提高干旱預(yù)測(cè)精度能為流域干旱應(yīng)對(duì)及風(fēng)險(xiǎn)防范提供可靠數(shù)據(jù)支撐,構(gòu)建比選合適的干旱模型是當(dāng)前研究的熱點(diǎn)。研究以4個(gè)時(shí)間尺度(3、6、9、12月)標(biāo)準(zhǔn)化降水指數(shù)(SPI)為表征指標(biāo),利用小波神經(jīng)網(wǎng)絡(luò)(WNN)、支持向量回歸(SVR)、隨機(jī)森林(RF)三種機(jī)器學(xué)習(xí)算法分別構(gòu)建了海河北系干旱預(yù)測(cè)模型,利用Kendall、K-S、MAE三種檢驗(yàn)方法判定模型表現(xiàn)及其穩(wěn)定性。研究表明:(1)WNN、SVR模型呈現(xiàn)結(jié)果在不同時(shí)間尺度SPI存在差異,WNN最適合12個(gè)月尺度SPI干旱預(yù)測(cè);SVR最適合6個(gè)月尺度SPI干旱預(yù)測(cè)。(2)對(duì)3、12個(gè)月尺度SPI,RF預(yù)測(cè)性能最優(yōu)(Kendall>0.898,MAE<0.05);對(duì)6、9個(gè)月尺度SPI,SVR預(yù)測(cè)性能最優(yōu)(Kendall>0.95,MAE<0.04)。(3)模型預(yù)測(cè)性能穩(wěn)定性存在區(qū)別,RF預(yù)測(cè)穩(wěn)定性最高,其次為SVR。(4)構(gòu)建的三種模型表現(xiàn)異同主要是因?yàn)镾VR轉(zhuǎn)為凸優(yōu)化問(wèn)題解決了WNN易陷入局部最優(yōu)解的不足,從而提高了模型預(yù)測(cè)性能,RF集成多樣化回歸樹(shù),降低了弱學(xué)習(xí)器的負(fù)面影響,提高了模型預(yù)測(cè)準(zhǔn)確率及穩(wěn)定性,同時(shí),RF處...

【文章頁(yè)數(shù)】：9 頁(yè)

【文章目錄】：
1 研究區(qū)概況
    1.1 研究區(qū)概況
    1.2 數(shù)據(jù)
2 模型算法
    2.1 小波神經(jīng)網(wǎng)絡(luò)（WNN)
    2.2 支持向量回歸（SVR)
    2.3 隨機(jī)森林（RF)
3 模型構(gòu)建與驗(yàn)證
    3.1 模型構(gòu)建
    3.2 模型評(píng)價(jià)
    3.3 模型檢驗(yàn)
        3.3.1 對(duì)比分析
        3.3.2 穩(wěn)定性分析
4 討論
5 結(jié)論



本文編號(hào)：3848932