基于机器学习模型的淮河流域中长期径流预报研究

准确可靠的中长期径流预报是支撑水资源科学调配、提高水资源利用效率的关键。本研究采用AdaBoost模型(AdB)、随机森林模型(RF)和支持向量机模型(SVM)进行淮河流域王家坝和蚌埠站当年11月至次年10月共12个月的中长期径流预报研究。采用置换准确度重要性度量法从130项气象-气候因子及前期降雨/流量构建的1 562个因子变量中筛选出影响各月径流的关键因子，构建了基于AdB、RF和SVM模型的各月径流预报模型，模型参数采用随机搜索技术并结合交叉验证方式确定。采用变幅误差合格率和等级(五级)预报合格率指标对模型的预报精度进行了评估。变幅误差合格率指标表明，王家坝12个月的平均合格率分别为99.8%(AdB)、96.6%(RF)和95.9%(SVM),蚌埠站分别为100%(AdB)、94.8%(RF)和93.8%(SVM);等级预报合格率指标表明，王家坝12个月的平均合格率分别为79.0%(AdB)、76.4%(RF)和79.9%(SVM),蚌埠站分别为81.0%(AdB)、75.6%(RF)和76.6%(SVM)。模型均具有较好的预报效果，但RF和SVM模型对于高流量值的预报存在偏低现象，AdB模型整体上优于RF和SVM模型。