摘要：為提高開(kāi)都河日徑流模擬的精度和更科學(xué)地進(jìn)行開(kāi)都河水資源的管理與規(guī)劃，在集成經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）的基礎(chǔ)上進(jìn)行樣本熵（SE）重構(gòu)來(lái)完成長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）組合模型的構(gòu)建。采用集成經(jīng)驗(yàn)?zāi)B(tài)分解提取開(kāi)都河日徑流序列中具有物理含義的信息，得到一系列本征模態(tài)分量（IMF）及一個(gè)趨勢(shì)項(xiàng)（Res），計(jì)算每個(gè)分量的樣本熵，復(fù)雜程度接近的子序列疊加為新序列，建立長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)，疊加得到最終模擬值。結(jié)果表明：EEMD-SE-LSTM組合模型日徑流模擬的精度得到提高，其確定系數(shù)R2=0.81、納什效率系數(shù)NSE=0.73，均高于LSTM模型的R2=0.73、NSE=0.52和EEMD-LSTM模型的R2=0.64、NSE=0.63；EEMD-SE-LSTM組合模型的日徑流模擬準(zhǔn)確性更高，其評(píng)價(jià)指標(biāo)（R2=0.81、NSE=0.73）高于其他單一模型SVM（R2=0.70、NSE=0.58）。EEMD-SE-LSTM組合模型提高了日徑流模擬精度，可以更好地為開(kāi)都河水資源管理與規(guī)劃提供科學(xué)依據(jù)。

關(guān)鍵詞：集成經(jīng)驗(yàn)?zāi)B(tài)分解；樣本熵；長(zhǎng)短期記憶網(wǎng)絡(luò)；組合模型；日徑流模擬

中圖分類(lèi)號(hào)：TV121.4文獻(xiàn)標(biāo)志碼：A文獻(xiàn)標(biāo)識(shí)碼

Study on daily runoff simulation of Kaidu River based on EEMD-SE-LSTM combined model

DING "Zhantao1，AN "Jie2，3*，WU "Guoyang1，SONG Yufeng1，LUO Xin1，HUANG Sen1

（1 National Energy Group Xinjiang Kaidu River Basin Hydropower Development Co.，Ltd.，Korla，Xinjiang 841000，China;

2 College of Water Conservancy amp; Architectural Engineering Shihezi University，Shihezi，Xinjiang 832000，China; 3 Key Laboratory of Cold and

Arid Regions Eco-Hydraulic Engineering of Xinjiang Production amp; Construction Corps，Shihezi，Xinjiang 832000，China）

Abstract： In order to improve the accuracy of daily runoff simulation of Kaidu River and carry out the management and planning of Kaidu River water resources by science，the sample entropy（SE） reconstruction is carried out on the basis of ensemble empirical mode decomposition（EEMD） to complete the construction of long short-term memory network（LSTM） combination model.The ensemble empirical mode decomposition is used to extract the information with physical meaning in the daily runoff sequence of Kaidu River，and a series of intrinsic mode components（IMF） and a trend term（Res） are obtained.The sample entropy of each component is calculated，and the subsequences with similar complexity are superimposed into a new sequence.The long-term and short-term memory neural network model is established to predict，and the final simulation value is obtained by superposition.The results show that：The accuracy of daily runoff simulation of EEMD-SE-LSTM combined model is improved，and its determination coefficient R2=0.81 and Nash efficiency coefficient NSE=0.73 are higher than those of LSTM model （R2=0.73，NSE=0.52） and EEMD-LSTM model （R2=0.64，NSE=0.63）.The daily runoff simulation accuracy of EEMD-SE-LSTM combined model is higher，and its evaluation index（R2=0.81，NSE=0.73） is higher than other single models SVM（R2=0.70，NSE=0.58）.The EEMD-SE-LSTM combined model improves the accuracy of daily runoff simulation and can better provide a scientific basis for water resources management and planning of the Kaidu River.

Key words： Integrated empirical mode decomposition;Sample entropy;Long short-term memory network;Combined model;Daily runoff simulatio

徑流模擬能了解流域徑流變化的特征、趨勢(shì)和規(guī)律，并為水災(zāi)預(yù)警和防治、水資源保護(hù)、配置、規(guī)劃與管理等提供科學(xué)依據(jù)。面對(duì)變化環(huán)境下不斷增加的不確定性因素，如何提高徑流模擬的準(zhǔn)確度，為流域水資源管理及調(diào)控提供更多有益的預(yù)報(bào)信息，已成為水文過(guò)程研究領(lǐng)域的熱點(diǎn)和難點(diǎn)問(wèn)題［1］。目前，廣泛用于徑流模擬的方法根據(jù)模型原理主要分為基于物理成因的過(guò)程驅(qū)動(dòng)水文模型和基于數(shù)理統(tǒng)計(jì)的數(shù)據(jù)驅(qū)動(dòng)模型兩大類(lèi)［2］，過(guò)程驅(qū)動(dòng)模型是從徑流的物理成因出發(fā)，基于水文、氣象專(zhuān)業(yè)理論分析，并與時(shí)空降水分布、氣象條件和下墊面條件相結(jié)合［3］，但由于流域自然地理環(huán)境以及產(chǎn)流和匯流過(guò)程的復(fù)雜性，模型參數(shù)率定困難，無(wú)法精確的建立水文模型，從而限制了物理模型的應(yīng)用；數(shù)據(jù)驅(qū)動(dòng)模型是通過(guò)對(duì)大量水文氣象歷史資料進(jìn)行統(tǒng)計(jì)分析，尋找預(yù)報(bào)對(duì)象和預(yù)報(bào)因子之間的統(tǒng)計(jì)特性關(guān)系或預(yù)報(bào)對(duì)象自相關(guān)關(guān)系，主要分為水文統(tǒng)計(jì)模型和人工智能模型［4］。

常用的水文統(tǒng)計(jì)模型有差分整合移動(dòng)平均自回歸模型（ARIMA）［5］、多元回歸模型［6］等，目前這些模型仍無(wú)法準(zhǔn)確地捕捉到水文時(shí)間序列的非線(xiàn)性特征。隨著人工智能的發(fā)展，計(jì)算機(jī)技術(shù)為徑流模擬提供了新方法，如支持向量機(jī)［7］、廣義回歸神經(jīng)網(wǎng)絡(luò)［8］、長(zhǎng)短期記憶模型［9］等。French等［10］利用三層神經(jīng)網(wǎng)絡(luò)對(duì)降雨進(jìn)行了預(yù)測(cè)，成為人工神經(jīng)網(wǎng)絡(luò)在水科學(xué)領(lǐng)域應(yīng)用的開(kāi)端。但應(yīng)用非平穩(wěn)的時(shí)間序列會(huì)使數(shù)據(jù)驅(qū)動(dòng)模型的徑流模擬精度下降，所以對(duì)原始徑流序列進(jìn)行預(yù)處理是十分必要的［11］。Barge和Sharif［12］將集成經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）與線(xiàn)性遺傳規(guī)劃相結(jié)合，提高了肯塔基河流域模型性能。由此可知，EEMD可作為非平穩(wěn)徑流序列的處理方法提高模型性能，長(zhǎng)短期記憶網(wǎng)絡(luò)也適用于非線(xiàn)性的時(shí)間序列擬合，具有較強(qiáng)平衡數(shù)據(jù)時(shí)序性與非線(xiàn)性關(guān)系的能力。

基于上述相關(guān)研究，本文運(yùn)用EEMD分解得到開(kāi)都河日徑流時(shí)間序列各尺度模態(tài)分量，在降低序列隨機(jī)性、非線(xiàn)性和不平穩(wěn)性的基礎(chǔ)上，為減少模型高頻分量對(duì)序列整體模擬的影響，考慮各子序列之間的相關(guān)性，然后采用樣本熵將熵值相近的子序列合并為新的子序列，選用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)作為各重建子序列模擬模型，從而保證組合模型的非線(xiàn)性擬合能力，旨在提高開(kāi)都河日徑流模擬精度，這對(duì)水資源管理和社會(huì)經(jīng)濟(jì)發(fā)展有重要意義。

1研究區(qū)域與數(shù)據(jù)

1.1研究區(qū)概況

開(kāi)都河發(fā)源于天山山脈中部依連哈比爾尕山南坡［13］，河源高山區(qū)終年積雪。流域地理坐標(biāo)為東經(jīng)82°58′～87°00′、北緯41°50′～43°21′，地勢(shì)由西北向東南傾斜，流經(jīng)巴州和靜縣、焉耆縣和博湖縣后注入博斯騰湖。流域總面積2.26萬(wàn)km2，河流全長(zhǎng)560km，經(jīng)大山口水文站，又有北部山區(qū)的莫呼爾查汗河、哈合仁郭勒河、黃水溝等支流匯入。開(kāi)都河下游流經(jīng)焉耆縣，河道在焉耆縣以東寶浪蘇木處分為2支，東支流入博斯騰湖大湖，西支注入博斯騰湖西南部的小湖群。

1.2數(shù)據(jù)來(lái)源

本文所使用數(shù)據(jù)為開(kāi)都河流域察汗烏蘇水文站2013年9月1日至2022年7月31日實(shí)測(cè)小時(shí)降雨量、最高溫與最低溫和徑流數(shù)據(jù)，將上述數(shù)據(jù)處理為日時(shí)間序列數(shù)據(jù)供建模使用。由于實(shí)測(cè)徑流量波動(dòng)較大，所以適當(dāng)?shù)难娱L(zhǎng)了模型的訓(xùn)練期，以減小實(shí)測(cè)波動(dòng)對(duì)徑流序列模擬的影響。

2研究方法

2.1集成經(jīng)驗(yàn)?zāi)B(tài)分解

經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）［14］是以原序列為“基”的自適應(yīng)分解方式，集成經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）是在經(jīng)驗(yàn)?zāi)B(tài)分解的基礎(chǔ)上往原始時(shí)間序列加入白噪聲，以此避開(kāi)了EMD分解時(shí)的模態(tài)混疊現(xiàn)象，同時(shí)可以降低序列隨機(jī)性、非線(xiàn)性和不平穩(wěn)性對(duì)模型模擬結(jié)果的負(fù)面影響。

步驟1：將等長(zhǎng)的白噪聲加入原始序列X（t），生成新的時(shí)間序列Xi（t），

Xi（t）=X（t）+ni（t），（1）

式（1）中Xi（t）為第i次實(shí)驗(yàn)加入等長(zhǎng)白噪聲后的新信號(hào)，ni（t）表示第i次加入的白噪聲序列。

步驟2：利用EMD的方法對(duì)新信號(hào)Xi（t）進(jìn)行分解，得到新序列Cij（t）和Ri（t），

Xi（t）=∑mj=1Cij（t）+Ri（t），（2）

式（2）中Cij（t）和Ri（t）為Xi（t）第i次加入白噪聲分解后的第j個(gè)模態(tài)分量和殘余分量，Ri（t）為信號(hào)的平均趨勢(shì)；m為信號(hào)分解后IMF的數(shù)量。

步驟3：重復(fù)N次步驟1和步驟2得到N組分量和殘差，計(jì)算其算數(shù)平均值即為基于EEMD的分解結(jié)果。經(jīng)EEMD分解所得到的最終結(jié)果如下：

Cj（t）=1N∑Ni=1Cij（t），（3）

R（t）=1N∑Ni=1Ri（t），（4）

式（3）、（4）中Cj（t）為EEMD分解后第j個(gè)IMF分量，R（t）為最終殘差量。

2.2樣本熵

樣本熵是Richman［15］在2000年提出的一種測(cè)量時(shí)間序列復(fù)雜性的方法。根據(jù)樣本熵原理可知：熵越高，序列越復(fù)雜；由樣本熵的計(jì)算公式可知：樣本熵值越低，時(shí)間序列的自相關(guān)性越高。由于集成經(jīng)驗(yàn)?zāi)B(tài)分解將原始序列分解為若干IMF分量后，模型的計(jì)算量過(guò)大，同時(shí)為了提高模擬精度和降低原始徑流序列的噪聲，從原始徑流中提取更多有用的局部信息，并且疊加具有相似復(fù)雜度的子序列以降低計(jì)算成本，因此，引入樣本熵法對(duì)序列進(jìn)行重構(gòu)。當(dāng)生成新模態(tài)的概率較低時(shí)，時(shí)間序列更穩(wěn)定，相反，時(shí)間序列更為復(fù)雜［16］。其算法步驟參考Zhang等［17］如下：

步驟1：將數(shù)據(jù)個(gè)數(shù)為N的時(shí)間序列按順序構(gòu)建一個(gè)m維矢量X（i），

X（i）=｛u（i），u（i+1），…，u（i+m-1）｝，（5）

式（5）中i=1，2，…，N-m+1。

步驟2：計(jì)算m維矢量X（i）與其他矢量X（j）的距離dij，

dij=max|u（i+k）-u（j+k）|，（6）

式（6）中j=1，2，…，N-m+1;k=0，1，…，m-1，i≠j。

步驟3：序列在相似容限r(nóng)（rgt;0）下匹配m個(gè)點(diǎn)的概率，

Bmi（r）=nij（r）N-m+1，（7）

計(jì)算其均值可得：

Bm（r）=1N-m+1∑N-m+1i=1Bmi（r）。（8）

步驟4：增加其維數(shù)到m+1，并重復(fù)步驟1步驟2，

Bm+1（r）=1N-m∑N-mi=1Bm+1i（r）。（9）

步驟5：可將樣本熵定義為：

SampEn（m，r，N）=-lnBm+1（r）Bm（r）。（10）

2.3長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型

長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型（Long Short-Term Memory，LSTM）是一個(gè)特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，由輸入層、一個(gè)或多個(gè)隱含層和基本輸入層構(gòu)成（圖1），能有效地解決因時(shí)間序列過(guò)長(zhǎng)而導(dǎo)致的記憶損失及梯度消失等問(wèn)題，適用于對(duì)較長(zhǎng)時(shí)間間隔和延遲的事件進(jìn)行處理，可避免梯度爆炸等現(xiàn)象出現(xiàn)。

將不同的序列xt作為L(zhǎng)STM的輸入項(xiàng)，由輸入門(mén)、輸出門(mén)和遺忘門(mén)組成記憶單元，通過(guò)門(mén)控單元讀取與調(diào)整隱含狀態(tài)向量和記憶狀態(tài)向量，記憶細(xì)胞單元有選擇性的對(duì)一些輸入數(shù)據(jù)選擇遺忘或添加到記憶里，以實(shí)現(xiàn)各序列的模擬。其中ft、it、ot分別為遺忘門(mén)、輸入門(mén)和輸出門(mén)，具體計(jì)算過(guò)程如下：

ft=σ（Wfxt+Ufht-1+bf），（11）

it=σ（Wixt+Uiht-1+bi），（12）

c～t=tanhWc～xt+Uc～ht-1+bc～，（13）

ct=ft*ct-1+it*c～t，（14）

ot=σ（Wοx(chóng)t+Uοht-1+bο），（15）

ht=tanh（ct）*ot，（16）

式（11）～（16）中ft為t時(shí)刻的遺忘門(mén)；σ為Sigmoid函數(shù)；W、U表示權(quán)重矩陣；xt為t時(shí)刻的輸入值；ht-1為t-1時(shí)刻的隱含層狀態(tài)；b表示偏置向量；it為t時(shí)刻輸入門(mén)；c～t為記憶更新向量；tanh為雙曲余弦函數(shù)；ct為t時(shí)刻的記憶單元狀態(tài)變量；*表示向量標(biāo)量積；ct-1為t-1時(shí)刻記憶單元狀態(tài)變量；ot為t時(shí)刻的輸出門(mén)；ht為t時(shí)刻隱含層狀態(tài)。

LSTM模型超參數(shù)（表1）的選取如下：

（1）神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)由隱藏層層數(shù)和每個(gè)隱藏層神經(jīng)元個(gè)數(shù)決定，層數(shù)和神經(jīng)元個(gè)數(shù)越多，說(shuō)明其模型參數(shù)越多，會(huì)增加訓(xùn)練時(shí)間。

（2）LSTM對(duì)長(zhǎng)時(shí)間序列進(jìn)行處理時(shí)，參數(shù)優(yōu)化過(guò)程會(huì)面臨梯度消失或梯度爆炸狀況，需在實(shí)際應(yīng)用中設(shè)定一個(gè)最大時(shí)序截?cái)嚅L(zhǎng)度time-step。

（3）輸入模型中的訓(xùn)練樣本大小為batch-size。

（4）學(xué)習(xí)率learning-rate決定了模型訓(xùn)練時(shí)的收斂速度，學(xué)習(xí)率較大時(shí)會(huì)使收斂速度較快，容易造成模型在陷入局部最優(yōu)解，學(xué)習(xí)率較少時(shí)會(huì)使收斂速度較慢和增加計(jì)算量。

（5）訓(xùn)練樣本完整訓(xùn)練的次數(shù)為迭代次數(shù)epoch，迭代次數(shù)決定模型是否會(huì)發(fā)生過(guò)擬合或欠擬合。

2.4組合模型EEMD-SE-LSTM的構(gòu)建

結(jié)合EEMD、SE、LSTM三種方法的優(yōu)勢(shì)，構(gòu)建EEMD-SE-LSTM日徑流時(shí)間序列模型，從多角度提高日徑流模擬精度，具體流程（圖2）如下：

步驟1：利用EEMD將開(kāi)都河日徑流時(shí)間序列X（t）分解為蘊(yùn)含各個(gè)尺度特征的子序列，

X（t）=X1（t）+X2（t）+…+Xn（t）+R（t），（17）

式（17）中n為子序列分解出的數(shù)量。

步驟2：計(jì)算出各子序列和余量R的樣本熵值，樣本熵值接近表明分量產(chǎn)生新模式的概率基本相同，將熵值相近的子序列進(jìn)行合并重構(gòu)為新的子序列，

X（t）=Y1（t）+Y2（t）+…+Yj（t），（18）

式（18）中j為重構(gòu)后子序列個(gè)數(shù)。

步驟3：對(duì)重構(gòu)后的子序列分別建立LSTM模型進(jìn)行模擬，各子序列模擬值累加后為最終組合模型模擬值，

Z=z1+z2+…+zj，（19）

式（19）中 Z為組合模型最終模擬值z(mì)1，z2…zj為各子序列模擬值。

步驟4：選取確定系數(shù)R2和納什效率系數(shù)NSE作為評(píng)價(jià)指標(biāo)對(duì)組合模型與其它模型進(jìn)行對(duì)比評(píng)價(jià)。

3徑流模擬結(jié)果與分析

3.1基于EEMD的日徑流序列分解

將開(kāi)都河察汗烏蘇水文站日徑流時(shí)間序列運(yùn)用集成經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）按內(nèi)在特性進(jìn)行特征分解，分解時(shí)加入300組白噪聲，噪聲誤差為0.3。分解后得到（IMF1～10）10個(gè)固有模態(tài)分量和1個(gè)趨勢(shì)項(xiàng)Res（圖3），其中：IMF1～I(xiàn)MF5為高頻分量，并且振幅較大，涵蓋了日徑流序列的部分信息。但是高頻分量會(huì)對(duì)模擬精度產(chǎn)生負(fù)面的影響，所以引入樣本熵對(duì)原始序列重構(gòu)，主要是減小高頻分量對(duì)模擬精度的影響和降低模型計(jì)算成本；IMF6～10分量頻率逐漸降低，振幅也在減小，突出了日徑流序列的局部特征；趨勢(shì)項(xiàng)呈現(xiàn)出先升后降趨勢(shì)但整體變化波動(dòng)不大?？傮w來(lái)說(shuō)，集成經(jīng)驗(yàn)?zāi)B(tài)分解可很好地從原始時(shí)間序列分解出各個(gè)尺度特征分量，且避免了模態(tài)混疊現(xiàn)象。

3.2基于樣本熵的序列重構(gòu)

樣本熵從原始徑流中提取更多有用的局部信息，從而可提高模擬精度，降低原始徑流序列的噪聲，并疊加具有相似復(fù)雜度的子序列以降低計(jì)算成本。通過(guò)引入樣本熵對(duì)序列進(jìn)行重構(gòu)，最終得到IMF1-R的樣本熵值分別為1.513 6、1.276 6、0.717 0、0.512 9、0.386 1、0.171 9、0.100 4、0.029 8、0.018 3、0.004 1、0.005 6。其中IMF1和IMF2的樣本熵值基本接近，這表明這兩個(gè)分量產(chǎn)生新模式的概率基本相同，因此可以將它們疊加成新序列。類(lèi)似地，可以疊加IMF3-IMF5、IM6-IM7、IM8-R（表2），最終得到4條新模態(tài)分量。

由圖4可見(jiàn)：重組后C1、C2的分量頻率比分解后的降低了且振幅變小、穩(wěn)定性增強(qiáng)。低頻率分量C3、C4很好地表示了徑流序列的固有變化，與原始序列相比，分解和重組的模態(tài)分量具有更好的穩(wěn)定性，更便于提取徑流序列的固有變化。

3.3EEMD-SE-LSTM模擬結(jié)果分析

將所取得開(kāi)都河流域察汗烏蘇水文站2013年9月1日—2021年8月31日的日徑流實(shí)測(cè)數(shù)據(jù)用于模型訓(xùn)練，并以2021年9月1日—2022年7月31日的日徑流實(shí)測(cè)數(shù)據(jù)用于模型精度的驗(yàn)證。

3.3.1縱向比較分析

為體現(xiàn)EEMD-SE-LSTM在徑流模擬精度上的提升，將組合模型的模擬結(jié)果、LSTM、EEMD-LSTM的模擬結(jié)果與實(shí)測(cè)徑流數(shù)據(jù)進(jìn)行對(duì)比，結(jié)果（圖5）顯示：3種模型在時(shí)間序列變化的極值點(diǎn)上仍較易出現(xiàn)誤差。EEMD-SE-LSTM綜合了EEMD、SE、LSTM三種方法的優(yōu)點(diǎn)，使得組合模型日徑流模擬誤差變化平穩(wěn)化，具有較強(qiáng)的泛化能力、模擬能力高等特點(diǎn)。

選用確定系數(shù)R2和納什效率系數(shù)NSE進(jìn)行對(duì)比評(píng)價(jià)，結(jié)果（表3）顯示：

EEMD-SE-LSTM相較LSTM、EEMD-LSTM，其在趨勢(shì)上與極值的模擬上表現(xiàn)更好，模擬結(jié)果與實(shí)測(cè)徑流數(shù)據(jù)更加吻合；組合模型相比于LSTM模型的R2提高了8%；NSE提高了21%，相比于EEMD-LSTM模型組合模型的R2提高了17%；NSE提高了10%。

EEMD-LSTM模型的R2、NSE值相較LSTM模型的都減小了，這表明EEMD-LSTM在日徑流模擬中保留高頻信息和累加生成序列方面的表現(xiàn)不佳。

3.3.2橫向比較分析

為探究組合模型在日徑流模擬的準(zhǔn)確性，將其與其他單一模型進(jìn)行對(duì)比，模擬結(jié)果（表4）顯示：相比于SVM，模型組合模型R2提高了11%，NSE提高了15%，證明組合模型相較于單一模型準(zhǔn)確性更高。

另外，由于支持向量機(jī)模型具有處理輸入和輸出數(shù)據(jù)之間復(fù)雜非線(xiàn)性關(guān)系的優(yōu)勢(shì)，故選用其代表單一模型與EEMD-SE-LSTM組合模型進(jìn)行對(duì)比，結(jié)果（圖6）顯示：組合模型雖然模擬略有延后性，但在序列趨勢(shì)走向上更加貼近實(shí)測(cè)值，在極值點(diǎn)的表現(xiàn)也更優(yōu)秀，避免了單一模型模擬的不穩(wěn)定性誤差過(guò)大的缺點(diǎn)。

4討論

目前，對(duì)開(kāi)都河徑流模擬多為月尺度模擬，所使用的模型中分布式水文模型占多數(shù)。分布式水文模型主要通過(guò)經(jīng)驗(yàn)方程描述土壤水分的運(yùn)移來(lái)描述徑流的變化，受下墊面變化影響較大，并且月尺度的徑流模擬無(wú)法準(zhǔn)確看出年內(nèi)的徑流變化趨勢(shì)。羅映雪等［18］運(yùn)用SWAT對(duì)開(kāi)都河月徑流進(jìn)行模擬，驗(yàn)證期R2為0.58、NSE為0.57；陳世雪等［19］也利用SWAT模型研究上游氣候變化及人類(lèi)活動(dòng)影響對(duì)開(kāi)都河月徑流進(jìn)行模擬，驗(yàn)證期R2為0.78、NSE為0.69，均低于組合模型日徑流模擬精度。分析上述研究結(jié)果可知：近年受人類(lèi)活動(dòng)影響，降雨量以及冰川融水量發(fā)生改變，引起下墊面發(fā)生變化導(dǎo)致該流域徑流趨勢(shì)的不確定性增大，這些隨機(jī)性變化增加了分布式模型預(yù)測(cè)難度。韓子晨等［20］通過(guò)SRM模型改進(jìn)BP神經(jīng)網(wǎng)絡(luò)對(duì)開(kāi)都河日尺度徑流序列模擬，R2僅為0.59。Xu等［21］證明了EEMD-BPANN組合模型優(yōu)于單一的反向傳播人工神經(jīng)網(wǎng)絡(luò)（BPANN），R2分別為0.97和0.40。本研究結(jié)果反映出在開(kāi)都河年徑流模擬上單一的機(jī)器學(xué)習(xí)模型表現(xiàn)一般，需對(duì)徑流序列處理來(lái)提高模型擬合能力，并且使用“分解-重構(gòu)”的組合模型方法，可減小噪聲對(duì)其影響，而且處理非線(xiàn)性序列的能力更強(qiáng)，具有更好的擬合能力，從而提高模擬精度。

模擬影響因素較多，目前只考慮了降雨與氣溫變化的影響，在后續(xù)研究中增加融雪、太陽(yáng)輻射等變量是下一步工作。

Wang等［22］使用樣本熵剔除了高頻分量且重新組合中低頻分量，并結(jié)合完備集合經(jīng)驗(yàn)?zāi)B(tài)分解自適應(yīng)噪聲得到了新故障信號(hào)降噪算法。本文降低高頻分量影響的想法與之相同，且本研究提出的日尺度徑流模擬可以更準(zhǔn)確地為開(kāi)都河水資源配置及規(guī)劃提供依據(jù)。

5結(jié)論

（1）集成經(jīng)驗(yàn)?zāi)B(tài)分解可以分解出各個(gè)尺度的特征分量，但EEMD-LSTM模型的確定系數(shù)和納什效率系數(shù)均小于LSTM，表明單獨(dú)的分解模擬模型不能很好保留高頻信息。

（2）通過(guò)縱向比較LSTM、EEMD-LSTM、EEMD-SE-LSTM模型，其R2分別為0.73、0.64、0.81，NSE分別為0.52、0.63、0.73，表明組合模型在日徑流模擬上精度得到提高。

（3）通過(guò)橫向比較EEMD-SE-LSTM與SVM模型，其R2分別為0.81、0.70，NSE分別為0.73、0.58，表明日徑流組合模型相較于單一模型準(zhǔn)確性更高。

（4）EEMD-SE-LSTM組合模型可有效地降低序列的隨機(jī)性以及高頻分量的影響，提高日尺度徑流模擬的精度。

參考文獻(xiàn)（References）

［1］譚喬鳳，陳然，朱陽(yáng)，等.基于多因子最近鄰抽樣回歸模型的徑流相似性預(yù)報(bào)［J］.河海大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，48（6）：521-527.

TAN Q F，CHEN R，ZHU Y，et al.Runoff similarity forecast based on multi-factor nearest neighbor bootstrapping regressive model［J］.Journal of Hohai University（Natural Sciences），2020，48（6）：521-527.

［2］康艷，楊沁瑜，張芳琴，等.基于Box-Cox變換與Lasso回歸的支持向量回歸模型在月徑流預(yù)報(bào)中的應(yīng)用［J］.應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)，2022，30（1）：27-39.

KANG Y，YANG Q Y，ZHANG F Q，et al.Application of SVR model based on Box-Cox transformation and Lasso regression in monthly runoff prediction［J］.Journal of Basic Science and Engineering， 2022，30（1）：27-39.

［3］LEE D，LEE G，KIM S，et al.Future runoff analysis in the Mekong River Basin under a climate change scenario using deep learning［J］.Water，2020，12（6）：1556.

［4］石繼海，宋松柏，李航.中長(zhǎng)期徑流預(yù)報(bào)模型優(yōu)選研究［J］.西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，47（7）：147-154.

SHI J H，SONG S B，Li H.Optimization of mid-long term runoff forecasting models［J］.Journal of Northwest Aamp;F University（Natural Science Edition），2019，47（7）：147-154.

［5］黃玥，黃志霖，肖文發(fā)，等.三峽水庫(kù)水位調(diào)度對(duì)出庫(kù)水質(zhì)影響分析與水質(zhì)預(yù)測(cè)［J］.水資源與水工程學(xué)報(bào)，2020，31（4）：78-85.

HUANG Y，HUANG Z L，XIAO W F，et al.Analysis and prediction of effects of Three Gorges Reservoir water level scheduling on the outflow water quality［J］.Journal of Water Resources and Water Engineering，2020，31（4）：78-85.

［6］趙思遠(yuǎn)，郝振純，劉文斌.不同水位預(yù)報(bào)方法在黑龍江干流的應(yīng)用研究［J］.中國(guó)農(nóng)村水利水電，2016（3）：47-51.

ZHAO S Y，HAO Z C，LIU W B.Research on the application of water-level forecasting methods for Heilongjiang mainstream［J］.China Rural Water and Hydropower，2016（3）：47-51.

［7］周有榮，崔東文.基于混合核SHTS-SVM的年徑流預(yù)測(cè)［J］.水資源與水工程學(xué)報(bào)，2019，30（3）：66-72.

ZHOU Y R，CUI D W.Annual runoff prediction based on mixed kernel simultaneous heat transfer search-support vector machine［J］.Journal of Water Resources and Water Engineering，2019，30（3）：66-72.

［8］張潯潯，段陽(yáng)海，吳淑瑩，等.通天河流域植被動(dòng)態(tài)監(jiān)測(cè)及其對(duì)氣候因子的響應(yīng)［J］.草地學(xué)報(bào)，2023，31（2）：479-488.

ZHANG X X，DUAN Y H，WU S Y，et al.Dynamic monitoring of vegetation in Tongtian River Basin and its response to climatic factors ［J］.Acta Agrestia Sinica，2023，31（2）：479-488.

［9］冷天培，馬剛，向正林，等.基于時(shí)序分解與深度學(xué)習(xí)的堆石壩變形預(yù)測(cè)［J］.水力發(fā)電學(xué)報(bào)，2021，40（10）：147-159.

LENG T P，Ma G，XIANG Z L，et al.Deformation prediction of rockfill dams based on time series decomposition and deep learning ［J］.Journal of Hydroelectric Engineering，2021，40（10）：147-159.

［10］FRENCH M N，KRAJEWSKI W F，CUYKENDALL R R.Rainfall forecasting in space and time using a neural network［J］.Journal of hydrology，1992，137（1-4）：1-31.

［11］AYENU A Y，ATTOH N O.Comparative study of Hilbert-Huang transform， Fourier transform and wavelet transform in pavement profile analysis［J］.Vehicle System Dynamics，2009，47（4）：437-456.

［12］BARGE T J，SHARIF O H.An ensemble empirical mode decomposition， self-organizing map and linear genetic programming approach for forecasting river streamflow［J］.Water，2016，8（6）：247.

［13］謝源源，朱健.開(kāi)都河流域水文特性分析［J］.水文，2011，31（6）：92-96.

XIEY Y，ZHU J.Hydrological characteristics of the Kaidou River Basin［J］.Journal of China Hydrology， 2011，31（6）：92-96.

［14］YANG W D，WANG J Z，LU H Y，et al.Hybrid wind energy forecasting and analysis system based on divide and conquer scheme：A case study in China［J］.Journal of Cleaner Production，2019，222：942-959.

［15］RICHMAN J S.Multivariate neighborhood sample entropy：A method for data reduction and prediction of complex data［J］.Methods in Enzymology，2011，487：397-408.

［16］孫娜，周建中.基于正則極限學(xué)習(xí)機(jī)的非平穩(wěn)徑流組合預(yù)測(cè)［J］.水力發(fā)電學(xué)報(bào)，2018，37（8）：20-28.

SUN N，ZHOU J Z.Hybrid forecasting model for non-stationary runoff based on regularized extreme learning machine ［J］.Journal of Hydroelectric Engineering，2018，37（8）：20-28.

［17］ZHANG N N，LIN A J，MA H，et al.Weighted multivariate composite multiscale sample entropy analysis for the complexity of nonlinear times series［J］.Physica A，2018，508：595-607.

［18］羅映雪，徐長(zhǎng)春，楊秋萍，等.基于SWAT模型的開(kāi)都河上游未來(lái)土地利用變化對(duì)徑流的影響［J］.灌溉排水學(xué)報(bào)，2019，38（11）：100-108.

LUO Y X，XU C C，YANG Q P，et al.Influence of future land use change on runoff in the upper reaches of Kaidu River Based on SWAT model ［J］.Journal of Irrigation and Drainage，2019，38（11）：100-108.

［19］陳世雪，玉素甫江·如素力，張發(fā)，等.基于SWAT模型的開(kāi)都河上游氣候變化和人類(lèi)活動(dòng)對(duì)徑流的影響［J］.湖北農(nóng)業(yè)科學(xué)，2022，61（5）：171-176.

CHEN S X，RUSULI Y，ZHANG F，et al.Effects of climate change and human activities on runoff in the upper reaches of Kaidu River based on SWAT model［J］.Hubei Agricultural Sciences，2022，61（5）：171-176.

［20］韓子晨，王弋，賀斌.基于BP神經(jīng)網(wǎng)絡(luò)的干旱區(qū)多組分徑流模擬［J］.人民珠江，2021，42（4）：84-89.

HAN Z C，WANG Y，HE B.Multi-component runoff simulation in arid area based on BP neural network［J］.Pearl River，2021，42（4）：84-89.

［21］XU J，CHEN Y，BAI L，et al.A hybrid model to simulate the annual runoff of Kaidu River in northwest China［J］.Hydrology and Earth System Sciences Discussions，2016，20（4）：1447-1457.

［22］WANG S G，XIE T X，HE M H，et al.Noise reduction method for fiber optical current transformer based on mode decomposition-sample entropy［J］.Journal of Physics（Conference Series），2023，2584：012108.

（責(zé)任編輯：編輯張忠）

收稿日期：2023-09-01

基金項(xiàng)目：國(guó)家能源集團(tuán)資助項(xiàng)目（CEZB220403598），國(guó)家自然科學(xué)基金項(xiàng)目（52169005），南疆重點(diǎn)產(chǎn)業(yè)創(chuàng)新發(fā)展支撐計(jì)劃項(xiàng)目（2022DB024），兵團(tuán)科技創(chuàng)新人才計(jì)劃項(xiàng)目（2023CB008-08）

作者簡(jiǎn)介：丁占濤（1977—），男，工程師，研究方向?yàn)樗?，e-mail：12022638@ceic.com。

*通信作者：安杰（1987—），男，高級(jí)工程師，研究方向?yàn)樗乃Y源，e-mail：2928678925@qq.com。

DOI：10.13880/j.cnki.65-1174/n.2023.21.021

文章編號(hào)：1007-7383（2024）03-0335-07