10.12118/j.issn.1000-6060.2020.04.03
基于机器学习模型的海河北系干旱预测研究
提高干旱预测精度能为流域干旱应对及风险防范提供可靠数据支撑,构建比选合适的干旱模型是当前研究的热点.研究以4个时间尺度(3、6、9、12月)标准化降水指数(SPI)为表征指标,利用小波神经网络(WNN)、支持向量回归(SVR)、随机森林(RF)三种机器学习算法分别构建了海河北系干旱预测模型,利用Kendall、K-S、MAE三种检验方法判定模型表现及其稳定性.研究表明:(1) WNN、SVR模型呈现结果在不同时间尺度SPI存在差异,WNN最适合12个月尺度SPI干旱预测;SVR最适合6个月尺度SPI干旱预测.(2)对3、12个月尺度SPI,RF预测性能最优(Kendall>0.898,MAE< 0.05);对6、9个月尺度SPI,SVR预测性能最优(Kendall> 0.95,MAE< 0.04).(3)模型预测性能稳定性存在区别,RF预测稳定性最高,其次为SVR.(4)构建的三种模型表现异同主要是因为SVR转为凸优化问题解决了WNN易陷入局部最优解的不足,从而提高了模型预测性能,RF集成多样化回归树,降低了弱学习器的负面影响,提高了模型预测准确率及稳定性,同时,RF处理包含噪声的降水数据的能力更强.
干旱、WNN、SVR、RF、SPI、海河北系
43
TP391.41;TP181;F832.51
北京市科技计划;首都师范大学交叉研究院项目;首都师范大学交叉研究院项目;首都师范大学交叉研究院项目;国家重点研发计划
2020-11-26(万方平台首次上网日期,不代表论文的发表时间)
共9页
880-888