编辑推荐：
为解决径流过程非线性、非平稳及多尺度特性导致的预测精度不足问题，研究人员提出 OVMD-IAPO-TCN-GRU 混合模型。该模型经两站点验证，NSEC 和 R 超 0.96，RMSE 较 TCN-GRU 降低 64.73% 以上，显著提升径流预测效能，为水资源管理提供科学支撑。
在全球气候变化加剧与人类活动日益频繁的背景下，极端天气事件频发，导致流域下垫面地貌发生显著改变，径流序列的非线性和非平稳性大幅增强。这不仅对公众安全和财产构成严重威胁，也给工农业生产及生态环境带来诸多挑战。准确的径流预测作为水资源管理的核心环节，是决策者制定科学方案、优化水资源配置、构建防洪减灾策略及提高农业灌溉效率的重要依据。
然而，当前径流预测方法存在明显局限。物理机制水文模型虽解释性强，但对参数敏感且计算量大；传统统计方法依赖线性和平稳性假设，难以应对真实径流的非线性特征；单一数据驱动模型在处理复杂径流序列时，也因难以兼顾长短期依赖和时序动态特性，预测精度受限。同时，现有分解方法如传统变分模态分解（VMD）存在参数经验设置导致的模态混叠问题，优化算法易陷入局部最优，进一步制约预测性能。在此背景下，开发高效精准的径流预测模型成为亟待解决的关键问题。
华北水利水电大学的研究人员开展了一项旨在提升径流预测精度的研究，提出了一种创新的混合模型 ——OVMD-IAPO-TCN-GRU，并将研究成果发表在《Journal of Hydrology》。该模型通过整合优化的变分模态分解、改进的优化算法及深度学习网络，有效解决了径流预测中的非线性、非平稳难题。经乌江流域洪家渡站（HJD）和黑河流域莺落峡站（YLX）验证，模型表现优异，为不同流域的径流预测提供了可靠方法。
研究采用的主要关键技术方法包括：首先，提出改进北极海鹦优化算法（IAPO），通过引入佳点集策略初始化种群及动态更新行为转换因子，提升全局搜索能力与收敛速度；其次，构建优化变分模态分解（OVMD），利用 IAPO 以最小化包络熵为目标优化 VMD 关键参数，实现径流序列的精准分解；接着，设计 TCN-GRU 混合预测模块，结合时间卷积网络（TCN）的多尺度扩张因果卷积提取多元时序特征与门控循环单元（GRU）的门控机制捕捉长程依赖；最后，通过 IAPO 微调 TCN-GRU 参数，叠加各分解子序列的预测结果得到最终径流预测值。研究数据来源于 HJD（集水面积 10,009 平方公里，多年平均径流 51.5 m3/s）和 YLX 两个水文站的月径流数据。
改进 APO 算法（IAPO）的性能提升
北极海鹦优化算法（APO）作为新兴元启发式优化算法，通过模拟北极海鹦的空中飞行（全局探索）和水下觅食（局部开发）行为构建优化框架。研究对其改进得到 IAPO，佳点集初始化策略确保种群空间均匀性与覆盖度，减少无效个体；动态更新的行为转换因子平衡探索与开发阶段，显著增强了原算法的全局搜索能力和收敛速度，为后续参数优化提供了更高效的工具。
研究区域的选择与代表性
研究选取两个典型流域站点进行验证：西南湿润区乌江流域的洪家渡站（HJD）和西北干旱区内陆河黑河流域的莺落峡站（YLX）。两站点分别代表不同气候区和流域类型，其径流过程受气候、地形等因素影响呈现出不同特性，为模型的普适性验证提供了全面的数据支撑。
整体趋势预测结果的优越性
研究系统评估了 10 种预测模型在 HJD 和 YLX 站点的月径流预测性能，包括 ELM、RNN、GRU、TCN-GRU 及 OVMD-IAPO-TCN-GRU 等。结果显示，所提 OVMD-IAPO-TCN-GRU 模型在测试集上表现最优，纳什 - 萨特克利夫效率系数（NSEC）和相关系数（R）均超过 0.96；与 TCN-GRU 模型相比，其均方根误差（RMSE）在 HJD 和 YLX 分别降低 66.29% 和 64.73%，显著优于其他基准模型和先进组合模型。
研究结论表明，OVMD-IAPO-TCN-GRU 混合模型通过多环节优化有效提升了径流预测精度。IAPO 算法的引入解决了参数优化中的全局搜索与收敛问题；OVMD 通过动态优化参数避免了模态混叠，增强了特征提取精度；TCN-GRU 模块结合卷积与循环网络优势，深度挖掘径流序列的非线性和时序特征。
该研究的重要意义在于：一是提出的 IAPO 算法为复杂优化问题提供了高效解决方案；二是 OVMD 分解方法提升了非平稳信号处理的可靠性；三是 TCN-GRU 混合架构为多尺度时序数据建模提供了新思路；四是模型在不同流域的优异表现证明了其普适性，为水资源管理、防洪减灾及生态保护等领域提供了科学的决策支持，推动了数据驱动的水文预测技术发展。
