基于水文-气象因子的综合多模型长期径流预报研究

• Published in: 中国农村水利水电 no. 11; pp. 6 - 12
• Main Authors: 李福威, 包爱美, 疏杏胜, 丁伟
• Format: Journal Article
• Language: Chinese
• Published: 国电电力和禹水电开发公司,辽宁本溪 117201%大连理工大学水利工程学院,辽宁大连 116024 10.11.2022
• Subjects: 预报因子; 多模型预报; 长期径流预报; 机器学习; 桓仁流域
• ISSN: 1007-2284
• DOI: 10.12396/znsd.220146

P338; 长期径流预报对于掌握未来径流信息,实现水资源的高效利用具有重要意义.当前长期径流预报可利用模型众多,且各模型在不同预报条件下表现各有优劣,为实现多模型间的相互协调和性能互补,以桓仁流域长期径流预报为研究对象,耦合相关性分析和向前搜索包裹法从众多水文-气象因子中筛选影响桓仁水库入库径流的关键预报因子;采用统计分析法和机器学习法共6种径流预报方法,分别建立桓仁流域年径流预报模型和汛期月径流预报模型,对比分析多模型在该流域长期径流预报的适用性.结果表明:大气环流因子与预报对象的相关性明显高于水文因子,其在流域长期径流预报中起关键作用;基于主成分分析的人工神经网络(Artificial Neural Network Model based on Principal Compo-nent Analysis,PCA-BP-ANN)、支持向量机(Support Vector Machine,SVM)等机器学习模型的年径流预报效果优于传统统计模型;汛期各月径流预报中,各模型预报精度有所差异,基于主成分分析的人工神经网络模型(PCA-BP-ANN)在5月份和8月份的预报合格率最高,且相对人工神经网络(Back Propagation-Artificial Neural Network,BP-ANN)模型提升了10％左右,但在6、7月份的预报效果不如其他模型,而门限回归(Threshold Regression,TR)模型在7月份表现最佳,合格率达94％;选择汛期各月表现最优的预报模型,给出综合多模型预报方案,在最优预报方案下,桓仁流域年径流预报以及汛期相对重要的7、8月径流预报的合格率均能达到90％以上.