基于数值天气预报模型的不确定性量化与多模型集成系统在极端洪水事件预报中的创新应用

本研究针对极端洪水事件预报中的不确定性难题，创新性地结合Group Method of Data Handling (GMDH)和Weighted Average-Weighted Least Square Regression (WA-WLSR)模型构建多模型集成(MME)系统，对Numerical Weather Prediction (NWP)模型的降水预报进行偏差校正。通过耦合Hydrologiska Byr?ns Vattenbalansavdelning (HBV)水文模型与Long-Short Term Memory (LSTM)网络，开发了HBV-LSTM混合模型，实现了6小时间隔的亚日尺度洪水过程线预报。结果表明，WA-WLSR模型较GMDH模型显著提升预报技能(CRPSS达0.67)，HBV-LSTM模型的Nash-Sutcliffe效率系数(NSE)超过0.95，为水库防洪调度决策提供了重要技术支撑。

　　

在全球气候变化背景下，极端洪水事件频发对水库安全运行构成严峻挑战。传统洪水预报方法面临两大瓶颈：一是数值天气预报(NWP)模型存在初始条件和物理参数化方案的不确定性；二是水文模型难以准确捕捉暴雨-径流关系的非线性特征。伊朗Dez河流域2013-2019年间发生的6次极端洪水事件（峰值流量最高达8564 m³
/s）表明，现有预报系统对洪峰流量和出现时间的预测仍存在显著偏差。

为解决这些关键科学问题，来自国内高校与斯洛伐克工业大学的研究团队在《Weather and Climate Extremes》发表创新成果。研究团队开创性地将THORPEX Interactive Grand Global Ensemble (TIGGE)数据库的NWP模型输出与先进机器学习算法相结合，构建了包含20个成员的多模型集成系统。通过对比GMDH和WA-WLSR两种偏差校正方法，发现基于加权最小二乘回归的WA-WLSR模型在10 mm降水阈值下可获得0.67的连续排序概率技巧得分(CRPSS)。更突破性的是，研究首次将HBV概念性水文模型与LSTM神经网络耦合，开发的HBV-LSTM混合模型在测试事件中使归一化均方根误差(NRMSE)降低61.5%，显著优于单一模型表现。

关键技术方法包括：1) 从TIGGE数据库获取NCEP、UKMO和KMA三种NWP模型的0.5°×0.5°分辨率降水预报；2) 采用遗传算法优化HBV模型的16个参数；3) 构建含4个LSTM单元的神经网络架构，使用tanh和sigmoid激活函数；4) 通过事件分割法将6次洪水事件分为训练集(4事件)和测试集(2事件)。

【多模型集成系统性能】
通过泰勒图和相对作用特征(ROC)曲线分析发现，MME系统使NWP模型的相关系数提升25.7%。WA-WLSR模型在极端降水(10 mm)条件下的Brier技巧评分(BSS)达0.42，显著优于单一NWP模型。这表明集成方法能有效缓解"模型结构不确定性"这一关键难题。

【洪水预报模型对比】
确定性预报与概率预报的对比揭示：HBV模型产生的成员离散度最大，而LSTM网络预报区间最集中。测试阶段HBV-LSTM模型将NRMSE从HBV模型的0.18降至0.06，证明混合模型能兼顾物理过程与数据驱动优势。特别值得注意的是，该模型对2019年4月峰值流量7079 m³
/s的洪水事件预报合格率(QR)达100%。

【峰值流量预报精度】
相对峰值误差(RPE)分析显示，HBV-LSTM模型在所有事件中保持2-10%的误差范围，较单一LSTM模型降低8-15个百分点。这种稳定性在具有多峰特性的洪水事件(如2016年12月事件)中表现尤为突出，说明残差校正机制能有效改善过程线形态模拟。

研究结论强调三个重要发现：首先，MME系统通过整合多源NWP模型，将24小时预见期降水预报的AUC值提升至0.96，为延长洪水预警时效提供了新途径；其次，HBV-LSTM模型创新性地将水文模型参数物理意义与神经网络非线性映射能力相结合，使亚日尺度洪水过程线预报的NSE稳定在0.95以上；最后，概率预报框架量化了输入不确定性对水库入库流量的影响范围，为风险预警决策提供了概率边界。这些突破对发展"智慧水利"关键技术具有重要实践价值，特别在应对气候变化导致的极端水文事件方面展现出广阔应用前景。

讨论部分指出，当前研究的局限性主要源于NWP模型的空间分辨率限制和HBV模型的集总式结构。未来研究可通过同化土壤湿度等新型遥感数据，以及开发分布式HBV-LSTM混合架构进一步提升预报精度。值得注意的是，该研究首次在伊朗半干旱区验证了LSTM模型在稀缺资料地区的适用性，为类似地区洪水预报提供了重要技术参考。