基于LSTM和气候要素分带的金沙江上游流域径流模拟研究

摘要

全球气候变暖极端事件频发的背景下,近年来金沙江上游区径流变率较1990年代显著增大,出现了百年一遇的极端洪水事件,对流域水资源利用、水库调度带来了新的挑战。金沙江上游地区范围广大、观测站点稀少,基于机器学习模型进行单目标径流模拟较传统模型具有优势,但该方法在大尺度高寒山区的径流模拟研究不足。论文应用长短期记忆(long short-term memory,LSTM)神经网络模型对金沙江上游径流年内过程进行模拟,模型由高程分带提取的日降水(GPM,0.1°×0.1°)、日均气温(ERA5Land,0.1°×0.1°)及逐日积雪面积(MODIS,500 m)数据驱动,以径流观测数据为目标进行建模,同时构建集合模型,模拟流域径流并进行模型对比。模型训练期和验证期分别为2001—2014年和2015—2019年。结果显示:2种模型在预见期15 d内模型效率系数(NSE)≥0.80,且在相邻预见期NSE接近,预见期25 d和30 d的NSE均能达到0.70以上,表明2种模型在30 d预见期内的径流模拟效果良好。以高程分带数据驱动的高程信息模型,1~5 d预见期径流模拟显著优于集合模型,7~13 d预见期优势减小,15~30 d预见期二者模拟效果相当。高程信息模型对汛期径流的模拟优于集合模型,展现出其在洪水模拟方面的优势。总体而言,高程信息模型在预见期为3 d的径流模拟中精度最高,尤其对春汛及夏汛的模拟,可为金沙江中游梯级电站水库调度提供参考,但模型对极端春季洪水模拟效果仍有待提升。