【文献阅读】A Rainfall‐Runoff Model With LSTM‐BasedSequence‐to‐Sequence Learning

存在问题：降雨径流建模是一个复杂的非线性时间序列问题，故本文重点是处理时间序列问题

提出方法：本研究提出了一个基于LSTM和seq2seq结构的预测模型来估算每小时降雨径流

详细方法：本文提出了一个连续的未来24小时的每小时降雨径流模型，该模型使用了新的深度学习技术，包括LSTM、seq2seq学习、ReLU激活函数、辍学正则化、小批量训练和GPU加速

数据集：河流流量（美国地质调查局，2016年）、降水(Lin，2011年)、每月ET数据集(Krajewski等人，2017年)；虽然输入包含降雨、径流和每月的ET数据，但土壤水分等因素可能已经被这种深度学习模型间接地表示出来。

对比试验：多元线性回归、支持向量机、高斯过程回归(GPR)和常规LSTM

缺点：比起物理模型（NWSDE7天河流预测），预测时间较短，而且操作设置中不足以进行洪水警报

主要内容：

1.使用LSTM（存在局限性：LSTM要求输入和输出有相同的时间步长）

2.提出LSTM‐based seq2seq mode可以允许在不同的输入和输出时间步长上建立模型，用来预测未来24小时的径流预测

目标函数：

 目的：建立一个适用于不同流域的模型，而不是追求最高的准确性

• 为了避免过拟合，得到稀疏结构，在密集层训练过程中，采用0.2的退出率随机删除20%的节点间神经连接

实验过程

该案例研究的现有数据包括来自美国地质调查局（2016年）的径流数据、15分钟雷达第四期降水数据(Lin，2011年)和来自爱荷华洪水中心的每月ET数据(Krajewskietal.，2017年)。采用2012-2017年水年(WYs)数据进行建模。这些年份包括每个流域的正常、极端干燥和潮湿的条件。选择干年份和湿年份进行训练，并使用正常年份进行测试。

对数据和模型设置进行了几个预处理步骤。首先，将降雨数据汇总为小时，径流数据平均汇总为小时。当间隙小于12小时时，对缺失数据采用线性插值法。在所有输入数据上使用最小最大缩放，以标准化输入，更好地初始化参数，并加快收敛速度。从雷达第四阶段获得的降雨数据的高分辨率为0.05°。因此，为了减少输入维度和建模噪声，对于每一小时，地下流域的总降雨量被用作输入降雨量。

注意点

• 在牛津站对从12小时到96小时的历史降雨和径流的观测时间步长m进行了测试
• 降雨预处理：在应用最小最大尺度之前，将SMA方法应用于牛津站的降雨数据，窗口大小n从2到10。降雨移动平均线是建模的重要组成部分，降雨的SMA有助于降低噪声，提高模型效率
• 虽然ET数据不是每小时的时间序列输入，但它们仍然显著影响了3小时以上预测的模型效率。这表明，流域大小、高程信息、土地覆盖等非序列信息可以包含在seq2seq模型中，从而在未来为多个流域开发一个更广义的模型

水文模型常用评价标准：NSE(NSE的范围从负无穷到1，其值越接近1，模型性能越好)

 其他性能统计数据包括皮尔逊相关系数(r)、百分比偏差(BIAS)和归一化均方根误差(NRMSE)用于模型评估