基于随机森林模型的台风风暴潮最大增水预测

doi:10.13474/j.cnki.11-2246.2021.375

测绘通报 ›› 2021, Vol. 0 ›› Issue (12): 71-74,82.doi: 10.13474/j.cnki.11-2246.2021.375

基于随机森林模型的台风风暴潮最大增水预测

朱佩京, 罗年学, 赵前胜

武汉大学测绘学院, 湖北武汉 430079

收稿日期:2020-11-17 发布日期:2021-12-30
作者简介:朱佩京(1996-),女,硕士生,主要研究方向为海洋安全。E-mail:1136755410@qq.com
基金资助:
国家重点研发计划（2017YFC1405300）

Forecast of maximum water increase in typhoon storm surge based on random forest model

ZHU Peijing, LUO Nianxue, ZHAO Qiansheng

School of Geodesy and Geomatics, Wuhan University, Wuhan 430079, China

Received:2020-11-17 Published:2021-12-30

摘要/Abstract

摘要： 本文利用1989—2018年在广东省、福建省、浙江省登陆的98场台风风暴潮数据,选取最小中心气压、最大风速、登陆时中心气压、登陆时风速、登陆时台风强度、登陆地点、登陆方向7个输入因子,采用随机森林回归模型构建预测台风风暴潮最大增水的模型,并用真实数据进行验证。将模型应用于未来年份台风风暴潮的预测,以2019年台风“利奇马”为例验证了模型的实用性。利用Mike21软件模拟的验潮站最大增水构建验潮站最大增水预测模型,并应用于广东省港口站和北津站的最大增水预测,试验结果表明具有可行性。

关键词: 随机森林, 台风风暴潮, 最大增水, 验潮站

Abstract: Using 98 typhoon storm surges that landed in Guangdong, Fujian, and Zhejiang provinces from 1989 to 2018.Seven input factors of minimum central pressure, maximum wind speed, central pressure at landing, wind speed at landing, typhoon intensity at landing, landing location, and landing direction are selected, and a random forest regression model is used to predict the maximum water increase duing to typhoon storm surge, and it is verified with real data. The model is applied to the prediction of typhoon storm surges in the coming years, and the practicability of the model is illustrated by taking Typhoon Lichma in 2019 as an example. The maximum water increase at tide gauge stations simulated by Mike21 software is used to construct a prediction model for the maximum water increase at tide gauge stations, which is planned to be applied to the prediction of the maximum water increase at the port station and Beijin station in Guangdong province. The results show that it is feasible.

Key words: random forest, typhoon storm surge, maximum water increase, tide gauge station

中图分类号:

P208

朱佩京, 罗年学, 赵前胜. 基于随机森林模型的台风风暴潮最大增水预测[J]. 测绘通报, 2021, 0(12): 71-74,82.

ZHU Peijing, LUO Nianxue, ZHAO Qiansheng. Forecast of maximum water increase in typhoon storm surge based on random forest model[J]. Bulletin of Surveying and Mapping, 2021, 0(12): 71-74,82.

参考文献

[1] 高佳,潘嵩,王慧,等.基于ADCIRC+SWAN耦合模型的风暴潮数值模拟研究——以深圳西部海域为例[J].海洋通报,2019,38(6):662-674.
[2] 沙文钰.风暴潮、浪数值预报[M].北京:海洋出版社,2004.
[3] 林林茂. 基于ADCIRC模式的台风风暴潮数值模拟与危险性分析[D].哈尔滨:哈尔滨工业大学,2017.
[4] 蔡煜东,姚林声.预报台风风暴潮极值的人工神经网络方法[J].海洋预报,1994,11(1):77-81.
[5] 薛彦广,沙文钰,徐海斌,等.人工神经网络在风暴潮增水预报中的应用[J].海洋预报,2005,22(2):33-37.
[6] XU S D, HUANG W R. Artificial neural network model application on long term water level predictions of south Florida coastal waters[C]//Proceeding of 2010 International Conference on Computational Intelligence and Software Engineering. Wuhan:IEEE, 2010:1-4.
[7] 王如云,雷磊,占飞,等.基于高低潮的风暴增水人工神经网络预报模型[J].海洋预报,2014,31(6):23-27.
[8] 薛明,李醒飞,成方林.基于多种神经网络的风暴潮增水预测方法的比较分析[J].海洋通报,2019,38(3):290-295.
[9] 李侠男. 基于随机森林算法的房地产项目风险评价研究[D].天津:天津大学,2017.
[10] 李丽. 基于随机森林算法的企业信用风险评价研究——以我国电力生产行业上市公司为例[D].成都:西南财经大学,2012.
[11] 罗庆. Research progress on application of MIKE21 hydro-dynamic model[J]. Advances in Envionmental Protection, 2020, 10(4):510-515.
[12] 许婷.MIKE21 HD计算原理及应用实例[J].港工技术,2010,47(5):1-5.
[13] 刘晓琴,刘国龙,王振.MIKE系列模型在蓄滞洪区洪水模拟中的应用研究[J].中国农村水利水电,2020(6):10-15,20.
[14] 孙玲玲.基于MIKE21的水库洪水期洪水演进数值模拟[J].工程技术研究,2020,5(11):246-248.
[15] YANG L H, LI J Z, KANG A Q, et al. The effect of nonstationarity in rainfall on urban flooding based on coupling SWMM and MIKE21[J]. Water Resources Management, 2020, 34:1535-1551.

基于随机森林模型的台风风暴潮最大增水预测

Forecast of maximum water increase in typhoon storm surge based on random forest model

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	吕峥, 孙群, 温伯威, 马京振. 一种自身全局最优的道路网Stroke生成方法[J]. 测绘通报, 2022, 0(7): 93-99.
[2]	郁宗桥, 王育红, 刘文宋, 左雨芳, 冯锋. 顾及GF-3影像纹理特征的洪涝范围提取方法[J]. 测绘通报, 2022, 0(5): 26-31.
[3]	窦世卿, 陈治宇, 徐勇, 郑贺刚, 苗林林, 宋莹莹. 基于多特征融合与典型降维方法的高光谱影像分类[J]. 测绘通报, 2022, 0(4): 32-36,50.
[4]	冯志立, 肖锋, 卢小平, 郝波, 王如意, 朱睿. 基于随机森林特征优选的冬小麦分类方法[J]. 测绘通报, 2022, 0(3): 70-75.
[5]	王晓晓, 韩留生, 杨骥, 李勇, 张大富, 孙广伟, 范俊甫. Sentinel-2与Landsat 8数据组合下的多特征冬小麦面积提取[J]. 测绘通报, 2022, 0(3): 111-115.
[6]	崔青林, 汪鸣泉, 黄永健. 融合随机森林模型和6种水体指数的上海市水体信息提取[J]. 测绘通报, 2022, 0(2): 106-109.
[7]	高雨, 胡召玲, 樊茹. 高分辨率影像融合算法对滨海湿地土地利用分类精度的影响[J]. 测绘通报, 2022, 0(1): 116-120.
[8]	李军, 桑潇, 张成业, 赵伟, 刘新华, 王宏鹏, 王金阳, 李佳瑶, 杨颖. 资源型城市长时间序列土壤含水量变化分析——以锡林浩特市为例[J]. 测绘通报, 2021, 0(7): 17-22,38.
[9]	刘茂华, 李曼雯. 融合高分影像和LiDAR数据的城市道路提取[J]. 测绘通报, 2021, 0(6): 1-5,60.
[10]	古春霞, 李大成. 时空融合技术在区域地表覆盖时序分类中的应用[J]. 测绘通报, 2021, 0(5): 20-24.
[11]	苏美臣, 魏晓燕, 周峻松, 汪祎勤. 金沙江流域滑坡易发性空间预报分析[J]. 测绘通报, 2021, 0(4): 13-16.
[12]	陈利燕, 林鸿, 吴健华. 融合随机森林和超像素分割的建筑物自动提取[J]. 测绘通报, 2021, 0(2): 49-53.
[13]	李悦, 张敏. 面向对象的高分辨率遥感影像建设用地变化监测[J]. 测绘通报, 2021, 0(2): 54-58.
[14]	赖正文, 夏小云. 像素级和对象级高分辨率遥感图像变化检测分析[J]. 测绘通报, 2021, 0(2): 59-63.
[15]	张鹏, 马庆勋, 吕杰, 季金亮, 李紫微. 机器学习算法在森林地上生物量估算中的应用[J]. 测绘通报, 2021, 0(12): 28-32.