陈爱青
摘 要：合理的水文预测模型是水文水资源决策管理的基础，如何充分挖掘既有水文数据中的信息成为当前水文预测领域的一大挑战，深度学习方法的快速发展为水文预测提供了新的思路。针对国内外近期提出的水文预测深度学习模型进行归纳总结，从数据来源、方法模型、验证讨论等方面探讨了深度学习在水文预测领域的应用进展，并进一步给出了数据获取、模型迁移、实时预警等方面的思考。结果表明：充足的水文数据是精准预测的前提，合理的模型构建策略是考虑各种不确定因素的关键手段，模型的适用性和实时预警是未来进一步研究的方向。
关键词：水文预测 深度学习 大数据 长短时记忆神经网络 卷积神经网络
中图分类号：P338 文献标识码：A 文章编号：1674-098X（2021）04（c）-0252-05
Application Progress and Thinking of Deep Learning in the Field of Hydrological Prediction
CHEN Aiqing
（Shanghai Branch of Changjiang Survey Planning Design Research Co.， Ltd.， Shanghai， 200439 China）
Abstract： A reasonable hydrological prediction model is the foundation of hydrological and water resources decision-making and management. How to fully mining the information in existing hydrological data has become a major challenge in the current hydrological prediction field. The rapid development of deep learning methods provides new ideas for hydrological prediction. In view of the recent domestic and foreign hydrological prediction deep learning models， this paper discusses the application progress of deep learning in the field of hydrological prediction from the aspects of data sources， proposed models， verification and discussion， and further provides some suggestions on data acquisition， model migration， and real-time early warning. The results show that sufficient hydrological data is a prerequisite for accurate prediction， a reasonable model building strategy is a key means to consider various uncertain factors， and the applicability of the model and real-time early warning are the directions for further research in the future.
Key Words： Hydrological prediction model; Deep learning; Big data; LSTM; CNN
水文模型是水文水資源管理、防汛减灾的基础手段，传统的概念性模型、物理模型和统计学模型已经在径流、降水量预测等领域取得了长足进展，但随着传感手段的不断发展，海量水文数据的积累导致传统方法难以充分挖掘现有水文数据中的有效信息，近年来深度学习方法以其处理高维度、多特征海量数据方面取得了显著成果，已经被广泛应用于水文预测 领域。
作为机器学习的一种，深度学习概念是Hinton 于2006年在《Science》发表的“深度信念网络（Deep belief network，DBN）”，他将多层感知机（多层神经网络）的学习方法称为“深度学习”。简单来说，深度神经网络可以理解为具有2个或2个以上隐藏层的多层人工神经网络，深度学习是相对于浅层学习而言的，深度学习通过更深的网络结构来实现更好的特征表示。从具体的算法模型角度来看，长短期记忆神经网络（Long-short term memeory，LSTM）和卷积神经网络（Convolutional Neural Network，CNN）为代表的模型架构在时间序列处理和图像识别领域取得了巨大成功。本文将从径流预测、降雨量预测、地下水位分布及河湖冰川等方面介绍深度学习模型的应用进展，并探讨深度学习水文预测方面数据获取、模型迁移和实时预警方面的思考。
1 深度学习在水文预测领域的应用进展
1.1 基于深度学习的径流预测模型
径流预测模型需要充分考虑时间效应的影响，所提出的模型要能够响应环境变化等因素。Fu等人[1]利用LSTM，对径流量在未来一段时间内的变化趋势进行了预测。所采用的数据集是马来西亚西北部的Kelantan 河，采用了1964—2004年50年的观测数据进行研究，共14976个样本。通过设置不同历史数据（2000～6000d）作为训练集，预测未来100～600d的径流量，相比于传统的BP神经网络，采用LSTM的深度学习模型精度更高。Kao等人[2]利用基于LSTM的编码器-解码器结构，对中国台湾地区石门地区的洪水发生进行了预测，该研究收集了23个台风事件中的12216个水文数据，数据采样间隔为1h，模型采用了每小时的入库流量和降雨数据，时间步长考虑为8h，来预测未来1h～6h的入库流量，对比前馈神经网络模型，所提出的LSTM模型能够更好地捕捉洪水发生的时间关联性。Ren等人[3]针对级联渠道水位的实时预测问题，提出了基于多层感知机和LSTM的深度学习预测模型，并通过时空窗口实现了水位数据的数据增强，在南水北调工程近5年的19704渠道水位数据中，可以实现未来2、4、6h的精准预测，精度可达90%。上述研究所采用数据量的时间跨度大，所蕴含的信息十分丰富，基于LSTM的模型架构能够很好地捕捉历史趋势对当前和未来径流变化的影响。
为解决含噪声径流数据的准确预测问题，Feng 等[4]提出了基于变分模态分解（variational mode decomposition，VMD）结合支持向量机的预测模型，并通过粒子群优化算法对支持向量机的参数进行优化，VMD将原始径流时间序列分解为不同分量，然后用支持向量机对每个分量进行预测，在长江三峡和丹江口水库的预测分析中，所提出的模型比传统的神经网络模型和极限学习机方法精度要高。李文武等人[5]提出了变分模态分解、相空间重构和深度门控网络相结合的径流组合预测模型，在白山水库的数据集测试表明，分解-预测-重构的策略能有效分解非平稳性的径流序列，充分学习内嵌的水文规律。基于分解的思路能够去除数据的噪声，在一定程度上也能提高预测精度，但在水文数据模态分解的过程中不可避免地使用了未来的信息，该方法仅能作为回归模型来使用，无法实现在径流时间序列预测问题。
针对洪水等极端水文数据获取难题，Kabir等[6]提出了用于河流洪水泛滥的快速预测CNN模型，以二维数值（LISFLOOD-FP）仿真结果作为输入，来预测洪水水深，以2005年1月和2015年12月英国卡莱尔的洪水案例作为数据集，制作了24个“合成”水文图（三个上游边界位置各8个），并具有不同的峰值和持续时间，以表示不同大小的洪水情况，所提出的CNN模型比SVR模型精度高且能捕捉防洪建设等地形变化对洪水动态的影响。Irrgang等[7]利用CNN来对陆地水储量进行预测，首先通过地表流量模型计算南美地区2003—2018年的月均地表储水量作为输出，利用重力回溯及气候实验卫星的观测数据作为输入，训练CNN模型来模拟卫星观测输入与数值仿真模型之间的关系，在损失函数中考虑到通过地面测高得到的亚马逊流域地表水存储异常数据，所得到的模型能够对2019年南美地区的月均地表储水量进行较好的预测。Nalley等[8]针对河川径流数据不足的问题，采用了基于小波变换结合现有数据插值手段的数据增强算法，实现了加拿大67对水文站径流数据的有效提升。
1.2 基于深度学习的降水量预测模型
降水是径流变化的重要影响因素，由于气候变化的偶然性，降水量的非平稳时间特征明显。为解决极端天气灾害引起的洪水和干旱问题，Ali等[9]通过经验模态分解对降水量进行了分解，然后利用随机森林和岭回归等方法对降水量分解后的每个分量进行预测，在巴基斯坦巴尔蒂斯坦省的案例中得到验证，所提出的模型精度可达0.95以上，比传统的随机森林和岭回归方法精度提高1倍左右，有效解决了非平稳降雨量时间序列的预测难题。Zhang等提出了基于动态深度前馈神经网络的区域短期降雨量模型，利用主成分分析来将13类气象、高程、水文数据进行降维，然后通过算法对深度前馈神经网络的结构进行优化，在对某地短期降雨量进行预测时，Zhang等人的策略是在该地点（中心點）周围区域的观测数据建立多个预测模型，同时预测该地点短期降雨量，然后通过两地直接的距离作为权重来衡量各个预测模型所得降雨量对中心点的贡献，对比中国和日本官方预报采用的物理模型、传统的MLP和DBN、ARIMA模型、传统的机器学习模型（支持向量机等），所提出的模型精度最高，该方法一定程度上考虑了降雨量空间分布的特征。
为了更好地实现卫星观测数据和地面雨量站观测数据的有效融合，Wu等[10]提出了融合CNN和LSTM的深度学习模型来实现卫星和雨量站降水数据融合，CNN和LSMT分别提取空间相关性和时间依赖性来融合 TRMM 3B42 V7 降水数据，热红外数据以及雨量站数据，在中国796个雨量站数据上的实验结果表明：所提出的融合模型优于其他单一组成的深度神经网络模型（CNN，LSTM，MLP），对于TRMM数据的空间降水精度均方根误差可以降低17%。
降雨会诱发滑坡等地质灾害，Orland等[11]利用基于LSTM的深度学习模型，建立了滑坡水文响应的预测模型，模型采用监测到的土壤水分压力、孔隙压力和降雨量监测数据作为输入，对俄勒冈州艾略特国家森林实测的土壤介质吸力对降雨响应的时间和幅度进行了高精度预测，可以实现36h时间间隔不同深度介质吸力预测，模型的计算效率和精度对比传统经验模型和物理模型均能较好地满足滑坡预警的需求。
1.3 基于深度学习的地下水分布预测模型
地下水分布受降水、径流、地质构造等因素的影响，空间特异性十分明显，Panahi等[12]提出了基于CNN的地下水位空间分布模型，以韩国南部丹阳地区140个地下水数据集进行研究，模型用汇水面积、径流、坡度等15个参量作为输入，用地下水赋存潜力作为输出，对比SVR模型，CNN模型的空间建模精度要高12.6%。Jeong等[13]针对地下水位实测数据中包含大量异常值和噪声情况下的预测问题，在LSTM神经网络基础上提出了一种新的损失函数——具备非对称加权的最小裁剪正方形方法，并结合惠塔克滤波，实现了韩国江津城段和浦项郡段地下水位的高鲁棒性预测，模型采用了2010—2016约2500d的地下水位数据进行研究。如何考虑时间-空间影响下的地下水分布问题，值得通过LSTM-CNN耦合分析模型进一步探讨。
1.4 基于深度学习的河湖冰川预测模型
为解决冰川数据重建问题，Bolibar等[14]利用深度学习手段实现了法国阿尔卑斯地区冰川物质平衡序列的重建，时间跨度从1967—2015年，重建模型采用的数据来自于物质平衡数据的直接观测，遥感年数据估算、气象再分析和地形数据，并与32个冰川实测数据进行对比，重建的精度可达75%。Wang等[15]针对海洋溶解氧浓度的预测问题，提出了基于决策树理念的深度神经网络模型，解决了既有深度神经网络模型超参数调节难题，在World Ocean Database 2013（WOD13） 数据集上的仿真结果表明，所提出的树调优深度神经网络比Humbird， KD等人提出的深度联合互馈神经网络（deep jointly informed neural network （DJINN），均方误差降低了17.6%。Zhang等[16]在海洋表面温度的预测中，利用LSTM模型解决异常温度预测和模型在线更新的难题，通过增加不同年份测得的海水表面温度，模型更新策略能够实现更好的预测精度，这表明深度学习模型可以充分挖掘历史数据中隐含的信息进行预测。
在某些特定的应用场景，机器学习模型并不一定表现得更好。Zhu等[17]综合对比了传统物理模型和机器学习模型在湖水表面温度的预测研究，通过对波兰8个湖30年的表面日观测温度时间序列进行预测，对比多层感知机模型、基于小波变换的多层感知机、时间-温度物理模型和非线性回归模型，结果发现传统的时间-温度物理模型表现最好，非线性回归模型表现最差，说明在海量时间序列预测方面，单纯的多层感知机模型并不能够很好地解决时间关联性问题。
2 深度学习在水文预测领域的展望
从近年来深度学习在径流、降雨量和地下水等预测的研究进展来看，现有的深度学习模型能够解决部分场景下的水文预测问题，但充足的训练数据是模型取得良好预测结果的前提，径流预测动辄需要跨度十几年甚至几十年的数据作为支撑，因此发展便捷高效的数据获取手段是关键。水文数据体现强烈的时空特异性，空天地相结合的数据获取方式是未来趋势，如何通过深度学习来融合不同尺度上的时空数据值得进一步探讨。以光纤传感为代表的分布式感知方法因其经济可靠，在地质灾害监测等领域得到了广泛应用，如何将光纤传感应用到水文监测领域，并通过深度学习挖掘光纤传感数据，需要进一步解决光纤表征参量与水文特征参量的关系。
现有的水文预报深度学习模型，以特定的场景为对象进行研究，无法实现模型的迁移。在新场景面临较少训练数据情况下，如何将已训练好的模型通过迁移学习直接应用于新的场景，是值得进一步探讨的方向。迁移过程中可以考虑地理信息的相似性和差异性来实现源模型（已训练好的模型）到目标模型（新场景需要的模型）迁移。
从既有的深度学习水文预测模型来看，均以线下分析应用为主，对于水位实时预报的能力没有进一步阐述。而面临极端天气等引发的防汛减灾实时预警需求，拓展深度学习快速预警能力需要在软件和硬件方面进一步研究。在软件方面，所采用的算法能够处理实时在线数据流;在硬件方面，传感器的实时感知、传输与信息发布，仍需要进一步设计。
3 结语
本文探讨了深度学习在水文预报领域的相关研究进展，阐述了基于LSTM和CNN等方法的深度学习模型在径流预测、降雨量预报、地下水分布、河湖冰川预报方面的应用进展，结果表明深度学习模型能够挖掘海量水文数据中蕴含的信息，实现高精度的水文预报。从大数据获取、模型迁移、实时预警等方面进一步探讨了深度学习水文预报模型发展的相关方向，为提高防汛减灾能力提供技术保障。
参考文献
[1] FU M， FAN T， DING. Zet al. Deep learning data-intelligence model based on adjusted forecasting window scale： application in daily streamflow simulation[J]. IEEE Access， 2020（8）：32632–32651.
[2] KAO I F， ZHOU Y， CHANG LC，et al. Exploring a Long Short-Term Memory based Encoder-Decoder framework for multi-step-ahead flood forecasting[J]. Journal of Hydrology， 2020（583）：124631.
[3] REN T， LIU X， NIU J， et al. Real-time water level prediction of cascaded channels based on multilayer perception and recurrent neural network[J]. Journal of Hydrology， 2020（585）：124783.
[4] FENG Z kai， NIU W jing， TANG Z yang，et al. Monthly runoff time series prediction by variational mode decomposition and support vector machine based on quantum-behaved particle swarm optimization[J]. Journal of Hydrology， 2020（583）： 124627.
[5] 李文武， 石強， 王凯， 等. 基于变分模态分解和深度门控网络的径流预测[J]. 水力发电学报， 2020， 39（3）： 34–44.
[6] KABIR S， PATIDAR S， XIA X，et al. A deep convolutional neural network model for rapid prediction of fluvial flood inundation[J]. Journal of Hydrology， 2020（590）： 125481.
[7] IRRGANG C， SAYNISCH-WAGNER J， DILL R，et al. Self-Validating deep learning for recovering terrestrial water storage from gravity and altimetry measurements[J]. Geophysical Research Letters， 2020， 47（17）.
[8] NALLEY D， ADAMOWSKI J， KHALIL B，et al. A comparison of conventional and wavelet transform based methods for streamflow record extension[J]. Journal of Hydrology， 2020（582）：124503.
[9] ALI M， PRASAD R， XIANG Y，et al. Complete ensemble empirical mode decomposition hybridized with random forest and kernel ridge regression model for monthly rainfall forecasts[J]. Journal of Hydrology， 2020（584）：124647.
[10] WU H， YANG Q， LIU J， et al. A spatiotemporal deep fusion model for merging satellite and gauge precipitation in China[J]. Journal of Hydrology， 2020， 584（2006）： 124664.
[11] ORLAND E， ROERING J J， THOMAS M A，et al. Deep Learning as a tool to forecast hydrologic response for landslide-prone hillslopes[J]. Geophysical Research Letters， 2020， 47（16）.
[12] PANAHI M， SADHASIVAM N， POURGHASEMI H R，et al. Spatial prediction of groundwater potential mapping based on convolutional neural network （CNN） and support vector regression （SVR）[J]. Journal of Hydrology， 2020（588）：125033.
[13] JEONG J， PARK E， CHEN H，et al. Estimation of groundwater level based on the robust training of recurrent neural networks using corrupted data[J]. Journal of Hydrology， 2020（582）：124512.
[14] BOLIBAR J， RABATEL A， GOUTTEVIN I，et al. A deep learning reconstruction of mass balance series for all glaciers in the French Alps： 1967-2015[J]. Earth System Science Data， 2020， 12（3）： 1973–1983.
[15] WANG L， JIANG Y， QI H. Marine dissolved oxygen prediction with tree tuned deep neural network[J]. IEEE Access， 2020（8）：182431–182440.
[16] ZHANG Q， WANG H， DONG J，et al. Prediction of sea surface temperature using long short-term memory[J]. IEEE Geoscience and Remote Sensing Letters， 2017， 14（10）： 1745–1749.
[17] ZHU S， PTAK M， YASEEN Z M，et al. Forecasting surface water temperature in lakes： A comparison of approaches[J]. Journal of Hydrology， 2020， 585： 124809.
