-
题名基于可解释性机器学习算法的珠江河口区咸潮上溯预报
- 1
-
-
作者
祝雨珂
易晶晶
刘培霖
刘丙军
-
机构
中山大学土木工程学院
广东省水文局佛山水文分局
中山大学水资源与环境研究中心
-
出处
《水电能源科学》
北大核心
2025年第10期18-22,共5页
-
基金
国家重点研发计划(2024YFC3212000)
广东省水利科技创新项目(2023-01)
+1 种基金
广东省科技计划项目(2024B1212040001)
国家自然科学基金项目(51879289)。
-
文摘
为有效应对珠江河口区咸潮上溯日趋加重的问题,利用磨刀门水道逐时观测数据,基于梯度提升决策树(GBDT)、极端梯度提升(XGBoost)、轻量级梯度提升(Light GBM)、类别提升(Cat Boost)模型框架,结合可解释性的SHAP模型进行咸潮上溯逐时预报。结果表明,4种机器学习算法模型均具有较好的预报效果,其中Cat Boost模型表现最好,24 h预见期模型纳什效率系数为0.738 5;基于SHAP模型特征重要性排序进一步优选输入因子,可以提高模型精度,优化后的Cat Boost模型纳什效率系数、相关系数分别提升了0.30%、0.13%;对咸潮上溯预报不同特征进行SHAP分析可提高模型可解释性,分析发现盐度特征对咸潮上溯预报呈线性正相关影响,单一特征的SHAP分布图散点的分布越集中,特征重要性越大。
-
关键词
咸潮上溯预报
SHAP模型
机器学习
珠江河口
-
Keywords
saltwater intrusion prediction
SHAP model
machine learning
Pearl River Estuary
-
分类号
P33
[天文地球—水文科学]
TV124
[水利工程—水文学及水资源]
-
