实证方法与数据驱动方法在估算灌溉渠道渗漏量方面的比较评估

《Irrigation and Drainage》：Comparative Evaluation of Empirical and Data-Driven Techniques for Estimating Seepage Losses in Irrigation Canals

　　

摘要

en此链接指向英文版摘要fr此链接指向法文版摘要

在灌溉渠道系统中，准确量化渗漏损失对于提高水资源输送效率至关重要。本研究利用巴基斯坦Thal渠道系统六年的进出水量数据，分析了多种渗漏估算方法，重点考察了普通水泥混凝土（PCC）衬砌、砖砌以及无衬砌渠道的情况。共计八种经验公式被用于预测渗漏损失，并将其结果与基于元启发式优化的CatBoost模型及符号回归（PySR）模型的预测结果进行了对比。结果显示：PCC衬砌渠道的渗漏损失为5%，砖砌渠道为13%，无衬砌渠道则为22%。其中，CatBoost模型的预测性能最佳（R2=0.97，RMSE=0.80 m3/s）；PySR模型 également表现优异（R2=0.94，RMSE=1.22 m3/s），并且能够推导出简化形式的数学表达式。在各种经验公式中，中国提出的公式对无衬砌渠道的预测效果最明显（R2=0.63，RMSE=1.58 m3/s）；而在PCC衬砌渠道方面，Punmia公式表现最佳（R2=0.61，RMSE=1.49 m3/s）。总体而言，CatBoost模型的预测能力最强，而PySR模型则在预测准确性与数学表达的透明度之间取得了良好的平衡。不过，这些经验公式在不同衬砌类型间的适用性存在局限性。

摘要

en此链接指向英文版摘要fr此链接指向法文版摘要

在灌溉渠道系统中，精确测量渗漏损失对于提升水资源输送效率至关重要。本研究分析了基于六年进出水量数据制定的渗漏估算方法，特别对比了巴基斯坦Thal渠道系统中的普通水泥混凝土（PCC）衬砌、砖砌及无衬砌渠道情况。八种经验公式被用于预测渗漏量，并与元启发式优化算法改进的CatBoost模型及符号回归（PySR）模型的预测结果进行了对比：PCC衬砌渠道的渗漏量为5%，砖砌渠道为13%，无衬砌渠道为22%。CatBoost模型的预测精度最高（R2=0.97，RMSE=0.80 m3/s），PySR模型也不错（R2=0.94，RMSE=1.22 m3/s），且能生成简洁的解析表达式。在各种经验公式中，中国提出的公式对无衬砌渠道的预测效果最显著（R2=0.63，RMSE=1.58 m3/s）；而在PCC衬砌渠道部分，Punmia公式的表现最优（R2=0.61，RMSE=1.49 m3/s）。总体来看，CatBoost模型的预测能力最强，PySR模型则在预测准确性与数学表达的清晰度之间取得了平衡。不过，这些经验公式在不同衬砌条件下的适用性仍有待验证。

利益冲突

作者声明无任何利益冲突。

数据可用性声明

如需获取支持本研究结论的数据，可向通讯作者提出合理请求。