版权说明 操作指南
首页 > 成果 > 详情

基于随机森林遥相关因子选择的月径流预报

认领
导出
Link by 中国知网学术期刊 Link by 万方学术期刊
反馈
分享
QQ微信 微博
成果类型:
期刊论文
作者:
熊怡;周建中;贾本军;胡国华
通讯作者:
Zhou, J.
作者机构:
[熊怡] 华中科技大学 土木与水利工程学院,武汉 430074
[熊怡] 长沙理工大学 水利工程学院,长沙 410114
[胡国华] 长沙理工大学
[周建中; 贾本军] 华中科技大学
通讯机构:
School of Civil and Hydraulic Engineering, Huazhong University of Science and Technology, Wuhan, China
语种:
中文
关键词:
月径流预报;随机森林;贝叶斯优化;遥相关;金沙江
关键词(英文):
Bayesian optimization;Jinsha River;Monthly runoff prediction;Random forest;Teleconnection
期刊:
水力发电学报
ISSN:
1003-1243
年:
2022
卷:
41
期:
3
页码:
32-45
基金类别:
国家自然科学基金雅砻江联合基金项目(U1865202); 国家自然科学基金重大研究计划重点支持项目(91547208);
机构署名:
本校为其他机构
院系归属:
水利工程学院
摘要:
流域径流过程与大尺度气候因子之间存在遥相关关系,如何从众多的水文、气象、大气环流及洋流等因子中找出与径流密切关联的因子,是中长期径流预报的一个难题。将基于贝叶斯优化(SMAC框架)的随机森林模型应用于对水文、气象、气候因子构成的高维度因子集进行因子选择,根据变量重要性评分挑选对月径流影响较大的预报因子,构建广义回归神经网络、极限学习机、支持向量回归径流预报模型。将该方法应用到金沙江流域,相较于线性相关法,基于随机森林输入因子选择的方法提高了模型泛化性能;遥相关因子的引入既实现了流域月径流高精度预报,又从物理机制上提供了支撑。
摘要(英文):
A teleconnection relationship exists between watershed runoff and large-scale climate indexes. For medium- and long-term runoff prediction, a major difficulty is how to pick out those that are strongly correlated with runoff from various factors such as hydrology, meteorology, atmospheric circulation, and ocean current. This study applies a random forest model based on Bayesian optimization (sequential model-based optimization for general algorithm configuration) to selecting runoff predictors from the set of high-dimensional hydrometeorologica...

反馈

验证码:
看不清楚,换一个
确定
取消

成果认领

标题:
用户 作者 通讯作者
请选择
请选择
确定
取消

提示

该栏目需要登录且有访问权限才可以访问

如果您有访问权限,请直接 登录访问

如果您没有访问权限,请联系管理员申请开通

管理员联系邮箱:yun@hnwdkj.com