支持向量回归_基于支持向量回归的区域化流量历时曲线分析

本文主要是介绍支持向量回归_基于支持向量回归的区域化流量历时曲线分析，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

题目：

Regional Analysis of Flow Duration Curves through Support Vector Regression

作者：

Mehdi Vafakhah¹, Saeid Khosrobeigi¹

单位：

Watershed Management Engineering, Faculty of Natural Resources, Tarbiat Modares University, Noor 46417-76489, Iran

刊物/年份：
Water Resources Management / 2019

文案：史虹键

排版：史虹键

校核：丁光旭

基于支持向量回归的区域化流量历时曲线分析

研究背景

流量历时曲线(FDC)显示了特定时间段内日流量大小和频率之间的关系，被广泛应用于水资源管理。然而世界上大量的流域都缺少观测资料，这种情况导致需要使用区域化方法来估计未测量河流流域的FDC。人工智能方法作为资料较少流域FDC预测的有效技术被广泛应用，目前还没有研究使用SVR(支持向量回归)进行区域化FDC分析。因此，有必要对SVR在这一领域的能力进行评估。

研究目的

文章的研究主要有两个目的：

a .利用SVR(支持向量回归)、ANN(人工神经网络)和NLR(非线性回归)方法建立区域化FDC模型；

b .比较这些方法对于区域化FDC分析的性能。

研究方法

研究选取伊朗中部纳马克湖流域的33个站点，主要数据是从伊朗水资源管理公司获得的逐日流量数据，所选河流没有明显的人为干扰(图1)。

图1、研究地区

研究方法可以简单概括为如下4步：

(1)计算每个站点的年FDC；

(2)将每年的逐日流量升序排列，绘制每个有序观测值与其相应的超过概率的对比图；

(3)按照相对历时百分比将数据划分为5组，分别为Q2/Q10/Q20/Q50/Q90，例如90代表相对历时百分比为90%；

(4)建立SVR，ANN，NLR模型，比较对于区域化FDC分析的性能。

主要研究结果

表1 、NLR模型测试集和验证集的对比结果

表2、ANN模型测试集和验证集的对比结果

表3、SVR模型测试集和验证集的对比结果

如表1、2、3所示，在5组数据中，在R2值方面SVR模型相较于ANN和NLR具有更好的结果；另一方面，除Q20(NSE=0.54)之外，SVR模型的NSE值均在0.75 - 0.85之间，SVR总体质量高于ANN模型；NLR模型的NSE值明显低于SVR和ANN模型；SVR模型在所有分组中性能表现均较好，并且RBF(Radial Basis)核函数更能反映实际情况。