深度学习融合局地气候与供体站点数据提升无/部分测站流域径流重建精度

针对无测站流域(PUB)径流预测难题，本研究创新性地结合LSTM神经网络与多源数据融合技术，通过整合目标站点气候数据和供体站点(LSTMDnr)径流信息，构建LSTMClim+Dnr模型。结果表明该集成方法在五大湖区域200余个站点验证中显著优于单一数据源模型，为跨流域水资源管理提供新范式。

　　

水文预测领域长期面临无测站流域(Prediction in Ungauged Basins, PUB)的径流重建难题。传统方法依赖物理相似性转移参数或统计回归，但受限于流域异质性和气候变化影响。随着深度学习崛起，长短期记忆网络(Long Short-Term Memory, LSTM)虽在径流预测中表现优异，但如何有效整合多源数据提升历史径流重建精度仍是空白。美国康奈尔大学团队Sungwook Wi等人在《Journal of Hydrology》发表的研究，开创性地提出"气候-供体"双源数据融合框架。

研究采用多层级感知器(Multi-Layer Perceptron, MLP)预筛选高相关性供体站点，构建四种LSTM变体：仅气候驱动的LSTM_Clim、仅供体径流的LSTM_Dnr、双源集成的LSTM_Clim+Dnr以及模型平均的LSTM_Avg。基于五大湖区域200余个站点数据，通过时空外推验证发现：

【Donor gauge selection by MLP】
MLP模型预测的Spearman秩相关系数(_s)与实测值相关系数达0.82，成功筛选出前5%高相关供体站点，为后续建模奠定基础。

【Discussion and conclusion】
LSTM_Clim+Dnr在天然流域的Nash-Sutcliffe效率系数比单源模型平均提升0.15，尤其对间歇性河流预测改善显著。可解释AI分析揭示模型能动态调节气候与供体数据的权重——干旱期依赖供体站点信息，而融雪期侧重本地气温数据。该成果不仅为历史径流重建提供新工具，更通过提升五大湖集水区径流估算精度，助力区域水循环研究。

这项研究的突破性在于首次将深度学习方法与传统PUB理念结合，证实数据融合策略在历史水文重建中的优越性。作者团队特别指出，该方法在受人类活动干扰流域的适用性仍需进一步验证，但为应对气候变化下的水资源管理挑战提供了重要技术路径。