CE-QUAL-W2与物理信息神经网络耦合模型在洪水预报中的创新应用与性能评估

针对水文数据精度不足导致的洪水预报误差问题，本研究创新性地提出CE-QUAL-W2模型与物理信息神经网络（PINN）的耦合方法。通过校正实时观测数据并嵌入流体力学方程约束，该模型在3小时预见期内实现了水位和流量的高精度预测（R2>0.8，RE<18%），其MAE、NSE等六项指标均显著优于传统XAJ和LSTM模型，为数据稀缺区域的防洪决策提供了可靠工具。

　　

在全球气候变化加剧的背景下，洪水灾害频发已成为威胁社会经济可持续发展的重大挑战。传统水文模型如新安江模型（XAJ）虽在流域洪水预报中表现稳定，但受限于数据质量和物理过程简化，难以应对短时强降雨等极端事件；而长短期记忆神经网络（LSTM）等数据驱动模型虽能捕捉非线性特征，却因"黑箱"特性缺乏物理可解释性。更棘手的是，实际观测数据常存在缺失或误差，导致模型输入质量参差不齐。如何构建兼具物理机理与数据学习能力的混合模型，成为提升洪水预报精度的关键突破口。

针对这一科学难题，河海大学水文水资源与水利工程科学国家重点实验室的研究团队在《Journal of Hydrology》发表最新成果，提出将二维水动力模型CE-QUAL-W2与物理信息神经网络（Physics-Informed Neural Network, PINN）耦合的创新方法。研究以中国江苏骆马湖1960-2022年间35场历史洪水为样本，通过CE-QUAL-W2校正观测数据的水位和流量过程线（R²>0.71），再将校正后数据输入嵌入了连续方程、动量方程的PINN模型进行训练。结果表明，该耦合模型在3小时预见期内的预报精度显著优于传统方法，其中水位预测的Nash效率系数（NSE）达0.968，流量预测的均方根误差（RMSE）仅14.755 m³/s，为数据稀缺区域的实时洪水预警提供了新范式。

关键技术方法
研究采用多学科交叉技术路线：1）基于CE-QUAL-W2 v4.5构建二维水动力模型，求解包含连续方程（?Bμ/?x+?Bω/?z=qB）在内的控制方程组；2）设计PINN网络结构，将水动力方程作为物理约束嵌入损失函数L_total，包含数据拟合项L_data和物理残差项L_phys；3）采用ε-NSGA-II算法优化XAJ模型的23个参数作为对比基准；4）通过GPU加速的PyTorch框架实现PINN训练，使用MAE、KGE等6项指标评估性能。

研究结果

1. CE-QUAL-W2模型的校正效果
   对33场训练洪水的水位和流量过程线模拟显示，R²平均值达0.838，其中19980701号洪水虽表现最差（R²=0.719），但仍保持与观测值的变化趋势一致性（图6）。测试集的两场洪水（20210621和20210714）模拟R²均超过0.85，证实模型具备可靠的数据校正能力。

2. 预见期对预报精度的影响
   对比3小时与6小时预见期的预报效果，四场典型洪水的R²值在3小时预见期下普遍提高3-5个百分点（图8）。例如19830530号洪水的水位预测R²从0.87提升至0.91，表明短预见期更利于捕捉洪水波演进细节。

3. 耦合模型的综合性能
   在35场洪水的3小时预见期预报中，CE-QUAL-W2&PINN耦合模型的水位预测MAE仅3.894 m，显著低于XAJ模型（6.9 m）和LSTM模型（8.0 m）。泰勒图分析（图10g）显示其相关系数R达0.93，且标准差（SD）最小（2.5），说明预测结果兼具高精度与稳定性。

4. 典型复杂洪水的预报表现
   针对预报难度最大的五场洪水（如19850706号），耦合模型仍保持NSE>0.91（表7），其雷达图覆盖范围（图12b）最接近观测值分布，而XAJ模型在高峰流量处出现系统性低估（平均偏低11.5%）。

结论与意义
该研究通过耦合物理模型与深度学习，突破了传统方法在数据质量和机理解释性上的双重局限。CE-QUAL-W2&PINN模型不仅将洪水预报的相对误差控制在18%以内，更通过嵌入控制方程使神经网络具备物理一致性。相比单一模型，该框架在骆马湖的应用使水位预测NSE提升23%，流量预测WI提高0.17，为中小尺度水域的精准防洪提供了可推广的技术路径。未来可通过引入强化学习进一步优化损失函数权重，以适应更复杂的流域下垫面条件。