[发明专利]一种基于最大水深记录和机器学习的湖泊水量估算方法

权利要求书

1.一种基于最大水深记录和机器学习的湖泊水量估算方法，其特征在于，包括：

以湖泊水下地形参数特征变量、湖泊几何特征变量以及湖泊周边地形特征参数作为输入特征变量，湖泊实测水量数据作为输出，利用机器学习XGBoost算法构建水量估算模型；

通过随机实验构建基于不同训练集训练的模型，选用经精度评估后最优的模型作为湖泊水量估算模型，用于湖泊水量估算；

其中，所述水下地形参数特征变量选用湖泊最大水深数据。

2.根据权利要求1所述的方法，其特征在于，根据各湖泊的面积数据、水深数据对湖泊进行筛选，剔除平均深度与其他相近面积大小的湖泊有显著差异的湖泊，利用剩余湖泊的特征变量数据用于模型训练及测试。

3.根据权利要求2所述的方法，其特征在于，将湖泊按照面积大小划分为若干面积等级，对于属于同一面积等级的湖泊，分析其平均深度并剔除平均深度与其他湖泊有显著差异的湖泊。

4.根据权利要求1所述的方法，其特征在于，所述湖泊几何特征变量基于湖泊空间分布矢量数据和GIS空间分析软件获取；所述湖泊周边地形特征变量基于可公开获取来源的湖泊空间分布矢量数据和数字高程模型数据获取。

5.根据权利要求1或4所述的方法，其特征在于，所述湖泊几何特征变量包括湖泊面积、湖泊周长、岸线发育系数、湖泊外接多边形相距最远顶点的距离、湖泊外接多边形相距最远顶点的垂线长度。

6.根据权利要求1或4所述的方法，其特征在于，所述湖泊周边地形特征变量包括湖泊海拔差异、缓冲区平均海拔、缓冲区平均坡度；

所述湖泊海拔差异为缓冲区平均海拔与湖面最低海拔之差。

7.根据权利要求1所述的方法，其特征在于，所述通过随机实验构建基于不同训练集训练的模型包括：

将输入、输出数据随机分割为训练和测试数据，进行重复实验，构建基于不同训练集训练的模型。

8.根据权利要求1所述的方法，其特征在于，基于决定系数，平均绝对误差，均方根误差和平均绝对百分比误差四个统计指标对模型进行精度评价，并基于模型精度评价结果选取最优的模型作为湖泊水量估算模型。

9.根据权利要求1所述的方法，其特征在于，还包括，基于模型训练过程进行参数调整，从而确定XGBoost机器学习模型普适性结构参数，采用确定的普适性结构参数进行随机实验。

10.根据权利要求9所述的方法，其特征在于，调整参数包括学习率、决策树的数量、树的最大深度、最小叶子节点样本权重和随机采样比例和正则化参数。