预测植被覆盖的开阔渠道中的洪水能量减少：混合人工智能技术的比较评估

《Engineering Applications of Artificial Intelligence》：Predicting flood energy reduction in vegetated open channel: Comparative assessment of hybrid artificial intelligence techniques

基于植被的洪水能量减少预测研究采用混合人工智能模型，整合XGBoost-PSO、随机森林、支持向量回归-PSO和人工神经网络-PSO进行数据建模。通过10折交叉验证分析，XGBoost-PSO模型在相关系数0.88和均方误差7.01方面表现最优，其统计验证（方差分析P=0.0054，T检验P=0.0062）和泰勒图分析（预测标准差13.75与实测13.98高度吻合）均证实最佳性能。研究首次系统比较不同混合AI模型在植被密度、水流形态等复杂参数下的预测能力，为生态河道修复提供数据驱动新方法。

　　洪水作为最严重的自然灾害之一，对基础设施造成了巨大的破坏。以往的研究虽然探讨了植被对水流动态的影响，但未能提供准确的洪水能量减少预测。因此，本研究采用了一种混合人工智能模型，以更精确地预测洪水能量的减少情况。研究中收集的数据系列包括植被的水力和几何条件，涵盖了现有文献中的相关信息。所使用的混合模型包括人工神经网络、极端梯度提升（XGBoost）、支持向量回归（SVR）与粒子群优化（PSO）结合，以及随机森林（RF）等方法。为了评估每种人工智能模型的性能，研究考虑了相关系数和均方误差这两个关键指标。结果显示，XGBoost-PSO模型在相关系数和均方误差方面分别达到了0.88和7.01，表现优于其他模型。相比之下，人工神经网络-PSO模型的预测能力较弱，相关系数和均方误差分别为0.83和7.89。此外，通过方差分析（ANOVA）和T检验，XGBoost-PSO模型的优越性也得到了确认，P值分别为0.0054和0.0062。更进一步，通过泰勒图（Taylor’s diagram）分析，XGBoost-PSO模型在预测标准差方面表现最佳，其预测值为13.75，与实测值13.98非常接近，而其他模型则相对较差。本研究的发现揭示了混合模型在预测洪水能量减少方面的重要性，特别是XGBoost-PSO模型在植被影响下的应用。

洪水期间，河流通道和泛滥平原会因洪水水位的动态变化而发生变化。因此，为了保持此类系统的可持续性，植被如草类、灌木和树木发挥着关键作用，正如之前的研究所指出的（Aydogdu, 2023）。水流模式、沉积作用、河床形态以及再悬浮过程都会受到水生植物存在与否的影响，无论这些植物是部分还是完全被淹没在河流系统中。水流与植被之间的相互作用提高了水生生态系统的稳定性和恢复力（Wu et al., 2020）。除了水流速度和能量外，水生系统中的根、叶和茎部分也有助于减少冲刷、河岸侵蚀以及水和土壤的流失，同时促进河岸植被的生长（Cornacchia et al., 2022）。此外，水生植物的存在对沉积物输送机制、微生物、生物和非生物因素以及污染物有着显著影响（Zhan et al., 2024）。植被对水流特性的影响及其理解，是有效管理水生态系统的重要现象。植被通常在自然和人工河流系统中以规律或不规律的方式生长（Li et al., 2019）。河流系统中植被块的非线性排列会形成均匀和湍流的水流结构（Li et al., 2022）。水流在植被块周围的修改会影响局部水流条件，改变植被和河床表面附近的湍流和剪切应力，有助于形成局部河床形态（Le Bouteiller and Venditti, 2015）。此外，在植被块的尾流区域，流速的降低可能会促进沉积物的沉积（Yamasaki et al., 2021）。在洪水情景下，浅水深度和低流速条件会在泛滥平原上形成，因此在密集植被条件下，沉积物的积累和洪水水的限制发生。

水动力学研究主要集中在探讨植被如何影响水流特性（Murtaza et al., 2024a）（Pasha et al., 2025）。关键因素如植被密度、柔韧性和类型在塑造平均流参数方面起着重要作用，包括流量、水力平均深度、水位和能量梯度（Iqbal et al., 2025a）。植被对河床有显著影响，常导致上游水位上升并形成回水效应（Valyrakis et al., 2021）。当水流经过植被区域时，会经历逐渐下降，可能在下游形成水力跃（hydraulic jump）。然而，振荡水流往往在经过植被最后一排之后的一定距离内逐渐消散（Pasha and Tanaka, 2017）。以往的研究评估了洪水泛滥区植被对流动阻力的影响，并分析了河流过程的二维特性（Aberle and J?rvel?, 2013）。此外，还实验性地研究了洪水泛滥区与主河道流动之间的差异，重点在于通过评估阻力系数和三维流速来研究植被对洪水能量的减少作用（Sanjou et al., 2018）。Sanjou等人（2018）分析了单排树木在亚临界流条件下对洪水能量的缓解作用，提出了一个估算能量减少的公式。此外，研究还实验性地探讨了植被块对开放渠道中洪水能量减少的影响（Murtaza et al., 2025a）。在不同的植被密度和厚度条件下，研究还探讨了植被块对洪水能量减少模式的影响，包括亚临界和超临界流条件下的表现（Pasha and Tanaka, 2020）。

计算流体动力学（CFD）是开发数学框架以考虑纳维-斯托克斯方程，从而精确预测水流湍流结构的最新技术之一（Iqbal et al., 2024）。以往的研究报告指出，CFD模型与实验室水槽中收集的数据之间具有良好的一致性。之前的研究还评估了各种CFD模型的局限性和优势（Iqbal et al., 2025b）。例如，Kolo?等人（2020）利用基于高雷诺数的CFD模型，评估了包括速度场、尾流阻力系数、压力和升力在内的不同参数，围绕一个模拟植被条件的圆柱体。他们的研究结果比较了各种模型，包括尺度自适应模拟、大涡模拟（LES）和剪切应力传输k–ω模型。这些模型的比较表明，LES模型在提供准确结果方面表现最佳。从文献来看，CFD建模在模拟水流与植被相互作用方面显示出良好的前景，但大多数文献仍然集中在湍流动能和湍流强度分布的确定上。预测通过植被块的能量动态仍然是该领域最具挑战性的任务之一。过去的研究在详细湍流结构与不同植被条件之间的关系方面提供了不足的信息（Li et al., 2020）。因此，了解植被条件如何影响河流通道中的湍流结构对于提高河流系统的生态修复至关重要（Huai et al., 2021）。

近年来，人工智能（AI）在建模各种现象方面受到了广泛关注，包括洪水（例如Munawar等人，2021）、滑坡（例如Kavzoglu等人，2019）和泥沙输运（例如Najafzadeh和Oliveto，2020）。利用AI技术预测环境现象的非线性和复杂模式受到了高度重视。与传统模型相比，AI技术通常需要较少的数据集，并且用户友好，具备在没有先验知识的情况下建立输入和输出参数复杂数据集之间关系的能力。因此，AI技术在理论上和经验方法上表现优异（Bizimana和Altunkaynak，2021）。基于AI和机器学习的数据驱动技术在水工工程领域得到了广泛应用。例如，Wang等人（2022）利用生成对抗网络（GAN）和多特征融合，对预测河流中的流速进行了92%的准确率测试。同样，Hussain和Khan（2020）比较了多种本地AI模型，包括随机森林（RF）、人工神经网络（ANN）和支持向量机（SVM），用于预测河流中的水流特性。他们观察到，随机森林模型的预测精度分别比ANN和SVM模型高出17.8%和33.6%。先进的机器学习方法被用于评估气候变化对水资源的影响，估计黄河流域的水资源短缺和干旱，为适应性管理方案提供支持（Nanehkaran等人，2023）。其他研究人员则专注于利用ANN预测渠道和砾石河床系统中的水力条件，显示出比传统技术如经验公式和数学方程更高的性能（Gholami等人，2017）。Tahershamsi等人（2012）利用多层感知器（MLP）和径向基函数（RBF）预测冲积河道的几何特征，显示出优越的表现。此外，利用基因表达编程（GEP）预测渠道中的床剪切应力分布，报告了比传统方法更准确的结果（Khozani等人，2018）。一种经过Levenberg–Marquardt算法训练的人工神经网络AI模型，也增强了模型的预测能力，并表现出高准确率和预测能力（Oztuna Taner和?olak，2024）。

混合AI技术，即结合多种AI方法，也被证明在创建更准确、稳健和通用的模型方面非常有效。通过整合不同AI方法的优势，这些方法能够提高预测的准确性，尤其是在处理新颖数据集时。由于其能够应对复杂挑战并提高整体性能，混合AI模型在各个领域得到了广泛应用。了解开放渠道中水流特性的变化对于分析水流与植被之间的相互作用仍然至关重要。因此，本研究旨在比较各种AI技术在预测不同输入参数下的植被对洪水能量减少的影响。本研究的独特贡献在于从传统的实验和数值模拟方法转向数据驱动方法，并利用混合AI模型以实现对植被对洪水能量减少影响的精准预测。与传统方法不同，这些方法通常忽略复杂的相互作用，而本研究采用先进的混合模型，如XGBoost-PSO、RF、SVR-PSO和ANN-PSO，以显著提高洪水能量减少预测的准确性。此外，研究通过SHAP、方差分析（ANOVA）和泰勒图（Taylor’s diagram）确保了模型的可解释性和统计稳健性，为建模洪水能量减少提供了高精度的方法。本研究利用了ANN-PSO、RF、SVR-PSO和XGBoost-PSO模型，分析了这些模型在预测洪水能量减少方面的性能，以相关系数（R）和均方误差（MSE）为指标，这是第一项研究目标。另一项研究目标是根据模型表现选择最佳模型，为此绘制了ANOVA、T检验和泰勒图。为了理解输入参数的影响以及输入和输出参数之间的关系，研究还绘制了SHAP分析、相关热图和散点对图矩阵。总体而言，本研究为利用混合AI技术预测通过植被减少洪水能量提供了更全面的理解。