用于日流量预测的混合建模方法：以美国本土为例的研究

《Journal of Hydro-environment Research》：Hybrid modeling for daily streamflow forecasting: A study over the contiguous United States

本研究采用LSTM网络结合delta学习和数据增强两种混合建模方法，模拟水文模型Gm，用于预测美国连续性流域的30日流量。结果显示混合模型在多个区域和季节中表现优于传统水文模型，尤其在太平洋西北地区、落基山脉和东部地区，且性能与地理位置、季节性和降水频率相关。

　　流速预测是水文学和水资源管理领域的重要研究方向，对于洪水预警、水库调度以及航道疏浚规划等应用具有关键意义。随着全球气候变化和人类活动对水循环的影响日益加深，精准的流速预测能力成为保障水资源可持续利用和防洪减灾的重要工具。本文研究了两种混合建模方法——delta学习和数据增强——在连续美国境内600个流域中的应用效果，旨在提升流速预测的准确性与适用性。

流速预测涉及多个时间尺度，从短期几小时到几天的实时预报，到中期几周到几个月的预警性预测，再到长期数月到数年的战略规划。在实际应用中，不同时间尺度的预测需求往往不同，例如，短期预测主要用于实时应急响应，中期预测则有助于水资源管理决策，而长期预测则用于基础设施建设和政策制定。因此，发展适用于不同时间尺度的流速预测模型具有重要的现实意义。

在传统的流速预测方法中，基于物理原理的水文模型和数据驱动的模型各有优劣。基于物理的模型能够反映水文过程的内在机制，如饱和流和入渗溢流的生成，但它们通常受到空间异质性建模、复杂过程的捕捉以及计算资源的限制。相比之下，数据驱动的模型，如自回归积分滑动平均（ARIMA）、支持向量机（SVM）和人工神经网络（ANN），可以快速响应输入数据的变化，但缺乏对水文过程的物理解释能力，且难以预测未训练的水文变量。因此，这两种模型在实际应用中往往需要结合使用，以弥补各自的不足。

近年来，深度学习技术在水文学领域取得了显著进展，特别是长短期记忆（LSTM）网络因其在时间序列建模中的优越性能而受到广泛关注。LSTM网络能够有效捕捉流速数据中的长期依赖关系，从而在不同时间尺度的预测中表现出较高的准确性。然而，单独使用深度学习模型仍存在一定的局限性，例如在某些地区或季节，模型的预测能力可能受到降水模式、地形特征和气候条件等因素的影响。因此，研究者们开始探索将深度学习模型与物理模型相结合的混合建模方法，以提升预测性能并增强模型的可解释性。

在本文中，研究者们开发了两种混合建模方法，分别称为delta学习（DL）和数据增强（DA）。这两种方法均基于LSTM网络，但它们的输入和处理方式有所不同。delta学习方法通过比较观测流速与另一种水文模型预测的流速之间的差异，构建了一个LSTM驱动的代理模型（Gδ），从而捕捉流速预测中的误差部分。而数据增强方法则利用了更多的输入信息，包括观测流速、气候数据以及物理模型的输出结果，构建了一个LSTM驱动的代理模型（Ge），以进一步优化流速预测。

研究结果表明，这两种混合建模方法在预测30天内的流速时，均优于传统的水文模型。特别是在美国东部、太平洋西北地区和落基山脉区域，混合模型的表现尤为突出。这些区域的流速预测能力在不同季节中表现出显著的变化，而混合模型能够有效适应这种变化，提供更稳定和准确的预测结果。此外，研究还发现，混合模型的预测性能与纬度、降水季节性、降水时间分布以及流速对降水的弹性等因素密切相关。例如，在夏季，delta学习方法的预测性能与纬度呈正相关，但与高降水日的频率呈负相关；而在冬季，delta学习方法的预测性能则与叶面积指数呈正相关。数据增强方法的预测性能则与夏季高降水日的频率呈负相关，与春季基流指数呈正相关。

值得注意的是，混合模型的预测性能在不同时间尺度上表现稳定，而传统水文模型的预测性能则随着预测时间的延长而波动。具体而言，当预测时间从30天延长到90天时，传统水文模型的性能有所改善，尤其是在春季。然而，混合模型在所有时间尺度上的预测能力均优于传统模型，且不受季节变化的影响。这一结果表明，混合模型在处理长时间尺度的流速预测时具有更强的鲁棒性和适应性，能够为水资源管理提供更加可靠的支持。

此外，研究还探讨了混合模型在不同气候条件下的适用性。例如，在湿润亚热带气候区，数据增强方法的预测性能得到了显著提升，而delta学习方法在干旱或半干旱地区表现更为突出。这种差异可能与各地区降水模式、地形特征和植被覆盖等因素有关。因此，混合建模方法的适用性需要根据具体的流域特征和气候条件进行评估和调整。

在实际应用中，混合建模方法不仅提高了流速预测的准确性，还增强了模型对复杂水文过程的模拟能力。例如，delta学习方法能够捕捉观测流速与预测流速之间的误差，从而为模型的改进提供依据；而数据增强方法则通过引入更多的输入信息，提升了模型对不同水文条件的适应能力。这两种方法的结合为水文模型的优化提供了新的思路，特别是在处理未训练变量和提高预测精度方面。

综上所述，本文的研究成果为提升美国境内流域的流速预测能力提供了重要的理论支持和技术路径。通过引入混合建模方法，研究者们不仅克服了传统模型在处理复杂水文过程时的局限性，还增强了模型对不同时间尺度和季节变化的适应性。未来的研究可以进一步探索混合模型在不同地理区域和气候条件下的适用性，以及如何通过优化模型结构和参数设置来提高预测性能。同时，混合模型的应用也需要结合实际需求，例如在城市排水系统和农业灌溉规划中，以实现更高效的水资源管理。