關(guān)鍵詞：洪水預(yù)測；ＬｉｇｈｔＧＢＭ 模型；ＣＥＥＭＤＡＮ 算法；ＣＥＥＭＤＡＮ－ＬｉｇｈｔＧＢＭ 模型；ＬＳＴＭ 模型；利津水文站；花園口水文站

中圖分類號：Ｐ３３３；ＴＰ１８３；ＴＶ８８２．１ 文獻(xiàn)標(biāo)志碼：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２４．０９．０１４

引用格式：王軍，張宇航，崔云燁，等．基于ＣＥＥＭＤＡＮ－ＬｉｇｈｔＧＢＭ 模型的洪水預(yù)測研究［Ｊ］．人民黃河，２０２４，４６（９）：９９－１０５．

０引言

洪水是一種自然災(zāi)害，會造成嚴(yán)重的經(jīng)濟(jì)損失和人員傷亡［１］ 。洪水風(fēng)險管理是預(yù)防洪水和減小洪水不利影響的一項關(guān)鍵任務(wù)，其措施包括結(jié)構(gòu)性和非結(jié)構(gòu)性兩種。開發(fā)洪水早期預(yù)警系統(tǒng)［２］ 和實時預(yù)測河流水位是主要的非結(jié)構(gòu)性措施，可以在應(yīng)對洪水發(fā)生時輔助實施有效的應(yīng)急策略?，F(xiàn)有的水文預(yù)測模型可分為概念模型、物理模型和“黑箱”模型。概念模型和物理模型可通過一維或二維偏微分方程來描述水文現(xiàn)象，采用這２ 種模型預(yù)測降水過程、徑流過程、河流演變時，需要大量的地形、土地利用等信息，而收集這類信息需要大量的人力和物力，資源消耗過大，同時物理模型因其計算時間較長而難以被廣泛使用。“黑箱”

模型又被稱為“數(shù)據(jù)驅(qū)動”模型［３］ 或機(jī)器學(xué)習(xí)（ＭＬ）模型，其訓(xùn)練速度快，預(yù)測結(jié)果較為準(zhǔn)確，因此在水文領(lǐng)域越來越受歡迎。

在河流洪水預(yù)測中，模型輸入通常包括給定站點的降水量、溫度、風(fēng)速、水位等［４－５］ ，模型輸出通常是水位或流量［６－８］ ，以上變量中水位實際上更容易獲取，更適合于洪水預(yù)警［９］ 。傳統(tǒng)的ＭＬ 模型訓(xùn)練數(shù)據(jù)通常呈現(xiàn)表格形式，當(dāng)數(shù)據(jù)量太過龐大時，會出現(xiàn)計算資源消耗過大、數(shù)據(jù)清洗和標(biāo)注困難以及數(shù)據(jù)集不平衡等問題，從而影響模型訓(xùn)練效果。為了解決這一問題，本文以黃河利津水文站２０２２ 年３ 月１９ 日至２０２３ 年３ 月８日的水文數(shù)據(jù)為模型輸入， 將ＣＥＥＭＤＡＮ 算法與ＬｉｇｈｔＧＢＭ（Ｌｉｇｈｔ Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ Ｍａｃｈｉｎｅ） 模型相結(jié)合，對洪水?dāng)?shù)據(jù)進(jìn)行多尺度分解和特征提取，構(gòu)建ＣＥＥＭＤＡＮ－ＬｉｇｈｔＧＢＭ 模型，并將其與ＬＳＴＭ、ＬｉｇｈｔＧＢＭ模型進(jìn)行對比，以驗證該模型的預(yù)測效果。此外，采用ＣＥＥＭＤＡＮ－ＬｉｇｈｔＧＢＭ 模型預(yù)測利津、花園口這２ 個氣候環(huán)境不同的水文站的水位和流量，比較預(yù)測結(jié)果，驗證該模型的適應(yīng)性和穩(wěn)定性，以期為洪水預(yù)測提供新的理論依據(jù)和實踐指導(dǎo)。

１模型構(gòu)建

為了清晰展示ＣＥＥＭＤＡＮ－ＬｉｇｈｔＧＢＭ 模型的優(yōu)勢，將其與ＬｉｇｈｔＧＢＭ 模型和具有代表性的ＬＳＴＭ 模型進(jìn)行對比，以下是各模型的簡要介紹。

１．４ ＣＥＥＭＤＡＮ－ＬｉｇｈｔＧＢＭ 模型

ＣＥＥＭＤＡＮ 算法在時間序列分解方面具有優(yōu)勢，而ＬｉｇｈｔＧＢＭ 模型在回歸分析中表現(xiàn)出色，將這２ 種方法結(jié)合起來，得到一種新模型ＣＥＥＭＤＡＮ－ＬｉｇｈｔＧＢＭ。該模型運(yùn)行包括３ 個階段：分解、個體預(yù)測和集成。在第１ 階段，采用ＣＥＥＭＤＡＮ 模型將水文站的水位觀測數(shù)據(jù)分解為ｋ 個組件，也就是ｋ 個ＩＭＦ，這些組件分別顯示出原始序列的高頻特性或者低頻特性。在第２ 階段，對于每個組件，使用ＬｉｇｈｔＧＢＭ 分別構(gòu)建１ 個預(yù)測模型，并對每個組件進(jìn)行預(yù)測，得到單獨(dú)的預(yù)測結(jié)果。在第３ 階段，將所有組件的預(yù)測結(jié)果集成為最終結(jié)果。在眾多組件預(yù)測結(jié)果集成方法中，選用加法進(jìn)行集成。ＣＥＥＭＤＡＮ－ＬｉｇｈｔＧＢＭ 模型的預(yù)測流程見圖２。

從圖２ 中可以看出，基于“分解與集成” 框架的ＣＥＥＭＤＡＮ－ＬｉｇｈｔＧＢＭ 模型建模策略為典型的“分而治之”策略。該模型具有以下３ 個優(yōu)點：１）將基于原始序列預(yù)測水位的任務(wù)分為幾個子任務(wù)，從更簡單的組件進(jìn)行預(yù)測。２）原始序列是非線性和非平穩(wěn)的，而ＣＥＥＭＤＡＮ－ＬｉｇｈｔＧＢＭ 模型對每個分解組件都有相對簡單的預(yù)測形式。３）使用簡單的加法將子任務(wù)的結(jié)果集成為最終結(jié)果。

２數(shù)據(jù)來源及預(yù)處理

２．１數(shù)據(jù)來源

黃河水情呈現(xiàn)明顯的季節(jié)性變化，極易受氣候影響，流量波動大。為了保證實驗的真實性與可靠性，選取黃河利津水文站２０２２ 年３ 月１８ 日至２０２３ 年３ 月８日每日１２ 時的水文觀測數(shù)據(jù)作為原始數(shù)據(jù)。為了保證所用數(shù)據(jù)的真實性、可訪問性和透明性，主要使用公開數(shù)據(jù)源［１７］ ，其中水位和流量數(shù)據(jù)源自全國水雨情信息網(wǎng)站，溫度、濕度、風(fēng)力和降水量源自中國氣象局網(wǎng)站。

２．２數(shù)據(jù)預(yù)處理

１）歸一化處理。歸一化常被稱為標(biāo)準(zhǔn)化，為消除各變量之間量綱不同的影響，同時加快模型訓(xùn)練速度，往往需要對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理［１８］ 。根據(jù)本文數(shù)據(jù)特征，采用最大最小標(biāo)準(zhǔn)化進(jìn)行處理，使模型的輸入數(shù)據(jù)為［０，１］，公式為

２）樣本劃分。為了評估模型性能并驗證其預(yù)測效果，選取樣本數(shù)據(jù)中７５％數(shù)據(jù)作為訓(xùn)練集用于模型訓(xùn)練，其余２５％為預(yù)測集用于驗證模型的預(yù)測效果。

３模型訓(xùn)練與預(yù)測結(jié)果分析

３．１ＬＳＴＭ 模型

ＬＳＴＭ 模型包含１ 個ＬＳＴＭ 層和１ 個全連接層（Ｄｅｎｓｅ），ＬＳＴＭ 層有５０ 個單元，使用ａｄａｍ 優(yōu)化器訓(xùn)練模型，學(xué)習(xí)率為０．００１，迭代次數(shù)為１００。完成上述訓(xùn)練后，輸入數(shù)據(jù)得出ＬＳＴＭ 模型的水位預(yù)測結(jié)果，見圖３。

３．２ＬｉｇｈｔＧＢＭ 模型

ＬｉｇｈｔＧＢＭ 模型通過迭代訓(xùn)練多棵決策樹來提高預(yù)測準(zhǔn)確性。模型學(xué)習(xí)率為０．０１，葉節(jié)點數(shù)（ｎｕｍ＿ｌｅａｖｅｓ）為３１，特征抽樣率為０．９，每次迭代時用的數(shù)據(jù)比例（ｂａｇｇｉｎｇ＿ｆｒａｃｔｉｏｎ）為０．８，迭代次數(shù)為５后停止訓(xùn)練，如果在連續(xù)５ 次迭代過程中驗證集的均方根誤差沒有減小，則停止訓(xùn)練，避免過擬合。ＬｉｇｈｔＧＢＭ 模型的水位預(yù)測結(jié)果見圖４。

３．３ＣＥＥＭＤＡＮ－ＬｉｇｈｔＧＢＭ 模型

ＣＥＥＭＤＡＮ－ ＬｉｇｈｔＧＢＭ 結(jié)合ＣＥＥＭＤＡＮ 算法和ＬｉｇｈｔＧＢＭ 模型預(yù)測水位。ＣＥＥＭＤＡＮ 算法的主要參數(shù)如下：ｍａｘ＿ｉｍｆ（最大本征模態(tài)函數(shù)數(shù)量）為２，控制白噪聲強(qiáng)度為０．２，使用ＳＩＦＴ（單步插值優(yōu)化的快速正則化）次數(shù)為１０。ＬｉｇｈｔＧＢＭ 主要參數(shù)如下：提升類型（ｂｏｏｓｔｉｎｇ＿ｔｙｐｅ）為ｇｂｄｔ，使用梯度提升決策樹；目標(biāo)函數(shù)為ｒｅｇｒｅｓｓｉｏｎ，表示執(zhí)行回歸任務(wù)；每棵樹貢獻(xiàn)的學(xué)習(xí)率為０．０１；每棵決策樹的葉節(jié)點數(shù)為３１；每次迭代過程中隨機(jī)選擇的特征比例（ｆｅａｔｕｒｅ＿ｆｒａｃｔｉｏｎ）為０．９；每次迭代過程中隨機(jī)選擇的數(shù)據(jù)比例為０．８；每５ 次迭代進(jìn)行一次ｂａｇｇｉｎｇ。

通過預(yù)測水位和流量變化趨勢，能夠及時預(yù)警和應(yīng)對潛在的洪水事件，最大限度地減少損失，因此采用ＣＥＥＭＤＡＮ－ＬｉｇｈｔＧＢＭ 模型分別預(yù)測水文站的水位和流量。此外，為評估ＣＥＥＭＤＡＮ－ＬｉｇｈｔＧＢＭ 模型預(yù)測不同氣候環(huán)境水文站水位和流量的適應(yīng)性與穩(wěn)定性，選取花園口水文站水文數(shù)據(jù)，比較模型的預(yù)測結(jié)果，見圖５～圖８。

４結(jié)論

本文提出了一種ＣＥＥＭＤＡＮ－ＬｉｇｈｔＧＢＭ 模型，預(yù)測給定水文站水位。將２０２２ 年３ 月１９ 日至２０２３ 年３月８ 日利津水文站的水文數(shù)據(jù)作為模型輸入，以ＬＳＴＭ、ＬｉｇｈｔＧＢＭ 為對照模型，與ＣＥＥＭＤＡＮ－ＬｉｇｈｔＧＢＭ模型的預(yù)測水位進(jìn)行對比。另基于與利津水文站氣候差別較大的花園口水文站水文數(shù)據(jù)，研究ＣＥＥＭＤＡＮＬｉｇｈｔＧＢＭ模型的適用性。研究結(jié)果顯示， 相比于ＬＳＴＭ、ＬｉｇｈｔＧＢＭ 模型，ＣＥＥＭＤＡＮ－ＬｉｇｈｔＧＢＭ 模型在洪水預(yù)測方面表現(xiàn)得更加優(yōu)秀，其預(yù)測值更接近觀測值，預(yù)測精度更高。這表明在時間序列預(yù)測中，ＣＥＥＭ?ＤＡＮ－ＬｉｇｈｔＧＢＭ 模型的兼容性更強(qiáng)，能加快數(shù)據(jù)處理速度、提高精確度，從而提升洪水預(yù)報的效率。

黃河水情極為復(fù)雜，尤其在極端氣候事件頻發(fā)的情況下，水文數(shù)據(jù)常常出現(xiàn)突變。黃河及其支流水位呈非線性變化，這些變化往往受到多種氣象因素（如強(qiáng)降水、強(qiáng)風(fēng)等）的影響?，F(xiàn)有的預(yù)測模型在捕捉水文數(shù)據(jù)突變及其后續(xù)影響上存在挑戰(zhàn)，尤其是在極端氣候事件頻發(fā)時。當(dāng)前采用的ＣＥＥＭＤＡＮ－ＬｉｇｈｔＧＢＭ模型面對突變數(shù)據(jù)的預(yù)測能力存在一定不足，需要進(jìn)一步改進(jìn)和優(yōu)化。未來的改進(jìn)方向包括但不限于增強(qiáng)模型對突變數(shù)據(jù)的適應(yīng)能力，可能需要引入更靈活的模型結(jié)構(gòu)或者加強(qiáng)數(shù)據(jù)預(yù)處理能力，以進(jìn)一步提高模型的穩(wěn)健性和準(zhǔn)確性。此外，對于極端氣候事件的響應(yīng)機(jī)制也需要加強(qiáng)，以更有效地預(yù)測和應(yīng)對黃河水情的突發(fā)變化。