基于可解释机器学习的黄河源区径流分期组合预报

作     者：黄强 尚嘉楠 方伟 杨程 刘登峰 明波 沈延青 祁善胜 程龙 HUANG Qiang;SHANG Jianan;FANG Wei;YANG Cheng;LIU Dengfeng;MING Bo;SHEN Yanqing;QI Shansheng;CHENG Long

作者机构：西安理工大学省部共建西北旱区生态水利国家重点实验室陕西西安710048 青海黄河上游水电开发有限责任公司青海西宁810000 中国电建集团西北勘测设计研究院有限公司陕西西安710065 

基　　金：国家自然科学基金黄河水科学研究联合基金资助项目(U2243216) 中国博士后科学基金资助项目(2021M692602) 国家重点研发计划项目(2023YFC3006502) 

出 版 物：《人民黄河》 (Yellow River)

年 卷 期：2024年第46卷第9期

页      码：50-59页

摘      要：黄河源区是黄河流域重要的产流区和我国重要的清洁能源基地,提高黄河源区径流预报准确率可为流域水资源科学调配和水风光清洁能源高效利用提供重要支撑。以黄河源区唐乃亥和玛曲水文站为研究对象,基于不同月份径流组分的差异,考虑积雪覆盖率及融雪水当量变化,构建了中长期径流分期组合机器学习预报模型及其可解释性分析框架。研究结果表明:1)年内的径流预报时段可划分为融雪影响期(3—6月)和非融雪主导(以降雨和地下水补给为主)期(7月—次年2月);2)与传统不分期模型相比,唐乃亥站和玛曲站分期组合预报模型的纳什效率系数分别达0.897、0.835,确定系数(R2)分别达0.897、0.839,均方根误差分别降低了10%、17%,提高了径流预报准确率,通过分位数映射校正,唐乃亥站和玛曲站预报模型的R2分别进一步提升至0.926和0.850;3)基于SHAP机器学习可解释性分析框架,辨识了预报因子对径流预报结果的贡献程度,由高到低依次为降水、前一个月流量、蒸发、气温、相对湿度、融雪水当量等,发现了不同预报因子之间交互作用散点分布具有拖尾式或阶跃式的特征。

主 题 词：中长期径流预报 分期组合 机器学习 可解释性 黄河源区 

学科分类：081504[081504] 08[工学] 081501[081501] 0815[工学-矿业类] 

核心收录：

D　O　I：10.3969/j.issn.1000-1379.2024.09.008

馆 藏 号：203140479...