将实证分析与人工智能方法相结合用于沉积物负荷预测：对比性见解与模型开发

《Soil Science Society of America Journal》：Integrating empirical and AI approaches for sediment load prediction: Comparative insights and model development

　　

摘要

本研究通过对64条美国河流的沉积物负荷预测进行了全面评估，使用了12种传统的经验公式、10种广泛应用的人工 intelligence 和 machine learning (AI/ML) 模型，以及两种新开发的经验公式。在传统方法中，Brooks (1963) 公式在悬浮负荷预测方面表现出了最高的准确性，而 Kalinske (1942) 和 Du Boys (1879) 公式则提供了最可靠的底部负荷估算结果。新提出的悬浮负荷公式获得了 R² = 0.946 和相对均方根误差 [RRMSE] = 3.37%，相比基准经验模型有了显著改进。对于底部负荷，新公式将 RRMSE 降低了 33.2%，并显著提高了 R 和 R² 的值，其表现优于 Einstein–Brown 和 Cheng 等广泛使用的方法。总体而言，所提出的公式显著提升了关键性能指标——包括 R、R²、相对误差、Nash–Sutcliffe 效率和平均偏差误差——证明了其在不同河流系统中的预测可靠性。尽管几种 AI/ML 方法（特别是混合小波–人工神经网络）也实现了较高的预测准确性（R² 高达 0.95），但新的经验公式具有更清晰的可解释性、更简单的实现方式以及更强的工程应用性。通过将经典水力理论、成熟的人工智能/机器学习技术和新开发的经验公式整合到一个统一的比较框架中，本研究的主要贡献在于推进了沉积物运输预测的发展，而非引入新的 AI/ML 算法。研究结果为实践者和研究人员提供了强大、可解释且实用的工具，适用于广泛的沉积物运输和河流管理应用。

通俗语言摘要

河流会搬运沙子和土壤（称为沉积物），这会影响水质、洪水情况以及大坝的安全性。本研究使用了12种传统公式、10种人工智能和机器学习（AI/ML）模型以及两种新公式，对64条美国河流的数据进行了分析。新公式具有更高的准确性，误差减少了多达98%。在 AI/ML 模型中，混合小波–人工神经网络（hybrid wavelet–ANN）的表现最佳（R² = 0.950），误差率非常低。这些结果表明，将新公式与 AI/ML 结合使用可以提供可靠的沉积物运输预测工具，有助于改善河流管理并保护社区和生态系统。

利益冲突声明

作者声明没有利益冲突。

数据可用性声明

本研究中使用的悬浮负荷和底部负荷数据集最初由 Williams 和 Rosgen (1989) 通过美国地质调查局（U.S. Geological Survey）发布。为此研究，数据集被整理、清洗并转换为结构化格式，包含了64条美国河流的时间变化和特定地点的属性信息。处理后的数据集以及用于 AI/ML 模型的 MATLAB 代码已存储在 Zenodo 平台上，并公开发布在 https://doi.org/10.5281/zenodo.16934091。