基于旋转经验正交函数与机器学习的可解释性洪水范围快速预测模型研究

本研究针对传统水动力模型计算复杂、数据需求高的局限，提出FIER 2.0模型，通过融合Sentinel-1 SAR二值淹没图与LSTM/TCN等机器学习方法，实现了柬埔寨洞里萨湖洪泛区淹没范围的高精度预测（CSI提升16%-25%），为数据稀缺地区提供可解释、可扩展的洪水预测解决方案。

　　

洪水是全球发生最频繁的自然灾害，近20年已造成1.65亿人受灾和6510亿美元经济损失。传统水动力模型虽能模拟洪水演进过程，但依赖高精度地形数据和大量计算资源，在数据稀缺地区应用受限。而现有机器学习方法又面临空间信息利用不足、模型可解释性差等挑战。针对这一科学难题，美国休斯顿大学团队在《Environmental Modelling》发表研究，提出升级版FIER 2.0模型，为洪水预测提供了新范式。

研究团队采用四大关键技术：1）旋转经验正交函数(REOF)分解历史淹没图提取时空模态；2）融合多轨道Sentinel-1 SAR二值淹没图构建训练集；3）开发LSTM和TCN混合回归模型关联水文时序与REOF模态；4）基于柬埔寨洞里萨湖70景影像验证模型性能。

【REOF分解与物理解释】
通过分析二值淹没图提取的旋转空间模态(RSM)，发现洞里萨湖存在三种典型淹没模式：上游来水主导型、下游顶托型和复合型。旋转时间主成分(RTPC)显示不同模式对水文变量的响应差异，为模型提供物理解释基础。

【二值淹没图有效性验证】
比较SAR强度图与二值图的REOF分解效果，发现后者能融合多轨道数据且保持预测精度。在2022年洪水事件中，二值图训练模型CSI达0.81，较FIER 1.0提升16%（洪水初期）和25%（退水期）。

【回归模型优化】
引入LSTM-TCN混合模型捕捉水文时序特征，相比多项式回归使纳什效率系数(NSE)提高0.15。关键发现是提前3-5天的水位数据对预测精度贡献显著，证实历史水文动态的影响。

【小样本适应性】
仅用70景训练影像即实现稳定预测，在2018-2022年不同量级洪水事件中CSI波动小于5%，证明模型在数据稀缺地区的适用性。

结论部分强调，FIER 2.0通过三大创新突破现有技术瓶颈：1）二值图处理实现多源遥感数据融合；2）可解释的REOF框架增强决策可信度；3）高效机器学习模块降低计算成本。讨论指出，该模型虽无法预测训练集外的新淹没区，但通过持续更新卫星数据可逐步完善预测能力。研究为《巴黎协定》气候适应行动提供了可落地的技术工具，其方法论也可拓展至其他地表水动态监测领域。