基于机器学习模型的海河北系干旱预测研究

编号 zgly0001723890

文献类型 期刊论文

文献题名 基于机器学习模型的海河北系干旱预测研究

作者 赵美言  胡涛  张玉虎  蒲晓  高峰 

作者单位 首都师范大学数学科学学院  首都师范大学资源环境与旅游学院  国家气象信息中心 

母体文献 干旱区地理 

年卷期 2020年04期

年份 2020 

分类号 P426.616 

关键词 干旱  WNN  SVR  RF  SPI  海河北系 

文摘内容 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。