机器学习在径流预测中的应用研究

机器学习在各个领域以及交叉学科中有着广泛的应用。运用两种机器学习方法支持向量机回归SVR和BP人工神经网络,对长江流域河溶水文站2009-2014年逐日径流与日降水资料进行学习、训练以及预测。采用Ns效率系数和相对偏差PB作为比较指标,与传统的分布式水文模型(THREW)进行比较。结果表明:THREW模型模拟效果好,Ns效率系数为0.503,具有清晰的物理过程和水文机理,但是模拟结果的相对偏误差PB较大,数据要求较多,操作复杂。两种机器学习方法在相对偏误差PB指标表现较好,都较好的模实现了对径流的预测,泛化能力较好,即具有将学习成果应用于新知识的能力。但是对数据依赖较大,数据样本容量越大,预测的结果会更理想。BP神经网络模径流结果在相对偏误差PB指标表现很好,模拟低流量时期较准,在洪峰流量阶段模拟失真,SVR对极大洪峰流量预测准确度有所提高。结果显示SVR优于分布式物理THREW模型和BP神经网络。

基于WEP的横断山垂直带水文过程模拟研究

为了更好模拟横断山在气象、植被、土壤、水分等垂直地带性影响下的水文过程,本文采用分布式流域水文模型WEP,提出反映空间分异特征的垂直带参数化方案,并选择横断山流域14个水文控制断面1960—2015年的逐月径流数据进行了模拟验证。结果显示,垂直带参数化方案较好地模拟了横断山区的水循环过程;通过两种对照方案和垂直带参数化方案的对比表明,“垂直带参数化方案”比“普通的参数方案”的NS提高0.03、RE降低1%,比“均一化参数方案”的NS提高0.3、RE降低19.6%。通过考虑参数的垂直变化影响,能够提高模型模拟效果,且可更好地反映气象、植被、土壤、水分等信息的垂直地带性,弥补以往水文模型对参数的垂直变化描述不足的问题。