摘要：針對各預報模型預報結果精度評價不統一現狀，考慮徑流具有非線性、突變及非平穩性等特點，本文構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(NSE)三項指標的綜合評價系統，對自回歸滑動平均模型(ARMA)、人工神經網絡模型(ANN)和支持向量機模型(SVM)在徑流汛期和非汛期內進行了預報精度評價。結果表明：單一評價指標下，RMA模型與VM模型預報結果精度相近，而綜合評價系統表明，VM模型預報精度優于RMA模型;三種模型在非汛期預報精度均高于汛期預報精度，VM預報效果均最好。將徑流進行分割后預報，預報精度可提高。本研究獲得了可靠性和精度較高的月徑流預報模型，可為工程水資源高效配置提供理論和技術支撐。

　　關鍵詞：徑流預報;支持向量機模型;綜合評價系統;引漢濟渭工程;汛期與非汛期

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

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

　　因此，構建由以上三種評價指標組成的綜合評價系統，可全面的評價一個模型預報結果的好壞。自回歸滑動平均模型(Autoegressiveovingverageodel，ARMA)、人工神經網絡模型(ArtificialNeuralNetworkodel，ANN)、支持向量機(SupportVectorMachineModels，SVM)常用于中長期徑流預報[1316]。研究高精度的徑流預測模型可以有效指導水資源跨流域調度，提高“引漢濟渭”工程的水資源利用率，關中地區的缺水情況可以得到有效的解決，促進可持續發展。預報方法在不斷完善，但當前研究主要基于各水文年長序列數據，將長序列拆分為短序列后再進行預報的研究不多;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，可將長序列數據系列進行汛期非汛期劃分，在劃分后的數據基礎上，再采用模型進行徑流預報。

　　本文以“引漢濟渭”工程調水區黃金峽斷面和三河口斷面的為研究對象進行月徑流預報研究，將徑流數據進行汛期和非汛期劃分，在此基礎上分別構建了基于Huber權重計算的ARMA模型、基于切型函數進行傳遞計算的ANN模型和基于徑向基函數為核函數和遺傳算法進行參數優選的SVM模型，并采用構建的綜合評價指標系統對預報結果進行評價，綜合選出預報效果最好的模型。可為“引漢濟渭”工程提供較為精準的預報模型，為水庫優化調度和合理配置水資源提供選擇。數據與方法.

　　1數據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外的研究中已存在很多種方法，例如模糊統計法、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，將突變的數據進行了整體均分，能更準確的確定整體序列的汛期非汛期，作為預報的數據輸入。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的多年月平均徑流量除以多年年平均徑流量，得到的結果為該系列每年12個標準化的月徑流不規則因子。

　　2結果與討論

　　2.1汛期月徑流預報結果

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

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

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

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

　　3結論和展望.

　　1結論

　　綜合評價指標系統可以更全面的評價一個模型的預報精度和整體預報結果的好壞。以黃金峽汛期預報結果評價為例，在RMSE作為評價指標時，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測效果，但是NN模型與ARMA模型的MSE相差不大。SVM模型的預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值的預測效果，SVM模型與ARMA模型的APE幾乎沒有大的差別。ANN模型的預測效果較差一點。在NSE作為評價指標時，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，綜合三個評價指標表明：SVM>ARMA>ANN。

　　本文提出的三個評價指標結果綜合表明黃金峽和三河口兩個斷面汛期和非汛期內構建的三個模型SVM的預報效果均最好，ARMA次之，ANN較差，基于結構風險最小化誘導原理SVM模型的預報效果較好。且非汛期預報精度高于汛期預報精度，模型在非汛期更好的捕捉徑流變化規律。.2展望雖然已經完成了調水區徑流預報模型的研究，但是由于數據不夠充足，文章還存在值得探討的地方：本文僅采用徑流數據作為輸入因子，更多的輸入因子能夠結合更多的因素，讓預報效果提高，因此，未來研究可引入降水和蒸發數據，以進一步提高模型預報精度。

　　參考文獻

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

　　[2]紀昌明，梁小青，張驗科，等.入庫徑流預報誤差隨機模型及其應用[J].水力發電學報，2019，38(10)：7585.JIChangming,LIANGXiaoqing,ZHANGYanke,etal.Stochasticmodelofreservoirrunoffforecasterrorsanditsapplication[J].JournalofHydroelectricngineering,2019,38(10):7585.

　　[3]孫鳳玲，李繼清，張驗科徑流預報誤差的混合tLocationScale分布模型及應用[J].水力發電，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報方法研究[J].水力發電學報，2021，40(1)：7687.

　　作者：李靜，黃強，楊元園,，黃生志，劉登峰，孟二浩