基于长短时记忆（LSTM）神经网络的黄河中游洪水过程模拟及预报

洪水预报是防洪减灾的重要非工程措施，黄河中游地区水文情势近50 a发生显著变化，为提高变化环境下黄河中游半干旱半湿润地区洪水预报精度，本文以对时间序列数据具有良好模拟效果的深度学习神经网络（长短时记忆神经网络）为基础，建立不同预见期下的流域暴雨洪水模型，以探讨长短时记忆神经网络在黄河中游水文预报中的应用. 模型建立采用汾河上游静乐控制站1956—2014年98场暴雨洪水数据，其中以14个站点降雨及静乐站水文数据作为输入，不同预见期下的洪水过程作为输出，率定期为78场次，验证期为20场次. 结果显示：在预见期为0～6 h时预报精度较高，预见期为6 h以上时预报效果相对较差；预报精度随神经元数量和训练次数的增加而呈上升趋势，预见期为0～6 h时预报精度上升较为明显，而预见期6 h以上时预报精度上升较为均匀.