机器学习与物理模型融合提升埃塞俄比亚巴罗阿科博河上游流域降雨径流预测精度

《Hydrological Sciences Journal》：Integrating machine learning and physical models for rainfall-runoff prediction in the Upper Baro Akobo River Basin, Ethiopia

为解决埃塞俄比亚巴罗阿科博河上游流域数据稀缺条件下的径流预测难题，研究人员创新性地将水文工程中心水文模型系统(HEC-HMS)与支持向量回归(SVR)相结合。研究显示：混合HEC-HMS-SVR模型性能最优，NSE达0.989、RMSE仅29.78 m3/s、R2为0.99，显著优于单一模型，为洪水管理关键参数（峰值流量、基流等）的精准预测提供了新范式。

　　

这项突破性研究开创性地将水文工程中心水文模型系统(Hydrologic Engineering Center’s Hydrologic Modelling System, HEC-HMS)与支持向量回归(Support Vector Regression, SVR)进行联姻，在埃塞俄比亚水资源管理的关键战场——巴罗阿科博河上游流域展开实战演练。研究团队采用纳什效率系数(Nash-Sutcliffe efficiency, NSE)、均方根误差(Root Mean Square Error, RMSE)和决定系数(R²)三大指标进行性能比武，结果令人振奋：混合模型以NSE 0.989、RMSE 29.78 m³/s的优异成绩碾压传统HEC-HMS模型(NSE 0.85，RMSE 113.4 m³/s)，甚至比纯SVR模型(NSE 0.987，RMSE 32.067 m³/s)更胜一筹。该智能混合系统如同给水文预测装上了双引擎，不仅能精准捕捉洪峰流量(peak flow)和基流(baseflow)的微妙变化，还能全景呈现水文过程线(hydrograph)的动态舞姿，为防洪工程设计和流域综合治理提供了堪称"水文CT"的决策支持工具。