新型多阶段混合随机数据驱动深度学习模型助力长期季节性径流预测

研究人员提出 MCMC-BC-DFS-BiLSTM-BiGRU 模型预测径流，性能优异，助力环境决策。

　　本研究提出了一种新颖的多阶段混合随机数据驱动深度学习（DL）方法，该方法结合深度特征选择（DFS），用于提升长期季节性径流预测能力。多阶段混合 MCMC-BC-DFS-BiLSTM-BiGRU 模型在 DFS 框架内，将双向长短期记忆（BiLSTM）和双向门控循环单元（BiGRU）架构与基于马尔可夫链蒙特卡罗（MCMC）的二元 Copula（BC）相结合。首先，利用蚁群优化（ACO）算法、自相关函数（ACF）、偏自相关函数（PACF）和递归特征消除（RFE）方法开发了一种 DFS 策略，从当地气象变量、大尺度大气指数和太阳活动指数这三个预测候选变量集中确定优化的预测变量（PV）。随后，使用通过 DFS 框架获得的最优 PV，采用多种不同的 MCMC-BC 模型（MCMC-BC-DFS），来评估当前季节径流与其潜在未来变化之间的联系。最后，将最合适的 MCMC-BC-DFS 模型整合到混合 BiLSTM-BiGRU 模型中，以预测澳大利亚墨累河上游流域（UMB）维多利亚地区九个流域的春季（9 月 - 11 月）径流。通过不同的稳健统计指标和图表，将所提出的多阶段混合 MCMC-BC-DFS-BiLSTM-BiGRU 模型与几种机器学习（ML）模型（多层感知器（MLP）、极端梯度提升（XGBoost）、支持向量机（SVM）和随机森林（RF））进行了比较。实验结果表明，基于所有统计指标，所提出的模型在季节性时间尺度的长期径流预测中表现出色，优于其基准模型。因此，作为一项开创性研究，所提出的多阶段混合模型可有效地用作上游季节性预测的极具前景的工具，有助于政策制定者做出更明智的环境决策。