报告详情
基于深度学习的流域洪水预报及数值求解优化
编号：4520
访问权限：仅限参会人
更新：2024-04-15 19:39:59 浏览：1519次
口头报告
报告开始：2024年05月18日 18:04（Asia/Shanghai）
报告时间：8min
所在会场：[S5] 主题5、环境科学 [S5-1] 主题5、环境科学 专题5.6、专题5.13、专题5.7（18日下午，307）
暂无文件
摘要
径流和洪水预报是水文学中长期存在的挑战。传统模型容易受到稀疏参数和校准程序复杂的限制，尤其是在无计量流域。我们提出一种新的混合深度学习模型，称为编码器-解码器双层LSTM（ED-DLSTM），以解决全球尺度上任意（有计量和无计量）流域的径流预测问题。利用历史数据集，ED-DLSTM在美国、加拿大、中欧和英国的2000多个集水区得出平均Nash-Sutcliffe效率系数（NSE）为0.75，突出了最先进的机器学习对传统水文模型的改进。此外，ED-DLSTM在智利160个无计量流域进行了泛化，76.9%的流域在最佳情况下NSE>0。ED-DLSTM的跨区域能力是通过增加一个空间属性编码模块所诱导的单元状态来建立的，该模块专门对流域属性进行空间编码。研究表明，深度学习方法有潜力克服物理模型结构和参数化方面的不足。
关键词
深度学习、径流预测
报告人
张滨兰
硕士研究生 成都理工大学稿件作者
全部评论
重要日期
-
会议日期
05月17日
2024
至05月20日
2024
-
03月31日 2024
初稿截稿日期
-
03月31日 2024
报告提交截止日期
-
05月20日 2024
注册截止日期
主办单位
青年地学论坛理事会
承办单位
厦门大学近海海洋环境科学国家重点实验室
中国科学院城市环境研究所
自然资源部第三海洋研究所
中国科学院城市环境研究所
自然资源部第三海洋研究所
联系方式
- 辜克兢（会务总协调、会场安排、学术安排）
- gu******@xmu.edu.cn
- 139********
- 柳欣（会务总协调）
- li******@xmu.edu.cn
- 138********
- 孙佳妮（会务总协调）
- sc******@chytey.com
- 152********
- 窦恒（会场安排、学术安排）
- do******@chytey.com
- 186********
- 李招英（会场技术服务）
- li******@xmu.edu.cn
- 138********
- 刘琳（学术安排）
- ll******@iue.ac.cn
- 133********
- 李虎（学术安排）
- hl******@iue.ac.cn
- 189********
- 柳欣（学术安排）
- li******@xmu.edu.cn
- 138********
- 胡勤梅（会议注册）
- ma******@chytey.com
- 135********
- 孙晓笛（会议注册）
- xi******@xmu.edu.cn
- 188********
- 许心雅（会议财务）
- xu******@xmu.edu.cn
- 180********
- 朱佳（商业赞助）
- zh******@xmu.edu.cn
- 139********
- 张君（海报张贴）
- ju******@xmu.edu.cn
- 138********
- 卢巍（海报张贴）
- lu******@chytey.com
- 189********
- 李璟（酒店预订及咨询）
- li******@chytey.com
- 186********
发表评论