综述：巴西洪水预测研究进展：趋势、差距与方法学视角

（编辑推荐）本综述系统梳理2012-2024年巴西洪水预测研究，揭示南部/东南部区域研究集中与北部/中西部数据缺口，强调物理模型、统计方法、机器学习（ML）及混合模型的区域适应性差异，倡导整合实时监测网络与AI技术以提升气候韧性（CEMADEN）。

　　

Abstract
洪水预测对缓解极端水文气象事件影响至关重要。随着气候变化与城市扩张加剧灾害频率，巴西研究呈现显著地域差异：南部/东南部依托完善数据基础设施，广泛应用物理模型（如SWAT）、统计方法（ARIMA）和机器学习（LSTM），而北部/中西部研究覆盖率不足。方法学上，短期预测主导现有研究，但缺乏气候与城市变量的长期建模整合。突破方向包括多源数据融合（卫星+IoT）和AI增强的混合模型（如Physics-informed ML），这对均衡提升全国水文风险管理能力具有战略意义。

Introduction
21世纪全球28亿人受自然灾害影响，经济损失超1.7万亿美元，其中洪水占南美灾害损失的38%。巴西1991-2012年记录4,691起严重洪水事件，亚马逊流域影响尤甚。WMO数据显示2000年后洪灾增加134%，气候变暖与土地覆盖变化（如土壤渗透率下降）协同加剧风险。尽管CEMADEN成立推动了监测技术发展，但预测仍面临时空异质性挑战——物理模型（HEC-HMS）虽机理明确但计算复杂，统计模型（Logistic回归）依赖历史数据，而新兴ML模型（随机森林）在数据丰富区表现优异。

Methodology
通过Web of Science/Scopus检索2012-2024年31项巴西洪水研究，筛选标准包含模型类型（物理/统计/ML/混合）、预测尺度（短/长期）及地理覆盖。数据源分析显示ANA水文站数据使用率达68%，但北部地区仅占9%。

Results
• 地域分布：70%研究集中于南纬25°以南，圣保罗州占比最高（23篇）
• 模型演进：2016年后ML应用增长300%，XGBoost在短期预测中F1-score达0.89
• 变量缺陷：仅11%研究纳入城市热岛效应，长期预测中ENSO指标利用率不足15%

Discussions
混合模型（如耦合SWAT与LSTM）在巴拉那流域实现72小时预测误差<8%，但亚马逊区因缺乏径流数据难以推广。值得注意的是，城市排水模型（SWMM）在里约热内卢的应用揭示：不透水面积增加10%可使洪峰提前2.3小时。

Conclusions
建议优先行动：

1. 扩大北部实时监测网（新增200个雨量站）
2. 开发跨尺度模型（耦合GCMs与CNN）
3. 建立国家洪水模型库（含¹³⁷
   Cs沉积标记验证模块）

CRediT
第一作者单位联邦南巴伊亚大学（UFSB）获CNPq项目资助（409304/2021-2），凸显巴西本土研究力量在灾害防控领域的持续投入。