基于CNN-LSTM与雷达降水数据的无测站流域高分辨率径流预测研究

本文创新性地提出一种双流CNN-LSTM架构，通过分别处理动态气象输入与静态流域特征，有效捕捉复杂时空水文过程。该模型在韩国35个自然流域采用1 km分辨率雷达降水数据与10分钟间隔观测数据，平均纳什效率系数（NSE）达0.59（±0.12），显著优于非卷积神经网络与集总式基准模型，为无测站流域高精度水文预报提供了突破性解决方案。

　　

^h亮点^/h

本研究开发了一种新颖的双流卷积长短时记忆网络（CNN-LSTM）架构，通过分别处理动态气象输入和静态流域特征，成功捕捉了复杂的水文时空过程。模型在韩国35个自然流域中使用1公里分辨率雷达降水数据和10分钟间隔流域数据进行验证，平均纳什-苏特克利夫效率系数（NSE）达到0.59（±0.12），显著优于非CNN模型和集总式基准模型。

^h整体性能与基线模型对比^/h

本研究通过综合对比分析评估了所提出的CNN-LSTM架构在无测站流域径流预测中的有效性。该模型整合了空间特征提取能力与时间序列学习机制，成功捕捉了分布式流域系统中的复杂水文过程。

CNN-LSTM模型在35个研究流域中取得了0.59（±0.12）的平均NSE值，表现出令人满意的预测性能。流量状况分析显示在所有流量条件下均存在一致性改善，尽管峰值流量预测仍存在挑战。水量平衡分析表明，与集总式模型相比，该模型具有更好的物理一致性。

^h结论^/h

本研究开发了一种空间分布式CNN-LSTM模型，用于无测站流域的高分辨率径流预测。该模型利用雷达降水数据和多个空间输入变量来捕捉复杂的水文过程。我们的综合性能评估和物理过程验证证明了这种方法的能力和局限性。

CNN-LSTM模型在35个无测站流域中取得了令人满意的性能（平均NSE值0.59），显著优于基准模型。流量状况分析表明该模型在所有流量条件下都表现出一致的改进，尽管在精确预测峰值流量方面仍存在挑战。