語

        本文以長江上游流域宜昌站為主要研究對象,在歷史降雨徑流數(shù)據(jù)的基礎(chǔ)上,引入130個遙相關(guān)氣候因子,基于偏互信息篩選輸入因子,應(yīng)用LSTM神經(jīng)網(wǎng)絡(luò)模型建模,對宜昌站的月徑流預(yù)報方案進行比選。研究表明:長江上游來水與半年前的西太平洋副高關(guān)系密切,NINO 1+2區(qū)海表溫度距平指數(shù)也與宜昌站徑流存在較強的相關(guān)性。在遙相關(guān)氣候因子之外,宜昌站徑流與去年同期宜昌徑流、上一月的岷沱江、烏江和雅礱江降雨關(guān)系密切,若能加入預(yù)報當(dāng)月的嘉陵江、宜賓-重慶段降雨,將大幅提升宜昌站的中長期預(yù)報精度。

        国产日韩av在线播放| 国产精品av免费网站| 日韩欧美国产丝袜视频| 初尝人妻少妇中文字幕在线| 精品国产一区二区av麻豆不卡| 变态另类人妖一区二区三区| 天天爽天天爽夜夜爽毛片| 国产精品一区二区暴白浆| 久青青草视频手机在线免费观看 | 在线涩涩免费观看国产精品| 久久99精品久久久久久久清纯| 国产一区二区内射最近人| 国产亚洲成人精品久久久| 人人妻人人添人人爽欧美一区| 久久综合亚洲色一区二区三区| 亚洲av一宅男色影视| 草莓视频中文字幕人妻系列| 蜜桃在线高清视频免费观看网址| 日本一道综合久久aⅴ免费| 女人夜夜春高潮爽a∨片传媒| av无码特黄一级| 六月婷婷亚洲性色av蜜桃| 中文 在线 日韩 亚洲 欧美| 欧美一欧美一区二三区性| 伊人狠狠色j香婷婷综合| 国产精品日韩亚洲一区二区| 久久久久亚洲av片无码| 久久国产精品久久精品国产| 美女扒开内裤露黑毛无遮挡| 2020国产在视频线自在拍| 大桥未久亚洲无av码在线| 国产日韩成人内射视频| 亚洲中文字幕久爱亚洲伊人| 在线日韩中文字幕乱码视频| 日本一区二区三区视频在线观看 | 日韩人妻久久中文字幕 | 欧美巨大xxxx做受l| 中文字幕日韩人妻高清在线| 成人爽a毛片免费网站中国| 999国产精品999久久久久久| 中文成人无字幕乱码精品区|