[口头报告]基于深度学习的流域洪水预报及数值求解优化

基于深度学习的流域洪水预报及数值求解优化
编号:4520 稿件编号:3153 访问权限:仅限参会人 更新:2024-04-15 19:39:59 浏览:62次 口头报告

报告开始:2024年05月18日 18:04 (Asia/Shanghai)

报告时间:8min

所在会议:[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。
 
关键字
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
张滨兰 成都理工大学
欧阳朝军 中国科学院水利部成都山地灾害与环境研究所
发表评论
验证码 看不清楚,更换一张
全部评论
● 会务总协调  

● 学术安排

 

辜克兢

13950003604

gukejing@xmu.edu.cn

辜克兢

13950003604

gukejing@xmu.edu.cn

柳    欣

13806024185

liuxin1983@xmu.edu.cn

窦    恒

18627754021

douheng@chytey.com

孙佳妮

15201086188

scarlett@chytey.com

刘    琳

13313708075

lliu@iue.ac.cn

 

● 会场技术服务

 

李    虎

柳    欣

18965842343

13806024185

hli@iue.ac.cn

liuxin1983@xmu.edu.cn
李招英

13860473552

lizhaoying@xmu.edu.cn

     
           
● 会场安排   ● 会议注册  

辜克兢

13950003604

gukejing@xmu.edu.cn

胡勤梅 13554192326

mary@chytey.com

窦    恒

18627754021

douheng@chytey.com

孙晓笛 18813296455 xiaodi.sun@xmu.edu.cn
           
● 商业赞助   ● 会议财务  
朱    佳 13950159036

zhujia@xmu.edu.cn

许心雅 18005960255 xuxinya@xmu.edu.cn
           

海报张贴

 

● 酒店预定及咨询

 
张    君 13860426122 junzhang@xmu.edu.cn

李    璟

18627754146

lijing@chytey.com

卢    巍 18971567453 luwei@chytey.com      

 

登录 注册缴费 酒店预订