基于随机森林遥相关因子选择的月径流预报

流域径流过程与大尺度气候因子之间存在遥相关关系，如何从众多的水文、气象、大气环流及洋流等因子中找出与径流密切关联的因子，是中长期径流预报的一个难题。将基于贝叶斯优化的随机森林模型应用于对水文、气象、气候因子构成的高维度因子集进行因子选择，根据变量重要性评分挑选对月径流影响较大的预报因子，构建广义回归神经网络、极限学习机、支持向量回归径流预报模型。将该方法应用到金沙江流域，相较于线性相关法，基于随机森林输入因子选择的方法提高了模型泛化性能；遥相关因子的引入既实现了流域月径流高精度预报，又从物理机制上提供了支撑。