引汉济渭工程调水区月径流预报模型研究

李 静，黄 强，杨元园,2，黄生志，刘登峰，孟二浩

(1.西安理工大学 西北旱区生态水利国家重点实验室，陕西 西安 710048；2.陕西省水资源与环境重点实验室，陕西 西安 710048)

径流具有高度复杂性、非平稳性、动态性和非线性的特点，它的现象和特征模式不容易被预报。近年来许多学者对高精度径流预报进行了研究[1-2]。传统的时间序列预测模型是在考虑一致性条件下进行的，而机器学习能更好地捕捉径流非平稳性和非一致性的特点。随着高精度预报模型及组合预报模型不断被提出[3-6]，评价模型或组合模型的预报结果非常重要。

目前，大多数研究学者对预报结果的评判往往选用单一评价指标。不同评价指标对模型结果分析存在差异，若仍用单一指标来评价预报精度，很有可能造成模型预报结果与实际相差较大而整体性精度较高。因此，构建综合评价指标系统对预报结果进行评价至关重要。

均方根误差(root mean squared error，RMSE)可用来评价预测值与真实值之间的偏差，被广泛用于模型计算结果评价[7-8]。平均绝对百分误差(mean absolute percentage error，MAPE)是一个常用于衡量预测准确性的统计指标，如时间序列的预测[9-10]。NASH效率系数(nash-sutcliffe efficiency coefficient，NSE)常用来评价模型质量[11-12]。因此，构建由以上三种评价指标组成的综合评价系统，可全面的评价一个模型预报结果的好坏。

自回归滑动平均模型(auto regressive moving average models，ARMA)、人工神经网络模型(artificial neural network models，ANN)、支持向量机(support vector machine models，SVM)常用于中长期径流预报[13-16]。研究高精度的径流预测模型可以有效指导水资源跨流域调度，提高“引汉济渭”工程的水资源利用率，关中地区的缺水情况可以得到有效的解决，促进可持续发展。……