利用微波链路衰减数据对城市流域进行数据驱动的降雨径流建模

《Journal of Hydro-environment Research》：Data-driven rainfall-runoff modeling in an urban catchment using microwave link attenuation data

基于原始商业微波链路（CML）衰减数据的随机森林模型在径流模拟中表现优异，可替代传统QPE驱动的机理模型，尤其在高峰径流和短时预测（30分钟）方面具有优势。

　　近年来，随着城市排水模型的不断发展，商业微波链路（CMLs）因其能够提供降雨-径流动态数据而展现出巨大的潜力。传统上，研究人员主要依赖于由CML衰减数据推导出的定量降水估计（QPEs）来驱动机理水动力模型。然而，这种方法在数据处理过程中引入了多种误差，特别是与CML降雨反演模型相关的不确定性，包括湿天线衰减校正中的误差以及CML QPEs路径平均特性的偏差。这些处理步骤不仅增加了新的不确定性，还导致了原始数据中部分有价值信息的丢失。此外，为了优化CML处理算法的参数，还需要进一步的降雨数据。本文通过采用未经过QPE推导的原始CML衰减数据，并结合数据驱动的径流模型，来解决这些问题。

实验结果表明，使用CML和雨量计数据的随机森林（RF）模型在预测径流方面表现出色，其平均指标包括纳希-辛特勒效率（Nash–Sutcliffe efficiency）为0.80，相关系数为0.90，均方根误差为38 L/s，相对误差为0.01。相比之下，仅使用原始CML数据的RF模型结果与确定性水动力模型基准相当，特别是在高流量情况下。此外，该模型能够在降雨-径流集中时间之外进行径流预测，保持高达0.82以上的相关性，预测时间可达30分钟，而使用雨量计数据的模型在超过20分钟后相关性显著下降。这些结果表明，CML原始数据能够准确地反映径流动态和体积，并可用于短期径流预测。

城市排水系统对于管理暴雨和防止洪水至关重要，尤其是在人口密集的地区。由于城市流域具有较高的不透水性、土地利用的异质性以及通常较小的规模，它们对降雨的空间和时间变化非常敏感。因此，精确且高分辨率的降雨监测对于减少降雨-径流模拟中的不确定性至关重要，从而确保城市排水系统的高效运行或降低城市洪涝风险。

然而，由于降雨具有高度的空间和时间变化性，降水观测仍然是一个科学挑战。传统上，雨量计和天气雷达是主要的监测工具。雨量计能够提供精确的局部降雨强度测量，但其空间覆盖范围有限，难以全面捕捉城市区域内的降雨变化。天气雷达虽然能提供广泛的区域覆盖，通常分辨率为1公里，时间间隔为5到10分钟，但其数据精度较低，因为高海拔区域的降雨测量间接进行，且建筑物或地形的干扰在城市环境中会引入误差，尤其是在强降雨期间。此外，天气雷达的高运营成本使得全球许多地区，包括低收入和中等收入国家的高人口密度城市化区域，仍未被这些系统覆盖。

商业微波链路（CMLs）通过利用密集存在的电信网络，为城市区域的降雨估计提供了一个有前景的替代方案。CMLs通过在天线之间传输微波信号，利用降雨引起的信号衰减来实现高空间和时间分辨率的降雨强度测量。这种方法最早由Messer等人（2006）提出，并被许多研究者进一步探索。CMLs的关键优势在于其能够提供数百米到几公里范围内的高分辨率、路径积分的降雨数据，使其在传统雨量计和雷达难以应用的城市环境中特别有用。随着CML网络在全球范围内的持续扩展，它们正逐渐成为提供高空间和时间分辨率降雨数据的重要工具，用于城市水文应用。

已有研究探讨了利用CML推导出的定量降水估计（QPEs）进行水文径流模拟的潜力。这些研究显示了CML衰减或推导出的QPEs与径流之间的强相关性。传统应用通常使用由CML衰减数据推导出的QPEs驱动的机理水动力模型。然而，由于QPEs中系统误差主要来源于湿天线衰减（WAA）校正的不准确，这不仅会导致径流体积的显著高估，还会造成CML原始数据中部分有价值信息的丢失。因此，采用原始CML衰减数据而不进行WAA校正和QPEs推导，有助于减少误差传播并避免信息丢失。

近年来，深度学习的发展为从数据中建模各种物理过程提供了新的机遇，尤其是在拥有大量数据集（如CML数据）的情况下。这些先进的方法在水文径流建模中被广泛应用，涉及的技术包括人工神经网络（ANNs）、支持向量机（SVMs）、随机森林（RFs）以及长短期记忆（LSTM）网络。虽然机器学习模型在预测能力方面表现出色，但它们也存在一些局限性，如对大规模数据集的需求、模型的有限可迁移性以及物理可解释性的挑战。其中，缺乏可解释性已成为关注的焦点，特别是在水文学领域。然而，大多数研究仍然集中在模型的准确性上，较少尝试对机器学习模型所学习的水文过程进行解释。一些简单的方法，如输入变量重要性排序，可以为模型的行为及其与水文知识的契合度提供有价值的见解，这些方法将在本文中进行探讨。

考虑到传统方法依赖于有偏的QPEs以及机器学习作为有吸引力的替代方案，将高度相关的原始CML衰减数据应用于机器学习模型，可以得出可靠的径流估计。此外，与传统方法需要雨量计进行校准和验证不同，这些模型仅使用现有的CML信号数据和出口测量数据，从而能够在城市流域中快速、低成本地进行径流模拟。本文的具体目标包括：（1）探索利用原始CML衰减数据进行降雨-径流动态建模的潜力；（2）将原始CML数据与雨量计数据相结合，通过对比确定性水动力模型作为基准，分析径流动态和体积；（3）从时间和空间水文角度分析所构建模型的物理合理性；（4）探讨使用CML和雨量计进行长期径流预测的应用。本文采用与Pastorek等人（2023）描述相同的1.3平方公里小流域，以及相同的数据集和校准后的Storm Water Management Model（SWMM）模型。数据集包括1分钟的雨量计数据、10秒的CML数据和2分钟的流量数据，数据收集时间跨度为2014年至2016年。

本文的结构如下：在第二部分，我们将简要描述输入选择方法、所使用的多种机器学习模型、数据集以及用于对比的物理模型。第三部分将呈现和讨论实验结果，随后是结论和对未来研究的展望。