多种机器学习模型对不同洪水类型特征指标模拟效果评估

张帆, 张永勇, 陈俊旭, 翟晓燕, 胡庆芳

Performance of multiple machine learning model simulation of process characteristic indicators of different flood types

ZHANG Fan, ZHANG Yongyong, CHEN Junxu, ZHAI Xiaoyan, HU Qingfang

表2 影响洪水过程的关键降水指标

Tab.2 Key precipitation indicators affecting flood process

类别	指标	计算方式	说明
量级	平均雨量	$P_{a v e} = \frac{1}{T} \sum_{i = 1}^{n} α_{i} P_{i}$	反映流域降雨强度。T为降水总历时, $α_{i}$ 为泰森多边形面积权重因子, $P_{i}$ 为第i个雨量站的累积降雨量,n为雨量站的个数
	最大雨强	$P_{m a x} = m a x P_{m, t}$	反映流域降雨强度。 $P_{m, t}$ 为t个时间点的面降雨量
	面降雨量	$P_{m} = \sum_{i = 1}^{n} α_{i} P_{i}$	反映流域降雨量级情况。指标含义同上
	峰前雨量	$P_{r} = \sum_{t = 1}^{T_{m a x}} P_{m, t}$	反映降水中前期状况。 $T_{m a x}$ 为面降雨量中最大值出现的时间, $P_{m, t}$ 为t个时间点的面降雨量
时间	雨峰系数	$R_{c} = \frac{T_{m a x}}{T}$	反映流域降水峰值出现时间。T为降水总历时
	时间变差系数	$T_{c} = \sqrt{\frac{1}{n - 1} \sum_{i = 1}^{n} {(K_{i} - 1)}^{2}}$	反映流域降水在时间上的均匀度。 $K_{i}$ 表示降雨过程中第i个时刻降雨量与该场次暴雨雨强的比值。 $T_{c}$ 越大表示时间上分布越不均匀,反之亦然
	降水集中度	$D_{c} = \frac{\sqrt{{R_{x t}}^{2} + {R_{y t}}^{2}}}{P_{m}}$ $R_{x t} = \sum_{i = 1}^{n} r_{t, i} \times s i n θ_{i}$ , $R_{y t} = \sum_{i = 1}^{n} r_{t, i} \times c o s θ_{i}$	反映流域降水在时间上的集中度。 $P_{m}$ 为研究时间段内的降雨总量; $r_{t, i}$ 为研究时间段内某小时降水量; $θ_{i}$ 表示第i个时间段的方向,即将研究时间段视为一个圆周,按小时时段进行平均分配
空间	雨量极大值比	$σ = \frac{P_{m}}{H_{m a x}}$	反映流域降雨空间均匀度。 $P_{m}$ 为面降雨量, $H_{m a x}$ 为点最大雨量。该值越接近于1表示流域降雨越均匀
空间	暴雨相对中心	$C_{p} = \frac{\sum_{i = 1}^{n} P_{i} d_{i}}{\sum_{i = 1}^{n} P_{i}}$	反映流域降雨中心到流域出口的距离。 $d_{i}$ 表示第i个雨量站到流域出口的直线距离
	起始流量		反映流域降雨前期含水情况