咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >基于神经常微分方程的水文模型参数优化方法研究 收藏

基于神经常微分方程的水文模型参数优化方法研究

Parameter optimization method of hydrological model based on neural ordinary differential equations

作     者:覃相钊 梁忠民 赵建飞 李彬权 段雅楠 胡义明 王军 Qin Xiangzhao;Liang Zhongmin;Zhao Jianfei;Li Binquan;Duan Yanan;Hu Yiming;Wang Jun

作者机构:河海大学水文水资源学院南京210098 江苏省水利工程科技咨询股份有限公司南京210029 

出 版 物:《湖泊科学》 (Journal of Lake Sciences)

年 卷 期:2025年第37卷第3期

页      面:1000-1010页

核心收录:

学科分类:08[工学] 081501[工学-水文学及水资源] 0815[工学-水利工程] 

基  金:国家自然科学基金项目(52379007) 水利部重大科技项目(SKR-2022032)联合资助 

主  题:神经常微分方程 参数优化 水文模型 深度学习 新安江模型 

摘      要:流域水文模型参数对水文模拟预报的精度具有重要影响。在水文模型的数学表达由差分形式向微分形式发展的背景下,如何利用微分形式水文模型过程连续、时间尺度灵活的特点进行模型参数优化是值得研究的问题。本文提出一种基于神经常微分方程(NODE)的水文模型参数优化方法,将神经网络嵌入水文模型的微分动力系统,使用常微分方程数值求解器正向模拟连续水文过程,计算损失函数并反向传播梯度信息以更新神经网络参数,从而实现水文模型参数优化。以新安江模型为例,设计了理想数值实验和典型流域应用两种验证方案,并与SCE-UA优化方法进行了对比。结果显示,基于NODE优化方法确定的新安江模型参数,与理想参数“真值的误差平均不超过9.8%;相较于SCE-UA方法,NODE得到的优化参数对流量过程具有更高的模拟精度。研究表明,基于NODE的参数优化方法通过微分方程正向求解和梯度信息反向传播,可有效搜索参数空间,适用于微分形式水文模型的参数优化问题。

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分