史劍偉 江時(shí)俊 劉啟興

（1.安慶市重點(diǎn)水利工程建設(shè)管理處 安慶 246000 2.黃河水利科學(xué)研究院 鄭州 450000）

1 引言

由于黃河特殊的自然、氣象等條件使得黃河的河性變得十分復(fù)雜，黃河也變得難以治理。黃河流域的降雨、徑流變化等過(guò)程是一個(gè)十分復(fù)雜的動(dòng)力學(xué)系統(tǒng)，難以用定量的方法來(lái)清晰地描繪出來(lái)。一般所用到的大氣運(yùn)動(dòng)方程、水土流失方程、河流動(dòng)力學(xué)方程和泥沙輸移運(yùn)動(dòng)方程等一系列方程用在黃河上都存在很多的問(wèn)題。同時(shí)，黃河也比較缺乏完整的氣象、地形、水沙等實(shí)測(cè)資料，因此，利用目前已經(jīng)擁有的比較少的實(shí)測(cè)資料來(lái)解決黃河復(fù)雜的問(wèn)題，是迫切且關(guān)鍵的。

基于人工智能和大數(shù)據(jù)驅(qū)動(dòng)的新一代水文模型已經(jīng)成功運(yùn)用到許多地區(qū)的洪水分析中，并都取得了較好的計(jì)算結(jié)果。針對(duì)降雨徑流過(guò)程的高隨機(jī)性和非靜態(tài)特性，人們開發(fā)了大量的模型來(lái)研究這一復(fù)雜的現(xiàn)象。近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)（ANN）等機(jī)器學(xué)習(xí)技術(shù)已被水文工作者廣泛應(yīng)用于降雨徑流模擬和其他水文領(lǐng)域。然而，像LSTM網(wǎng)絡(luò)這樣的深度學(xué)習(xí)方法在水文序列、時(shí)間序列預(yù)測(cè)方面的研究還很少。胡彩虹等通過(guò)對(duì)汾河（黃河的第二大支流）流域的14個(gè)降雨監(jiān)測(cè)水文站和1個(gè)流域水文站點(diǎn)監(jiān)測(cè)的1971—2013年發(fā)生的洪水事件進(jìn)行分析，采用ANN和LSTM網(wǎng)絡(luò)模型，對(duì)其降雨徑流過(guò)程進(jìn)行了模擬。模型的數(shù)據(jù)來(lái)自同一時(shí)期的98個(gè)降雨徑流事件，以86個(gè)降雨徑流事件為訓(xùn)練集，其余的12個(gè)降雨徑流事件為測(cè)試集。結(jié)果表明，采用的兩個(gè)網(wǎng)絡(luò)模型都適用于模擬降雨徑流過(guò)程，且都優(yōu)于基于概念和物理的模型。

本次研究以黃河流域的伊洛河流域?yàn)檠芯繀^(qū)域，進(jìn)行基于XGBoost算法設(shè)計(jì)和構(gòu)建的智能預(yù)測(cè)模型的研究分析，以流域2003年的洪水過(guò)程作為驗(yàn)證數(shù)據(jù)，并且與傳統(tǒng)的水文模型HBV 進(jìn)行效果比較分析。

2 區(qū)域概況

伊洛河流域位于黃河流域的中部。伊洛河由伊河、洛河兩條河流構(gòu)成，兩條河流流向近乎平行。其中伊河發(fā)源于河南省奕川縣，洛河發(fā)源于陜西省洛南縣，二者在堰師市棗莊交匯。

沁河是黃河三花間的第二大支流，它發(fā)源于山西省長(zhǎng)治市沁源縣太岳山南麓的二郎神溝，流經(jīng)山西、河南兩省的16個(gè)縣市，最后在武陟縣南賈村匯入到黃河之中。

3 研究方法

3.1 集成學(xué)習(xí)算法

目前，集成學(xué)習(xí)是機(jī)器學(xué)習(xí)中最熱門的研究領(lǐng)域之一，它的基本思路是結(jié)合很多個(gè)弱學(xué)習(xí)器，從而構(gòu)成一個(gè)強(qiáng)大的能夠準(zhǔn)確預(yù)測(cè)的模型。集成學(xué)習(xí)并不僅僅是簡(jiǎn)單的多個(gè)分類器的疊加，而是通過(guò)訓(xùn)練這個(gè)聚合的模型，實(shí)現(xiàn)弱學(xué)習(xí)器的最優(yōu)組合，它比使用單個(gè)模型預(yù)測(cè)出來(lái)的結(jié)果要精確的多。

極端梯度提升樹（XGBoost）是一個(gè)集成學(xué)習(xí)算法，它是大規(guī)模并行集成決策樹的工具，是目前最快最好的集成決策樹算法，它是由多個(gè)相關(guān)聯(lián)的決策樹聯(lián)合決策，即下一棵決策樹輸入樣本會(huì)與前面決策樹的訓(xùn)練和預(yù)測(cè)結(jié)果相關(guān)。模型訓(xùn)練開始時(shí)決策樹個(gè)數(shù)是0，隨著訓(xùn)練迭代加入決策樹，即加入決策函數(shù)。作為集成學(xué)習(xí)方法的一種，XGBoost預(yù)測(cè)模型可以表示為：

目標(biāo)函數(shù)可以表示為：

3.2 模型的驗(yàn)證指標(biāo)

為了客觀地反映徑流預(yù)測(cè)智能模型在黃河流域徑流過(guò)程預(yù)測(cè)中的準(zhǔn)確度，通過(guò)水文模型中常用的納什效率系數(shù)（Nash-Sutcliffe efficiency coefficient，簡(jiǎn)稱NSE）以及水量誤差（Relative Error，簡(jiǎn)稱RE）來(lái)評(píng)判算法性能的優(yōu)劣。

式中：Qobs是指觀測(cè)值；Qsim是指模擬值；i表示第t時(shí)刻的某個(gè)值；表示觀測(cè)值的總平均值。

NSE 取值范圍為負(fù)無(wú)窮至1。NSE越接近1，表示模型擬合結(jié)果越好，模型的可信度越高；NSE越接近0，表示模擬得出的結(jié)果越接近觀測(cè)值的平均值，即總體結(jié)果比較可信，但是模擬過(guò)程出現(xiàn)的誤差比較大；NSE 遠(yuǎn)遠(yuǎn)小于0，則模型是完全不可信的。RE表示誤差與觀測(cè)值的相對(duì)大小。

4 結(jié)果與分析

選取徑流過(guò)程較豐富的2003年的伊洛河、沁河洪水過(guò)程作為測(cè)試集，其余的數(shù)據(jù)作為訓(xùn)練集。

4.1 伊洛河流域黑石關(guān)站徑流預(yù)測(cè)結(jié)果

XGBoost模型在第52次訓(xùn)練迭代后趨于穩(wěn)定，損失函數(shù)值在0.09～0.10之間。將訓(xùn)練得到的模型應(yīng)用到測(cè)試集，在2003年，伊洛河黑石關(guān)站最大流量發(fā)生在9月3日，流量為2030m3/s。8～11月期間，流量還出現(xiàn)多次超過(guò)1000m3/s的情況，包括10月5日和9月2日，流量分別為1330m3/s和1730 m3/s，峰值預(yù)測(cè)對(duì)比結(jié)果見表1。

4.2 沁河流域武陟站預(yù)測(cè)結(jié)果

XGBoost模型訓(xùn)練結(jié)果在第43次訓(xùn)練迭代后趨于穩(wěn)定，損失函數(shù)值在0.95～0.96之間。將訓(xùn)練得到的模型應(yīng)用到測(cè)試集，在2003年，沁河武陟站的最大流量出現(xiàn)在10月12日，為839m3/s。除此之外，8—11月還出現(xiàn)多次較大的洪峰流量，包括8月28日出現(xiàn)的504 m3/s和10月15日出現(xiàn)的451m3/s。峰值預(yù)測(cè)結(jié)果見表2。

表2 沁河武陟站峰值模擬結(jié)果對(duì)比表

從伊洛河和沁河2003年洪水過(guò)程模擬結(jié)果可以看出，在非汛期時(shí)，基于集成學(xué)習(xí)的極端梯度提升樹（XGBoost）模型和傳統(tǒng)水文模型HBV模型都可以比較好地模擬徑流，特別是基流過(guò)程。兩個(gè)流域徑流預(yù)報(bào)結(jié)果基本反映洪水漲落過(guò)程，洪水的場(chǎng)次以及峰形符合較好，但傳統(tǒng)的水文模型HBV模型對(duì)兩個(gè)流域“尖瘦型”洪水的預(yù)報(bào)能力明顯不足。從NSE值、RE值及峰值相對(duì)誤差等結(jié)果綜合比較可以看出，基于XGBoost 建立的智能模型相比于傳統(tǒng)的水文模型HBV模型，可以更穩(wěn)定、更準(zhǔn)確地模擬洪水過(guò)程。

5 結(jié)論與展望

5.1 結(jié)論

本文對(duì)黃河徑流智能預(yù)測(cè)模型的原理、使用方法進(jìn)行了詳細(xì)闡明。其中基于集成學(xué)習(xí)的極端梯度提升樹（XGBoost）智能模型十分適合預(yù)測(cè)黃河徑流的變化，將基于XGBoost模型設(shè)計(jì)和構(gòu)建的智能預(yù)測(cè)模型應(yīng)用于黃河伊洛河、沁河流域進(jìn)行預(yù)報(bào)，并對(duì)預(yù)報(bào)結(jié)果進(jìn)行了分析研究。

兩個(gè)流域徑流預(yù)測(cè)結(jié)果都基本反映了洪水漲落過(guò)程，洪水時(shí)間及峰形符合較好，但沁河流域徑流預(yù)測(cè)結(jié)果稍優(yōu)于面積較大的伊洛河流域?；赬GBoost模型的智能預(yù)測(cè)模型對(duì)兩個(gè)流域洪水過(guò)程模擬相比傳統(tǒng)水文模型HBV模型更加穩(wěn)定和準(zhǔn)確。

5.2 展望

黃河徑流智能預(yù)測(cè)的內(nèi)容十分復(fù)雜，如何利用具有捕捉要素時(shí)序特征的長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）算法開展黃河徑流預(yù)測(cè)有待進(jìn)一步的深入研究。

洪水預(yù)報(bào)需要大量要素?cái)?shù)據(jù)支撐，主要包括：水文數(shù)據(jù)、氣象數(shù)據(jù)、衛(wèi)星遙感數(shù)據(jù)、社會(huì)經(jīng)濟(jì)數(shù)據(jù)以及水利模型模擬演算數(shù)據(jù)等。數(shù)據(jù)具有多模態(tài)、多要素耦合、非線性、多時(shí)空尺度、高度復(fù)雜的特點(diǎn)，目前基于人工智能算法黃河徑流預(yù)測(cè)模型的輸入仍以氣象強(qiáng)制條件為主，結(jié)合地形、土地利用等多類型多模態(tài)數(shù)據(jù)的人工智能算法的改進(jìn)是未來(lái)研究方向之一■