江賾偉，楊士紅,2,3，柳真楊，徐俊增,2，龐晴晴

?農(nóng)田排水?

基于機器學(xué)習(xí)的排澇閘站雨后水位預(yù)測

江賾偉1，楊士紅1,2,3*，柳真楊1，徐俊增1,2，龐晴晴4

（1.河海大學(xué) 農(nóng)業(yè)科學(xué)與工程學(xué)院，南京 210098；2.河海大學(xué) 水文水資源與水利工程科學(xué)國家重點試驗室，南京 210098；3.河海大學(xué) 水安全與水利科學(xué)合作創(chuàng)新中心，南京 210098；4.生態(tài)環(huán)境部 南京環(huán)境科學(xué)研究所，南京 210042）

【】精準預(yù)測排澇閘站雨后水位。在分析為期1 a的田間實測水位數(shù)據(jù)的基礎(chǔ)上，收集了四湖流域2個典型閘站（習(xí)家口站、田關(guān)站）為期10 a（2010—2020年）的歷史水情資料，利用2種機器學(xué)習(xí)算法（支持向量機回歸算法、回歸樹算法）對排澇閘站的雨后水位進行預(yù)測分析。支持向量機回歸算法和回歸樹算法均較好地預(yù)測了習(xí)家口站和田關(guān)站的雨后最高閘上水位，2基本大于0.80；2種機器學(xué)習(xí)算法在習(xí)家口站的表現(xiàn)均優(yōu)于田關(guān)站，核函數(shù)的選取對支持向量機回歸算法的預(yù)測結(jié)果有一定影響，線性核函數(shù)表現(xiàn)較為穩(wěn)定?；貧w樹算法的效果略優(yōu)于支持向量機回歸算法?；陂l上水位、降水量、降水時間、泵站排水流量預(yù)測雨后最高閘上水位是可行的。不同閘站應(yīng)分開進行訓(xùn)練，并尋找最優(yōu)的機器學(xué)習(xí)算法，未來有必要結(jié)合降水預(yù)報數(shù)據(jù)實現(xiàn)農(nóng)田澇災(zāi)情況的實時預(yù)報。

農(nóng)田；機器學(xué)習(xí)；閘上水位；澇災(zāi)；預(yù)測

0 引 言

【研究意義】氣候變化是當前人類面臨的最重要問題之一[1]。農(nóng)業(yè)對氣象災(zāi)害十分敏感和脆弱，會受到氣候變化的深遠影響[2]。中國是全球洪澇災(zāi)害最為頻繁和嚴重的國家之一[3]。近年來，隨著極端降水事件的增加，農(nóng)田澇災(zāi)頻繁發(fā)生，嚴重影響了中國的糧食安全和國計民生[4]。研究表明，降水量、降水歷時和泵站的排澇能力均會影響農(nóng)田受澇程度[5]。因此，有必要探尋農(nóng)田澇災(zāi)的準確預(yù)測方法，為農(nóng)田水利工程設(shè)施的調(diào)控提供參考?！狙芯窟M展】準確的閘前水位預(yù)測對農(nóng)田澇災(zāi)預(yù)警具有一定的參考意義[6]，但已有研究主要集中在水動力學(xué)模型和二元理論等方法。如王鵬等[7]利用環(huán)境流體動力學(xué)（EFDC）模型模擬了水利樞紐工程運行后對湖泊水位變化的影響。趙鳴雁等[8]基于一維水動力學(xué)模擬模型分析了不同關(guān)閘時間對雍水的影響，發(fā)現(xiàn)多閘門同步關(guān)閘時渠池雍水基本只受到上下游閘門的影響。王曉霞等[9]演算了感潮河段節(jié)制閘的閘上水位。然而，這些方法對使用者的要求較高，且運算極其復(fù)雜，模型的表現(xiàn)也有待進一步提高。【切入點】機器學(xué)習(xí)已被證明具有預(yù)報洪峰流量和凈流量的能力[10]，而目前尚未有雨后閘上水位預(yù)測的有效方法。因此，亟須探索利用機器學(xué)習(xí)實現(xiàn)雨后閘上水位預(yù)測的方法。

【擬解決的關(guān)鍵問題】本研究基于1 a的田間實測水位數(shù)據(jù)和10 a的歷史水情數(shù)據(jù)，在分析提取特征變量的基礎(chǔ)上，提出了基于機器學(xué)習(xí)的排澇閘站雨后水位預(yù)測方法，實現(xiàn)了雨后閘上水位的準確預(yù)測，旨在為暴雨后可能出現(xiàn)的閘站危險工況提出合理預(yù)警，進而降低農(nóng)田洪澇災(zāi)害風(fēng)險。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于湖北省荊州市沙市區(qū)，地處江漢平原四湖流域，東、南、西三面臨長江，北臨漢江及東荊河，西北接宜漳山區(qū)，內(nèi)有長湖、沙湖、白鷺湖和洪湖，屬于長江中下游易澇易漬區(qū)，總面積11 547.5 km2。試驗區(qū)屬亞熱帶季風(fēng)氣候，多年平均降水量1 200 mm，其中汛期降水量占總降水量約70%，多年平均蒸發(fā)量1 300 mm，年均氣壓101.63 kPa，年均日照時間2 000 h，年均氣溫16.3 ℃，年均無霜期260 d。

1.2 水情數(shù)據(jù)

于2019年在研究區(qū)內(nèi)典型田塊、溝道和泵站上下游安裝了水位計，分別使用HOBO雨量計（Onset公司，美國）和矩形量水堰對降水量和流量進行了實時監(jiān)測，收集到2019年7月19日—11月23日時段內(nèi)四湖流域典型田塊的降水量、農(nóng)田水位、排水溝水位和泵站閘上水位數(shù)據(jù)。根據(jù)實地調(diào)研，四湖流域的洪水宣泄主要有2條路徑，一是自田關(guān)河入田關(guān)站排入東荊河，二是通過習(xí)家口站入總干渠，故選取習(xí)家口站和田關(guān)站2個典型閘站進行研究。從荊州市四湖流域工程管理局和當?shù)厮木肢@取了過去10 a（2010—2020年）的歷史水情數(shù)據(jù)和近5 a的洪澇災(zāi)害災(zāi)情數(shù)據(jù)。

1.3 機器學(xué)習(xí)算法

選用支持向量機回歸算法和回歸樹算法模擬降水后的閘上水位，主要通過特征工程篩選出所需的輸入變量，并基于“試錯法”調(diào)整優(yōu)化模型的參數(shù)，利用Python進行算法的代碼編寫。

1.3.1 支持向量機回歸算法

支持向量機回歸算法（Support vector machine regression, SVR）是在支持向量機算法（SVM）的基礎(chǔ)上開發(fā)而來的一種機器學(xué)習(xí)方法，可以用于解決回歸問題[11]?；诤撕瘮?shù)的SVM可以將輸入數(shù)據(jù)轉(zhuǎn)化為高維空間并尋找最佳的分類超平面，通過在原始數(shù)據(jù)對應(yīng)的高維空間中解決問題以避免維數(shù)災(zāi)難[12]。SVM算法如下：

核函數(shù)的選取直接影響到預(yù)測的結(jié)果和精度[13]。本研究選用的核函數(shù)為高斯徑向基函數(shù)（RBF核，式（2））、線性核函數(shù)（Linear核，式（3））和多項式核函數(shù)（Poly核，式（4））3種，計算式為[14]：

式中：(x, x)為核函數(shù)，具體為訓(xùn)練集和測試集數(shù)據(jù)向量特征映射的內(nèi)積；x為訓(xùn)練集樣本向量；為測試集樣本向量；為高斯核（RBF核）半徑；為偏執(zhí)系數(shù)；為多項式的階。

1.3.2 回歸樹算法

回歸樹又稱決策樹回歸（Decision Tree Regression），是一種基于分類回歸樹（Classification and regression trees, CART）算法的機器學(xué)習(xí)算法，通過平方誤差最小化提取特征，進而產(chǎn)生二叉決策樹，然后自上向下遞歸進行屬性值比較。通過將輸入空間劃分成多個單元，求解每個單元的最優(yōu)輸出值，在葉節(jié)點得到結(jié)論[15]。主要公式如下[16]：

式中：()為回歸樹值；為輸入空間可以劃分成個區(qū)域；為輸入控件可以劃分的單元個數(shù)；R為單元數(shù)據(jù)集；C為每個單元固定輸出值，以計算輸出值和實際值誤差使之最?。粸槌?shù)。

1.4 預(yù)報流程

基于典型閘站（習(xí)家口、田關(guān)）歷史水情數(shù)據(jù)，開展特征工程提取特征變量，然后利用2種機器學(xué)習(xí)算法（支持向量機回歸算法和回歸樹算法），對雨后最高閘上水位進行了預(yù)測分析。特征工程是指在分析水位數(shù)據(jù)的基礎(chǔ)上，提取了閘上水位數(shù)據(jù)、次降水數(shù)據(jù)和閘站數(shù)據(jù)，其中閘上水位數(shù)據(jù)包括降雨前閘上水位和降雨后閘上水位，次降水數(shù)據(jù)包括次降水量、降水天數(shù)，閘站數(shù)據(jù)包括泵站排水流量和排水時間。機器學(xué)習(xí)建模過程中將數(shù)據(jù)集按70%∶30%的比例隨機劃分成了訓(xùn)練集（7 a）和測試集（3 a）。支持向量機回歸和回歸樹的參數(shù)經(jīng)過“試錯法”進行優(yōu)化，最終選用參數(shù)為：SVR的核函數(shù)kernel選擇高斯核“RBF”、線性核“Linear”和多項式核“Poly”3種進行比較，參數(shù)選為100；回歸樹的參數(shù)選定為6。

1.5 模型效果評估

參考以往文獻，選用平均絕對誤差，相對均方根誤差n和決定系數(shù)2進行模型效果評估[17]。

2 結(jié)果與分析

2.1 四湖地區(qū)歷史澇災(zāi)分析

研究區(qū)近5 a澇災(zāi)事件概況見表1。2016年四湖流域出現(xiàn)4次澇災(zāi)事件，累積運行臺時數(shù)和排水量分別達到77 788臺時和54.10億m3。自2017年以來，隨著預(yù)排、搶排等措施的實施，典型澇災(zāi)事件呈下降趨勢。

表1 研究區(qū)近5 a澇災(zāi)事件概況

注a2015年和2016年的累積運行臺時數(shù)為全年，其余為汛期。

2.2 回歸樹算法預(yù)測結(jié)果

回歸樹算法預(yù)測結(jié)果見圖1。由圖1可知，2個典型閘站的訓(xùn)練結(jié)果和預(yù)測結(jié)果均表現(xiàn)較好，預(yù)測值的數(shù)據(jù)點較好地分布在實測值附近。根據(jù)回歸樹模型的結(jié)果評估（表2），模型總體表現(xiàn)較好，2的分布范圍為0.826～0.983，和的分布范圍分別為0.054～0.264和0.007～0.147?；貧w樹算法在2個閘站的表現(xiàn)存在差異；習(xí)家口站的模型表現(xiàn)優(yōu)于田關(guān)站，習(xí)家口站訓(xùn)練期與預(yù)測期的平均2（0.927）高于田關(guān)站（0.887），而平均n和平均n低于田關(guān)站。這可能是因為田關(guān)站歷史數(shù)據(jù)中存在一些輸入不同但結(jié)果相同的情況，即輸入不同的降水前閘上水位、降水量、降水天數(shù)和排澇流量，但降水后閘上水位相同。因此，后續(xù)研究可以考慮增加算法的輸入維數(shù)，進一步提高模擬預(yù)測精度。

表2 回歸樹模型的預(yù)測效果評估

圖1 基于回歸樹算法預(yù)測習(xí)家口和田關(guān)站雨后閘上水位結(jié)果

2.3 支持向量機回歸算法（SVR）預(yù)測結(jié)果

由圖2可知，SVR算法預(yù)測閘站雨后最高水位是可行的，預(yù)測值的數(shù)據(jù)點均落在實測值附近。3種核函數(shù)的預(yù)測效果均達到了較優(yōu)水平，n和n的值均分布在0.355和0.336以下。除多項式（Poly）核外，2基本在0.80以上（表3）。與回歸樹算法預(yù)測結(jié)果類似的是，習(xí)家口站的2均高于田關(guān)站。值得注意的是，核函數(shù)的選取影響了預(yù)測結(jié)果。習(xí)家口站的線性核（Linear）SVR算法的預(yù)測2最高（0.866～0.939），高斯核（RBF）SVR算法的2次之（0.857～0.938），多項式核（Poly）SVR算法的2最低（0.843～0.938）。田關(guān)站高斯核（RBF）SVR算法的2最高（0.854～0.857），線性核（Linear）SVR算法的2次之（0.802～0.858），多項式核（Poly）SVR算法最差（0.705～0.760）。不同閘站的最優(yōu)訓(xùn)練模型并不一致，實現(xiàn)閘上水位的準確預(yù)測有必要因地制宜選取最佳的核函數(shù)。SVR算法的模擬效果相比回歸樹算法略差一些，回歸樹算法更適合于模擬雨后閘上水位。

表3 基于支持向量機回歸（SVR）的核機器學(xué)習(xí)結(jié)果評估

圖2 基于支持向量機回歸模型（SVR）的習(xí)家口和田關(guān)站預(yù)測結(jié)果

3 討 論

鑒于閘上水位預(yù)測是易澇區(qū)農(nóng)田澇災(zāi)預(yù)報的前提，本文首次嘗試將2種機器學(xué)習(xí)算法（支持向量機回歸算法和回歸樹算法）引入閘前水位預(yù)測當中。結(jié)果表明，基于雨前閘上水位、降水量、降水時間和泵站排水流量預(yù)測四湖流域雨后最高閘上水位是可行的，預(yù)測結(jié)果的2基本均在0.80以上，這為后續(xù)預(yù)測農(nóng)田澇災(zāi)的經(jīng)濟損失提供了一定基礎(chǔ)。周煥等[18]基于閘上水位和混合回歸模型成功預(yù)報了平原河網(wǎng)的洪水水位，這也佐證了閘上水位預(yù)測在洪水預(yù)報中的重要性。就SVR算法而言，核函數(shù)的選取影響了模型模擬精度，與前人的研究結(jié)論一致[19]，表明在閘前水位預(yù)測中有必要因地制宜，篩選最適合當?shù)貙嶋H的核函數(shù)。同時，2個典型閘站的機器學(xué)習(xí)訓(xùn)練結(jié)果存在差異，預(yù)示著在區(qū)域尺度上進行閘前水位預(yù)測乃至農(nóng)田澇災(zāi)預(yù)警之前，需要針對各主要閘站分別進行訓(xùn)練。然而，采用機器學(xué)習(xí)算法進行澇災(zāi)預(yù)警仍存在一定的不確定性。本文初步證明了SVR算法和回歸樹算法在預(yù)測雨后閘上水位方面的能力，回歸樹算法的預(yù)測效果略好于SVR算法，但仍有部分模擬結(jié)果欠佳的數(shù)據(jù)點。已有研究發(fā)現(xiàn)，深度學(xué)習(xí)模型可能具有比機器學(xué)習(xí)更好的預(yù)測性能[20]，而多模型融合的集成學(xué)習(xí)算法比如疊加、混合等也能夠提高模型的預(yù)測效果[21]。因此，后續(xù)研究建議結(jié)合深度學(xué)習(xí)算法或?qū)⒍喾N機器學(xué)習(xí)模型進行集成，以進一步提高閘上水位的預(yù)測精度。此外，盡管機器學(xué)習(xí)算法的預(yù)測效果較好，但模型的可解釋性還有待提高[22]。本文僅有1 a的田間實測水位數(shù)據(jù)，后續(xù)有待積累更多的田間數(shù)據(jù)，并構(gòu)建排澇閘站的閘上水位與農(nóng)田水位的關(guān)系，以實現(xiàn)對農(nóng)田澇災(zāi)的預(yù)警。另外，洪澇災(zāi)害的風(fēng)險是危險性、暴露性、脆弱性及防災(zāi)減災(zāi)能力綜合作用的結(jié)果[23]，本文提出的雨后最高閘上水位的預(yù)報方法，后續(xù)可以結(jié)合天氣預(yù)報，引入未來可能出現(xiàn)的降水量，以實現(xiàn)對閘站最不利工況的實時預(yù)報預(yù)警。

4 結(jié) 論

1）機器學(xué)習(xí)方法可以較好地用于農(nóng)田澇災(zāi)預(yù)報。使用閘上水位、降水量、降水時間、泵站排水流量為特征變量預(yù)報雨后最高閘上水位是可行的。

2）支持向量機回歸算法和回歸樹算法的預(yù)測效果較好，2基本達到了0.80以上。2種機器學(xué)習(xí)模型在習(xí)家口站的表現(xiàn)均好于田關(guān)站，測試集效果要好于訓(xùn)練集。

3）核函數(shù)的選取會影響支持向量機回歸算法的預(yù)測效果，線性核函數(shù)的綜合表現(xiàn)較為穩(wěn)定。

[1] 萬紅蓮, 宋海龍, 朱嬋嬋, 等. 明清時期寶雞地區(qū)旱澇災(zāi)害鏈及其對氣候變化的響應(yīng)[J]. 地理學(xué)報, 2017, 72(1): 27-38.

WAN Honglian, SONG Hailong, ZHU Chanchan, et al. Drought and flood disaster chain and its response to climate change in Baoji region during the Ming and Qing dynasties[J]. Acta Geographica Sinica, 2017, 72(1): 27-38.

[2] 王衛(wèi)光, 丁一民, 徐俊增, 等. 多模式集合模擬未來氣候變化對水稻需水量及水分利用效率的影響[J]. 水利學(xué)報, 2016(6): 715-723.

WANG Weiguang, DING Yimin, XU Junzeng, et al. Simulation of future climate change effects on rice water requirement and water use efficiency through multi-model ensemble[J]. Journal of Hydraulic Engineering, 2016(6): 715-723.

[3] 王少麗, 許迪, 陳皓銳, 等. 農(nóng)田除澇排水技術(shù)研究綜述[J]. 排灌機械工程學(xué)報, 2014, 32(4): 343-349.

WANG Shaoli, XU Di, CHEN Haorui, et al. Review on research of farmland drainage technology[J]. Journal of Drainage and Irrigation Machinery Engineering, 2014, 32(4): 343-349.

[4] 陳前江, 延軍平. 1970年以來湖北省氣候變化與旱澇災(zāi)害響應(yīng)分析[J]. 江漢大學(xué)學(xué)報(自然科學(xué)版), 2015, 43(4): 308-316.

CHEN Qianjiang, YAN Junping. Analysis on climatic change and responses to drought-flood disasters in Hubei from 1970[J]. Journal of Jianghan University (Natural Science Edition), 2015, 43(4): 308-316.

[5] 袁長旭. 德州市澇災(zāi)分析及減災(zāi)對策初探[J]. 黑龍江水利科技, 2015, 43(9): 129-130.

YUAN Zhangxu. Analysis of waterlogging disaster in Dezhou city and its countermeasures[J]. Heilongjiang Science and Technology of Water Conservancy, 2015, 43(9): 129-130.

[6] 陳皓銳, 王少麗, 韓松俊, 等. 里下河平原湖區(qū)農(nóng)田澇災(zāi)風(fēng)險評估：以高郵市運東地區(qū)為例[J]. 排灌機械工程學(xué)報, 2017, 35(10): 887-896.

CHEN Haorui, WANG Shaoli, HAN Songjun, et al. Assessment of field waterlogging risk in Lixiahe Plain Lake Region, Jiangsu Province: case study from Yundong Plain in Gaoyou[J]. Journal of Drainage and Irrigation Machinery Engineering, 2017, 35(10): 887-896.

[7] 王鵬, 賴格英, 黃小蘭. 鄱陽湖水利樞紐工程對湖泊水位變化影響的模擬[J]. 湖泊科學(xué), 2014, 26(1): 29-36.

WANG Peng, LAI Geying, HUANG Xiaolan. Simulation of the impact of Lake Poyang Project on the dynamic of lake water level[J].Journal of Lake Sciences, 2014, 26(1): 29-36.

[8] 趙鳴雁, 孔令仲, 鄭艷俠, 等. 串聯(lián)渠池閘門同步關(guān)閉情況下關(guān)閘時間對閘前水位雍高影響[J]. 南水北調(diào)與水利科技, 2018, 16(6): 157-163.

ZHAO Mingyan, KONG Lingzhong, ZHENG Yanxia, et al.Analysis of the influence of gate closure time on the height of the water level before the control gate in a multi-channel system[J]. South-to-North Water Transfers and Water Science & Technology, 2018, 16(6): 157-163.

[9] 王曉霞, 張仁東. 感潮河段節(jié)制閘閘上水位推求方法探討[J]. 水利規(guī)劃與設(shè)計, 2013(10): 32-35.

WANG Xiaoxia, ZHANG Rendong. Discussion on the calculation method of water level above sluice in tidal reach[J]. Water Resources Planning and Design, 2013(10): 32-35.

[10] 闞光遠, 洪陽, 梁珂. 基于耦合機器學(xué)習(xí)模型的洪水預(yù)報研究[J]. 中國農(nóng)村水利水電, 2018(10): 165-169.

KAN Guangyuan, HONG Yang, LIANG Ke. Research on the flood forecasting based on coupled machine learning model[J]. China Rural Water and Hydropower, 2018(10): 165-169.

[11] CHEN Han, HUANG Jinhui Jeanne, MCBEAN Edward. Partitioning of daily evapotranspiration using a modified shuttleworth-wallace model, random Forest and support vector regression, for a cabbage farmland[J]. Agricultural Water Management, 2020, 228: 105 923.

[12] 盧敏, 蔣浩, 楊岱根. 支持向量機在農(nóng)業(yè)水土領(lǐng)域的應(yīng)用與研究進展[J]. 安徽農(nóng)業(yè)科學(xué), 2012, 40(29): 14 163-14 164.

LU Min, JIANG Hao, YANG Daigen. Application and research advances of SVM in field of hydrology and water resource[J]. Journal of Anhui Agricultural Sciences, 2012, 40(29): 14 163-14 164.

[13] 梁棟, 管青松, 黃文江, 等. 基于支持向量機回歸的冬小麥葉面積指數(shù)遙感反演[J]. 農(nóng)業(yè)工程學(xué)報, 2013, 29(7): 117-123.

LIANG Dong, GUAN Qingsong, HUANG Wenjiang, et al. Remote sensing inversion of leaf area index based on support vector machine regression in winter wheat[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(7): 117-123.

[14] 王霞, 王占岐, 金貴, 等. 基于核函數(shù)支持向量回歸機的耕地面積預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報, 2014, 30(4): 204-211.

WANG Xia, WANG Zhanqi, JIN Gui, et al. Land reserve prediction using different kernel based support vector regression[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(4): 204-211.

[15] 黃新波, 李文君子, 宋桐, 等. 采用遺傳算法優(yōu)化裝袋分類回歸樹組合算法的變壓器故障診斷[J]. 高電壓技術(shù), 2016,42(5): 1 617-1 623.

HUANG Xinbo, LI Wenjunzi, SONG Tong, et al. Application of Bagging-CART algorithm optimized by genetic algorithm in transformer fault diagnosis[J]. High Voltage Engineering, 2016, 42(5): 1 617-1 623.

[16] 申媛媛, 鄔錦雯, 劉鑫東. 基于CART決策樹回歸的鄉(xiāng)村信息化水平測度模型研究[J]. 科技管理研究, 2020, 40(14): 91-98.

SHEN Yuanyuan, WU Jinwen, LIU Xindong. Rural informatization measurement model based on CART regression[J]. Science and Technology Management Research, 2020, 40(14): 91-98.

[17] 劉楊, 馮海寬, 黃玨, 等. 基于無人機高光譜影像的馬鈴薯株高和地上生物量估算[J]. 農(nóng)業(yè)機械學(xué)報, 2021, 52(2): 188-198.

LIU Yang, FENG Haikuan, HUANG Jue, et al. Estimation of potato plant height and above-ground biomass based on UAV hyperspectral images[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(2): 188-198.

[18] 周煥, 閃麗潔, 揭夢璇, 等. 基于混合回歸模型的沿海平原河網(wǎng)洪水位預(yù)報研究[J].中國水利水電科學(xué)研究院學(xué)報, 2021, 19: 1-9.

ZHOU Huan, SHAN Lijie, JIE Mengxuan, et al. Research on flood level forecasting in coastal plain river network based on mixture regressive model[J]. Journal of China Institute of Water Resources and Hydropower Research, 2021, 19: 1-9.

[19] 許沖, 徐錫偉. 基于不同核函數(shù)的2010年玉樹地震滑坡空間預(yù)測模型研究[J]. 地球物理學(xué)報, 2012, 55(9): 2 994-3 005.

XU Chong, XU Xiwei. The 2010 Yushu earthquake-triggered landslides spatial prediction models based on several kernel function types[J]. Chinese Journal of Geophysics, 2012, 55(9): 2 994-3 005.

[20] 史佳琪, 張建華. 基于多模型融合Stacking集成學(xué)習(xí)方式的負荷預(yù)測方法[J]. 中國電機工程學(xué)報, 2019, 39(14): 4 032-4 042.

SHI Jiaqi, ZHANG Jianhua. Load forecasting based on multi-model by Stacking ensemble learning[J]. Proceedings of the CSEE, 2019, 39(14): 4 032-4 042.

[21] 謝澤奇, 張會敏. 基于深度學(xué)習(xí)算法的農(nóng)作物災(zāi)害預(yù)測研究[J]. 現(xiàn)代電子技術(shù), 2021, 44(4): 107-110.

XIE Zeqi. ZHANG Huimin. Research on crop disease prediction based on deep learning algorithm[J]. Modern Electronics Technique, 2021, 44(4): 107-110.

[22] 張長水. 機器學(xué)習(xí)面臨的挑戰(zhàn)[J]. 中國科學(xué):信息科學(xué), 2013, 43(12): 1 612-1 623.

ZHANG Zhangshui. Challenges in machine learning[J]. Scientia Sinica (Informationis), 2013, 43(12): 1 612-1 623.

[23] 郭恩亮. 多模型耦合下的玉米澇災(zāi)風(fēng)險動態(tài)評價研究[D]. 長春：東北師范大學(xué), 2017.

GUO Enliang. Study on dynamic assessment of waterlogging disaster risk for maize based on Multi-models coupling[D]. Changchun: Northeast Normal University, 2017.

Using Machine Learning to Predict Water level in the Drainage Sluice Stations Following Rainfalls

JIANG Zewei1, YANG Shihong1,2,3*, LIU Zhenyang1, XU Junzeng1,2, PANG Qingqing4

(1. College of Agricultural Science and Engineering, Hohai University, Nanjing 210098, China; 2. State Key Laboratory of Hydrology-Water Resources and Hydraulic Engineering, Hohai University, Nanjing 210098, China; 3.Cooperative Innovation Center for Water Safety & Hydro Science, Hohai University, Nanjing 210098, China; 4. Nanjing Institute of Environmental Sciences, Ministry of Ecology and Environment, Nanjing 210042, China)

【】The aim of this paper is to propose a new method to improve the accuracy of the prediction of water level at drainage sluice stations after rainfalls.【】The analysis was based on field-measured water level data spanning over one year. We collected hydrological data measured from 2010—2020 from two sluice stations at Xijiakou andTianguan, respectively, in the Sihu Basin, and used two machine learning methods -support vector machine regression (SVR) and regression tree - to predict the most unfavorable conditions of the sluice stations after rainfalls. 【】Both SVR and the regression tree model are able to predict the maximum sluice water level after rainfalls in the two stations with2>0.80. On average, the two models worked better for the Xijiakou station than for the Tianguan station. The selection of the kernel function has a consequence for the SVR model, with the linear kernel function working better. The regression tree model was slightly better than the SVR model.【】The maximum sluice water level following rainfalls can be predicted reasonably well using the characteristic variables of the sluice water level, rainfall intensity, rainfall duration, and drainage flow of the pumping station. It is necessary to train the machine learning methods for different sluice stations to find the most accurate one.

farmland; machine learning; water level before the gate; waterlogging disaster; prediction

S276

A

10.13522/j.cnki.ggps.2021600

1672 - 3317（2022）04 - 0135 - 06

江賾偉, 楊士紅, 柳真揚, 等. 基于機器學(xué)習(xí)的排澇閘站雨后水位預(yù)測[J]. 灌溉排水學(xué)報, 2022, 41(4): 135-140.

JIANG Zewei, YANG Shihong, LIU Zhenyang, et al. Using Machine Learning to Predict Water Level in the Drainage Sluice Stations Following Rainfalls[J]. Journal of Irrigation and Drainage, 2022, 41(4): 135-140.

2021-12-03

國家重點研發(fā)計劃項目（2018YFC1508303）；國家自然科學(xué)基金項目（51879076，51579070）；江蘇省水利科技項目（2018065）；江西省水利科技項目（201921ZDKT06）

江賾偉（1997-），男。博士研究生，主要從事節(jié)水灌溉與農(nóng)田生態(tài)效應(yīng)研究。E-mail: zwaq@hhu.edu.cn

楊士紅（1983-），男。教授，博士生導(dǎo)師，主要從事節(jié)水灌溉與農(nóng)田生態(tài)效應(yīng)研究。E-mail: ysh7731@hhu.edu.cn

責任編輯：韓 洋