← 返回列表
基于可解释性机器学习的流域径流预报方法
摘要文本
本发明公开了基于可解释性机器学习的流域径流预报方法，其步骤包括：收集研究流域内的历史水文气象数据，并进行数据质量检查和预处理；选取月水量平衡水文模型，确定机器学习模型预测的水文目标变量；基于选取月水量平衡水文模型的水文目标变量计算方程，构建水文中间状态变量、径流的通用函数关系式；将构建好的通用函数关系式与机器学习模型耦合，基于历史水文气象数据、采用贝叶斯优化方法对机器学习模型的超参数进行优化，最后基于训练好的机器学习模型开展流域径流预报。本发明结合了月水量平衡水文模型与机器学习模型，通过考虑水文中间状态变量构建了可解释性机器学习框架，在流域径流预报中可提高机器学习模型的可解释性和稳定性。
申请人信息
- 申请人:河海大学
- 申请人地址:210098 江苏省南京市鼓楼区西康路1号
- 发明人: 河海大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 基于可解释性机器学习的流域径流预报方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202410138988.1 |
| 申请日 | 2024/2/1 |
| 公告号 | CN117689042A |
| 公开日 | 2024/3/12 |
| IPC主分类号 | G06N20/00 |
| 权利人 | 河海大学 |
| 发明人 | 邓超; 孙培源; 尹鑫; 徐小婷; 张宇新; 王明明 |
| 地址 | 江苏省南京市鼓楼区河海大学西康路校区 |
专利主权项内容
1.基于可解释性机器学习的流域径流预报方法，其特征在于，其预报方法步骤包括：收集研究流域的历史水文气象数据，并进行数据质量检查和预处理；所述历史水文气象数据包括降水、实际蒸散发、潜在蒸散发、温度、土壤湿度、流域出口断面径流；选取月水量平衡水文模型，确定机器学习模型预测的水文目标变量，所述水文目标变量包括水文中间状态变量和径流/>；基于选取月水量平衡水文模型的水文目标变量计算方程，分别构建水文中间状态变量通用函数关系式以及径流的通用函数关系式/>；将构建好的通用函数关系式与机器学习模型耦合，基于历史水文气象数据、采用贝叶斯优化方法对可解释性机器学习模型的超参数进行优化，进而基于训练好的可解释性机器学习模型开展流域径流预报。 详见官网：www.macrodatas.cn