Current Location:home > Detailed Browse

Article Detail

基于机器学习模型的海河北系干旱预测研究

Abstracts

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。
Download Comment From cooperative journals:《干旱区地理》 Hits:543 Downloads:359
DOI:10.12118/j.issn.1000-6060.2020.04.03
Keywords: 干旱; WNN; SVR; RF; SPI; 海河北系;
Recommended references: 赵美言,胡涛,张玉虎,蒲晓,高峰.(2020).基于机器学习模型的海河北系干旱预测研究.干旱区地理.doi:10.12118/j.issn.1000-6060.2020.04.03 (Click&Copy)
Version History
[V1] 2020-11-19 21:48:28 chinaXiv:202011.00103V1 Download
Related Paper

Download

Current Browse

Cross Subject Browse

  • - NO