| 基于SHAP重要性排序和机器学习算法的灌区渠道调度流量预测 |
| |
| 引用本文： | 葛建坤,雷国相,陈皓锐,张宝忠,陈来宝,白美健,苏楠,于子慧.基于SHAP重要性排序和机器学习算法的灌区渠道调度流量预测[J].农业工程学报,2023,39(13):113-122. |
| |
| 作者姓名： | 葛建坤 雷国相 陈皓锐 张宝忠 陈来宝 白美健 苏楠 于子慧 |
| |
| 作者单位： | 华北水利水电大学水利学院，郑州 450045;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，北京100048;国家节水灌溉北京工程技术研究中心，北京 100048;安徽省淠史杭灌区管理总局，六安 237005 |
| |
| 基金项目： | 十四五国家重点研发计划课题（2022YFD1900504）；中国水利水电科学研究院技术创新团队项目（ID145B022021）；河南省高等学校青年骨干教师培养计划项目（2020GGJS100） |
| |
| 摘 要： | 渠道泄水闸能够快速排除灌区入渠洪水，避免渠道漫顶。研究以淠史杭灌区灌口集泄水闸为例，以闸门调度流量为目标变量，以不同时段过去和未来降雨量、泄水闸闸上实时水位及其变化量为特征变量，比较8种机器学习算法的预测精度，同时采用Shapley Additive exPlanations（SHAP）法分析特征变量重要性。结果表明：1）集成学习算法预测评价指标优于传统回归算法，8种机器学习算法中随机森林回归（random forest regression, RFR）算法预测精度最高（训练集均方根误差、平均绝对误差、均方误差及决定系数分别为 0.146 m3/s、0.094 m3/s、0.021 m3/s、0.976；测试集分别为0.306 m3/s、0.197 m3/s、0.093 m3/s、0.931）；2）采用SHAP法确定的特征变量重要性排序表明灌口集泄水闸闸上水位对于泄水闸调度流量的预测结果影响最大，占特征重要性值总和的34.6%；3）以过去6 h降雨量、过去9 h降雨量、未来6 h降雨量、灌口集泄水闸闸上水位作为输入变量的RFR算法预测灌口集泄水闸调度流量效果最佳，模型误差指标为（训练集均方根误差、平均绝对误差、均方误差及决定系数分别为0.126 m3/s、0.080 m3/s、0.016 m3/s、0.982；测试集分别为0.263 m3/s、0.164 m3/s、0.069 m3/s、0.950），研究结果对灌区防洪调度决策具有重要参考价值。
|
| 关 键 词： | 灌溉 随机森林 机器学习 调度流量 集成学习 SHAP |
| 收稿时间： | 2023/4/11 0:00:00 |
| 修稿时间： | 2023/5/9 0:00:00 |
Irrigation district channel dispatch flow prediction based on SHAP importance ranking and machine learning algorithm |
| |
| GE Jiankun,LEI Guoxiang,CHEN Haorui,ZHANG Baozhong,CHEN Laibao,BAI Meijian,SU Nan,YU Zihui.Irrigation district channel dispatch flow prediction based on SHAP importance ranking and machine learning algorithm[J].Transactions of the Chinese Society of Agricultural Engineering,2023,39(13):113-122. |
| |
| Authors: | GE Jiankun LEI Guoxiang CHEN Haorui ZHANG Baozhong CHEN Laibao BAI Meijian SU Nan YU Zihui |
| |
| Institution: | College of Water Resources of North China University of Water Conservancy and Hydropower, Zhengzhou 450045, China;State Key Laboratory of Basin Water Cycle Simulation and Regulation, China Institute of Water Resources and Hydropower Research, Beijing 100048, China;National Water Conservation Irrigation Engineering Technology Research Center, Beijing 100048, China;Anhui Province General Administration of Irrigation District, Lu''an 237005, China |
| |
| Abstract: | |
| |
| Keywords: | Irrigation random forest machine learning dispatched flow ensemble learning SHAP |
|
| 点击此处可从《农业工程学报》浏览原始摘要信息 |
| 点击此处可从《农业工程学报》下载免费的PDF全文 |
