《Physics and Chemistry of the Earth, Parts A/B/C》：Hybrid Hydrological Modeling: Integration of Machine Learning and Conventional Hydrology
编辑推荐：
热带流域日流量混合建模研究：整合HEC-HMS与深度学习的应用
埃斯拉·萨利赫·阿尔塔拉瓦内（Esraa Saleh Altarawneh）、苏拉雅·沙里尔（Suraya Sharil）、西蒂·法蒂娜·穆罕默德·拉扎利（Siti Fatin Mohd Razali）、阿里·纳贾赫·艾哈迈德（Ali Najah Ahmed）、艾哈迈德·埃尔-沙菲（Ahmed El-Shafie）
马来西亚国立大学（UKM）工程与建筑环境学院土木工程系，马来西亚雪兰莪州UKM Bangi，邮编43600
摘要
本研究提出了一种新型的混合建模框架，该框架将基于过程的HEC-HMS水文模型与人工神经网络（ANN）和长短期记忆（LSTM）算法相结合，以提高马来西亚吉打河流域的日流量模拟精度。与传统独立模型不同，这种混合方法将物理过程理解与先进的机器学习技术相结合，以克服在数据有限的热带环境中各种方法的局限性。通过两个代表受调控和自然流量状态的流量站，使用广泛认可的统计指标对模型性能进行了评估。结果表明，HEC-HMS-LSTM混合模型的预测精度显著高于单独使用基于过程的方法或数据驱动的方法，尤其是在捕捉峰值流量和整体流量动态方面。例如，在验证过程中，该混合模型将纳什-萨特克利夫效率（Nash-Sutcliffe Efficiency）从0.34提高到0.66（受调控的流量站），从0.41提高到0.68（自然流量站）。这些发现突显了混合方法在热带流域水文预测中的稳健性和可转移性。本工作的创新之处在于系统地将HEC-HMS与深度学习方法相结合，为数据质量有限的地区提供了实用的洪水预测和水资源管理工具。
部分内容摘录
引言
气候变化日益扰乱水文循环，加剧了极端降雨事件的频率和强度（Chang & Guo, 2020; Musie et al., 2020）。随着温度升高，强降水事件变得更加频繁和剧烈，这种现象符合每升高1°C温度约增加7%的热力学规律（政府间气候变化专门委员会（IPCC），2023）。气候变化通过提高温度、改变区域降雨和径流模式以及海平面上升等方式影响着水文过程。
研究区域和数据收集
吉打河流域位于吉打州北部，见图1，宽度约为60公里，长度约为80公里，总流域面积为2,920平方公里。该流域起源于北部和东北部与霹雳州及泰国接壤的山区。吉打河全长超过100公里，流经丘陵地带后，进入广阔的沿海平原，该平原是该地区水稻种植的核心区域（Keshavarzifard et al., 2022）。结果与讨论
为了确定ANN和LSTM架构的最佳时间延迟，采用了偏自相关函数（PACF）。图6展示了Padang Sanai和Changlun站的降水量（P）以及Kampong Kubu和Bata River站的径流量（Q）的PACF图。分析显示，滞后1的序列与当前时间步长的相关性明显更强，这突显了其在模型配置中的重要性。
结论
模拟热带河流系统的降雨-径流过程面临诸多挑战，尤其是当河流包含受调控和不受调控的部分时。在本研究中，对比评估了基于过程的方法、数据驱动的方法以及混合建模策略，以模拟马来西亚吉打河流域的流量动态，使用了受水库影响和自由流动站点的数据集。
分析结果表明，混合建模框架具有明显优势。
作者贡献声明
西蒂·法蒂娜·穆罕默德·拉扎利（Siti Fatin Mohd Razali）：撰写——审稿与编辑；阿里·纳贾赫·艾哈迈德（Ali Najah Ahmed）：概念构思；艾哈迈德·埃尔-沙菲（Ahmed El-Shafie）：验证与监督；埃斯拉·萨利赫·阿尔塔拉瓦内（Esraa Saleh Altarawneh）：正式分析；苏拉雅·沙里尔（Suraya Sharil）：监督
未引用参考文献
DID和AuthorAnonymous, 2023; 粮农组织（FAO）和联合国粮食及农业组织（UN FAO），2007; 政府间气候变化专门委员会（IPCC），2023; Jun等人，2016; James，1982; Wan Ismail和Wan Zin @ Wan Ibrahim，2017.利益冲突声明
作者声明他们没有已知的可能影响本文研究的财务利益或个人关系。伦理审批
本手稿的撰写遵循了目标期刊规定的伦理要求。数据可用性
研究中使用的数据可在线免费获取，相关参考文献已在正文中注明。对于日降雨数据，作者无权分享。资金来源
本研究未获得公共部门、商业机构或非营利组织的任何特定资助。利益冲突声明
作者声明他们没有已知的可能影响本文研究的财务利益或个人关系。
