基于机器学习的建模方法，用于水文系统中精确的径流预测

《Scientific Reports》：Machine learning-based modeling for precise runoff forecasts in hydrological systems

　　

摘要

准确的日径流预测可以为正常降雨、洪水和干旱问题提供基于数据的详细决策。因此，在水文学中，熟练地预测某一地区的日径流是一项具有挑战性的任务。大多数研究依赖于独立模型、集成模型或手动调整的超参数，但这些方法难以处理季节性数据。因此，本研究尝试将独立模型（极端梯度提升算法、自适应提升算法和基因表达编程算法）与一种先进技术（粒子群优化算法）相结合，用于日径流预测。利用九年的降雨数据，优化了三种模型：PSO-XGB、PSO-Adb 和 PSO-GEP。将这些混合模型的性能与经典模型 GEP、XGB 和 Adb 进行了对比。模型性能通过 RMSE、MAE、NSE、R2、PBIAS 和 a-20 指数进行评估。在所有方法中，PSO-XGB 的准确率最高（R2 = 0.96），优于其他混合模型和独立模型。为了便于用户使用，还为这些混合模型开发了一个用户友好的软件界面（SI），以便将其应用于实际工程场景。此外，本研究还推导出了一个基于 GEP 的公式，用于计算实际径流量。