[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

说明书

本发明公开了一种基于最大水深记录和机器学习的湖泊水量估算方法，分析和挖掘一定数量样本的实测湖泊建立其最大水深测量结果和周边地形地貌、空间形态等参数与对应的湖泊总水量的内在关系，利用XGBoost机器学习模型，构建了区域尺度湖泊水量估算的有效方法。本发明方法通过仅利用湖泊最大水深记录和可公开获取数据源产生的空间参数来估算湖泊水量信息不仅具有较高的模型精度，还极大地降低了对全湖实测的时间和经济成本。本发明尤其适用于空间尺度大、自然环境条件复杂、难以到达以及资料匮乏地区的湖泊的测量工作，有望为湖泊水量预测提供一种有效的方法，并有利于区域湖泊水资源管理。

技术领域

本发明属于湖泊水文学及机器学习算法领域，特别涉及一种基于最大水深记录、多类型地理空间参数和机器学习的湖泊水量估算方法。

背景技术

湖泊作为地球表面液态淡水的最大组成部分，在提供生产、生活用水以及生态系统服务功能维系方面发挥着关键作用（Downing et al., 2006;Woolway et al., 2020）。进入21世纪以来，受气候变化和人为活动的影响，全球许多湖泊已经发生或正在发生显著变化，对人类用水和生态环境稳定构成了重大威胁。因此，准确量化湖泊水储量对于水资源的有效管理至关重要。

定量估算湖泊水储量的前提是掌握湖泊的详细水下地形信息或平均深度，但目前全球大多数湖泊仍然缺乏完整的测深信息以及相关水深记录。一般而言，借助船载声纳进行野外实地测量是获取湖泊水下地形最直接的方法。然而全湖测量的时间与经济成本很高，难以开展大范围、多湖泊测量，特别是处于偏远地区或高寒高海拔恶劣环境下的湖泊。为了克服传统测量的缺点，一些研究人员尝试使用光学影像、激光雷达等遥感数据实现湖泊水深的反演，但现有方法主要针对深度较浅且具有较高透明度水体，如海岸带或岛礁周边水体，在应用于内陆湖泊时存在较大限制（Ma et al., 2020; Pereira et al., 2019）。对于大多数自然湖泊，水下地形可以认为是湖泊周边地形的延伸，因此湖泊周边裸露的地形特征可以用来预测湖泊水深、水量。部分学者基于全球已实测的水下地形或水深数据，构建了湖泊周边地形参数与湖泊深度、水量之间的统计模型，实现了全球尺度的湖泊水储量估算（Cael et al., 2017; Messageret al., 2016）。此类空间统计模型虽然能够实现大区域尺度的湖泊水深与水量的有效估算，但受样本数量、分布及代表性的影响，个体湖泊以及部分区域的湖泊水量估算结果仍存在较大的不确定性。

综上所述，野外实测和空间推测方法均有各自缺陷，无法兼顾精度和效率。此外，相比全球湖泊总体数量，当前具有完整水下地形信息的湖泊比例很低，这限制了区域乃至全球湖泊水资源量的评估和管理，是当前水科学领域研究的热点问题。然而传统的全湖测量方法，耗时耗力，难以在大区域尺度湖泊调查中予以推广。

发明内容

本发明的目的在于克服上述现有技术存在的问题，提供一种基于最大水深记录和机器学习的湖泊水量估算方法，利用机器学习算法挖掘一定数量实测湖泊样本的总水量与其最大水深记录及其周边地形、形态等参数和的内在联系，构建定量估算模型从而预测其他仅有最大水深记录、未进行全湖测量湖泊的水量，通过该方法不仅能够获得较高的模型精度，还能显著降低对全湖实测所需的时间和经济成本，大幅降低了野外测量的工作量。

为实现上述技术目的，本发明采用如下技术方案：

一种基于最大水深记录和机器学习的湖泊水量估算方法，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。