基于机器学习代理模型的概念性洪水淹没制图方法保真度与性能提升研究

本文提出了一种创新性洪水淹没制图（FIM）优化方案，通过建立随机森林算法的代理模型（SM），将高保真水动力模型HEC-RAS 2D的预测能力迁移至低计算成本的Height Above the Nearest Drainage（HAND）概念模型。研究显示该SM能减少18%的误报率，关键成功指数（CSI）提升26%，为资源有限地区提供了快速精准的洪水预测新范式。

　　

Highlight

本研究开创性地将机器学习代理模型（SM）应用于概念性洪水淹没制图（FIM）的优化，通过建立高保真水动力模型HEC-RAS 2D与简化HAND模型之间的知识迁移桥梁，显著提升了传统方法的预测精度。

Results

• 模型对比显示：NWM-SRC框架与HEC-RAS 2D的水位预测结果存在显著差异

• 空间泛化测试：SM在未训练子流域成功实现跨区域应用

• 特征重要性分析：地形特征与土地覆盖数据对模型预测贡献度最高

• 性能提升：SM使HAND-FIM的误报率降低18%，关键成功指数（CSI）提升26%

Discussion

该SM技术突破了传统水动力模型的计算瓶颈，首次实现两种不同建模方法论（概念模型与物理模型）的知识融合。其空间泛化能力尤其适用于数据稀缺地区，为NOAA（美国国家海洋和大气管理局）的全国洪水预警系统提供了可扩展解决方案。

Conclusion

本研究验证了基于机器学习的跨模型知识迁移在洪水预测领域的可行性，开发的SM框架兼具计算效率与预测精度，为构建气候适应性强的防灾体系提供了创新技术路径。

（注：翻译严格保留专业术语如HEC-RAS 2D、CSI等原称，并采用²、₂规范标注上下标）