王瑞芳，姜玥玮，易 琦

(云南大学 地球科学学院，云南 昆明 650500)

0 引言

支持向量机(Support Vector Machine，简称 SVM)由Vapnik在20世纪60年代开发，是一组用于分类和回归的相关监督学习方法。给定一组训练示例，每个示例都标记为属于两个类别之一，SVM训练算法构建一个模型，用于预测新示例属于哪个类别[1]。随着计算机和3S技术的发展，SVM模型在降雨—径流方向的应用已成为新的研究热点。中国很多学者已经采用SVM方法做了大量的研究工作[2-5]。王景雷等[6]成功将支持向量机理论应用于地下水位预报研究中，Liong等[7]也在水文预报中应用了SVM模型，均取得了较好的预测效果。李粤安，陈晓宏等[8]以降雨作为输入，通过对支持向量机、人工神经网络预测以及传统的回归分析预测方法进行比较研究，得出支持向量机能取得精度更高的径流预测值，为径流的预测提供了理论方法和研究思路。为提高径流预测模型精度，国内外学者对此做了大量研究[9-11]，尤其是近年来随着传统预测方法的不断改进以及机器学习技术的快速发展，大量新的径流预测模型被开发出来。已有研究表明，与传统的BN模型和回归方法相比，支持向量机(SVM)可以拟合出更高精度的降雨—径流预测值[2]。而在已有的SVM模型径流预测研究中，主要集中于大面积流域，一般为四个数量级以上[12-14]，长时间尺度，至少20年以上[15-17]的径流时间序列资料方面的研究。在流域面积较小且人类活动烈度很大的宝象河流域，以较短时间序列的气象水文数据为SVM模型驱动数据方面的研究还未见报道。……