新型耦合数据驱动模型在降雨径流模拟中的应用研究

为解决传统数据驱动模型的不足,使其能实现降雨径流过程高精度连续模拟,提出新型耦合数据驱动模型——PEK,即:基于偏互信息的输入变量选择、基于新型集成神经网络的出流量预测和基于K最近邻模型的出流量误差预测。PEK模型具有以下特点:(1)提出了基于分离式选择策略和滑窗累积雨量的模型候选输入向量,并与基于偏互信息的输入变量选择方法联合使用,提高了输入信息的充分性和无冗余性,对建立精度高、泛化能力强的高质量模型意义重大;(2)提出了新型集成神经网络——EBPNN及其率定方法。联合使用NSGA-II多目标优化算法和早停止Levenberg-Marquardt算法,通过一次优化过程同时确定全局最优个体网络个数、各个体网络拓扑结构和网络参数。个体网络权重由基于AIC信息准则的权重优选方法确定。EBPNN在模拟精度和网络复杂度间取得了良好折衷,精度高、泛化能力强、率定结果客观;(3)PEK模型能够进行多步外推预报,实现了非实时校正模式下的高精度连续模拟,增长了预见期;(4)PEK模型不需要进行流域状态变量的计算,仅需初始出流量就可进行出流量的连续模拟。在呈村流域应用PEK和CLS两个数据驱动模型进行次洪降雨径流模拟及精度比较。结果表明PEK模型使用简便,模拟精度高于CLS模型,实现了多步外推的高精度连续模拟,增长了数据驱动模型的预见期。