基于河流网络分类的区域洪水频率分析：提升美国干旱半干旱区洪水估计精度

《CATENA》：River network-based regionalization for advancing flood quantile estimation in arid and semi-arid regions of the USA

本文探讨了将河流网络类型（树状、羽状、格状）作为同质区域划分依据，应用于区域洪水频率分析（RFFA）的创新方法。研究通过集成人工神经网络（EANN）和广义可加模型（GAM）对比分析，证明基于河流网络分类的RFFA模型在估算10年、50年洪水重现期（q10、q50）时，其纳什效率指数（NASH）显著优于随机网络划分，为干旱区水灾害管理提供了更精准的洪水设计值。

　　

Highlight

本研究通过将河流网络类型（如树状、羽状、格状）整合到区域洪水频率分析（RFFA）中，创新性地定义了水文同质区域。研究采用集成人工神经网络（EANN）和广义可加模型（GAM）结合典型相关分析（CCA），评估了美国干旱半干旱区95个水文站的洪水重现期（q₁₀、q₅₀、q₁₀₀）估计效果。结果表明，基于河流网络分类的同质区域划分能显著提升模型精度，尤其在树状网络中，GAM模型的NASH指数较EANN模型最高提升14.76%。

Flood quantiles

用于估算不同站点洪水重现期的径流数据源自美国地质调查局（USGS）。本研究选取美国干旱半干旱区的95个水文站进行RFFA分析，站点筛选标准包括：历史记录超过15年、水流情势未受人工设施干扰，且通过径流数据的独立性、平稳性及均一性检验。

Regionalization based on river network classification

本研究采用河流网络类型（如树状、羽状、格状）划分同质区域。树状网络具有宽阔分支结构，支流以中等锐角汇合；羽状网络呈羽毛状直线主河道，支流规则锐角汇入；格状网络则受地质构造控制，支流与主河道近直角交汇。

Quantile estimates in homogeneous and non-homogeneous basins

本研究通过EANN和GAM模型评估河流网络类型作为同质区域对洪水重现期估算的影响。分析显示，基于河流网络分类的模型在统计指标上均优于随机网络划分，其中GAM模型在树状网络中对q₁₀和q₅₀的估计精度提升显著。

Conclusion

研究表明，河流网络类型可作为定义同质区域的有效指标，提升RFFA在干旱半干旱区的洪水估计可靠性，为水灾害防控提供科学依据。