Page 151 - 水文预报与水资源优化管理技术

水文预报与水资源优化管理技术

分布的特征。
为了更好地实现卫星观测数据和地面雨量站观测数据的有效融合，Wu 等

提出了融合 CNN 和 LSTM 的深度学习模型来实现卫星和雨量站降水数据融合，
CNN 和 LSMT 分别提取空间相关性和时间依赖性来融合 TRMM 3B42 V7 降水

数据，热红外数据以及雨量站数据，在中国 796 个雨量站数据上的实验结果表
明：所提出的融合模型优于其他单一组成的深度神经网络模型（CNN，LSTM，

MLP），对于 TRMM 数据的空间降水精度均方根误差可以降低 17%。
降雨会诱发滑坡等地质灾害，Orland 等利用基于 LSTM 的深度学习模型，建

立了滑坡水文响应的预测模型，模型采用监测到的土壤水分压力、孔隙压力和降
雨量监测数据作为输入，对俄勒冈州艾略特国家森林实测的土壤介质吸力对降雨

响应的时间和幅度进行了高精度预测，可以实现 36h 时间间隔不同深度介质吸力
预测，模型的计算效率和精度对比传统经验模型和物理模型均能较好地满足滑坡

预警的需求。
（三）基于深度学习的地下水分布预测模型

地下水分布受降水、径流、地质构造等因素的影响，空间特异性十分明显，
Panahi 等提出了基于 CNN 的地下水位空间分布模型，以韩国南部丹阳地区 140

个地下水数据集进行研究，模型用汇水面积、径流、坡度等 15 个参量作为输入，
用地下水赋存潜力作为输出，对比 SVR 模型，CNN 模型的空间建模精度要高

12.6%。Jeong 等针对地下水位实测数据中包含大量异常值和噪声情况下的预测问

题，在 LSTM 神经网络基础上提出了一种新的损失函数——具备非对称加权的最
小裁剪正方形方法，并结合惠塔克滤波，实现了韩国江津城段和浦项郡段地下水

位的高鲁棒性预测，模型采用了 2010—2016 约 2500d 的地下水位数据进行研究。
如何考虑时间－空间影响下的地下水分布问题，值得通过 LSTM-CNN 耦合分析

模型进一步探讨。
（四）基于深度学习的河湖冰川预测模型

为解决冰川数据重建问题，Bolibar 等利用深度学习手段实现了法国阿尔卑斯

144