Vine Copula与贝叶斯模型平均结合的月径流预测及应用

• Published in: 农业工程学报 Vol. 38; no. 24; pp. 73 - 82
• Main Authors: 吴海江, 粟晓玲, 祁继霞, 张特, 朱兴宇, 武连洲
• Format: Journal Article
• Language: Chinese
• Published: 西北农林科技大学水利与建筑工程学院,杨凌 712100%西北农林科技大学水利与建筑工程学院,杨凌 712100 01.12.2022; 西北农林科技大学旱区农业水土工程教育部重点实验室,杨凌 712100
• Subjects: 贝叶斯模型平均; Vine Copula; 机器学习; 预测; 径流; 水资源; 黄河流域
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.2022.24.008

TV11%P338; 准确可靠且预见期较长的月径流预测对水资源配置、防汛抗旱以及生态环境保护等具有重要意义.径流变化与降水、气温、潜在蒸散发以及前期径流等存在密切联系.鉴于Vine Copula可以灵活地将多个随机变量的边缘分布函数通过Copula对的形式联结起来构造多维联合分布函数以及贝叶斯模型平均(Bayesian Model Averaging,BMA)在处理多模型集合预报方面的优势,该研究基于BMA集合多个Vine Copula模型提出了一种BVC径流预测模型(简称BVC模型),应用于黄河流域上游4个水文站(唐乃亥站、民和站、红旗站和折桥站)的月径流预测,采用确定性系数(R2)、纳什效率系数(Nash-Sutcliffe Efficiency coefficient,NSE)和均方根误差(Root Mean Squared Error,RMSE)评价模型的预测性能.结果表明,验证期内预见期为1～3个月时,BVC模型在各水文站的R2均大于等于0.83、NSE均大于等于0.78且RMSE均维持在较低水平;与随机森林(Random Forest,RF)模型和长短期记忆神经网络(Long Short-Term Memory Neural Network,LSTM)模型相比,BVC模型能够很好地预测各水文站月径流的变化过程,特别是月径流极值的变化.研究表明BVC模型在预见期为1～3个月时的月径流预测性能明显优于RF模型和LSTM模型.该研究构建的BVC模型为流域的水资源管理和风险评估等提供参考.