基于多模型融合的中期径流预报

为提高流域中期径流预报精度，提出了一种基于机器学习的多模型融合的中期径流预报方法，并应用于桓仁水库流域。首先采用BP神经网络（BP）、多元线性回归（MLR）、支持向量机（SVM）构建旬尺度的单一径流预报模型；再基于信息熵和机器学习方法对上述单一模型的结果进行融合，分别建立基于信息熵、BP神经网络、SVM的信息融合预报模型；进一步考虑融雪影响，构建春汛期旬径流预报模型。引入平均绝对误差（MAE）、均方根误差（RMSE）和预报合格率（QR）三个误差评价指标，综合评定各模型在汛期和非汛期的径流预报精度。结果表明：(1)所有模型对径流变化趋势的模拟效果相对较好，单一模型对峰值的模拟表现较差；(2)基于机器学习算法的融合模型能很好结合不同预报模型的优势，模拟精度优于各单一预报模型和基于信息熵的融合模型，共提高汛期10个旬的径流预报精度，且将6个旬的预报合格率提升至100%，预报合格率的最大提升率达到24%；(3)考虑融雪影响的旬径流预报模型在3月和4月的预报合格率均在90%以上，提高了流域的非汛期径流预报能力。研究提出的基于机器学习的信息融合预报方法可得到准确性和可靠性较高的径流预报模型，为桓仁...