黄河源区径流预报的机器学习算法研究OA

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0.9111、0.9019和0.9287,均方根误差小至9.95、133.59和147.82 m^(3)/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。