基于机器学习的淮河流域水文干旱预测模型的构建及其应用
姚煜航1
欧铭1
李敏1
冯子龙2
1.扬州大学 水利科学与工程学院,江苏 扬州 2250002.吉林省水利水电勘测设计研究院,长春 130021
摘要：[目的]构建并验证一种基于Boruta-CNN-LSTM混合模型的淮河流域水文干旱预测方法,为流域水资源管理和防灾减灾提供科学依据.[方法]以淮河流域为例,采用 1960-2020 年的逐月降水量、蒸散发和土壤湿度等数据,构建了基于Boruta-random Forest Hybridizer特征选择算法、卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)的混合模型(Boruta-CNN-LSTM).通过混合模型对淮河流域月尺度的标准化径流指数SRI进行预测,并对LSTM、Boruta-LSTM、Boruta-CNN-LSTM模型的预测结果进行对比和评估.[结果]①Boruta算法显著降低了冗余特征干扰,在所选的 31 个影响因子中,SPI-1、蒸散发和土壤温度等因子对模型的预测能力影响显著,其中,SPI-1 在各个区域中对模型的影响最为显著.②在建立的 3 个模型中,Boruta-CNN-LSTM 模型预测效果最优,其中 R2 值为 0.853 6,MAE 和 RMSE 值分别为 0.262 和 0.352,其次是Boruta-LSTM模型.[结论]通过将LSTM模型、Boruta特征选择和CNN神经网络逐步结合,Boruta-CNN-LSTM模型能够显著提高模型的预测精度,较好的适用于淮河流域的水文干旱预测.
关键词：水文干旱预测Boruta特征选择LSTM淮河流域
分类号：TV11(水利工程基础科学)
资助基金：扬州大学研究生科研与实践创新计划资助项目(SJCX24_2250)水利部重点实验室开放研究基金(KYFB202307260034)天津大学水利工程智能建设与运维全国重点实验室(HESS-2206)
论文发表日期：2025-12-30
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：11( 137-147 )
英文信息