Qiu, R. , Wang, Y. , Rhoads, B. , Wang, D. , & J Wu. (2021). River water temperature forecasting using a deep learning method. Journal of Hydrology, 595(1), 126016.
DOI: 10.1016/j.jhydrol.2021.126016
邱如健，南京大学2020级博士研究生，主要从事生态水文方面的研究，研究兴趣包括重大工程的生态水文效应、深度学习算法在生态水文中的应用等。
联系方式：
水温预测; 深度学习; LSTM; 三峡水库; 长江水温是河流生态系统中重要的水质和水生态因子，但在筑坝等人类活动和气候变化的双重影响下，河流水温显著改变。可靠的水温预测对河流生态系统的管理和保护意义重大。近年来，深度学习算法因计算效率高和预测精度高在气象、水文预测等众多领域发展迅速，但鲜有深度学习用于河流水温预测。此外，能否借助深度学习算法分离人类活动和气候变化对河流水温的作用有待验证。
为探究LSTM (long short-term neural network) 预测水温的能力，本研究利用具有不同水文、气象条件的河流测站气温、流量和水温数据，构建LSTM水温模型，并与BP神经网络(BPNN)、随机森林(RF)和air2stream(a2s-8)三种基准模型对比。同时，利用LSTM模型重构了三峡水库坝下宜昌断面无坝情景下的水温，进而分离出三峡水库和气候变化对宜昌水温的影响。研究发现: (1) LSTM水温模型预测精度高，MAE不超过0.83 °C，RMSE不超过1.00 °C，NSE和R2高于0.90，四种模型预测水温的精度从高到低排序为：LSTM > a2s-8 > BPNN> RF (图1)。(2) 三峡水库蓄水后宜昌水温出现了“滞冷”和“滞温”现象，基于LSTM重构的宜昌断面无坝情景下的水温，表明水库调蓄是导致宜昌水温蓄水前后变化的主导因素 (图2)。(3) 三峡水库对坝下宜昌断面水温产生的“滞冷”和“滞温”效应分别在4月中旬-5月中旬和12月下旬-1月初最为显著，水温变化约4 °C (图3)。
本研究提出了一种基于LSTM深度学习的河流水温预测方法，并利用LSTM模型成功重构了筑坝河流无坝假设情景下的日尺度自然热状态，为河流水温预测提供了新的思路和强有力的工具，同时也为河流生态系统管理和保护提供科学支撑。未来可选择更多水文和气象条件不同的研究区域对预测河流水温的深度学习方法进行进一步的测试和评估。
图1 不同模型误差指标箱型图
图2 三峡水库蓄水后不同运行期(SP1-135m 蓄水期、SP2-156m 蓄水期、SP3-175m 蓄水期)相较蓄水前宜昌站气温AT(a-c)、流量Q (d-f) 和水温WT (g-i)的变化
图3 三峡水库调蓄作用下宜昌逐日水温蓄水前后变化
相关研究内容推荐：
[1] Shen, C. (2018). A transdisciplinary review of deep learning research and its relevance for water resources scientists. Water Resources Research, 54(11), 8558-8593.
[2] Dugdale, S. J., Hannah, D. M., & Malcolm, I. A. (2017). River temperature modelling: A review of process-based approaches and future directions. Earth-Science Reviews, 175, 97-113.
撰稿: 邱如健 | 编辑: 胖英俊 | 校稿: 周旭东/孙钦珂/万露文
