基于M_A-attention-LSTM分雨量算法的季节性河流径流模拟

摘要

机器学习方法被广泛应用于水文模拟和预报中，然而传统机器学习模型在半湿润、半干旱气候区等的季节性河流径流模拟中常面临精度不足、结果趋向中值等问题。选择典型季节性河流作为研究对象，提出一种结合滑动平均算法（moving average, MA）、注意力机制（attention）与长短时记忆神经网络（long short-term memory, LSTM）的MA-attention-LSTM组合模型，利用2006-2021年逐日降雨和流量数据，通过统计四分位的划分方法将雨量划分为大、中和小3个类别，重点对比分析了按雨量大小分类驱动的分雨量模型与常规模型的模拟精度，并深入探讨径流零值（断流期）对模型精度的影响。结果表明：MA算法和attention机制的应用显著提升LSTM的径流模拟精度；分雨量模型在峰值和谷值模拟上优于常规模型，整体纳什效率系数提升至0.64，显著高于常规模型的0.44；断流期的径流零值对模拟结果影响较大，完全剔除零值后模拟精度显著提高。研究表明，MA-attention-LSTM组合模型对季节性河流分雨量径流模拟中具有较高精度和可靠性，为季节性河流径流模拟及防洪减灾提供了有效技术支撑和思路。

关键词

LSTM / attention机制 / 径流模拟 / 滑动平均法 / 分雨量模型