基于深度学习的小流域山洪水位预测模型研究

汪松松，徐蓬博，胡书源，王凯

(浙江水利水电学院信息工程学院，浙江杭州310018)

1 引言

山洪灾害防治事关人民群众生命安全、财产安全和民生福祉。2020年全国山洪灾害致死157人[1]，主要发生在小流域，以山地丘陵众多、降雨量丰富的浙江省小流域分布广泛，对山洪预测预报有着迫切需求。浙江省共划分为1200多条重点小流域，梅雨和台风引起的溪河洪水灾害频繁，小流域山洪灾害成灾时间短、突发性强、危害性大、易发频发等特征突出，对沿河村落居民生命财产安全构成较大的威胁。

传统的水文水动力预测模型主要以雨量测定为主，由于山洪致灾因素多、时空因素变化快、成灾速度快，导致山洪灾害预测预报及时度不高、可靠度低、覆盖面小，在山地丘陵小流域地区预测效果不明显[2-3]。随着物联网、大数据、人工智能等[4-5]智慧信息技术的快速发展与广泛应用，在智慧水利建设的大背景下，为山洪灾害的实时监测与精准预测提供了新的解决思路。

本文以浙江苕溪流域为研究区域，对山洪水位预测进行研究。基于神经网络具有输入多维数据的优势，根据水位和降水历史与实时信息，从tutiempo 网站获取湿度以及气温的历史信息，作为神经网络模型的输入。设计基于时间序列的RNN 和LSTM 对比预测模型，使用Python3.7 和TensorFlow2.0 框架开发，在Jupyter Notebook平台编写RNN和LSTM代码。通过采用不同的模型参数集，对两种模型进行训练。最后对RNN 神经网络以及LSTM 神经网络的拟合情况进行对比，并用于预测连续48 小时的水位情况，当模型预测位线超过预警水位线时可以发布预警信息，以降低灾害损失。

2 国内外研究情况

在数据输入方面，Khan等人[6]提出了一种采用模糊神经网络来预测城市河流峰值流量的方法，使用模糊数来说明输出和模型参数的不确定性。Supattra 等人[7]提出了一种在自适应机器学习框架中融合气象、水文、地理空间和众包大数据的洪水预报系统，能够有效预测在特定区域和时间范围内发生的洪水事件。Nitin 等人[8]提出了一种基于传感网络的洪水预测模型，在印度洪灾预测中显示出了其有效性。Samikwa 等人[9]提出了一种基于边缘计算的短期洪水预测系统，使用IoT 和人工神经网络(ANN)对实时降雨和水位数据进行长时短期记忆训练，但总体上仅适用于短实时洪水预报。

在基于ANN 预测方面，Snieder 等人[10]调整了ANN 的四种输入变量选择方法，产生了性能最强的ANN。Haibo Chu 等人[11]提出了一种基于ANN的洪水淹没仿真建模框架，适合在快速响应中使用。Thabo Michael等人[12]应用ɛ-支持向量机(SVM)和ANN 来模拟和预测三个不同流域的水流，在潮湿和半潮湿的系统中均表现良好。Lu Chen等人[13]提出了一种基于回溯搜索算法的短期洪水预报模型，但可靠度仍有较大提升空间。

在基于改进的深度学习模型方面，Le等人[14]提出了一种改进的长期短期记忆神经网络LSTM 洪水预报模型，将日流量和降雨量用作输入数据，适用于越南的大河流域洪水预报。IFeng Kao 等人[15]提出了基于LSTM 的编解码器模型，用于多步提前洪水预报。Juanhui Ren 等人[16]提出了KNN 混合洪水预报模型，在大洪水中的仿真性能良好。Moyang Liu 等人[17]利用LSTM 和递归神经网络，证明了LSTM-KNN 模型在研究区域中的有效性。总体上都仅适应特定的环境，具有一定局限性。

3 深度学习模型与分析

3.1 RNN模型

RNN 是典型的时间序列前馈神经网络，包括各时间点状态、通道与通道之间时间上的联系。神经元的输入信息，不仅包括前一神经细胞层的输出，还包括它自身在先前通道的状态。循环神经网络内核结构如图1所示，xt是第t个时间序列输入数据，循环核ht表示存储器，ht的内容由xt与权重矩阵whx进行线性变换，并加上一个循环核所传送过来的内容即whh与ht-1进行线性变换的结果，再过激活函数tanh 转化为ht的值。yt表示存储器ht与权重矩阵why进行线性变换，再过激活函数的输出值。神经网络元节点ht、yt的计算公式如下：

图1 RNN内核结构

循环神经网络按照时间步展开，即把循环核按照时间轴方向展开，存储器ht周围的权重矩阵在whx、why在前向传播过程中基本不变，只有当进行反向传播时才会更新参数矩阵。训练完成后使用效果最好的权重矩阵whx、why、whh执行前向传播，并且输出预测结果。

RNN最大的特点就是存在循环核，循环核可以存储状态信息，正是因为每个时间步都存在状态信息，因此可以时间按照时间序列进行预测。小流域山洪水位预测需要展开的循环时间步较长，可能会造成梯度消失的问题。

3.2 LSTM模型山洪预测分析

LSTM 是一种特殊的RNN 神经网络，LSTM 比RNN 增加了对信息选择性存储的能力，LSTM拥有门控装置，可以对信息进行挑选，较好地解决长时依赖，从而解决梯度消失的问题。LSTM 结构如图2 所示。it，ft还和ot分别是输入门、忘记门和输出门；Wi、Wf和WO分别表示将输入、忘记和输出门与输入连接的权重；Ui、Uf和Uo分别表示从输入、忘记和输出门到隐藏状态的权重；bi、bf和bo分别是输入、忘记和输出门偏置向量；Ct是记忆单元输入，~Ct是当前的记忆单元状态，ht是指当前的隐藏状态；⊗是元素乘法，tanh 是双曲正切函数。这种结构设计是以细胞状态作为记忆单元，通过每个门的不同操作来记住有用的信息。输入门滤波器是在当前输入和历史信息的辅助下添加到记忆单元中的信息，而忘记门丢弃某些先前的信息，允许单元格清除它所包含的值，输出门选择性地输出信息，主要计算公式为：

图2 LSTM的基本结构

GRU和LSTM同为RNN的变体，LSTM拥有两个门限，GRU对LSTM 进行简化，只拥有一个门限，但两者非常相近，国内外众多学者采用LSTM 进行研究，但对于LSTM 认可度较高。LSTM神经网络结构是基于存储器结构的递归记忆型神经网络中的一种，它能将当前节点的隐藏状态记录下来，LSTM拥有独特的存储器单元机制，LSTM通过它的“门控装置”，使得梯度消失和爆炸问题得到较好解决。LSTM 相比于RNN 神经网络增加了门控装置，对信息进行挑选，并且使用累加的形式计算状态，这种累加形式使导数也成累加形式存在，从而避免了传统RNN 神经网络因为链式求导法则而直接导致的梯度被连续乘积，而导致的梯度消失的问题，即避免了RNN神经网络因为许多小于1 的项相乘导致梯度无限接近于0 造成梯度消失的问题。当输入的水位、雨量、空气湿度、温度数据量较少时，RNN神经网络可能并不会因为梯度消失问题而出现很大的劣势，当数据量较大，并且对准确度要求更高时，LSTM神经网络会因为避免梯度消失问题的发生从而产生出一定的优势。

4 试验

4.1 试验数据

通过苕溪小流域的桥东村水位站历史水位、雨量、空气湿度、温度数据，预测雨量和水位。实验设计通过对2020年6月1日—2021年4月1日总共7296小时的数据进行模型训练，其中5400小时作为训练集，1896小时作为测试集。用连续输入240小时的数据来预测第241小时的水位，以达到预测目的。

4.2 试验与分析

试验环境为Window10，64位操作系统，处理器为AMD Ry‐zen 7 4800U with Radeon Graphics，内存16GB。Python 为3.7 版本，使用Jupyter Notebook 平台作为代码编写平台，RNN、LSTM神经网络均使用tensorflow2.0 框架进行编写，整个输入输出模型如图3所示。

图3 时间序列预测算法模型

构建100 层的RNN 与LSTM 深度学习神经网络，在学习率为0.001，训练次数为400 次的情况下均取得较好的成果，各参数误差见表1、表2 所示。为了更加直观地对比两种算法在最优情况下的模型，绘制的效果图如图4所示。RNN神经网络在学习率较大，且步长较短的情况下，拟合误差较高；在学习率为0.001，步长为400 时，在训练集以及测试集上误差均较小。LSTM 在长时间的水位预测上效果均较好，在学习率为0.001，步长为400时拟合效果最好，模型最佳。可以看出，LSTM神经网络对于真实的水位更加接近，说明LSTM 神经网络在苕溪流域的桥东村水位站水位预测更加准确。

表1 RNN神经网络水位预测模型参数及误差对比表

表2 LSTM神经网络水位预测模型参数及误差对比表

图4 深度学习神经网络预测模型对比图

4.3 小流域山洪水位预测

根据试验模型对流域山洪水位预测。以浙江雨水情实时网站获取2021 年4 月1日—4月12日的历史水位信息，并从中央气象台获取4 月13 日当地实时的降水预测信息以及空气湿度和温度的实时预测信息。使用基于深度学习的LSTM小流域山洪水位模型预测4月13日的水位，预测结果如图5所示。根据LSTM 模型预测的水位，当预测过高时有关部门可以向群众发布洪水预警信息，从而及时地疏散群众，保障生命财产安全。

图5 小流域山洪水位预测图

5 结论

从该小流域山洪水位预测试验得知，基于深度学习的小流域山洪水位深度学习预测具有一定的可行性。基于深度学习的小流域山洪水位预测RNN 与LSTM 算法模型的实时性与准确性效果较好，在最优参数的情况下，LSTM模型误差更低。该模型对小流域山洪灾害的预测预警具有一定的参考意义。