DEVELOPMENT OF A DELTA-BASED XGBOOST MODEL FOR FORECASTING RESERVOIR STORAGE DYNAMICS
Aliya Aubakirova · Alexandr V. Neftissov · Mukhtar Orazbay 等 5 人
提出基于增量学习的XGBoost模型预测水库日蓄水量增量，提升短期动态预报精度。
XGBoost增量学习框架，融合ERA5再分析气象水文滞后特征，2019-202
重建水量R²、NSE、KGE均达0.983以上，RMSE较直接预测降低16%，消除趋势泄漏。
可将增量学习框架迁移至农业灌溉水库与作物需水耦合预测，探索多尺度滞后特征与可解释性。
提出基于增量的XGBoost水库蓄水量预测新方法，精度高且可复现，对农业水资源与水电调度有参考价值，但属专业论文、影响面有限。
准确预测水库水量对于适应气候变化、缓解干旱至关重要，并为能源规划与管理提供依据，尤其是在大陆性流域，水文变异性对传统建模构成挑战。反过来，水库入库流量的减少限制了水电站可用于优化水力发电的水量。为解决这一问题，我们提出了一种基于增量学习的新框架，采用极端梯度提升（XGBoost）预测每日水量增量（ΔV），而非总水量。该模型代表了一种新颖的解决方案，因为标准机器学习方法往往因绝对水量数据中的非平稳趋势而难以捕捉短期动态。该模型整合了ERA5再分析滞后项的气象和水文特征，在2019—2022年数据上训练，在2023—2025年数据上测试，并适应区域特异性。结果表明其性能卓越：重建水量的R²为0.983，纳什—萨特克利夫效率（NSE）为0.983，克林—古普塔效率（KGE）为0.984。最重要的是，基于增量模型的方法与基线直接水量预测方法相比，将均方根误差（RMSE）降低了16%，有效消除了系统性趋势泄漏。性能分析证实了水量和降水积分滞后的物理主导性。本研究证实，差分动态建模显著提高了预测的稳定性和可解释性，提供了一种可重复且可靠的工具。关键词：水库预测，增量学习，水文机器学习，XGBoost，ERA5再分析，多步预测，遥感，预测建模。