基流分割耦合水文模型与机器学习模型的混合方法对径流及极端事件模拟的优化研究

为解决传统水文模型与机器学习模型在极端值模拟中的局限性，研究人员开展了一项整合分布式水文土壤植被模型(DHSVM)与长短期记忆网络(LSTM)的混合建模研究。通过引入基流分割技术，该模型在湘江流域的测试中显著提升性能：径流NSE(纳什效率系数)达0.9，PBIAS(百分比偏差)降至-1.3%，极端低流模拟偏差从53.5%降至19.7%，为水文预测提供了创新方法。

　　

精确的径流模拟对于理解水文过程和预测极端事件至关重要。传统分布式水文土壤植被模型(DHSVM)和长短期记忆网络(LSTM)各自存在短板，特别是在模拟极端水文值时表现欠佳。这项创新研究构建了一个"水文-人工智能"混合模型，巧妙地将物理机制驱动的DHSVM与数据驱动的LSTM网络耦合，并引入基流分离技术来优化地下水贡献量的计算。

在湘江流域的实证研究中，这个"双引擎"混合模型展现出惊人性能：径流模拟的纳什效率系数(NSE)飙升至0.9，百分比偏差(PBIAS)控制在-1.3%的优异水平。更令人振奋的是，基流分割技术的引入使模型对基流和低流量的模拟精度大幅提升——基流PBIAS从8.5%降至0.8%，低流量PBIAS更是从53.5%骤降到19.7%。这些突破性进展证实，通过融合物理模型与机器学习优势，并精细刻画地下水动态，能够显著提升径流全过程(包括极端事件)的模拟精度，为防洪抗旱决策提供了更可靠的科学工具。