新安江模型是最为重要的水文模型之一。通过添加CemaNeige模块,本文构建基于可微参数学习的积融雪新安江模型。应用长短时记忆神经网络通过前向传播挖掘流域属性和气象数据与模型参数之间的关系,将参数传递给积融雪新安江模型,进而通过...新安江模型是最为重要的水文模型之一。通过添加CemaNeige模块,本文构建基于可微参数学习的积融雪新安江模型。应用长短时记忆神经网络通过前向传播挖掘流域属性和气象数据与模型参数之间的关系,将参数传递给积融雪新安江模型,进而通过后向传播计算误差优化网络参数,面向Catchment Attributes and Meteorology for Large-sample Studies(CAMELS)数据集的531个流域,构建4组模型形成对比试验。研究结果表明:CemaNeige模块提升了新安江模型径流模拟性能,Kling-Gupta efficiency(EKG)中位数从0.58提升至0.68;对于单一流域模拟,可微参数学习使得EKG中位数提升至0.70;对于多流域整体模拟,可微参数学习进一步使得EKG中位数提升至0.72。上述改进既源于考虑积融雪过程,又源于可微参数学习的有效性,还源于流域之间的协同效应。整体上,可微参数学习能够有效地促进积融雪新安江模型的构建和应用。展开更多
文摘新安江模型是最为重要的水文模型之一。通过添加CemaNeige模块,本文构建基于可微参数学习的积融雪新安江模型。应用长短时记忆神经网络通过前向传播挖掘流域属性和气象数据与模型参数之间的关系,将参数传递给积融雪新安江模型,进而通过后向传播计算误差优化网络参数,面向Catchment Attributes and Meteorology for Large-sample Studies(CAMELS)数据集的531个流域,构建4组模型形成对比试验。研究结果表明:CemaNeige模块提升了新安江模型径流模拟性能,Kling-Gupta efficiency(EKG)中位数从0.58提升至0.68;对于单一流域模拟,可微参数学习使得EKG中位数提升至0.70;对于多流域整体模拟,可微参数学习进一步使得EKG中位数提升至0.72。上述改进既源于考虑积融雪过程,又源于可微参数学习的有效性,还源于流域之间的协同效应。整体上,可微参数学习能够有效地促进积融雪新安江模型的构建和应用。
