基于机器学习模型的海河北系干旱预测研究

分类： 环境科学技术及资源科学技术 >> 环境科学技术基础学科 提交时间： 2020-11-19 合作期刊: 《干旱区地理》

赵美言 胡涛 张玉虎 蒲晓 高峰

摘要： 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。

 点击量 1362  下载量 824  评论