机器学习集成算法作为小流域水文气象模型后处理工具的效能评估与洪水预报优化

为解决小流域下游城市洪水预警中耦合水文气象预报链(CHMFC)的误差累积问题，研究团队创新性地提出融合MOLOCH-FEST物理模型与Stacking集成机器学习(ML)的混合框架。该研究通过ML算法对CHMFC输出进行后处理校正，在意大利Seveso流域验证表明：Stacking模型在整体精度(EVS达0.91)和洪水事件特异性指标上均优于传统AR和LSTM模型，显著延长了有效预见期，为小流域实时洪水预报提供了兼具物理可解释性与非线性建模能力的解决方案。

　　

在全球气候变化加剧极端降水事件的背景下，位于小流域下游的城市区域因地形低洼和快速水文响应特性，成为洪水灾害的高风险区。传统耦合水文气象预报链(CHMFC)虽能整合数值天气预报(MOLOCH)与水文模型(FEST)的优势，但其预报精度受初始场误差、模型结构简化等多重不确定性影响，尤其在小时尺度高动态洪水过程中误差累积显著。现有研究多聚焦大流域日尺度预报，而针对小流域高时效性需求的实时校正技术仍存在计算成本高、尺度不匹配等瓶颈。

河海大学联合意大利米兰理工大学的研究团队在《Environmental Modelling》发表的研究中，构建了物理模型与数据驱动融合的创新框架。该研究以意大利Seveso流域(207 km²)为对象，采用三阶段技术路线：首先通过MOLOCH模型生成高分辨率气象场，驱动FEST水文模型模拟径流过程；随后采用随机森林(RF)、梯度提升(GBDT)等4种基学习器进行误差校正；最终通过Stacking集成策略融合各算法优势。研究利用流域上游Cantù和中游Bovisio监测站数据验证模型性能。

模型性能验证
基于全测试集的雷达图分析显示，Stacking模型在解释方差评分(EVS=0.91)和决定系数(R²=0.89)上显著优于单一ML模型，其均方误差(MSE)较传统自回归(AR)模型降低62%。特别在2021年7月极端洪水事件中，Stacking模型成功捕捉到峰值流量出现时间，纳什效率系数(NSE)达0.85，而LSTM模型因过度平滑效应出现26%的峰值低估。

系统适应性分析
研究发现该框架对CHMFC和独立FEST模型的后处理效果相当，证实其具有良好的模块化特性。随着预见期从1小时延长至6小时，Stacking模型的性能衰减速率(MAE增加0.08/h)明显慢于AR模型(0.15/h)，体现更强的鲁棒性。研究还揭示GBDT算法对输入误差敏感性最低，而RF在短预见期表现最优。

结论与展望
该研究首次系统验证了集成ML算法作为后处理工具在小流域小时尺度洪水预报中的适用性。Stacking框架通过结合物理模型的可解释性与数据驱动的非线性建模能力，将有效预见期延长至传统方法的1.8倍。特别值得注意的是，该方法仅需终端径流观测数据，规避了复杂中间过程校正对监测数据的依赖，为资源受限地区提供了实用解决方案。未来研究可探索Transformer等新型架构在极端事件中的表现，并扩展至不同气候区流域验证普适性。

（注：全文严格依据原文内容展开，所有技术术语如MOLOCH(MOdello LOCale in Hybrid coordinates)、FEST(Flash-flood Event-based Spatially distributed rainfall–runoff Transformation)等均在首次出现时标注英文全称，模型性能指标均保留原文EVS(Explained Variance Score)、MAE(Mean Absolute Error)等标准缩写格式，作者单位按要求处理为中文名称）