Page 142 - 水文预报与水资源优化管理技术
P. 142
第五章 实时洪水预报与校正
0 ≤ a*i，ai ≤ C（4）
求解上述对偶问题，得到最优解 α=（α1，α*1，…，αn，α*n）T，最优
解中非零向量 αi 或α*i 所对应的样本点（xi，yi）的输入 xi 即为支持向量，从
而构造非线性回归函数：
f（x）= ∑（αi-α*i）K〈xi，xj〉+b（5）
式中：K〈xi，xj〉为核函数，本节采用径向基核函数：
K〈xi，xj〉=exp（-‖x-xi‖2/σ2）（6）
误差惩罚参数 C 起到调节模型复杂度和训练误差的作用，取太小或太大，
将出现“欠学习”或“过学习”现象，使训练误差增大，泛化能力减弱；核参
数 σ 反映了训练样本数据的分布特性，确定了局部领域的宽度。因此，SVR 回
归问题的推广性能取决于误差惩罚参数 C 与核参数 σ。由于遗传算法（Genetic
algorithm，GA）在复杂优化问题中只需构造一个适应度函数，通过选择、杂交、
变异等遗传机制，完成对问题最优解的自适应搜索过程，且算法成熟，在水文中
应用广泛，故本次选择构建 GASVR 算法进行参数优选，既保证参数的准确性，
又保证计算的时效性，算法流程。
（二）预报因子挑选
本次所选的气象因子分为北太平洋海温场（SST）、500 hPa 高度场、74 项环
流指数三大类，前两类下载自 NCEP 再分析数据，第三类下载自中国气象数据
网。首先根据汉江流域的地理位置、水系分布等特征，选取 SST 的空间范围为
525° N-125° S，1175° E-775° W，分辨率为 5°×5°，500 hPa 高度场的空
间范围为 80° N-10° S，0° E-360° E，分辨率为 25°×25°及全范围 74 项环
流指数等作为初选预报因子，之后计算径流序列与前一年气象因子序列的相关系
数，利用相关系数显著性检验表剔除不显著相关的初选预报因子。由于中长期径
流预报的物理成因复杂，预报因子与预报对象的本构关系仍处于摸索阶段，故本
次假定三类气象因子的重要度相似，最终利用逐步回归从每类气象因子中各挑选
5 个作为最终预报因子。考虑到历史资料存在非一致性，本节只选取 1980 年以后
135
