多源土壤湿度数据融合提升物理机制与数据驱动模型在洪水模拟中的性能

推荐：针对缺乏实测土壤湿度数据的流域水文模拟精度不足问题，浙江大学团队创新性地将ESA CCI SM、GLDAS-CLSM、GLDAS-Noah和ERA5等多源土壤湿度数据集融入DHSVM水文模型和Informer机器学习模型，构建六种校准方案。研究发现融合土壤湿度数据能显著提升极端径流模拟能力，其中ERA5和融合数据集表现最优，为无观测数据流域的水文预测提供了新范式。

　　

在全球气候变化背景下，山区流域洪水频发成为威胁人类生命财产安全的重大隐患。中国东部椒江上游流域作为典型的亚热带季风区山地流域，其饱和超渗产流机制使得土壤湿度成为洪水形成的关键控制因子。然而，传统水文模型仅依靠出口断面流量进行参数校准，导致土壤水分动态过程模拟失真；而机器学习模型虽在径流预测中表现优异，却因缺乏物理机制约束面临可解释性挑战。更棘手的是，全球仍有大量流域缺乏土壤湿度实地观测数据，严重制约了水文模拟精度。

针对这一系列科学难题，浙江大学水文与水资源团队开展了一项创新研究。他们首次将多源土壤湿度数据集（包括卫星遥感的ESA CCI SM、陆面同化的GLDAS-CLSM/Noah和再分析数据ERA5）同时引入物理基础的分布式水文土壤植被模型(DHSVM)和数据驱动的Informer模型，构建了六种参数校准与径流模拟方案。这项开创性工作发表在《Journal of Hydrology: Regional Studies》上，为无观测数据流域的水文模拟提供了方法论突破。

研究团队采用四大关键技术方法：首先运用方差分析(ANOVA)筛选DHSVM的26个敏感参数；其次开发了融合ε-NSGA-Ⅱ多目标遗传算法的校准框架，同步优化KGE（Kling-Gupta效率系数）和PBIAS（百分比偏差）等指标；然后基于自相关函数确定Informer模型的6天输入步长；最后通过克里金插值将不同分辨率的土壤湿度数据统一到0.1°网格。研究选取2015-2020年椒江上游流域数据，以2014年为预热期，分训练期和验证期进行评估。

DHSVM校准与验证结果显示，传统单目标校准方案（Scheme 1）在验证期径流模拟KGE仅0.60，且严重高估土壤湿度（PBIAS达68.2%）。而融合土壤湿度的多目标校准方案（Schemes 2-6）使径流KGE提升3.33-5.00%，其中ERA5方案（Scheme 5）和融合数据集方案（Scheme 6）表现最优，验证期土壤湿度KGE分别达0.79和0.85。值得注意的是，2020年8月5日的极端洪水事件中，传统方案低估峰值流量34.3%，而多元素方案将误差缩小至30.1-31.2%。

机器学习模型比较发现，仅用降雨输入的Informer模型（Scheme Ⅰ）在验证期出现严重高估，如2017年8月1日模拟流量超实测值98.1%。引入土壤湿度后，最优方案（Scheme ⅥⅥ）使验证期KGE从0.76跃升至0.90，极端高流量区间（超越概率0-0.015）的模拟精度显著提升。水文特征分析显示，该方案将年径流变异系数(CV)误差从29.6%降至2.4%，最大年均比径流(MQ)偏差从18.2%降至0.1%。

讨论与结论部分指出三大创新发现：一是物理模型通过多元素校准能平衡不同土壤湿度数据集的不确定性，而机器学习模型对输入数据质量更敏感；二是ERA5因精确表征表层土壤湿度（0-7cm），成为提升洪水模拟精度的最优数据集；三是融合多源数据的Scheme 6可抵消单一数据集误差，在无观测流域实现最优模拟。该研究不仅证实土壤湿度数据能同步提升物理机制与数据驱动模型的性能，更开创性地提出"水文模型输出+机器学习"的混合建模思路，为智慧水利建设提供了关键技术支撑。正如通讯作者Yue-Ping Xu教授强调的，这项成果对亚热带季风区中小流域的洪水预警系统优化具有重要实践价值，其方法论框架可推广至全球类似气候区。