基于非平稳Transformer的水资源多层级优化分配模型构建与不确定性分析

本研究针对水资源短缺城市供水可靠性及水质改善难题，创新性地采用非平稳Transformer(NS-Transformer)模型预测非平稳径流，结合Bootstrap方法量化水资源可用量(WA)与需水量(WD)的不确定性，构建了考虑多源不确定性的过程化三层协同优化分配模型(PTSOA)。结果表明NS-Informer模型显著提升预测精度，多不确定性场景下最高可节水1.34×107 m3 ，为复杂水系统分级决策提供新范式。

　　

在全球气候变化与人口增长的双重压力下，水资源短缺已成为制约城市发展的关键瓶颈。以中国义乌为代表的缺水型城市，正面临着供水保障与水环境改善的双重挑战。传统水资源管理面临三大科学难题：径流序列的非平稳特性导致预测精度受限，多源不确定性（包括水资源可用量WA和需水量WD）影响分配方案的鲁棒性，以及复杂水系统层级决策的协同优化问题。现有研究多聚焦单一不确定性源或简化层级结构，难以满足实际水系统精细化管理的需求。

针对这些挑战，浙江大学水文与水资源研究所的研究团队在《Journal of Hydrology》发表创新性研究，首次将非平稳Transformer(NS-Transformer)架构引入水文预报领域，结合Bootstrap不确定性量化方法，构建了全过程、多层级的Process-based three-layer synergetic optimal allocation(PTSOA)优化模型。研究团队开发了NS-Transformer、NS-Autoformer和NS-Informer三种改进模型，通过引入非平稳处理模块，在保持原始序列动态特征的同时提升预测稳定性。与常规Transformer相比，新模型在七个水库的径流预测中NSE系数平均提升23.6%，其中NS-Informer表现最优。通过Bootstrap重采样技术，同步量化了WA与WD的不确定性范围，并创新性地评估了多源不确定性对三层级水系统（水库-水厂-用户）分配方案的影响。

关键技术方法包括：1)采用非平稳Transformer架构处理1984-2014年水库日径流数据，输入序列长度为6，通过ADAM优化器训练；2)基于Bootstrap的WA/WD不确定性模拟，生成1000组重采样数据集；3)构建包含水源分配、用户配水、再生水回用的PTSOA三层优化模型；4)设计三种不确定性场景（仅WA、仅WD、WA+WD）进行对比分析。

研究结果揭示：

1. 非平稳Transformer的预测效能
   通过Qiaoxi等四个代表性水库的验证表明，NS-Transformer系列在NSE、RMSE和MAE指标上全面优于传统模型。NS-Informer对峰值流量的捕捉能力尤为突出，这归因于其能有效保留径流序列的时序异质性特征。

2. 不确定性对分配方案的影响
   在WA+WD双重不确定性场景下，PTSOA模型展现出显著优势：与单一不确定性方案相比，最大节水潜力达1.34×10⁷
   m³
   ，相当于义乌市10%的年用水量。多源不确定性考量使分配方案呈现"集约化"特征——生态补水比例提高12%，工业用水波动幅度降低35%。

3. 层级决策的协同效应
   模型验证了三层级结构的必要性：当引入再生水子系统后，上层水库调度方案可使下层用户缺水风险下降28%。这种协同效应在干旱年份（如2013年）表现更为显著，证明层级耦合能有效缓解决策负外部性。

讨论部分指出，该研究的突破性体现在三个维度：方法学上首创非平稳处理与Transformer的融合框架，理论上阐明多源不确定性对层级决策的耦合机制，实践上为缺水城市提供"预报-优化"一体化解决方案。值得注意的是，NS-Transformer在短期（7天内）预测中优势明显，但对年际尺度突变点的识别仍需结合物理机制模型。

这项研究为联合国可持续发展目标(SDG6)中的水资源可持续管理提供了技术支撑。其构建的"非平稳预测-不确定性量化-层级优化"框架，可推广至能源、交通等其它资源分配领域。未来研究将聚焦于耦合气候模式与用水行为动力学，进一步提升长期预测的可靠性。正如作者Jing Liu强调的："水系统的复杂性要求我们必须同时驾驭数据科学与系统工程的马车，而NS-Transformer正是连接这两大领域的重要纽带。"