黄河源区径流预报的机器学习算法研究

摘要

为解决黄河源区汛期多日径流预报问题，以黄河沿站、玛曲站和唐乃亥站为研究对象，分别基于随机森林、长短期记忆网络和门控循环单元构建日径流多步预报模型，对比分析训练时段、输入特征及算法对各预见期预报精度的影响，并对最优模型进行解释分析和残差校正。结果表明：短期预报精度普遍较高，第1天的纳什效率系数达0.99，其中门控循环单元在利用多气象要素和整体预报精度上表现最佳；非汛期时段的训练对汛期径流预报的影响相对有限，气象要素丰富度对模型性能影响显著，而不同水文站点对训练时段与输入特征的敏感性存在差异；经残差建模和校正，黄河沿站、玛曲站和唐乃亥站汛期径流1～10 d预报的平均纳什效率系数可达0.911 1、0.901 9和0.928 7，均方根误差小至9.95、133.59和147.82 m³/s。集成超参数自适应配置、特征选择、可解释性分析及残差校正等策略的机器学习模型，可有效提升黄河源区汛期径流预报精度。

关键词

机器学习 / 汛期径流预报 / 黄河源区 / 门控循环单元 / 可解释性 / 残差校正