频域门控小波变换LSTM框架在极端径流预报中的应用
《Water》:Frequency-Gated Wavelet-LSTM for Probabilistic Streamflow Forecasting
【字体:
大
中
小
】
时间:2026年10月21日
来源:Water 3.5
摘要
极端径流预报仍然具有挑战性,因为水文时间序列高度不平衡,且气象强迫具有非平稳性。这些特征会导致传统数据驱动模型低估洪峰流量。虽然小波耦合的长短期记忆(LSTM)模型能够提取多尺度水文特征以提升预报性能,但其静态特征融合限制了模型在峰值流量与基流预测之间的平衡能力,从而制约了不同径流情景下的自适应预报。此外,用于概率预测的高斯混合模型(GMM)在拟合具有重尾分布的极端水文数据时,容易出现梯度爆炸和数值崩溃,从而降低预测精度。为解决上述问题,我们提出了一种频域门控小波变换长短期记忆(FG-WT-LSTM)框架。该模型利用平稳小波变换(SWT)将输入分解为多个频率分量,然后通过频域门控机制为各分量分配时变权重,增强与降雨相关的高频信号,同时降低洪水引发的高频特征噪声,并抑制冗余的频谱噪声。此外,将LogSumExp稳定化策略嵌入GMM中,以消除数值不稳定性。在CAMELS数据集上的验证表明,所提模型的NSE中位数为0.872,FHV偏差降低至?1.108%,概率预测区间覆盖率高达93.9%。结果表明,所提框架能够提升峰值流量预测精度的同时,维持稳定的基流模拟,从而实现准确的极端洪水预报和水文不确定性量化。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号