基于堆叠机器学习的非充分数据条件下流域径流还原方法研究:以沮漳河为例OA北大核心CSTPCD

【目的】为实现数据非充分条件下的径流还原,【方法】提出一种在用水量数据不完全时基于水量平衡原理构建堆叠机器学习模型计算河川断面的天然径流的方法,并以沮漳河为例计算了河溶水文站断面的天然径流。首先选取与农业、工业、生活用水消耗量具有相关性的指标构建了特征变量指标体系,与研究时段内有缺失的用水量数据一同输入堆叠机器学习模型中,获得连续的用水量数据。再基于水量平衡原理,在水文站实测径流的基础上加减由人类活动引起的径流变化量,计算得到断面的天然径流。【结果】堆叠机器学习模型预测缺失的用水量分量的相对误差分别为0.62%、0.03%、4.95%,经还原计算后河溶站断面在2002—2020年的平均天然径流量为54.5 m3/s,天然径流深为501.3 mm。【结论】提出的方法可实现取用水量数据在时空尺度上有缺失地区的天然径流还原,对区域水资源综合管理和优化配置具有重要意义。