基于LSTM模型的漢口水文站流量預測研究

摘要：

江河控制性水文站在流域防汛抗旱減災體系占據重要位置。準確預測江河控制站流量對洪澇災害防御、水資源管理、應急調度、航道安全等具有重要意義。以長江中游漢口水文站為例，基于長短期記憶神經網絡（LSTM）方法，以上游螺山站、仙桃站及其自身流量序列為輸入，構建了漢口水文站未來1 d，3 d和7 d流量預測模型。結果表明：基于LSTM模型的漢口水文站未來1 d，3 d和7d流量預測取得很好的效果，納什效率系數分別可達0.999 3，0.989 5和0.914 9。該方法實用性和可移植性強，可為江河控制站流量預測提供一種簡單、高效的工具。

關鍵詞：

流量預測； 長短期記憶網絡（LSTM）； 漢口水文站

中圖法分類號：P338

文獻標志碼：A

DOI：10.15974/j.cnki.slsdkb.2025.02.005

文章編號：1006-0081（2025）02-0026-05

0 引 言

中國是世界上水旱災害頻發嚴重的國家之一。近年來，在氣候變化和人類活動雙重影響下，中國水旱災害防御、水資源高效利用面臨更嚴峻的挑戰［1］。江河控制性水文站作為監測江河重要防洪控制斷面、重要支流入匯斷面、大型天然湖泊或蓄滯洪區水文情勢的重要水文站點，承擔著水文情報監測預報工作，是防汛抗旱工作的重要支撐。控制性水文站斷面流量的高精度模擬與預測對流域水旱災害防御、水資源高效利用、水環境水生態保護和水工程運行管理均具有重要的現實意義［2］。

流量模擬預測方法可分為基于物理過程驅動模型方法和數據驅動方法［3-4］。物理過程驅動模型以流域各類水文、氣象信息作為輸入，驅動基于流域產匯流過程建立的物理模型，進行徑流模擬預測。以新安江模型、VIC模型為代表的過程驅動模型已廣泛應用于水文領域，在許多流域均有較好的應用效果，但也存在模型結構復雜、所需輸入數據較多、建模困難等問題，在一定程度上限制了過程驅動模型的應用［3］。數據驅動模型不考慮流域產匯流機制，基于統計分析從輸入、輸出樣本數據中“學習”流域產匯流過程的復雜關系，是對傳統基于物理驅動模型的有益補充［4］。不少研究表明：數據驅動模型基于歷史徑流時間序列數據可以習得復雜的非線性水文過程，能夠獲得較高質量的徑流模擬預測結果［5-8］。

實踐中基本采用基于物理過程的水文模型進行流量預報預測，一般根據上游站點流量通過洪水演進方法進行流量預報。與控制性水文站相關的研究也多集中于河道匯流及洪水研究方法方面。本文針對控制性水文站流量預測，以長江干流控制性水文站漢口（武漢關）水文站（以下簡稱“漢口站”）為例，應用機器學習方法長短期記憶神經網絡（LSTM）［9］，構建漢口站基于數據驅動的流量預測模型，對該站未來1 d、3 d和7 d的日均流量進行預測。研究成果可驗證數據驅動方法在漢口站流量預測中的適應性，同時也可為漢口站流量預測提供一種簡單、高效的方法工具，作為常規水文模型方法的補充。

1 研究方法

1.1 長短期記憶神經網絡（LSTM）

長短期記憶神經網絡（LSTM）作為機器學習算法的代表，得益于其特殊的結構設計，能夠很好地表征時間序列間的相關性和依存性，廣泛應用于時間序列預測問題，在水文序列預測方面亦有相應的應用。在水庫入庫流量預測［7］、湖泊水位預測［10］等取得了較好的效果。LSTM模型是循環神經網絡（RNN）的變體，能夠有效解決RNN存在的長期依賴記憶丟失、梯度消失或爆炸等問題。LSTM模型通過遺忘門（f）、輸入門（i）、輸出門（o）分別控制信息的丟失、記憶和傳遞，細胞狀態（Ct）和隱藏狀態（ht）分別捕捉緩慢和快速的演變過程［11］。LSTM模型結構如圖1所示，相關計算公式見式（1）。

（1）

式中：ft，it，ot，Ct分別為遺忘門、輸入門、輸出門和記

憶細胞狀態；

W，b分別為相應的權重矩陣和偏移變量；

ht，～Ct分別為隱含層狀態和記憶更新變量；

σ，tanh分別

為sigmod函數和雙曲正切函數；

⊙為矩陣元素點乘。

1.2 模型構建與預測方案設置

本文使用LSTM模型對控制性水文站流量進行預測，可以作為傳統模型的有益補充。同時，LSTM挖掘徑流時間序列內在復雜響應關系，可對較長預見期流量進行預測，彌補傳統物理模型對較長預見期預報能力薄弱問題。模型構建流程如下。

（1） 數據準備。收集控制性水文站及其上游斷面流量或水位時間序列用于建模。數據前70%作為訓練集，后30%作為測試集。同時，將數據進行0均值，1標準差形式的標準化，以消除數據量級帶來的影響。

（2） 輸入、輸出集構建。模型以收集到控制站斷面流量及上游斷面流量時間序列的前n d流量序列作為輸入，預報未來k d的流量。本文以漢口站流量站（Qhk）為預測對象，收集到上游斷面螺山站（Qls）、上游支流控制站仙桃站（Qxt）流量序列。以n=2，k=1為例，說明輸入、輸出數據形式（表1）。

（3） LSTM參數設置。基于試驗及已有相關文獻的參數設置經驗，主要LSTM參數設置如下：LSTM層數為2，隱含層數目為80，丟棄率為0.2，模型損失函數為mse，優化器采用Adam。模型批量大小為64，迭代輪次為100。模型構建訓練與預測程序均在Windows 10系統（CPU：IntelCore i7-7700HQ@2.8 GHz）基于TensorFlow（2.7.0）和Keras（2.7.0）框架進行。

（4） 結果評價。依據GB/T 22482-2008《水文情報預報規范》對預測結果進行評價。

1.3 評價指標

為了評價模型預測結果的可靠性和準確性，依據GB/T 22482-2008《水文情報預報規范》，選取均方根誤差（RMSE）和納什效率系數（NSE）對模型性能和預測結果進行評價。各指標計算公式如下：

RMSE= ∑ni=1（yi-xi）2n（2）

NSE=1-∑ni=1（yi-xi）2∑ni=1（xi-x）2（3）

式中：xi，yi分別為觀測值和模擬預測值;

x為觀測值均值;

n為樣本個數。

RMSE越小、NSE（-∞～1］越大表示模擬效果越好。

2 研究區域及數據

2.1 研究區域

漢口站站址位于湖北省武漢市江漢區花樓街道苗家碼頭，是監測長江中游干流在漢江匯入后水情的基本水文站，控制面積148.80萬km2，屬于國家重要水文站和國家一類精度站。螺山水文站是漢口站上游重要流量控制站，距離漢口站150 km，位于湖北省洪湖市螺山鎮螺山社區，主要監測長江荊江河段與洞庭湖出流匯合后的水情，控制面積129.49萬km2，占漢口站控制面積的87.02%，屬于國家重要水文站和國家一類精度站。仙桃水文站位于湖北省潛江市，是漢江匯入長江前最后一個全年測流的控制站，距漢口站90 km，控制面積14.47 km2。螺山—漢口區間入流主要有左岸的漢江和右岸的陸水。其中，漢江流域面積15.9萬km2，占漢口站控制面積的10.69%，陸水流域面積0.4萬km2，占漢口站控制面積的0.27%。故漢口站流量主要由上游長江干流來水與支流漢江來水構成。本文將漢口站上游螺山水文站和漢江仙桃水文站納入研究范圍，對漢口站流量預測問題進行研究。漢口、螺山及仙桃水文站位置關系如圖2所示。

2.2 數據來源

本文采用漢口、螺山和仙桃水文站2010年1月1日至2019年12月31日10 a的日平均流量數據。構建LSTM模型時，以2017年1月1日為界，將數據分為訓練集（70%）和驗證集（30%）。為了避免數據差異過大影響模型性能，模型訓練前將數據進行0均值（均值為0，方差為1）標準化處理。

3 結果與討論

3.1 最佳前期輸入序列長度確定

分別以n=1，3，5，7將螺山、仙桃以及漢口自身序列的前n項作為模型輸入，構建輸入輸出集，并建立相應的LSTM模型，進行訓練并預測漢口站流量。預測模型預見期長度分別設定為1 d，3 d和7 d。各模型訓練期（2010～2016年）和驗證期（2017～2020年）的納什效率系數（NSE）和均方根誤差（RMSE）見表2。從表2可以看出，針對不同預見期的預報預測需求，各模型在訓練期和驗證期均表現出良好的性能指標。1 d預見期模型最佳輸入序列長度為3，即使用螺山、仙桃和漢口站前3 d的流量預報漢口站未來1 d的流量可以達到最優效果，相應的NSE在訓練期和驗證期均為0.999 3。3 d預見期模型的最佳輸入序列長度為5，但與輸入序列長度為3時的模型性能差別不大，模型應用時使用前3 d流量和前5 d流量均可，使用各站前3 d 流量作為輸入對應模型復雜度更小。7 d預見期模型的輸入序列長度為7時，在訓練期呈現最優性能，但驗證期性能指標下降較為明顯。輸入序列長度為3時，在驗證期性能指標最優，達到0.914 9，在訓練期模型性能也較為良好，故確定7 d預見期模型的最佳輸入序列長度為3。

進一步對比驗證期不同模型性能，由圖3可以看出，對于不同預見期，不同前期輸入序列長度，LSTM流量預測模型均表現出良好的性能。在驗證期，1 d預見期模型NSE可達0.99以上，3 d預見期模型NSE可達0.98以上，7 d預見期模型NSE可達0.91以上。說明基于LSTM的流量預測模型能夠為漢口站流量預測提供高質量的成果。由于隨預見期延長，流量預測難度增大，因此隨預見期增長，NSE呈現下降、RMSE呈現上升趨勢，符合一般預報預測規律。

3.2 漢口站不同預見期流量預測結果

基于上述確定的最佳輸入序列長度，對漢口站未來1 d，3 d和7 d日均流量進行預測，結果如圖4～6所示。由圖4可以看出，1 d預見期模型預測值與實測值幾乎一致，對洪峰、洪水走勢都能很好地預測，NSE也相應達到0.999。雖然上游螺山站、仙桃站距離漢口站均不遠，洪水演進時間一般不超過1 d，但1 d模型的最優輸入序列長度為3，即模型輸入數據為螺山、仙桃和漢口站前3 d的流量數據，說明相較基于物理過程的洪水演進模型，LSTM預測模型也辨識到了漢口站未來1 d流量與其自身及上游來水流量序列的內在關系，因此基于數據驅動的徑流預測模型可以作為傳統基于物理過程模型的有益補充。

從圖5可以看出，3 d預見期模型也表現出優良的性能，能很好地預測汛期大洪水的洪峰和過程，預測偏差主要集中在汛前和汛后期的中型規模洪水洪峰位置，但偏差一般不大。從圖6中可以看出，7 d預見期模型能夠很好地預報洪水走勢和形狀，汛期大洪水的預測性能也較為良好，預測偏差也主要集中在汛前汛后中型規模洪峰位置，偏差也較3 d模型大。這是因為，汛前汛后時期，實測徑流表現出較為頻繁的波動，這可能是由于長江上游控制性水庫群每年在汛前消落水位、汛后期進行集中蓄水，特別是汛前消落時會伴隨人造洪峰形式的生態調度過程，造成這兩個時期徑流波動頻繁，預測難度大。

4 結 論

本文針對江河控制性水文站流量預測問題進行研究，以長江中游漢口站為研究實例，基于長短期記憶神經網絡（LSTM）方法，以上游螺山站、仙桃站及其自身流量序列為輸入，構建漢口水文站未來1，3 d和7 d流量預測模型，并確定了各預見期前期輸入序列時間長度。結果表明：基于LSTM模型的漢口站流量預測模型能夠對未來1，3 d和7 d的流量進行高效、高精度預測，NSE分別可達0.999 3，0.989 5和0.914 9。本文構建的基于深度學習數據驅動流量預測模型，能夠很好地辨識控制性水文站與其上游流量序列和自身流量序列間的復雜非線性關系，對控制性水文站流量預測問題具有良好的適應性和魯棒性。

參考文獻：

［1］ 劉志雨.我國水文監測預報預警體系建設與成就［J］.中國防汛抗旱，2019，29（10）：25-29.

［2］ 梁家志，劉志雨.中國水文情報預報的現狀及展望［J］.水文，2006（3）：57-59，80.

［3］ 雷曉輝，王浩，廖衛紅，等.變化環境下氣象水文預報研究進展［J］.水利學報，2018，49（1）：9-18.

［4］ 劉攀，鄭雅蓮，謝康，等.水文水資源領域深度學習研究進展綜述［J］.人民長江，2021，52（10）：76-83.

［5］ 胡慶芳，曹士圯，楊輝斌，等.漢江流域安康站日徑流預測的LSTM模型初步研究［J］.地理科學進展，2020，39（4）：636-642.

［6］ 王鏡淋，王敬，沈來銀，等.基于人工神經網絡的長期徑流預報模型研究［J］.水利水電快報，2023，44（9）：6-10，28.

［7］ 潘志浩，陳森林，梁斌，等.基于EMD-LSTM模型的右江水庫日入庫流量預測［J］.水資源研究，2022，11（1）：20-29.

［8］ 朱豪，胡圓昭，尹明財，等.基于優化算法的CNN-BiLSTM-attention的月徑流量預測［J］.人民長江，2023，54（12）：96-104.

［9］ HOCHREITER S，SCHMIDHUBER J.Long short-term memory［J］.Neural Computation，1997，9（8）：1735-1780.

［10］ LI G，LIU Z，ZHANG J，et al.Bayesian model averaging by combining deep learning models to improve lake water level prediction［J］.Science of the Total Environment，2024，906：167718.

［11］ 李步，田富強，李鈺坤，等.融合氣象要素時空特征的深度學習水文模型［J］.水科學進展，2022，33（6）：904-913.

（編輯：李 慧）

Research on flow forecast of Hankou Hydrological Station based on LSTM

SUN Yating1，YANG Yang1，LUO Qian1，LIANG Bin2

（1.Middle Changjiang River Bureau of Hydrology and Water Resources Survey，Changjiang Water Resources Commission，Wuhan 430014，China；

2.School of Water Resources and Hydropower Engineering，Wuhan University，Wuhan 430072，China）

Abstract： Controlling hydrological stations of rivers play a critical role in flood control，drought relief，and disaster mitigation within a river basin.Accurately forecasting the flow at controlling stations is of great significance for flood disaster prevention，water resource management，emergency scheduling，and navigation safety.Taking the Hankou Hydrological Station in the middle reaches of Changjiang River as a case study，a flow prediction model for 1-day，3-day，and 7-day forecasts at the Hankou Station was developed based on the Long Short-Term Memory （LSTM） neural network method.The model used flow sequences from upstream Luoshan Station，Xiantao Station，and Hankou Station itself as inputs.The results showed that the LSTM-based model achieved excellent performance for 1-day，3-day，and 7-day flow predictions at Hankou Station，with Nash-Sutcliffe Efficiency coefficients of 0.999 3，0.989 5 and 0.914 9，respectively.This method has strong practicality and transferability，and can provide a simple and efficient supplementary tool for flow prediction at controlling stations.

Key words：

flow forecast； Long Short-Term Memory （LSTM）； Hankou Hydrological Station