基于LSTM模型的宁蒙河段封河时间预测研究

马志瑾 章博

摘 要：为解决目前使用的封河时间预测模型输入参数多、边界条件要求高以及长预见期预测精度较差等问题，采用长短时记忆（LSTM）循环神经网络模型方法，对黄河宁蒙河段封河时间进行预测。结果表明：在非极端天气条件下，LSTM模型的预报精度满足水情预报的要求，该模型的预见期和预测精度优于传统预报模型，对运行条件和边界条件的要求远低于现有人工神经网络模型以及冰水动力学模型，能够有效提升宁蒙河段封河时间预报水平。

关键词：封河时间预测;长短时记忆模型;宁蒙河段;黄河

Abstract：In order to solve the problems such as too many parameters input， high boundary requirements and low prediction accuracy in the river closure time prediction model， this study constructed the LSTM cycle neural network model to predict the freeze-up date of the Ningxia-Inner Mongolia reach of the Yellow River. The results indicate that the precision of LSTM model can meet the need of flood prediction in the non-extreme conditions. The prediction period and prediction accuracy of this model are better than that of traditional prediction models. Requirements of this model on operating conditions and boundary conditions are less than those of existing artificial neural network models and ice water dynamics models， which can significantly enhance the current level of river freeze-up date forecast of Ningxia-Inner Mongolia reach.

Key words： freeze-up date forecast; LSTM model; Ningxia-Inner Mongolia reach; Yellow River

黃河宁蒙河段是黄河在宁夏与内蒙古境内河段的统称，位于北纬37°17′—40°51′之间，全长1 237 km（宁夏河段397 km，内蒙古河段840 km）。黄河河道在这里的走向大致呈“几”字头部状，水流方向从低纬度流向高纬度。1957—2019年该河段多年日平均气温有4～5个月持续在0 ℃以下，最低气温为-35 ℃，高、低纬度日平均气温差为3.4 ℃[1]。受气温、河道走向等多重因素的影响，黄河宁蒙河段封河从下游溯源而上，极易形成冰塞，从而阻塞水流引起水位抬升造成凌灾，导致沿岸农田和房屋被淹、水工建筑物被破坏等，是黄河流域防凌形势最为严峻的河段。

为了给黄河宁蒙河段的防凌减灾工作提供技术支持，黄委水文部门自1956年起开展冰情预报工作，从最初简单的指标预报法，到基于物理成因的经验预报方法，再到基于水文学机理的冰情预报模型与冰水动力学预报模型[2]。张遂业[3]基于冰凌物理成因，通用多元线性回归分析，建立了黄河上游封、解冻预报模型;李海英等[4]根据天气气候分析，采用统计方法，进行黄河凌汛开河日的长期预报;可素娟等[1]采用经验与理论相结合的方法，建立了黄河上游实用冰情数学模型;王涛等[5]将BP神经网络预报引入宁蒙河段，在2004—2005年度冰情预报中取得了较好的效果。但是，宁蒙河段独特的地理位置、水沙特点及复杂地形边界条件决定了其冰情预报的难度[6]，目前的预报模型存在输入参数多、边界条件要求高、预见期预测精度差等诸多问题。

长短时记忆（LSTM）模型近年来被广泛应用于水文预报等研究中，并取得了长足的进展[7]。因此，笔者尝试采用长短时记忆模型，进行宁蒙河段封河日期预报，以期采用最少的输入项获得预见期较长且精度较高的预报模型，为冰凌灾害预报提供参考。

1 研究方法

1.1 长短时记忆（LSTM）神经网络模型

LSTM模型是循环神经网络（RNN）的改进版，主要解决RNN网络中存在梯度消失或梯度爆炸的问题[8]。LSTM神经网络细胞单元包括遗忘门（ft）、输入门（it）和输出门（ot），通过这些细胞单元使LSTM神经网络具有长期记忆信息的能力。输入门用来更新要加入该单元的细胞结构状态值（t）;遗忘门用来决定上一时刻的单元值被保留的比例;输出门生成隐层状态值（ht），用作下一时刻的额外输入[9]。根据t时刻各门的信号，生成本细胞单元结构状态值ct以及t时刻的隐层状态值ht，并作为t+1时刻的额外输入，如此反复，从而达到在网络训练中能够实现根据数据内部的联系自发控制各门的开闭和细胞单元值的更新，并赋予网络可变的“记忆”长度。LSTM模型细胞单元结构[9]见图1。

1.2 模拟结果许可误差范围

根据《水文情报预报规范》[11]，预报要素在预见期内的许可误差见表1。

2 模型应用与结果分析

2.1 模型构建

研究表明，上游来水量、水位、槽蓄水量、水温、流凌时间、流凌密度等因素均能影响宁蒙河段封河时间，而其中气温是最重要的影响因素[1-2，12]。本文选择两种模型构建方式，以期使用较少较易获取的预报因子达到较高的预报精度。

2.2 模型的训练与预测

模型1以1962—2009年为训练期、2010—2019年为预测期，模型2以1957—2009年为训练期、2010—2019年为预测期。尽管LSTM模型可以较好地收敛损失函数、趋近全局最优解，但仍然无法完全避免出现局部最优解的可能性。为此，本文使用Wang等[13]提出的解决方案，即按训练多次（30次以上）模型计算平均值的处理方法得到其预测值。训练与预测结果见图2和表2。

2.3 结果分析

从图2训练结果来看，模型2明显优于模型1，两个模型均在1986年和1989年出現较大预测偏差（预报封河时间与实际封河时间相差超过7 d，即超过预见期的最大许可误差范围）。1986年预测偏差较大的原因为极端降温，该年11月宁蒙沿黄地区气温较多年平均值偏低3.1 ℃，12日平均气温为7.2 ℃，14日平均气温为-11.0 ℃，2 d降幅高达18.2 ℃。1989年预测偏差较大的原因为入冬后气温始终偏高，流凌时间长、封冻迟（为1949年以来最迟的一年），宁夏全境未封，内蒙古境内仅封冻500 km。模型1在1966年、1969年、1970年和1976年均出现了较大预测偏差，这4 a的累计负温高达-1 000 ℃以上。模型2在1979年、1991年、1992年和1993年出现较大预测偏差，其中1979年和1993年封河时间提前到11月中旬，1991年和1992年封河时间延迟到12月下旬。

从表2预测结果来看，模型2的预测合格率明显高于模型1的，但模型1的预测合格年份的数据拟合度高于模型2的。模型1在2011年、2015年和2019年均出现较大预测偏差，原因可能是封河前突然降温;模型2仅在2016年出现较大预测偏差，主要原因是2016年11月上中旬气温较常年偏高4 ℃，而20—24日气温降幅为10～14 ℃。

在出现冬季极端降温和极端高温的情况时，目前建立的两个LSTM模型均出现较大预测偏差，原因主要是输入项较少造成的，应该适当增加模型输入项或建立其他模式下应对极端天气的封河时间预报模型。在出现一般寒流、降温幅度小于13 ℃和暖冬气温与历史同期相比持续偏高5 ℃这两种情况时，建议使用模型2（添加气温变化因子模拟）进行封河时间预测，其他正常年份建议使用模型1（封河时间自模拟）进行封河时间预测。

3 结 语

（1）LSTM模型多次训练计算平均值的处理方法简单易行，可在一定程度上避免局部最优解对模型精度的影响。

（2）LSTM模型相比其他预报方法具有输入数据少、数据获取难度低、预见期长等优点，可以用来预报宁蒙河道凌汛期封河时间。

（3）LSTM模型具有自学习与自适应性，在今后的研究中可以增加其他黄河冰情观测指标作为其训练因子，以提高模型的预测精度。

参考文献：

[1] 可素娟，王敏，饶素秋，等.黄河冰凌研究[M].郑州：黄河水利出版社，2002：15-17.

[2] 刘吉峰，霍世青.黄河宁蒙河段冰凌预报方法研究[J].中国防汛抗旱，2015，25（6）：6-10.

[3] 张遂业.黄河上游河段冰凌预报模型[J].甘肃水利水电技术，1997，33（4）：18-26.

[4] 李海英，高建国.内蒙古黄河凌汛期开河预报方法[J].内蒙古气象，1998（4）：13-15.

[5] 王涛，杨开林，郭永鑫，等.神经网络理论在黄河宁蒙河段冰情预报中的应用[J].水利学报，2005，36（10）：1024-1028.

[6] 赵卫民，霍世青，李世明.黄河水文情报预报工作回顾与展望[J].人民黄河，2006，28（增刊）：15-17.

[7] 张旭东，杜家浩，黄宇方，等.基于多尺度层级LSTM网络的时间序列预测分析[J].计算机科学，2019， 46（增刊2）： 52-57.

[8] 姜淞川，陆建忠，陈晓玲，等.基于LSTM网络鄱阳湖抚河流域径流模拟研究[J].华中师范大学学报（自然科学版），2020，54（1）：128-139.

[9] 罗宇，罗林艳，范嘉智，等.基于深度LSTM神经网络的大气可降水量估算模型[J].湖北农业科学，2020，59（2）： 161-165.

[10] 崔巍，顾冉浩，陈奔月，等.BP与LSTM神经网络在福建小流域水文预报中的应用对比[J]. 人民珠江，2020，41（2）：74-84.

[11] 中华人民共和国水利部.水文情报预报规范：GB/T 22482—2008[S].北京：中国标准出版社，2008：9.

[12] HUNG Taoshen.河冰研究[M].霍世青，李世明，饶素秋，等，译.郑州：黄河水利出版社，2010：323-338.

[13] WANG W， GELDER P H，VRIJL1NG J K， et al. Forecasting Daily Stream Flow Using Hybrid ANN Models[J].Journal of Hydrology， 2006，324（1-4）：383-399.

【责任编辑 张华兴】