《Computation》:Robust Short-Term Multivariate Water-Level Forecasting Using a Hybrid LSTM–EnKF Model Under White-Noise Disturbances
编辑推荐:
水文变量的短期多变量预测仍具有挑战性,因为河流系统呈现非线性和时变动力学特征,水位、流量和降水之间存在复杂关系,同时测量误差和外部扰动也带来不确定性。尽管神经网络模型能够学习水文变量之间的非线性关系,但其预测性能在存在噪声时往往下降。此外,现有方法很少将长期时
水文变量的短期多变量预测仍具有挑战性,因为河流系统呈现非线性和时变动力学特征,水位、流量和降水之间存在复杂关系,同时测量误差和外部扰动也带来不确定性。尽管神经网络模型能够学习水文变量之间的非线性关系,但其预测性能在存在噪声时往往下降。此外,现有方法很少将长期时间依赖性学习和跨变量关系学习与能够递归更新状态估计并降低预测不确定性的数据同化机制相结合。这一局限性表明,需要一种兼具这两种能力的稳健预测框架。因此,本研究旨在开发并评估一种混合长短期记忆–集合卡尔曼滤波(LSTM–EnKF)模型,用于噪声条件下的短期多变量水位预测。所提出的框架扩展了先前开发的NARX–EnKF方法,用能够学习水位、流量和降水之间非线性时间模式及关系的LSTM架构替代NARX网络。该模型利用哥伦比亚阿特拉托河沿岸两个水文站的数据进行实现,并配置为生成两日预测时域的水位预测。LSTM网络生成初始预测,而EnKF同化可用的观测值以递归更新估计状态并降低预测不确定性。通过引入方差水平为0.001、0.05、0.10和0.20的高斯白噪声来表征测量不确定性和外部扰动,从而检验模型稳健性。使用均方根误差(RMSE)、平均绝对误差(MAE)和纳什–苏特克利夫效率系数(NSE)评估性能。在所有评估的噪声水平下,LSTM–EnKF模型均优于单独使用的LSTM模型。其总RMSE范围为0.1009至0.1929 m,而单独LSTM为0.1740至0.2356 m,降低了约18.1%–42%。混合模型取得的NSE值范围为0.9760至0.9992,而单独LSTM产生的值介于0.9200至0.9776之间。此外,LSTM–EnKF在两个输出上的MAE降低了约51.9%–56.2%。这些结果表明,将基于LSTM的时间学习与基于EnKF的数据同化相结合,可提高噪声条件下短期预测的准确性和稳健性。所开发的框架为支持洪水预警系统、洪水风险管理和河流沿岸社区保护提供了一种有前景的工具。
论文解读:基于LSTM–EnKF混合模型的短期多变量水位预测研究
研究背景与问题:河流系统的水文过程具有高度非线性、时变性和多变量耦合特征,水位、流量与降水之间存在复杂的相互作用。准确的水位预测对于洪水风险管理、水资源调度及河流生态系统保护至关重要。然而,短期多变量水位预测面临多重挑战:一方面,流域水文动态呈现强非线性和时间依赖性;另一方面,观测数据不可避免地受到测量误差、环境噪声及外部扰动的影响。传统的神经网络模型虽能学习非线性关系,但在噪声干扰下预测性能显著下降。此外,既有方法很少将长期时间依赖性学习、跨变量关系建模与递归更新状态估计的数据同化机制有机整合。尽管已有研究尝试结合机器学习与集合卡尔曼滤波(EnKF),但针对不同噪声水平下多变量水位预测的混合LSTM–EnKF模型评估仍不足。为此,研究人员旨在开发并评估一种混合LSTM–EnKF框架,用于哥伦比亚阿特拉托河两个水文站的两日提前期水位预测。
研究内容与结论:研究人员利用哥伦比亚水文气象与环境研究所(IDEAM)提供的阿特拉托河两个水文站的水位、流量和降水数据,构建了四输入两输出的多变量系统。数据以每12小时间隔采样,共789天,约1578个样本。LSTM网络负责学习水文变量间的非线性时间模式与跨变量关系,生成初始预测;EnKF通过同化实时观测数据递归更新状态估计,降低预测不确定性。通过在输入和输出数据中引入方差水平分别为0.001、0.05、0.10和0.20的高斯白噪声,模拟不同测量不确定性和外部扰动强度。采用均方根误差(RMSE)、平均绝对误差(MAE)和纳什–苏特克利夫效率系数(NSE)进行评估。结果表明,在所有噪声水平下,LSTM–EnKF混合模型的预测性能均优于单独LSTM。混合模型的总RMSE范围为0.1009至0.1929 m,而单独LSTM为0.1740至0.2356 m,相对降低了约18.1%–42%;NSE值范围为0.9760至0.9992,而单独LSTM为0.9200至0.9776;MAE在两个输出上降低了约51.9%–56.2%。这些结论验证了研究假设:EnKF的递归同化能够有效降低预测误差,并在噪声条件下保持较高的模型效率。
主要关键技术方法:研究采用了以下关键技术:其一,长短期记忆(LSTM)递归神经网络,利用其门控记忆机制学习时序数据中的长程依赖及多变量非线性关系;其二,集合卡尔曼滤波(EnKF),通过蒙特卡罗集合表示状态不确定性,并递归同化观测数据以更显式更新系统状态;其三,高斯白噪声扰动注入方法,设置四个方差水平以模拟不同程度的测量不确定性与外部干扰;其四,回归评价指标,采用RMSE、MAE和NSE量化预测精度与模型效率。数据来源于哥伦比亚阿特拉托河流域的两个水文站,采样间隔为12小时,涵盖水位、流量和降水三类变量。
研究结果分述:
(1)LSTM–EnKF混合模型的预测结果:图3与图4展示了在噪声方差参数为0.01、0.1和0.2条件下,四阶多变量LSTM–EnKF模型对两个水位输出的估计结果。图中对比了带噪声的真实信号、LSTM–EnKF估计信号以及无噪声真实信号,表明混合模型能够紧密跟踪真实水位变化,即使在较强噪声下仍能保持良好的估计精度。
(2)单独LSTM模型的预测结果:图5至图7给出了未耦合EnKF的单独多变量LSTM模型在相同噪声方差参数下的估计结果。与混合模型相比,单独LSTM在噪声增大时估计信号出现明显偏差,尤其在噪声方差为0.2时,预测曲线偏离真实信号的程度更大。
(3)RMSE定量对比:表4列出了LSTM模型在耦合与不耦合EnKF两种情况下的RMSE估计值。数据显示,单独LSTM神经网络的总估计误差明显大于LSTM–EnKF模型;两种模型对两站水位输出的估计误差均低于1米,但混合模型的误差始终更小,且总RMSE随噪声方差增大的幅度更平缓,表明EnKF能有效抑制噪声传播。
(4)NSE与MAE分析:表5给出了NSE和MAE的回归分析结果。对于单独LSTM,NSE随噪声方差增加而明显下降,在方差为0.2时输出2的NSE降至0.9325,预测精度降低;而LSTM–EnKF在相同噪声条件下NSE仍保持接近1(如方差0.2时NSE为0.9799),说明混合模型具有更稳定的预测效率。MAE分析表明,耦合EnKF后LSTM的估计误差百分比相对于单独LSTM降低了约51.9%–56.2%,进一步验证了EnKF在降低绝对误差方面的有效性。
(5)模型对比与适用性讨论:LSTM–EnKF模型在噪声环境下具有更高精度和鲁棒性,但同时增加了计算复杂度和资源需求;单独LSTM在资源受限或对精度要求不高的情况下仍可选用,但在强噪声条件下精度会下降。模型选择需根据具体项目目标和运行约束决定。
讨论与结论:研究结果表明,LSTM–EnKF的改进来源于两部分功能的互补:LSTM学习非线性时间依赖和水文变量间的交叉关系,EnKF则顺序同化观测并修正预测状态,限制了由测量扰动引起的误差传播。然而,RMSE降低幅度随噪声方差增加而略有减小,说明EnKF虽能缓解但无法完全消除高噪声的影响。方法论不确定性方面,水文记录本身可能存在传感器误差、缺失值、异常值等;高斯白噪声假设不能完全代表实际监测系统中的有偏、时间相关、异方差或非平稳扰动。LSTM结构、超参数、随机初始化以及EnKF的集合大小、协方差设置等也会影响结果。此外,数据仅覆盖789天,对年际变率和极端洪水事件的代表性有限。未来研究应使用更长记录、独立流域、更多站点、时间相关及非高斯扰动,并结合实时水文观测开展操作化验证。论文发表在《Computation》。