12、基于回归的机器学习方法在日径流模拟中的应用

基于回归的机器学习方法在日径流模拟中的应用

1. 引言

随着计算能力的不断提升，机器学习（ML）技术在水文模拟中的应用取得了显著进展。这些方法旨在通过无偏隐式方法发现构成关系，捕捉海量数据集中的意外模式。本研究将多种ML方法应用于美国北卡罗来纳州东北开普菲尔河流域（NC）的混合城乡排水系统的日降雨 - 径流模拟。

在复杂流域，如沿海平原流域，基于集总式和物理式模拟的建模工作已经有很多。但测量数据的快速增加促使了许多数据驱动方法或机器学习方法的发展，用于建模和预测降雨 - 径流动态。在基于过程的水文建模领域，时间序列ML算法最近被用于改善不同尺度和领域的短期和长期径流预测。

ML算法试图估计从输入变量 (x) 到数值或连续输出变量 (y) 的映射函数 (f)，并能学习隐藏在数据中的模式。不同的ML算法对函数的形状和结构有不同的假设，以及如何最好地优化表示来近似它。多项研究表明，ML模型可以学习复杂的非线性输入 - 输出关系，因此能够作为降雨 - 径流应用中其他先进技术的补充替代方法。

ML方法可分为三大类：
- 监督学习：将观测值或标记数据集映射到已知输出，并根据输入和输出值生成公式。
- 无监督学习：发现给定未标记数据集中的隐式关系/模式，并找到输入值之间的关联以对数据进行分组。
- 强化学习：对每个预测步骤或动作采用试错法，没有精确的标签或错误消息。

本研究旨在使用多种先进的基于回归的ML模型来预测美国北卡罗来纳州沿海平原流域的日径流。沿海平原建模具有很大挑战，因为这种模拟受到流域特征的异质性（低海拔、蒸散、宽阔的洪泛区等）以及由于广泛的冲积和非冲积森林湿地和河岸存储导致的土壤存储容量复杂性的影响。本研究使用