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

徐兴帅; 刘莹; 周毓彦; 刘沛显; 李恩重; 朱少石

doi:10.20040/j.cnki.1000-7709.2025.20250259

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

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

更新时间：2026-02-25

- 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
- Vol. 43, Issue 12, Pages: 21-25(2025)
- 作者机构：
  
  1. 黑龙江大学水利电力学院
  2. 中国水利水电科学研究院流域水循环模拟与调控国家重点实验室
  3. 黑龙江省水投林海水库供水工程管理有限公司
- 作者简介：
- 基金信息：
- DOI：10.20040/j.cnki.1000-7709.2025.20250259
  CLC： P338
- Published：2025
- 稿件说明：
移动端阅览
徐兴帅, 刘莹, 周毓彦, et al. 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[J]. 2025, 43(12): 21-25.
DOI：

徐兴帅, 刘莹, 周毓彦, et al. 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[J]. 2025, 43(12): 21-25. DOI： 10.20040/j.cnki.1000-7709.2025.20250259.

摘要

应对水旱灾害极端水文事件时的快速预警往往依赖于精准的径流预报，而径流数据的非线性、非稳态特点给机器学习模型在寻求数据间的“输入-输出”关系时带来了挑战，序列分解数据预处理方法与机器学习模型的结合能够有效提取数据间的趋势性。以林海水库为例，针对7、15、30 d的预见期，分别构建支持向量机回归(SVR)和长短期记忆网络(LSTM)径流预测模型，进一步将CEEMDAN分解与两者分别组合，探究在不同时间尺度下机器学习模型在牡丹江中上游流域的预报效能和适用性。结果表明，在各个预见期下，LSTM的预报精度普遍优于SVR

且CEEMDAN分解能够不同程度地提升模型的预报精度，特别在汛期，能显著减少SVR与LSTM的预报误差。

Abstract

关键词

Keywords

references

王佳,王旭,王浩,雷晓辉,谭乔凤,徐意.基于EEMD与ANN混合方法的水库月径流预测[J].人民黄河,2019(05).

吴辰,郝振纯,王国庆,刘翠善.基于HBV模型的牡丹江流域的水文过程模拟研究[J].中国农村水利水电,2017(05).

朱春苗,吴海江,宋小燕,宋松柏.基于多因子组合的SVR模型在松花江流域径流预报中的应用[J].水电能源科学,2021(06).

张力,王红瑞,郭琲楠,徐源浩,李理,谢骏.基于时序分解与机器学习的非平稳径流序列集成模型与应用[J].水科学进展,2023(01).

袁旦,谭尧耕,朱艳霞,高超,刘珂,董宁澎.改进LSTM在金沙江流域中长期径流预报研究[J].水利水电技术(中英文),2024(S1).

胡乐怡,付晓雷,蒋晓蕾,章丽萍,章雨晨,钟奇.基于LSTM、RF、SVR三种机器学习方法的径流预测研究[J].水文,2024(05).

陈蒙恩,魏兴,周育琳,史瑞博,李伊能.三峡库区中长期水文预报研究进展[J].地下水,2024(02).

Views

103

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

融合DBO和Transformer变体模型的日径流预报模型研究

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

牛芳鹏

王新涛

卢震林

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