低成本自主3D打印微型圆盘入渗仪：集成数据-机制驱动的长期水库出流概率预测框架

本文提出了一种创新的数据-机制融合框架（QRCNN-BiLSTM-LightGBM），用于解决水库调控下长期径流预测的多过程耦合不确定性难题。通过结合分位数回归（QR）、卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）的混合模型预测入库流量，并集成水库运行物理机制至LightGBM损失函数中，实现了从天然径流到调控出流的概率预测。在淮河蚌埠闸的案例中，模型显著降低RMSE（均方根误差）3.5%-6.8%，提升Nash效率系数6.0%，为水资源优化提供了更可靠的概率决策支持。

　　

Highlight

本研究亮点在于构建了一个突破性的两阶段预测系统：第一阶段采用QRCNN-BiLSTM混合模型（分位数回归-卷积神经网络-双向长短期记忆网络）捕捉气象-水文过程的非线性特征，生成多分位数入库流量场景；第二阶段通过嵌入水库运行知识的LightGBM（轻量梯度提升机）模型，将物理约束（如水量平衡、调度规则）融入损失函数，实现调控出流的概率预测。

Methodology

方法论核心包含：1）基于Dempster-Shafer证据理论筛选关键预报因子；2）QRCNN-BiLSTM模型通过CNN提取径流周期特征，BiLSTM建模长程依赖，QR框架输出概率区间；3）LightGBM以多分位数入库流量为输入，集成水库调度知识（如防洪优先级、生态需水）进行出流预测。

Study area and data

案例聚焦淮河中游的蚌埠闸（117°16′N, 32°57′E），该枢纽通过调控入洪泽湖流量显著改变年内径流分配。研究采用月度水文气象数据（2000-2022年），包含大气环流指数（如ENSO）、本地降水、蒸发及闸坝运行记录。

Conclusions

该框架在1-2月预见期内优于传统QRNN-LSTM模型，LightGBM在出流预测中使连续排序概率得分（CRPS）降低6.0%，误偏差（MD）减少7.5%。其创新性在于耦合数据驱动（Data-driven）的黑箱优势与机制驱动（Mechanism-driven）的物理可解释性，为复杂水文工程系统提供了"数字孪生"级预测工具。