LSTM降雨径流模型

创作时间:

作者:

@小白创作中心

LSTM降雨径流模型

引用

CSDN

https://blog.csdn.net/qq_54910989/article/details/145355374

LSTM（长短期记忆网络）是一种特殊的循环神经网络（RNN），特别适用于处理时间序列数据。本文将介绍如何使用LSTM模型进行降雨径流模拟，包括深度学习的基本看法、LSTM的原理、实战案例的详细步骤以及实战成果展示。

LSM降雨日径流模拟

对深度学习的看法

现阶段无论什么深度学习模型，都没有真正揭示其背后的机理，但是效果已经被实践检验非常强大（如ChatGPT、豆包、AI换脸等）。对于深度学习模型，我们可以将其理解为一个非常强大的函数，这个函数我们不需要知道表达式是什么，但是我们知道这个函数的一大堆输入和输出后，这个函数就可以训练出来，并且在你下次输入后，就可以很好的预测输出。（注意，这里讲的是有监督类型，现阶段绝大多数模型都是有监督的，即需要传入标签数据，比如我们做图像识别，狗狗的图片需要打上标签“狗”，这也是很多我们登录一些网站进行验证时在做的事情，就是帮网站提供标签数据）。

深度学习不是计算机和AI的专属，它是一个数学方法、工具，可以应用于各行各业。我们会用它、会调它，就够了，至于是CNN、LSTM还是Transformer，背后的数学机理我们并不需要知道太多，知道怎么用于我们的数据，帮助解决我们的问题才是最重要的。

深度学习的使用

建议使用Pytorch，之前用过tensorflow和keras，Pytorch可以让我们对训练过程的理解更深刻，不过入门比其他两种门槛要高一点，但网上资源非常丰富
所有模型的使用，最关键的是模型的输入和输出（这里还是以有监督为例，绝大多数深度学习模型都是有监督的）
调参是一个技巧非常强的活，但其实究竟能调多好谁也不好说，最开始入门建议使用网格搜索就够了，后面可以用Optuna等框架

LSTM简介

长短期记忆网络（LSTM，Long Short-Term Memory）是一种特殊的循环神经网络（RNN），专为解决传统RNN在处理长序列数据时易出现的梯度消失或爆炸问题而设计。LSTM通过引入记忆单元和门控机制（输入门、遗忘门和输出门），能够有效捕获时间序列中的长期依赖关系。这使其在处理时间序列数据（如气象、径流、水文等领域）方面具有显著优势。

在水文领域，LSTM首次被用于径流预测时，即显示出了其巨大的应用潜力和科学价值。例如，Kratzert等人在2018年发表的开创性研究，首次系统性地将LSTM应用于径流预测任务，通过对美国流域大规模数据的验证，证明了LSTM模型能够显著提高流域日径流模拟的精度。相比于传统的水文模型（如SAC-SMA、GR4J等），LSTM不仅能够更好地拟合复杂的非线性关系，还无需依赖于精细的流域物理特性数据。这一研究不仅开辟了基于深度学习的水文建模新方向，还为实现数据驱动的精准径流预测提供了新工具。

随着LSTM的成功应用，更多学者在水文领域扩展了其应用范围，如水质预测、地下水位模拟和降水径流转换等。LSTM的强大能力表明，它能够突破传统水文模型的限制，为水资源管理和防洪减灾等领域提供更加可靠的技术支持。

认识LSTM网络

参考文章：https://colah.github.io/posts/2015-08-Understanding-LSTMs/ 虽然是英文，但是把LSTM结构讲的非常详细，可以使用翻译

感性理解（这里把绿色的框中的内容称为细胞）：

x指的是不同时间步的输入数据
LSTM特殊的结构在于长期记忆(cn，最上面一条横线传递，贯穿所有细胞)和短期记忆(hn，下面的横线传递，只传入上一个细胞)
通过LSTM特殊的门控机制，每个细胞都会有隐层输出，对应最上面的ht，隐层可以有多层（比如向上叠加几层），但ht只会在最上面的隐层输出
看不太懂也没关系，如何具体使用LSTM模型，案例非常清晰，会套用和照搬就够了

实战介绍

目标：27年日径流数据预报

类型：典型的时序数据预测，类似的问题还有：逐日/月/年的气温降水预测、每日/分钟股价预测等等这类问题，完全通用

思路：

采用站点和流域内15个气象站的前3天数据，即前3天的本站径流和15个气象站的数据预测未来1d的径流量
划分训练期和测试期，制作训练期和测试期的样本和标签（非常关键，这部分会详细讲解，因为如前所说，深度学习模型能够跑通最重要的就是输入和输出）
对训练期和测试期数据分别进行归一化
使用DataLoader加载训练集和测试集（设置batch_size，由于内存容量的限制，不可能一次处理整个训练数据集。通过使用 batch size，可以确保每次迭代中使用的样本数量适合可用的内存。基本上所有的深度学习模型都会使用）
网络定义和训练，采用网格搜索法，记录每种参数方案的表现
找到最优模型参数，训练最优模型，在测试期数据集上进行预测
计算性能指标，本文可以定义的函数可以计算出rmse, mae, r_squared, nse, pbias 5种指标
结果可视化，代码提供了散点图和降雨径流过程图