卷积神经网络驱动的卫星降水偏差校正提升柬埔寨洪水淹没模型精度

为解决卫星降水产品(SPP)系统性偏差影响水文模型精度的问题，研究人员开发了基于卷积神经网络(CA-UNET)的校正框架，对柬埔寨地区CHIRPS降水数据进行24年(1985-2008)的0.05°网格偏差校正。通过耦合校正数据与降雨-径流-淹没(RRI)模型，在洞里萨湖流域(TSLB)实现了河流流量与洪水淹没的高精度模拟。结果显示：KGE值从0.04提升至0.87，RMSE降低76%；RRI模型的NSE、RSR和R2分别达到0.73、51.69和0.78。该研究为数据稀缺地区的水文建模提供了创新解决方案。

　　

在全球气候变化背景下，洪水已成为威胁人类生命财产的主要自然灾害。柬埔寨作为湄公河下游的重要国家，72%的自然灾害损失来自洪水。虽然洪水能促进农业和渔业发展，但极端事件常造成毁灭性后果。然而，该国降水监测主要依赖地面站点，数据覆盖不足且精度有限。卫星降水产品(SPP)如CHIRPS虽能提供0.05°高分辨率数据，但受地形复杂性和校准不足影响存在显著偏差，直接影响水文模型预测可靠性。传统统计校正方法难以捕捉降水时空异质性，亟需创新解决方案。

针对这一科学问题，Oudom Satia Huong等研究人员在《International Soil and Water Conservation Research》发表研究，提出融合深度学习与水文学的前沿方法。研究团队首先收集柬埔寨89个气象站1985-2008年降水数据，通过普通克里金(OK)插值生成0.05°网格观测场。采用CA-UNET神经网络架构——结合自动编码器和U-NET结构的深度学习模型，对CHIRPS卫星数据进行像素级偏差校正。模型训练采用120×96像素的二维灰度图像输入，通过编码器-解码器结构和Adam优化器进行1000次迭代训练。校正后的降水数据与HydroSHEDS数字高程模型、GLEAM蒸发数据等共同输入降雨-径流-淹没(RRI)模型，模拟洞里萨湖流域(TSLB)的水文过程。模型采用2.7km分辨率网格，通过曼宁公式和Green-Ampt方法计算坡面流与河道流，并设置0.5m水深阈值界定淹没区。

3.1 时间相关性分析

CA-UNET显著提升了降水数据的时间一致性：日尺度相关系数R从0.77增至0.82，月尺度NSE从0.58跃升至0.96。年降水量偏差从472mm降至4.5mm，验证了模型对降水总量的精确校正能力。

3.2 空间相关性分析

在空间维度，模型对极端降水事件的捕捉能力显著增强：2007年9月28日强降水的RMSE从10.48mm降至6.60mm，KGE值从-0.29提升至0.52。季节性降水分布更趋合理，雨季KGE达0.88，优于原始数据的-0.03。

3.3 河流流量模拟

RRI模型耦合校正数据后，流域出口站点的模拟精度全面提升。Sen河(S5站)的日尺度NSE达0.81，月尺度提升至0.90。相较于原始CHIRPS输入导致的流量高估，校正数据使汛期(7-9月)流量预测更贴近观测值。

3.4 洪水淹没验证

以MODIS洪水影像为基准，校正数据使淹没预测的精确度(Precision)平均提高6%，F1分数达0.64。虽然模型对上游狭窄河道淹没范围存在低估，但整体上成功再现了洞里萨湖流域的季节性淹没格局。

这项研究的创新性体现在三方面：首先，CA-UNET模型首次实现了柬埔寨全域卫星降水数据的端到端校正，解决了传统方法难以处理的时空异质性问题；其次，通过耦合深度学习与水文物理模型，构建了从降水到淹没的完整模拟链条；最后，为数据稀缺地区提供了可推广的技术框架。研究存在的局限性包括未考虑上游水库调度影响、河道断面简化带来的误差等。未来研究可融合多源卫星数据，并引入动态土地利用变化因素。该成果不仅为柬埔寨洪水预警提供了可靠工具，其方法论对全球类似流域的水文建模也具有重要借鉴价值。