《Frontiers in Water》：A lag-informed deep learning framework for real-time downstream water-level forecasting and flood decision support in the Kalu Ganga Basin, Sri Lanka
编辑推荐：
洪水是斯里兰卡湿区河流流域中破坏性最强的灾害之一，其短预警提前期制约了防灾准备，而基于物理的水动力模型在数据有限条件下往往难以实施。本研究构建了一个融合时滞信息的深度学习框架，用于斯里兰卡洪水多发的Kalu Ganga流域下游10 h提前期水位预报。研究人员利
洪水是斯里兰卡湿区河流流域中破坏性最强的灾害之一，其短预警提前期制约了防灾准备，而基于物理的水动力模型在数据有限条件下往往难以实施。本研究构建了一个融合时滞信息的深度学习框架，用于斯里兰卡洪水多发的Kalu Ganga流域下游10 h提前期水位预报。研究人员利用2021—2024年逐小时记录，通过基于事件的峰值匹配、涨水段计时和互相关分析，估算了Rathnapura、Ellagawa、Millakanda与下游目标站Putupaula之间的洪水波传播时间。选定的传播时间为：Rathnapura—Ellagawa为18 h，Ellagawa—Putupaula为23 h，Millakanda—Putupaula为24 h。这些时滞用于对齐上游水位输入，而降雨则保持其原始时间顺序。研究人员采用按时间顺序划分的训练、验证和独立测试集，评估了无时滞和融合时滞信息的长短期记忆网络（LSTM）、门控循环单元（GRU）和双向LSTM（Bi-LSTM）模型。融合时滞信息的输入使LSTM的均方根误差（RMSE）从0.317 m降至0.288 m，GRU从0.339 m降至0.286 m，而Bi-LSTM性能下降。融合时滞信息的GRU亦优于持续性预报和ARIMA基准。水位阶段感知训练进一步改善了高流量预测，GRU达到RMSE为0.262 m、平均绝对误差（MAE）为0.188 m、Nash–Sutcliffe效率（NSE）为0.934，而LSTM将2024年6月5.57 m的洪峰预测为5.44 m。该框架被部署为名为KaluHydroNet的实时决策支持仪表板，表明融合时滞信息与阶段感知的深度学习结合实时数据集成，为Kalu Ganga流域短期洪水预警提供了一条实用路径。
洪水是全球范围内危害最严重的水相关灾害之一，其风险上升不仅源于气候极端事件的变化，也与更多人口和资产集中于洪水易发区有关。气候驱动的降水、蒸散发、径流和土壤水分变化正在改变流域行为并增加未来水文极端事件的不确定性。这些全球性问题与斯里兰卡高度相关：季风降雨、陡峭的上游集水区、低洼的下游洪泛平原和密集居民点共同加剧了湿区河流流域的洪水脆弱性。Kalu Ganga流域是斯里兰卡洪水最频发的流域之一，2017年洪水等反复事件使其成为综合洪水信息系统与水情预报研究的重要案例。洪水影响强烈依赖于预警提前期与防灾准备，而短期洪水预报仍面临挑战，因为河流响应受降雨变异性、前期流域湿润状况、支流来水、河道演进、洪水波传播时间及局部流域特征等多种相互作用的文过程控制；业务预报系统还面临气象输入、模型结构、初始水文条件、测站数据质量及洪水期有限计算时间带来的不确定性。基于物理的水文与水动力模型虽广泛应用，但往往需要详细流域数据、河道几何、边界条件、率定和持续更新，在数据有限的热带流域难以常规业务化。因此，亟需能够利用现有实时观测、同时表征上游—下游洪水波传播等重要河流过程行为的预报方法。
在此背景下，研究人员开展了Kalu Ganga流域短期下游水位预报研究。研究选取Rathnapura、Ellagawa和Millakanda为上游测站，Putupaula为下游目标站，其中Rathnapura和Ellagawa位于Kalu Ganga干流，Millakanda位于Kuda Ganga支流，从而同时捕捉干流洪水波传播与支流来水效应。研究基于2021—2024年共同资料期，按时间顺序划分训练、验证与独立测试集，仅利用训练期水位资料估算洪水波传播时间，并将其用于构建融合时滞信息与无时滞两类输入数据集。研究人员对比了LSTM、GRU与Bi-LSTM三种循环神经网络在两类输入下的表现，并以持续性预报和ARIMA作为基准，随后采用阶段感知训练改善高水位条件下的预测，最终将最优模型集成为KaluHydroNet实时决策支持仪表板。研究结论表明，融合时滞信息可降低LSTM与GRU的RMSE，而Bi-LSTM性能下降；融合时滞信息的GRU优于持续性与ARIMA基准；阶段感知训练进一步提升高流量预测精度，GRU取得RMSE 0.262 m、MAE 0.188 m、NSE 0.934，LSTM将2024年6月5.57 m洪峰预测为5.44 m。该研究的意义在于，融合时滞信息与阶段感知的深度学习结合实时数据集成，为数据有限的热带流域短期洪水预警提供了实用且可解释的路径，并通过KaluHydroNet仪表板实现了业务化应用示范。
关键技术方法：研究人员采用基于事件的峰值匹配、50%涨水段计时与事件尺度互相关三种互补指标估算洪水波传播时间，并以自助法（bootstrap）估计置信区间；构建无时滞与融合时滞信息两类输入，对LSTM、GRU与Bi-LSTM进行人工网格搜索超参数优化，以验证集RMSE选择最优配置；采用RobustScaler归一化并以持续性预报和ARIMA为基准；采用阶段感知加权损失函数（基于训练集Q90=2.15 m、Q95=2.91 m阈值设置均匀、轻度、中度、强度四种权重方案）；采用MAE、NSE、Kling–Gupta效率（KGE）、百分比偏差（PBIAS）、RMSE等指标评价，并以移动块自助法与Diebold–Mariano（DM）检验进行显著性分析，同时基于官方警戒阈值（3.0 m警戒、4.0 m小洪水、5.0 m大洪水）计算检测概率（POD）、误报率（FAR）与临界成功指数（CSI）；最后基于Next.js框架开发KaluHydroNet仪表板，从斯里兰卡灌溉部水文与灾害管理司在线监测服务获取实时水位与降雨观测。数据来源为Rathnapura、Ellagawa、Millakanda与Putupaula四站2021—2024年逐小时降雨与水位观测。
研究结果：
3.1 基于事件的洪水波时滞估算。研究人员仅利用训练期水位资料，对每对测站独立采用峰值—峰值、50%涨水段与事件尺度互相关技术，并经事件级质量控制。Rathnapura—Ellagawa共57组事件中31组被接受，中位传播时间18 h，95%自助置信区间12.5—22.5 h；Ellagawa—Putupaula共34组中17组被接受，中位23 h，置信区间15.5—24.0 h；Millakanda—Putupaula共19组中9组被接受，中位24 h，置信区间9.0—31.5 h。经Ellagawa由Rathnapura至Putupaula的总传播时间为41 h；考虑10 h预报时段后，Rathnapura、Ellagawa与Millakanda的有效时间平移分别为31 h、13 h与14 h。时间平移仅施加于上游水位预测因子，降雨保持原始时间顺序；Millakanda置信区间较宽源于可接受的独立事件数较少。
3.2 超参数优化与模型收敛。各模型形式均以验证期独立寻优，搜索空间一致。最优无时滞LSTM采用48 h序列，无时滞GRU与Bi-LSTM采用24 h序列，而融合时滞信息的GRU与Bi-LSTM采用48 h序列；训练与验证损失曲线总体稳定收敛，未出现持续发散。
3.3 无时滞与融合时滞信息模型对比。融合时滞信息输入使LSTM的RMSE由0.317 m降至0.288 m，GRU由0.339 m降至0.286 m，而Bi-LSTM性能下降；融合时滞信息的GRU亦优于持续性与ARIMA基准。
3.4 阶段感知训练。基于训练集Q90与Q95阈值设置四种权重方案，以验证集MAE选择模型，LSTM与Bi-LSTM选用轻度权重MAE，GRU选用中度权重MSE。阶段感知训练进一步改善高流量预测，GRU取得RMSE 0.262 m、MAE 0.188 m、NSE 0.934；LSTM将2024年6月5.57 m洪峰预测为5.44 m。
3.5 阈值预警性能与实时仪表板。基于灌溉部官方阈值的预警性能以命中、漏报与误报计算POD、FAR与CSI，并计算预警提前期。研究人员将最优模型集成为KaluHydroNet仪表板，自动获取实时水文观测、按训练输入结构处理并输出10 h提前期下游水位预报，同时展示近期观测水位趋势、测站信息与预报提前期。
讨论与结论：研究表明，将物理推导的上游—下游洪水波传播时间与循环深度学习相结合，可在数据有限的热带流域以较低模型复杂度提升短期下游水位预报精度；时滞信息的增益在GRU与LSTM上一致，而Bi-LSTM因双向处理与预报任务的时间因果性不匹配而性能下降；阶段感知加权训练可有效改善高水位极值段的预测表现；实时数据集成使数据驱动模型转化为可操作的决策支持工具。研究结论为：融合时滞信息与阶段感知的深度学习结合实时数据集成，为Kalu Ganga流域短期洪水预警提供了一条实用路径。
