考虑径流过程矢量化的机器学习洪水预报模型OA北大核心CSTPCD

准确的超前洪水预报有利于开展防洪减灾工作和优化水资源调度。本文提出一种针对场次洪水的径流过程矢量化方法(Runoff Process Vectorization, RPV),并耦合3种机器学习(Machine Learning, ML)模型构建了RPV-ML洪水预报系列模型。以黄河中上游孤山川、佳芦河和祖厉河3个典型流域为研究区,分别基于43、28、37场洪水的降雨径流数据,按照洪水场次7∶3的比例进行模型训练和验证。研究表明:(1)相同预见期条件下RPV-ML模型在孤山川、佳芦河和祖厉河流域洪水预报纳什效率系数更高、均方根误差和洪峰相对误差更低,RPV-ML模型比ML模型具有更好的预报性能,在预见期为4~6 h时优势更显著;(2) RPV-ML和ML模型预报精度会随着预见期增加逐渐下降,但RPV-ML预报精度呈现缓慢下降趋势,具有更好的鲁棒性;(3)基于RPV改进的时间卷积网络(Temporal Convolutional Network, TCN)可以更好地克服预报误差问题,RPV-TCN模型在3个流域预报性能最好。