基于条件长短期记忆网络（LSTM_cond）的美国本土水库日流量预测优化研究

针对传统政策驱动模型依赖理想化径流预测、难以反映真实水库运行的问题，研究人员创新性地将水库属性（用途、气候、容量）融入长短期记忆网络（LSTM），构建LSTM_cond模型。通过对美国本土近200座水库的验证，LSTM_cond在发电、供水、灌溉及休闲类水库的KGE中位数（0.764/0.565/0.821/0.779）均优于普通LSTM和政策模型ISTARF，显著提升预测可解释性与泛化能力。

　　

水库作为人类调控水流的核心设施，在发电、防洪、供水和灌溉等领域发挥着不可替代的作用。然而，美国本土超过5万座水库中，许多因多重管理目标冲突而缺乏统一操作规范，传统政策驱动模型（如ISTARF）依赖理想径流数据且难以适应复杂现实场景。尽管长短期记忆网络（LSTM）在数据驱动建模中表现优异，其"黑箱"特性仍限制了对不同水库运行机制的解释能力。

为突破这一瓶颈，来自美国能源部西北太平洋国家实验室等机构的研究团队Hoang Tran、Tian Zhou等提出条件化LSTM（LSTM_cond），通过整合水库属性（主要用途、气候分区、最大库容）增强模型泛化能力。研究基于ResOpsUS数据集1980–2020年间近200座水库的日尺度数据，对比了LSTM_cond、普通LSTM与ISTARF模型的性能。论文发表于《Journal of Hydrology》，为智能水库管理提供了新范式。

关键技术包括：1) 采用ResOpsUS和GRanD数据库获取水库运行数据及属性特征；2) 构建条件化LSTM框架，将水库特征作为模型输入条件；3) 使用Kling-Gupta效率系数（KGE）量化模型精度；4) 划分1980–2015年为训练期、2016–2020年为测试期验证泛化能力。

Test period (01–01-2016 – 12–31-2020) for in-sample reservoirs
测试集结果显示，LSTM_cond的KGE中位数达0.708，显著高于ISTARF（0.472），且88%水库KGE>0.5（LSTM为80%）。尤其对于发电水库，LSTM_cond的KGE提升7%（0.764 vs 0.737），灌溉水库提升6%（0.821 vs 0.775），证实属性条件化有效增强模型适应性。

Performances of ISTARF and LSTM models
政策模型ISTARF在西部灌溉水库表现尚可，但普遍高估汛期泄流量且难以捕捉防洪水库动态。两类LSTM模型均优于ISTARF，其中LSTM_cond在干旱区水库KGE达0.565，较普通LSTM（0.413）提升37%，凸显气候特征嵌入的价值。

Conclusions
研究表明，LSTM_cond通过融合水库属性突破了传统LSTM的泛化瓶颈，其KGE稳定性优于普通LSTM（负KGE水库仅6座）。该模型不仅提升预测精度，还通过特征权重分析揭示不同属性对泄流决策的贡献，为水库智慧管理提供兼具性能与可解释性的工具。

这项研究的创新在于首次系统验证了水库特征嵌入对LSTM泛化能力的促进作用，为全球尺度水文模型整合人工调控因素树立了标杆。未来可进一步探索多时间尺度特征耦合及极端气候下的模型鲁棒性优化。