基于MI-PCA与BP神经网络的石羊河流域中长期径流预报

使用神经网络进行水文预报的关键之一是预报因子(输入变量)的筛选。鉴于现有方法对预报中因子与径流间复杂的非线性相关关系考虑不充分以及因子间信息重叠导致的算法“过拟合”等问题,提出了一种信息熵理论和主成分分析方法相结合的预报因子筛选方法,并应用至石羊河流域的中长期径流预报中。实例研究表明:运用基于MI-PCA的预报因子筛选方法构建的石羊河流域中长期径流预报BP神经网络模型检验期预报合格率为91.67%,优于单独基于互信息法(83.33%)和主成分分析法(75.00%)的合格率,预报精度满足相关标准规范的要求,可为石羊河流域中长期径流预报提供实际支撑。

基于XGBoost算法的多元水文时间序列趋势相似性挖掘

针对传统的利用神经网络等工具进行水文趋势预测得出结果不具备解释性等不足,文中提出一种基于机器学习算法的水文趋势预测方法,该方法旨在利用XGBOOST机器学习算法建立参照期与水文预见期之间各水文特征的相似度映射模型,从而在历史水文时间序列中匹配出与预见期水文趋势最相似的序列,从而达到水文趋势预测的目的。为了证明所提方法的高效性和可行性,以太湖水文时间序列数据为对象进行了验证。分析结果表明,基于机器学习的多元水文时间序列趋势相似性分析可以满足调度人员对未来水文趋势预测效果的要求。

水资源调度通用软件在石羊河流域的应用

在国家水资源监控能力建设项目开发的水资源调度通用软件基础上,针对石羊河流域实际工程需求,开展了流域水资源调度模型与系统定制、模型集成与应用系统二次开发工作,建成了石羊河流域水资源调度系统。系统运行效果表明,所构建的水资源调度系统能够满足石羊河流域水资源调度的日常业务需求;同时也表明水资源调度通用软件通过定制和二次开发,能够快速、高效构建出满足流域水资源调度需求的水资源调度系统。