基于机器学习的雨型分类研究——以淠河流域为例

作者：付晓娣; 阚光远^*; 刘荣华; 梁珂

来源：水利水电技术(中英文), 2023, 1-13.

• 降雨雨型
• 时空分布特征
• 动态时间规划
• LightGBM
• LSTM

【目的】为了提升洪水预报方案的科学性和精度，开展降雨雨型分类，制定不同雨型的预报方案并实施作业预报是一条有效的技术路线。【方法】基于淠河流域2003—2021年37个雨量站逐小时降雨观测数据，利用业界公认的动态时间规划（DTW）算法进行场次降雨雨型分类并作为基准分类结果。在此基础上，分别选取决策树（DT）、长短期记忆神经网络（LSTM）、LightGBM、支持向量机（SVM）四种机器学习方法建立分类模型并检验分类效果。通过调整样本规模，分析不同样本容量对分类效果的影响。【结果】结果表明: 四种分类模型中，LightGBM分类精度最高且训练速度快，LSTM和SVM分类精度良好但训练效率相对较低，DT方法分类速度较快但分类精度相对较低。随着样本规模的增大，分类结果逐步稳定，四种方法的分类效果和训练效率逐步提升。【结论】结果验证了机器学习方法在降雨序列雨型分类中具有较强的适用性，可为洪水预报方案分类构建提供技术支撑。

• 单位
  中国水利水电科学研究院; 流域水循环模拟与调控国家重点实验室