洪水过程的特征指标不仅包括洪水量级,还包括时间、形态、动力学等指标.现有模型和方法重点关注洪水量级指标的模拟,对其他指标的模拟仍有待深入.如何实现对洪水过程所有特征指标的模拟已成为目前洪水预报的技术瓶颈.论文采用4种机器学习模型(多元线性回归、多层感知器、随机森林和支持向量机)对淮河上游长台关流域59场降雨—洪水场次7个特征指标(洪水总量、洪峰流量、洪水历时、洪峰时间偏度、高流量历时占比、涨洪和落洪速率)进行模拟,评估不同模型对不同洪水类型和特征指标的模拟效果.结果显示:①长台关流域洪水过程可分为3类,第1类洪量中等、历时长且洪峰出现时间偏前(16场);第2类洪量低、形态矮胖且洪峰出现时间靠后(34场);第3类洪量大、涨落水迅速、形态尖瘦(9场).②时间指标模拟效果最优,动力学指标模拟效果最差.多元线性回归和随机森林模拟效果随所有特征指标数值的增加而增强;支持向量机的模拟效果随着洪水历时指标数值的增加而降低,随着其余特征指标数值的增加而增强;多层感知器模拟效果随着洪水总量、洪峰流量、高流量历时占比和涨洪速率等指标值的增加而增强.③从各类型洪水特征模拟精度来看,4种模型对第3类洪水特征模拟均为最佳,第2类最差;随机森林在第1类和第3类洪水特征模拟中效果最优,支持向量机对第2类洪水特征模拟效果最优.④从综合模拟精度来看,支持向量机效果最优,然后依次为随机森林、多层感知器和多元线性回归.上述4种模型率定和验证期相对误差分别为23％和98％、21％和109％、37％和75％、41％和102％.研究可为流域洪水过程深度挖掘和防洪措施制定提供参考和借鉴.

洪水过程;特征指标;机器学习;模型比较;淮河流域

张帆;张永勇;陈俊旭;翟晓燕;胡庆芳

云南大学地球科学学院,昆明650504;中国科学院地理科学与资源研究所,中国科学院陆地水循环及地表过程重点实验室,北京100101;中国水利水电科学研究院,北京100038;南京水利科学研究院水文水资源与水利工程科学国家重点实验室,南京210029

地理科学进展

[1]张帆;张永勇;陈俊旭;翟晓燕;胡庆芳-.多种机器学习模型对不同洪水类型特征指标模拟效果评估)[J].地理科学进展,2022(07):1239-1250

长台关,涨洪速率

机器学习模型,洪水类型,类型特征,特征指标,效果评估,洪水过程,现有模型,他指,洪水预报,技术瓶颈,多层感知器,河上,场次,洪水总量,洪峰流量,偏度,高流量,流域洪水,洪量,矮胖,涨落,落水,尖瘦,时间指标,动力学指标,指标值,洪水特征,模拟精度,综合模拟,率定,深度挖掘,防洪措施,措施制定,模型比较,淮河流域

0.258303