论文部分内容阅读
在人类活动、短期内气候急剧变化等因素的影响下,径流的变化表现出了随机性、模糊性和灰色性等特征,并且在变化环境下,用于径流预测的水文时间序列也将不再满足一致性和代表性要求,再加之传统的径流预测模型多针对特定流域、特定预测尺度建立,其推广应用的能力较差。故本论文针对环境变化已经成为水循环系统中的常态,开发能够响应变化环境的径流预测模型是未来的趋势这一事实,采用常用的三类有监督,具有非参数化学习特征的机器学习模型,即支持向量机、梯度迭代决策树以及深度神经网络,针对渭河干流咸阳站,进行了适应性年、月径流预测建模分析,并根据水文情报预报规范统计了各模型在训练集和测试集上的预测合格率。进而根据分析结果,基于知识可视化综合集成平台搭建了渭河流域适应性径流预测模拟仿真系统,进行了适应性径流预测实例仿真。取得的研究成果如下:(1)SVM、GBDT、DNN三种模型均能够很好的预测实测径流序列的变化趋势特征,对径流的定性预测具有重要的指导意义。(2)对于年径流预测,相较于GBDT和DNN模型,基于小样本的SVM模型在训练集上的表现最好,建模预测合格率为95%,在测试集上的预测精度也较高,测试预测精度为66%,模型的表现水平良好。(3)对于月径流预测,在训练集上GBDT的预测合格率最高(42%),DNN的预测合格率次之(25%), SVM模型最低(21%);在测试集上,SVM的预测合格率为40%,GBDT为30%,DNN最低。综合对比得出,GBDT模型的表现水平最高。(4)从渭河流域适应性径流预测模拟仿真系统的实例仿真来看,该系统具有动态适应不同变化和需求的特征,构建于该系统之上的径流预测模型具有良好的推广应用能力。