基于NARX-LSTM双模型框架的日径流预测动态误差校正方法研究

针对复杂流域日径流预测中存在的峰值低估和时序滞后问题，研究团队创新性地构建了融合非线性自回归外生输入(NARX)与长短期记忆网络(LSTM)的双层误差校正框架(NARX-LSTM-EC)。该模型通过动态耦合历史误差与实时水文驱动因子，在汀江流域实现10-50天预见期Nash效率系数提升4.59%-18.1%，峰值预测精度最高提升72.1%，为延长水文预测预见期提供了新范式。

　　

在水资源管理领域，精确的日径流预测始终是科学调度的基石。然而，传统水文模型面对复杂非线性降雨-径流关系时，往往陷入"预测精度衰减魔咒"——随着预见期延长，模型误差呈指数级放大，尤其对洪峰流量和枯水期流量的预测常出现系统性偏差。这种困境源于三大科学瓶颈：传统神经网络难以捕捉水文要素的时滞效应，静态误差校正方法无法适应动态预测场景，以及纯数据驱动模型缺乏物理机制约束。

针对这些挑战，河海大学的研究团队在《Environmental Modelling》发表了一项突破性研究。他们巧妙地将非线性自回归外生输入(NARX)的延迟结构与长短期记忆网络(LSTM)的时序建模能力相结合，构建了全球首个具有动态反馈机制的NARX-LSTM-EC双层框架。该模型通过实时耦合预测误差与降雨径流驱动因子，在汀江流域实现了预见期50天内的持续精准预测，将洪峰流量预测误差锐减72.1%，为破解水文预测"长预见期必失准"的行业难题提供了全新解决方案。

研究团队采用三项核心技术：首先运用鲸鱼优化算法(WOA)联合时间序列交叉验证(TSCV)进行超参数优化；其次构建包含23个雨量站数据的多维特征空间；最后创新性地开发了误差-驱动因子协同校正机制，通过二级NARX-LSTM实时修正初级模型的预测偏差。这种"预测-校正"双循环架构，使得模型能够自适应跟踪误差随预见期延长的累积规律。

【结果部分】
• NARX-LSTM径流预测模型结果：最优超参数组合下，训练集与验证集划分比例为0.8:0.2，模型成功捕捉到降雨-径流响应的72小时时滞特征。

• 误差校正模型效果：在10/20/30/50天预见期，Nash效率系数分别提升18.1%、9.36%、9.02%和4.59%，证实误差校正机制对长时序预测的有效性。

• 峰值预测改进：两组测试集的洪峰流量预测精度分别提升30.5%和72.1%，显著缓解了传统模型对极端水文事件的低估倾向。

• 低流量区优化：通过实时耦合降雨强度因子，校正模型将枯水期预测的均方根误差降低23.7%，克服了传统方法对平水期过度平滑的缺陷。

这项研究的创新价值体现在三方面：理论层面，首次证实动态误差传播建模可突破水文预测的时序衰减极限；方法层面，创建的"驱动因子-误差"协同校正机制为智能水文模型提供了新范式；应用层面，模型在汀江流域的成功实践，为东南沿海台风季洪水预警提供了可靠技术支撑。研究团队特别指出，该框架未来可与物理信息神经网络(PINN)结合，进一步强化模型的物理可解释性，这种"数据驱动+物理约束+动态校正"的三元融合思路，或将成为下一代智能水文模型的标准架构。