主题：
regionalanalysisofflowdurationcurvesthroughsupportvectorregression
作者：
Mehdi Vafakhah1，Saeid Khosrobeigi1
单位：
授权管理工程，功能of natural resources，Tarbiat Modares University，Noor 46417-76489，Iran
刊物/年份：
水资源管理/2019
副本：史虹键
排版：史虹键
检查：无限的翅膀
基于支持向量回归的区域化流量历时曲线分析
研究背景
流量时效曲线(FDC )显示了特定时段日流量大小与频率的关系，广泛用于水资源管理。 但是，世界许多流域缺乏观测资料，在这种情况下，需要使用区域化方法来推测未测量河流流域的FDC。 人工智能法作为资料稀少的流域FDC预测的有效技术得到广泛应用，目前尚未研究利用SVR (支持向量回归)进行区域化FDC分析。 因此，有必要评价SVR在该领域的能力。
研究目的
研究文章主要有两个目的：
a .利用SVR (支持向量回归)、psdjc (人工神经网络)、NLR (非线性回归)方法建立区域化FDC模型；
b .比较这些方法对区域化FDC分析的性能。
研究方法
研究选取伊朗中部纳马克湖流域33个站点，主要数据来自伊朗水资源管理公司的日流量数据，所选河流无明显人为干扰(图1 )。
图1，研究地区
研究方法可以简单地归纳为以下四个步骤。
(1)计算各网站的年调频
)2)按升序排列每年每日流量，绘制各有序观测值及其对应超标概率对比图。
(3)按照相对经过时间的比例将数据分为Q2/Q10/Q20/Q50/Q90五个组，例如90表示相对经过时间的比例为90%；
)4)建立SVR、psdjc、NLR模型，比较其对区域化FDC分析的性能。
主要研究结果
表1、NLR模型测试集与验证集的比较结果3358www.Sina.com/、psdjc模型测试集与验证集的比较结果
表2，SVR模型测试集与验证集的比较结果
如表1、2、3所示，在5组数据中，在R2值上SVR模型显示出比psdjc和NLR更好的结果； 而除q20(NSE=0.54 )外，SVR模型的NSE值均在0.75 - 0.85之间，SVR整体质量高于psdjc模型； NLR模型的NSE值明显低于SVR和psdjc模型； SVR模型在所有群体中性能都很好，RBF (径向基)核函数能更好地反映实际情况。
表3、NLR、psdjc和SVR在测试期内为8个水文站提供的区域化FDC
图2，图2中使用的8个水文站的编号和名称
如图2所示，NLR高估了6个水文站的FDC； psdjc高估了4个水文站的FDC； 另一方面，SVR只有两个水文站，剩下的六个相对重叠。
表4
)1) SVR模型在区域化FDC分析中具有优于psdjc和RNN的性能；
)2) SVR的RBF内核函数更能反映实际情况。
研究结论
3358 dx.doi.org/10.1029/2018 wr 024620
原文链接