Page 152 - 水文预报与水资源优化管理技术

第五章 实时洪水预报与校正

地区冰川物质平衡序列的重建，时间跨度从 1967—2015 年，重建模型采用的数
据来自于物质平衡数据的直接观测，遥感年数据估算、气象再分析和地形数据，

并与 32 个冰川实测数据进行对比，重建的精度可达 75%。Wang 等针对海洋溶解
氧浓度的预测问题，提出了基于决策树理念的深度神经网络模型，解决了既有深

度神经网络模型超参数调节难题，在 World Ocean Database 2013（WOD13）数据
集上的仿真结果表明，所提出的树调优深度神经网络比 Humbird，KD 等人提出

的深度联合互馈神经网络（deep jointly informed neural network（DJINN），均方误
差降低了 17.6%。Zhang 等在海洋表面温度的预测中，利用 LSTM 模型解决异常

温度预测和模型在线更新的难题，通过增加不同年份测得的海水表面温度，模型
更新策略能够实现更好的预测精度，这表明深度学习模型可以充分挖掘历史数据

中隐含的信息进行预测。
在某些特定的应用场景，机器学习模型并不一定表现得更好。Zhu 等综合对

比了传统物理模型和机器学习模型在湖水表面温度的预测研究，通过对波兰 8 个
湖 30 年的表面日观测温度时间序列进行预测，对比多层感知机模型、基于小波

变换的多层感知机、时间－温度物理模型和非线性回归模型，结果发现传统的时
间－温度物理模型表现最好，非线性回归模型表现最差，说明在海量时间序列预

测方面，单纯的多层感知机模型并不能够很好地解决时间关联性问题。

二、深度学习在水文预测领域的展望

从近年来深度学习在径流、降雨量和地下水等预测的研究进展来看，现有的
深度学习模型能够解决部分场景下的水文预测问题，但充足的训练数据是模型取

得良好预测结果的前提，径流预测动辄需要跨度十几年甚至几十年的数据作为支
撑，因此发展便捷高效的数据获取手段是关键。水文数据体现强烈的时空特异

性，空天地相结合的数据获取方式是未来趋势，如何通过深度学习来融合不同尺
度上的时空数据值得进一步探讨。以光纤传感为代表的分布式感知方法因其经济

可靠，在地质灾害监测等领域得到了广泛应用，如何将光纤传感应用到水文监测

145