《Journal of Hydrology: Regional Studies》：Towards adaptive stage-flow rating curve for large lowland river streams on the lower Tisza River with backwater impacts using deep learning and copula approach
编辑推荐：
摘要：本研究针对位于塞尔维亚与匈牙利境内的梯萨河下游两个水文站展开，该河段属于大型低地河流，受下游诺维贝切伊水库（Novi Be?ej reservoir）显著回水效应及长期水力变异的共同影响，传统假定水位—流量（stage–flow）关系稳定的方法难以准确捕
摘要：本研究针对位于塞尔维亚与匈牙利境内的梯萨河下游两个水文站展开，该河段属于大型低地河流，受下游诺维贝切伊水库（Novi Be?ej reservoir）显著回水效应及长期水力变异的共同影响，传统假定水位—流量（stage–flow）关系稳定的方法难以准确捕捉复杂的水位—流量关系曲线（rating curve）。为解决这一局限，研究人员提出了一种联合机器学习（Machine Learning, ML）与Copula的统计框架，基于实测数据构建并验证多种ML模型，并利用Gumbel Copula生成合成水位—流量配对数据进行随机扩展训练。该框架集成了传统幂律回归、支持向量回归（Support Vector Regression, SVR）、多层感知机（Multilayer Perceptron, MLP）及Kolmogorov–Arnold网络（Kolmogorov–Arnold Networks, KAN），并通过置信区间及多项性能指标（平均绝对误差 MAE、均方根误差 RMSE、平均绝对百分比误差 MAPE、决定系数 R2、预测区间覆盖率 PICP）评估不确定性。结果表明，在实测数据集上，ML模型整体优于经典幂律回归，其中SVR、MLP和KAN在低、中、高流量条件下的RMSE分别约为78–163 m3/s，低于幂律回归的80–173 m3/s；在Gumbel Copula生成的合成数据集上，KAN保持了与SVR相近的性能（RMSE约129–212 m3/s），并在不同流量区间内维持稳定行为，避免了MLP在高流量时的低估现象。因此，KAN在变化水力条件下表现出构建自适应水位—流量关系曲线所需的稳健性，可为大型低坡度河流的流量估算提供可靠工具。
论文解读
研究背景与意义
水位—流量关系曲线是水资源管理、防洪设计、水文模型输入及气候变化情景分析的重要基础，但在低坡度大型河流中，由于河道形态变化、植被生长、泥沙输移及水库回水等影响，传统幂律模型常因假定稳态条件而产生较大偏差。尤其在下诺维贝切伊水库影响的梯萨河下游，回水效应延伸数十公里，使得单一断面的水位—流量关系呈显著非稳态特征，现有物理方法与统计方法在精度与数据需求间难以平衡。因此，研究人员提出结合机器学习与Copula方法的自适应框架，以提高复杂水力条件下流量估算的可靠性。该研究成果发表于《Journal of Hydrology: Regional Studies》。
关键技术方法
研究选取梯萨河下游的森塔（Senta）与塞格德（Szeged）两处水文站，使用1980–2023年的日水位与流量记录，其中1980–2010年为训练期，2011–2023年为验证期。数据预处理采用局部加权回归（LOESS）进行异常值检测，并使用Gumbel Copula生成符合观测边际分布的合成数据对模型性能进行扩展测试。建模方法包括传统幂律回归、SVR、MLP与KAN四种，性能评估指标涵盖MAE、RMSE、MAPE、R2及PICP，置信区间估计基于残差自助法（bootstrap）分区（低、中、高流量）计算。
研究结果
3.1 水位—流量关系模型性能
在实测数据验证中，所有模型均能拟合观测趋势，但幂律回归在高、低流量区存在明显偏差，SVR在森塔站表现最佳（R2=0.922，RMSE=143.8 m3/s），MLP在塞格德站略优（R2=0.977，RMSE=78.0 m3/s），KAN在不同流量区间过渡平滑，且在极端流量下残差接近零，避免了其他模型的系统性低估。合成数据测试中，各模型性能略有下降，但KAN与SVR仍保持较高稳定性，尤其在塞格德站（R2＞0.95）。
3.2 基于Copula的合成数据生成
Gumbel Copula成功再现观测数据的上尾相依性，森塔站参数Θ=3.16，塞格德站Θ=4.69，反映后者水位—流量耦合更强、回水影响相对较弱。合成数据扩展了观测流量范围，为模型泛化能力评估提供了更具挑战性的样本空间。
3.3 置信区间分析
观测数据下，塞格德站的置信区间较窄（PICP最高达0.940），森塔站则较宽，反映回水导致的变异性增大。KAN在低流量区间保持最稳定的曲线形态，置信区间不对称现象在森塔站不明显，而在塞格德站除MLP外普遍存在。合成数据下，置信区间宽度未显著增加，但覆盖率下降，尤其是在低、中流量区间，高流量上尾覆盖率仍维持在0.75–0.89之间。
讨论与结论
讨论指出，KAN兼具精度与稳健性，其函数式参数化提供结构性正则化，避免过拟合；SVR置信区间覆盖率高但偏宽，MLP在高流量存在低估倾向。研究框架适用于大型低坡河流，但在跨年形态变化及测量误差方面的不确定性尚未完全纳入。
结论部分翻译：本研究提出的ML–Copula联合框架有效克服了传统稳态假设的局限，在梯萨河下游这种受水库回水与形态演化共同影响的低地河流中实现了可靠的水位—流量关系估算。结果表明，ML方法显著优于幂律回归，其中KAN在不同流量区间均保持平滑过渡与稳定性能，是唯一在合成数据集上仍具现实行为特征的模型。该框架具备可扩展性，可为其他受形态变化或回水影响的河流提供自适应水位—流量关系估算的方法基础，支持防洪调度、生态流量释放及长期水文评估。未来工作应引入物理驱动模块，系统评估Copula敏感性，并验证其在不同河流系统中的迁移能力。
