利用机器学习进行特定含水层的洪水预测：对三种不同沉积含水层的比较分析

《Science of The Total Environment》：Aquifer-specific flood forecasting using machine learning: A comparative analysis for three distinct sedimentary aquifers

精准洪水预测受地质条件影响显著，本研究在泰晤士河流域石灰岩、白垩岩和绿砂含水层中对比了四类机器学习模型（TFT、Informer、LSTM、XGBoost）的1-4天多时段预测性能。结果表明：石灰岩因快速地下水-河流响应（R2=0.98-0.99），TFT和LSTM表现最优；白垩岩次之（R2=0.77-0.80）；绿砂因延迟复杂反应（R2≤0），所有模型均失效。研究揭示地质特异性对模型可靠性的决定性作用，提出需结合含水层特征优化AI架构。

　　在面对全球范围内日益频繁和严重的洪水灾害时，准确的洪水预测成为减少其负面影响的关键因素。英国泰晤士盆地作为多样的水文环境，包含了从农村地区如牛津郡和格洛斯特郡到城市区域如伦敦的广泛区域，其复杂的地质结构和多样的水文响应对洪水预测构成了显著挑战。为了应对这些挑战，本研究评估了四种机器学习模型——TFT（Temporal Fusion Transformer）、Informer、LSTM（Long Short-Term Memory）和XGBoost——在不同地质条件下进行多时段洪水预测的能力，重点关注石灰岩、白垩岩和绿砂岩三种主要含水层。

### 地质特征对洪水预测的影响

不同地质环境下的含水层具有不同的水文特性，这些特性直接影响洪水预测的准确性。例如，石灰岩含水层由于其高渗透性和快速的地下水-河流相互作用，展现出非常高的预测精度（R2 = 0.98–0.99），表明这些模型在捕捉短期和长期水文过程方面表现优异。相反，绿砂岩含水层由于其复杂的地下水反应和较长的延迟效应，导致预测精度显著降低，甚至出现负值（R2 ≤ 0），这表明在这些区域，现有的模型难以有效模拟水文动态。

白垩岩含水层则表现出中等的预测精度（R2 = 0.77–0.80），其地下水反应通常较为延迟，且渗透性适中。这种中等程度的反应使得模型在预测短期洪水事件时表现良好，但在更长的预测时间段内，准确性下降。这些发现突显了地质结构在洪水预测中的核心作用，表明在不同含水层类型中，模型性能存在显著差异。

### 模型选择与性能评估

本研究采用了多种模型进行洪水预测，其中包括基于注意力机制的Transformer模型、递归神经网络（如LSTM）以及集成学习模型（如XGBoost）。这些模型在不同的预测时间段（1至4天）内展现出不同的优势和局限性。

在石灰岩含水层，Transformer模型（如TFT和Informer）和LSTM在短期预测（1–2天）中表现出色，能够准确捕捉地下水与河流之间的快速响应。特别是在1天的预测时间范围内，这些模型的R2值高达0.99，而XGBoost的表现相对较低（R2 = 0.72）。这表明，对于具有明显地下水-河流联动性的含水层，Transformer模型和LSTM具有更强的预测能力。

在白垩岩含水层，尽管模型表现不如石灰岩含水层，但TFT和LSTM仍能维持较高的预测精度（R2 = 0.77–0.80）。XGBoost在此类含水层中表现较差，尤其是在高峰流事件中，其低估倾向明显。这表明，尽管XGBoost在处理结构化数据方面表现出色，但在模拟复杂的地下水-河流相互作用时存在局限性。

绿砂岩含水层则对模型提出了更大的挑战。由于其地下水反应的延迟性和复杂性，所有模型在预测精度上均表现不佳，尤其是在较长的预测时间段（3–4天）内，R2值甚至出现负值。这说明，绿砂岩含水层的水文响应难以被现有模型准确捕捉，可能需要更复杂的模型架构或引入额外的水文变量，如土壤湿度或基流指数，以提高预测能力。

### 模型的适应性与改进方向

本研究的结果强调了模型设计与地质环境之间的紧密联系。对于石灰岩含水层，基于Transformer的模型和LSTM因其对地下水-河流快速响应的捕捉能力，表现出较高的预测精度。而对于绿砂岩含水层，由于其地下水反应的延迟性和复杂性，简单的模型如XGBoost难以有效模拟，这提示我们可能需要采用更复杂的模型架构或结合物理信息的混合模型。

此外，研究还发现，模型的预测能力受到历史数据长度的影响。在石灰岩含水层，由于其长期数据的可用性，模型能够更好地学习和模拟水文动态。而在绿砂岩含水层，尽管数据量较大，但模型仍难以准确预测高峰流和低谷流的变化，这表明在这些区域，需要更多的数据或更精细的模型调整。

### 实际应用与未来展望

本研究的结果对洪水风险管理具有重要的实践意义。首先，它强调了将地下水-河流相互作用纳入预测模型的重要性。在石灰岩含水层，基于Transformer的模型和LSTM能够提供高精度的短期洪水预测，这有助于洪水预警系统的优化，提高应急响应效率。其次，研究指出，不同含水层类型的预测能力存在显著差异，因此需要针对特定含水层设计和调整模型，以提高预测的可靠性和适用性。

未来的研究可以进一步探索混合模型和物理信息驱动的机器学习方法，以应对复杂和延迟的地下水-河流相互作用。此外，通过引入更高分辨率的监测网络和更多水文变量，可以增强模型对不同地质环境的适应能力。最后，研究还指出，模型的预测能力不仅取决于算法本身，还受到数据质量和数据处理方法的影响，因此在模型开发过程中，需要充分考虑这些因素。

综上所述，本研究通过评估四种机器学习模型在不同含水层类型中的表现，揭示了地质特征对洪水预测的重要影响。研究结果不仅为洪水预警系统提供了新的视角，也为未来的模型开发和洪水风险管理策略提供了重要的参考。