基于机器学习模型的河道水位预测方法及其应用

陈国灿; 卢建强; 邱超; 赵兰兰; 孙逸群; 宋波; 徐丹丹; 石朋

doi:10.20040/j.cnki.1000-7709.2025.20242089

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

基于机器学习模型的河道水位预测方法及其应用

更新时间：2026-02-25

- 基于机器学习模型的河道水位预测方法及其应用
- Vol. 43, Issue 6, Pages: 15-18(2025)
- 作者机构：
  
  1. 绍兴市上虞区水文站
  2. 绍兴市上虞区上浦闸运行管理中心
  3. 浙江省水文管理中心
  4. 水利部信息中心
  5. 河海大学水文水资源学院
- 作者简介：
- 基金信息：
- DOI：10.20040/j.cnki.1000-7709.2025.20242089
  CLC： TP181;P338
- Published：2025
- 稿件说明：
移动端阅览
陈国灿, 卢建强, 邱超, et al. 基于机器学习模型的河道水位预测方法及其应用[J]. 2025, 43(6): 15-18.
DOI：

陈国灿, 卢建强, 邱超, et al. 基于机器学习模型的河道水位预测方法及其应用[J]. 2025, 43(6): 15-18. DOI： 10.20040/j.cnki.1000-7709.2025.20242089.

摘要

鉴于准确的洪水预报结果对于降低洪涝灾害影响具有重要作用，以钱塘江下游曹娥江流域为例，构建了基于长短时记忆网络（LSTM）和梯度提升决策树（GBDT）的水位预测方法，利用23场实测降雨径流洪水数据进行方法训练及验证，并在此基础上分析了训练洪水场次对方法效果的影响。结果表明，构建的2种水位预测方法均具有较高的预测精度，当分别使用80%、20%数据进行训练和测试时（18场洪水训练，5场洪水测试）

LSTM模型和GBDT模型在测试期和训练期的Nash-Sutcliffe系数(N

NSE

)均超过0.9

LSTM模型总体表现更好；用于训练模型的洪水场次显著影响实际水位预测效果，2种方法的预测效果均随着训练数据量的增加而增加，其中GBDT模型的测试期表现更好，可见GBDT更适用于数据有限的实际河道水位预测作业。

Abstract

关键词

Keywords

references

胡义明,陈钰,周瑛,李彬权,陈丞,许栋,梁忠民.基于水文水动力模型和机器学习模型耦合的河道水位预报方法[J].水电能源科学,2024(10).

张艺佳,吴剑,彭勇,丁勇,郭家园.基于长短时记忆网络的顶托影响下干支流洪水模拟研究[J].水电能源科学,2024(10).

魏苗,胡新源,周聂,陈娜,易瑞吉,马仲坤,陈华.基于机器学习算法的含沙量短临预报模型研究[J].中国农村水利水电,2024(09).

林天宙,彭杨,罗诗琦,张志鸿.基于RF-LSTM模型的长江上游汛期日含沙量预测[J].中国农村水利水电,2024(10).

李蕾.基于EEMD-Xgboost组合模型的渭北流域月径流序列模拟研究[J].水电能源科学,2022(05).

牛欣怡,鲁程鹏,卢佳赟,吴成城,刘波,束龙仓.机器学习模型在地下水埋深模拟中的适应性分析[J].河海大学学报(自然科学版),2022(04).

王浩,王建华.现代水文学发展趋势及其基本方法的思考[J].中国科技论文在线,2007(09).

金桂中.曹娥江感潮河段洪水特征及防洪对策[J].浙江水利科技,2002(03).

Views

656

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于多源气象资料与机器学习的降水数据质量控制方法研究

CEEMDAN分解与机器学习耦合模型在林海水库入库径流预报中的多尺度适用性分析

大型水轮发电机定子绕组温度智能预测方法

基于Stacking集成框架的预报降水统计后处理研究

基于可解释性机器学习算法的珠江河口区咸潮上溯预报

Related Author

李施颖

黄晓龙

罗岚心

吴薇

吕纯月

徐兴帅

刘莹

周毓彦

Related Institution

国家气象信息中心

温江国家气候观象台

川西南(雅安)暴雨实验室

高原与盆地暴雨旱涝灾害四川省重点实验室

四川省气象探测数据中心

AI问答

⁰