摘要：針對各預(yù)報模型預(yù)報結(jié)果精度評價不統(tǒng)一現(xiàn)狀，考慮徑流具有非線性、突變及非平穩(wěn)性等特點，本文構(gòu)建了包含均方根誤差(RMSE)、平均絕對百分誤差(MAPE)和納什效率系數(shù)(NSE)三項指標(biāo)的綜合評價系統(tǒng)，對自回歸滑動平均模型(ARMA)、人工神經(jīng)網(wǎng)絡(luò)模型(ANN)和支持向量機模型(SVM)在徑流汛期和非汛期內(nèi)進行了預(yù)報精度評價。結(jié)果表明：單一評價指標(biāo)下，RMA模型與VM模型預(yù)報結(jié)果精度相近，而綜合評價系統(tǒng)表明，VM模型預(yù)報精度優(yōu)于RMA模型;三種模型在非汛期預(yù)報精度均高于汛期預(yù)報精度，VM預(yù)報效果均最好。將徑流進行分割后預(yù)報，預(yù)報精度可提高。本研究獲得了可靠性和精度較高的月徑流預(yù)報模型，可為工程水資源高效配置提供理論和技術(shù)支撐。

　　關(guān)鍵詞：徑流預(yù)報;支持向量機模型;綜合評價系統(tǒng);引漢濟渭工程;汛期與非汛期

　　徑流具有高度復(fù)雜性、非平穩(wěn)性、動態(tài)性和非線性的特點，它的現(xiàn)象和特征模式不容易被預(yù)報。近年來許多學(xué)者對高精度徑流預(yù)報進行了研究2]。傳統(tǒng)的時間序列預(yù)測模型是在考慮一致性條件下進行的，而機器學(xué)習(xí)能更好的捕捉徑流非平穩(wěn)性和非一致性的特點。隨著高精度預(yù)報模型及組合預(yù)報模型不斷被提出[36]，評價模型或組合模型的預(yù)報結(jié)果非常重要。

　　河流水資源論文范例：探討河流健康下的黃河泥沙資源利用

　　目前，大多數(shù)研究學(xué)者對預(yù)報結(jié)果的評判往往選用單一評價指標(biāo)。不同評價指標(biāo)對模型結(jié)果分析存在差異，若仍用單一指標(biāo)來評價預(yù)報精度，很有可能造成模型預(yù)報結(jié)果與實際相差較大而整體性精度較高。因此，構(gòu)建綜合評價指標(biāo)系統(tǒng)對預(yù)報結(jié)果進行評價至關(guān)重要。均方根誤差(RootMeanSquaredError，MSE)可用來評價預(yù)測值與真實值之間的偏差，被廣泛用于模型計算結(jié)果評價[78]。平均絕對百分誤差(MeanAbsolutePercentageError，APE)是一個常用于衡量預(yù)測準(zhǔn)確性的統(tǒng)計指標(biāo)，如時間序列的預(yù)測[9,10]。納什效率系數(shù)Nash–SutcliffeEfficiencyCoefficient，SE)常用來評價模型質(zhì)量[1112]。

　　因此，構(gòu)建由以上三種評價指標(biāo)組成的綜合評價系統(tǒng)，可全面的評價一個模型預(yù)報結(jié)果的好壞。自回歸滑動平均模型(Autoegressiveovingverageodel，ARMA)、人工神經(jīng)網(wǎng)絡(luò)模型(ArtificialNeuralNetworkodel，ANN)、支持向量機(SupportVectorMachineModels，SVM)常用于中長期徑流預(yù)報[1316]。研究高精度的徑流預(yù)測模型可以有效指導(dǎo)水資源跨流域調(diào)度，提高“引漢濟渭”工程的水資源利用率，關(guān)中地區(qū)的缺水情況可以得到有效的解決，促進可持續(xù)發(fā)展。預(yù)報方法在不斷完善，但當(dāng)前研究主要基于各水文年長序列數(shù)據(jù)，將長序列拆分為短序列后再進行預(yù)報的研究不多;針對徑流的特點，徑流序列在非汛期比汛期時間長，突變少，兩者徑流特征相差較大，可將長序列數(shù)據(jù)系列進行汛期非汛期劃分，在劃分后的數(shù)據(jù)基礎(chǔ)上，再采用模型進行徑流預(yù)報。

　　本文以“引漢濟渭”工程調(diào)水區(qū)黃金峽斷面和三河口斷面的為研究對象進行月徑流預(yù)報研究，將徑流數(shù)據(jù)進行汛期和非汛期劃分，在此基礎(chǔ)上分別構(gòu)建了基于Huber權(quán)重計算的ARMA模型、基于切型函數(shù)進行傳遞計算的ANN模型和基于徑向基函數(shù)為核函數(shù)和遺傳算法進行參數(shù)優(yōu)選的SVM模型，并采用構(gòu)建的綜合評價指標(biāo)系統(tǒng)對預(yù)報結(jié)果進行評價，綜合選出預(yù)報效果最好的模型。可為“引漢濟渭”工程提供較為精準(zhǔn)的預(yù)報模型，為水庫優(yōu)化調(diào)度和合理配置水資源提供選擇。數(shù)據(jù)與方法.

　　1數(shù)據(jù)來源本次研究選取了黃金峽斷面和三河口斷面的綜合流入徑流資料。研究分析了兩個斷面從1955年2009年共55年的月徑流資料。按照8:2的比例分為率定期及驗證期。

　　1.2汛期與非汛期劃分

　　對于汛期與非汛期的劃分國內(nèi)外的研究中已存在很多種方法，例如模糊統(tǒng)計法、相對頻率法、變點分析法以及片段法等[17]。片段法是將徑流序列看作整體算出多年平均值，將突變的數(shù)據(jù)進行了整體均分，能更準(zhǔn)確的確定整體序列的汛期非汛期，作為預(yù)報的數(shù)據(jù)輸入。因此本文選用了片段法對月徑流量進行分析并進行劃分。片段法是通過對已知的一個年年徑流量序列的樣本進行分解，求出多年平均年徑流量以及多年平均月徑流量。用歷史樣本中年序列的對應(yīng)的多年月平均徑流量除以多年年平均徑流量，得到的結(jié)果為該系列每年12個標(biāo)準(zhǔn)化的月徑流不規(guī)則因子。

　　2結(jié)果與討論

　　2.1汛期月徑流預(yù)報結(jié)果

　　將黃金峽斷面和三河口斷面汛期數(shù)據(jù)滯時為和月的情景和情景的徑流數(shù)據(jù)序列分別帶入三種預(yù)報模型，得到汛期預(yù)報結(jié)果。分別計算兩斷面汛期月徑流預(yù)報結(jié)果與實測數(shù)據(jù)間的RMSE、MAPE和NSE，表為黃金峽汛期月徑流預(yù)報結(jié)果分析計算結(jié)果表，表為三河口汛期月徑流預(yù)報結(jié)果分析計算結(jié)果表。

　　可以看出，黃金峽汛期月徑流三種模型的預(yù)報結(jié)果較實測數(shù)據(jù)都有所偏差，徑流實測值變化較大，無規(guī)律可循。ANN模型結(jié)果偏差較大，在峰值處預(yù)報值低于實測值，大部分預(yù)報值都較實測值偏高，特別是在31，趨勢發(fā)生改變，原因在于在構(gòu)建NN模型時，選擇的切型函數(shù)，該函數(shù)雖然可捕捉非線性關(guān)系，但是不能很好的捕捉徑流的整體趨勢。而RMA模型的預(yù)報結(jié)果與NN相反，整體預(yù)報結(jié)果較實測值偏低，RMA模型是傳統(tǒng)預(yù)報模型，不能很好捕捉徑流間的非線性關(guān)系，導(dǎo)致預(yù)報效果不優(yōu)。相對于RMA模型，SVM模型預(yù)報結(jié)果變化趨勢與實測數(shù)據(jù)更為相似，構(gòu)建VM模型時，采用的遺傳算法進行參數(shù)優(yōu)選，可有效提高模型的預(yù)報能力。三種模型在峰值處的預(yù)報結(jié)果都偏低。可能原因是在捕捉黃金峽率定期的汛期關(guān)系時出現(xiàn)偏差。

　　SVM模型的預(yù)報結(jié)果最好，研究結(jié)果表明參數(shù)的選擇對于預(yù)報的泛化性能影響較大。本文在構(gòu)建SVM模型時，選用了徑向基函數(shù)作為SVM的核函數(shù)，將數(shù)據(jù)運用到高級空間，再通過遺傳算法進行參數(shù)選擇。本次構(gòu)建的VM模型在三種預(yù)報效果最好，具有較好的泛化能力，能尋找全局最優(yōu)解且進行快速準(zhǔn)確擬合和預(yù)報，且從中可知模型的整體預(yù)報趨勢與偏差與實測數(shù)據(jù)都較小。對于非線性和非平穩(wěn)徑流序列，顯示出了SVM的優(yōu)越性。

　　對于相同斷面的汛期和非汛期月徑流預(yù)報，VM模型、RMA模型、NN模型在非汛期的預(yù)報精度高于汛期的預(yù)報精度，可能原因是本次徑流數(shù)據(jù)序列在非汛期的變化較為平緩，沒有發(fā)生突變的情況，模型能更好的捕捉到非汛期徑流序列的變化規(guī)律，在進行徑流預(yù)報時，可將徑流進行汛期和非汛期劃分之后在進行預(yù)報。構(gòu)建的綜合評價指標(biāo)可從洪峰、平穩(wěn)期以及整體趨勢三個方面評價模型預(yù)報結(jié)果精度，可幫助選定最合適最有效的預(yù)報模型，本次構(gòu)建的綜合評價指標(biāo)系統(tǒng)對VM模型、RMA模型、NN模型預(yù)報結(jié)果評價，得到預(yù)報效果最好的是VM模型。

　　3結(jié)論和展望.

　　1結(jié)論

　　綜合評價指標(biāo)系統(tǒng)可以更全面的評價一個模型的預(yù)報精度和整體預(yù)報結(jié)果的好壞。以黃金峽汛期預(yù)報結(jié)果評價為例，在RMSE作為評價指標(biāo)時，ANN模型為8.9/s，ARMA模型為1467/s，SVM模型為99.01/s。RMSE可評價徑流序列中高值的預(yù)測效果，但是NN模型與ARMA模型的MSE相差不大。SVM模型的預(yù)測效果在高值處最好，RMA模型略好于NN模型。

　　在MAPE作為評價指標(biāo)時，ANN模型的MAPE為9.80，ARMA模型的MAPE為48.93，SVM模型的MAPE為47.75。MAPE可評價徑流序列中平穩(wěn)值的預(yù)測效果，SVM模型與ARMA模型的APE幾乎沒有大的差別。ANN模型的預(yù)測效果較差一點。在NSE作為評價指標(biāo)時，ANN模型的NSE為04，ARMA模型的NSE為65.64，SVM模型的NSE為74.38。NSE可評價模型的好壞。因此，綜合三個評價指標(biāo)表明：SVM>ARMA>ANN。

　　本文提出的三個評價指標(biāo)結(jié)果綜合表明黃金峽和三河口兩個斷面汛期和非汛期內(nèi)構(gòu)建的三個模型SVM的預(yù)報效果均最好，ARMA次之，ANN較差，基于結(jié)構(gòu)風(fēng)險最小化誘導(dǎo)原理SVM模型的預(yù)報效果較好。且非汛期預(yù)報精度高于汛期預(yù)報精度，模型在非汛期更好的捕捉徑流變化規(guī)律。.2展望雖然已經(jīng)完成了調(diào)水區(qū)徑流預(yù)報模型的研究，但是由于數(shù)據(jù)不夠充足，文章還存在值得探討的地方：本文僅采用徑流數(shù)據(jù)作為輸入因子，更多的輸入因子能夠結(jié)合更多的因素，讓預(yù)報效果提高，因此，未來研究可引入降水和蒸發(fā)數(shù)據(jù)，以進一步提高模型預(yù)報精度。

　　參考文獻

　　[1]GiampaoloC,JorgeL,PunitKB.A2DRealTimeFloodForecastFrameworkBasedonaHybridHistoricalandSyntheticRunoffDatabase[J].Water,2019,12(1)

　　[2]紀(jì)昌明，梁小青，張驗科，等.入庫徑流預(yù)報誤差隨機模型及其應(yīng)用[J].水力發(fā)電學(xué)報，2019，38(10)：7585.JIChangming,LIANGXiaoqing,ZHANGYanke,etal.Stochasticmodelofreservoirrunoffforecasterrorsanditsapplication[J].JournalofHydroelectricngineering,2019,38(10):7585.

　　[3]孫鳳玲，李繼清，張驗科徑流預(yù)報誤差的混合tLocationScale分布模型及應(yīng)用[J].水力發(fā)電，2020，46(12)：1318.SUNFenglingLIJiqingZHANGYanke.TLocationScaleDistributionModelofRunoffPredictionErrorsandItsApplicatio[J].WaterPower,2020,46(12):1318.

　　[4]趙澤謙，黃強，明波，等基于多模型隨機組合的水文集合預(yù)報方法研究[J].水力發(fā)電學(xué)報，2021，40(1)：7687.

　　作者：李靜，黃強，楊元園,，黃生志，劉登峰，孟二浩