基于VMD-NGO-LSTM的融雪洪水汛期非平稳性极值径流预测模型及应用

• Published in: 人民珠江 Vol. 45; no. 6; pp. 127 - 137
• Main Authors: 周霞, 周峰
• Format: Journal Article
• Language: Chinese
• Published: 新疆水利工程安全与水灾害防治重点实验室,新疆 乌鲁木齐 830052 2024; 新疆农业大学水利与土木工程学院,新疆 乌鲁木齐 830052
• Subjects: 长短期记忆神经网络; northern goshawk optimization; 北方苍鹰优化算法; variational mode decomposition; non-stationarity; 变分模态分解; 融雪洪水; extreme runoff prediction; snowmelt flood; long short-term memory neural network; 极值径流预测; 非平稳性
• ISSN: 1001-9235
• DOI: 10.3969/j.issn.1001-9235.2024.06.015

TV121%P338.4; 金沟河属于典型的融雪补给流域,受自然环境、气候变化和人类活动等因素的影响,汛期极值径流序列表现出非平稳性及复杂性特征,给流域内汛期极值径流精准预测带来新的挑战.为解决该地区汛期极值径流的非平稳性对于预测结果的影响,引入变分模态分解算法(Variational Mode Decomposition,VMD),提出一种基于北方苍鹰优化算法(Northern Goshawk Optimization,NGO)与长短期记忆神经网络(Long Short-Term Memory,LSTM)的组合预测模型(VMD-NGO-LSTM),应用于金沟河流域八家户水文站1964-2016年的汛期极值径流预测,采用均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、Nash系数(NSE)评价模型的预测能力.结果表明:①根据金沟河流域融雪洪水汛期径流极值序列的周期变化和趋势变化的水文特性变化结果表明径流极大值序列和径流极小值序列均具有非平稳性;②VMD-NGO-LSTM预测模型的NSE均大于0.97,且RMSE、MAPE、MAE值均处于偏小状态,与VMD-LSTM模型和VMD-NGO-BP模型相比,VMD-NGO-LSTM模型能够很好地预测八家户汛期极值径流的变化过程.该研究为汛期极值径流预测工作提供了新的思路,对新疆地区防洪减灾具有一定参考价值.