基于集成学习模型的非平稳月径流预报

作者：康艳; 程潇; 陈沛如; 向悦; 张芳琴; 宋松柏

来源：水资源保护, 2023, 39(02): 125-179.

• 月径流预报
• 集成学习算法
• 弹性网
• 变分模态分解
• 黄河流域

针对变化环境下月径流序列的非平稳性日益加剧，传统径流预报模型采用普通学习算法的局限性，基于Bagging和Boosting集成学习算法，构建了随机森林(RF)、梯度提升决策树(GBDT)和轻梯度提升机(LightGBM)3种集成学习模型，融合弹性网(EN)和变分模态分解(VMD),建立VMD-EN-RF、VMD-EN-GBDT和VMD-EN-LightGBM非平稳月径流组合预报模型，并以黄河流域实测月径流为研究对象，评估预报结果的不确定性。结果表明：单一集成学习模型能够提供可靠的预报结果，适用于非平稳月径流预报；融合VMD和EN的集成学习模型预报性能较单一集成学习模型有了显著提高，纳什效率系数提升了15%～20%,均方根误差降低了30%～40%;基于Boosting集成方法构建的集成学习模型优于Bagging集成方法，其中VMD-EN-LightGBM预见期3月内的预报效果优于VMD-EN-RF和VMD-EN-GBDT,在90%置信度的区间预报覆盖率高于90%,表现出良好的性能。

• 单位
  西北农林科技大学; 建筑工程学院