半干旱流域中用于流量预测的深度学习方法

《Water Science and Engineering》：Deep learning for streamflow forecasting in semi-arid basins

　　阿尔贝托·梅纳 | 拉斐尔·J·贝尔吉略斯 | 哈维尔·帕雷德斯-阿尔基奥拉 | 华金·安德烈乌 | 阿贝尔·索莱拉
西班牙瓦伦西亚理工大学水资源与环境工程研究所（IIAMA），瓦伦西亚46022

**摘要**
准确的径流预测对于有效的水资源管理至关重要，尤其是在日益受到气候变化影响的半干旱地区。本研究评估了深度学习模型在西班牙东部两个流域的径流预测性能。这些模型使用一步预测方法基于历史数据进行了训练，并通过时间交叉验证进行了评估。随后采用了递归多步预测策略来评估不同预测范围内的预测性能。长短期记忆（LSTM）模型通常优于多层感知器（MLP）模型，因为它们能够捕捉时间依赖性，尽管它们对训练数据的长度和模型校准非常敏感。MLP模型在简单预处理下表现更好，而LSTM模型则从结合时间特征与去季节化技术中受益。每种流域的最佳配置在各种预测范围内都提供了稳健的性能和合理的预测结果。本研究突显了神经网络模型在径流预测中的潜力，并为在半干旱流域实施深度学习模型提供了实际指导，从而有助于改进干旱风险评估和水资源管理。

**1. 引言**
水资源管理中的一个主要挑战是在不确定性下进行系统的最佳规划和运营，而人工智能（AI）驱动的方法在这方面变得越来越重要（Corzo Perez和Solomatine，2024；Wang等人，2025）。准确的径流预测是水资源可持续管理的基础，支持水库运营、农业规划、干旱和洪水风险缓解以及环境流量维护等应用（Qian等人，2024；Shang等人，2025；Wang等人，2023；Yuan和Shi，2025）。近年来，从传统的基于物理的模型转向了数据驱动的模型，包括人工神经网络（ANNs）、机器学习（ML）和深度学习（DL）方法，如卷积神经网络（CNNs）、生成对抗网络（GANs）和循环网络（如LSTM模型）（Palma等人，2025；Uchimiya，2024；Wei等人，2024）。AI模型在模拟复杂水文过程方面表现出有效性，通常在径流、降雨-径流、泥沙产量和水质预测等任务中优于传统模型（Ali等人，2020；Dibie，2019；Dorado-Guerra等人，2023a；Kiiza等人，2020；Kumar等人，2023）。最近的研究强调了将独立的AI模型与优化技术（如遗传算法和群体智能）相结合的混合方法的潜力，以提高径流预测的性能，特别是在捕捉非线性和改善不同水文条件下的泛化能力方面（Ibrahim等人，2022；Kareem等人，2023；Kiiza等人，2020；Yaseen等人，2019）。然而，在选择合适的架构、确保泛化能力和提高模型可解释性方面仍存在挑战（Feng等人，2024；Tripathy和Mishra，2024）。例如，尽管LSTM网络在水文预测中表现出强大的能力，但其性能往往取决于模型架构和数据预处理，并且它们可能不会在不同背景下始终优于更简单的模型（Khatun等人，2024；Wegayehu和Muluneh，2022）。
许多研究还研究了特征工程和数据预处理策略，如小波变换（Alizadeh和Kavianpour，2015；Barzegar等人，2017；Vázquez等人，2024）、模态分解（Han等人，2024；Xu等人，2022；Zhou等人，2025）和混合分解（Kareem等人，2023；Quilty和Adamowski，2021；Wang等人，2024），以提高非平稳时间序列预测的模型性能。然而，关于小波预处理的不当应用也引发了担忧，特别是在训练和验证阶段引入边界效应和数据泄漏问题（Quilty和Adamowski，2018）。这些问题强调了在基于AI的预测中采用稳健方法的重要性。
在半干旱地区，径流预测尤其具有挑战性，这些地区的气候和水文过程具有高空间和时间变异性，同时人类压力和气候变化也在增加（Asadi等人，2025；Hdeib和Aouad，2023）。特别是地中海地区，由于预期平均降雨量减少以及用水需求超过可用资源，水资源压力不断增加，该地区最为敏感（Chen等人，2024；Dorado-Guerra等人，2023b）。在这些地区进行准确预测对于水资源分配、环境流量保护、干旱准备和在气候不确定性下的长期规划至关重要（Ghannem等人，2023；Suárez-Almi?ana等人，2022；Wei等人，2021）。
本文的主要目标是利用深度学习方法开发准确的单变量一步预测模型，用于预测Júcar河流域（JRB）两个代表性源头流域（Alarcón和Contreras）的水库入库流量。为此，评估了不同模型配置和预处理策略（包括网络深度、数据归一化和时间编码变量的包含）对模型性能的影响，以确定每个研究区域的最佳设置。最后，通过实施递归多步预测方法评估了模型在扩展时间范围内的预测能力，从而评估了它们在长期预测情景中的稳健性。
本研究通过系统地评估基于深度学习的单变量一步预测模型在地中海源头流域的月度入库流量序列上的性能，推进了水库入库流量预测的发展。其新颖之处在于将网络深度、预处理策略、时间编码和递归多步预测整合在一个统一的框架中。

**2. 方法论**
本研究遵循的总体建模过程如图1所示，概述了从原始数据获取到模型评估的工作流程。该图提供了开发时间序列预测模型所涉及的每个主要步骤的示意图。工作流程分为三个主要阶段：数据集准备（第2.1节）、神经网络构建（第2.2节）和预测生成（第2.3节）。

**下载：** 下载高分辨率图像（345KB）
**下载：** 下载全尺寸图像

**图1. 本研究采用的方法论流程图。**

**2.1. 数据集准备**
本研究使用的数据来自JRB信息系统（SIA-Júcar），这是一个由JRB管理局管理的官方平台（CHJ，2025）。Alarcón和Contreras水库的月度入库记录作为模型训练和验证的主要输入。Alarcón的数据范围是1980年至2023年，而Contreras的数据范围是1980年至2020年。先前的研究表明，LSTM网络能够有效建模持续时间相当的月度径流序列（Hou等人，2025；Kratzert等人，2019；Ni等人，2020；Thota等人，2024；Zhao等人，2024）。

**2.1.1. 探索性数据分析**
在本研究中，进行了探索性数据分析（EDA），以了解模型开发之前水库入库时间序列的时间行为。这包括基本统计分析（均值、标准差、偏度和峰度）和可视化技术，如时间序列图、月度和年度箱线图以及滚动平均趋势。自相关和偏自相关函数用于评估时间依赖性并识别潜在的季节性。还进行了异常值检测和极值分析，以识别可能显著影响模型性能的异常高或低流量时期。与极端水文事件（如洪水和干旱）相关的强烈波动被评估，以确保它们不会被错误地分类为异常值，因为它们反映了理解和水资源系统建模所需的关键自然变异性。

**2.1.2. 数据预处理和输入构建**
在模型训练之前，对入库时间序列进行了预处理，以提高在非平稳条件下的学习稳定性和泛化能力。测试了两种预处理方法：（1）最小-最大缩放，将数据转换为固定范围[0, 1]，保持原始分布的形状并防止具有较大数值范围的特征主导学习过程；（2）结合最小-最大缩放和月度标准化的方法。对于后者，仅使用训练数据计算特定月份的均值和标准差，并相应地对每个值进行标准化，以减轻季节性影响并稳定方差（Passalis等人，2020；Zhang等人，2024）。
预处理仅应用于训练集，以防止数据泄漏，然后将相同的转换应用于验证集和测试集。根据Rothfuss等人（2019）的方法，在训练期间向数据中引入了小的随机扰动，以提高模型泛化能力。具体来说，向缩放后的训练数据中添加了均值为零、标准差为0.05的高斯噪声。采用滑动窗口方法将数据输入ML模型。该方法通过将固定大小的窗口移动到时间序列数据上来生成输入序列，每个窗口捕获一系列过去的观测值（滞后值），用于预测未来值。

**2.2. 神经网络构建**
**2.2.1. 时间序列模型**
对于水库入库流量的时间序列建模，采用了两种机器学习方法：多层感知器（MLP）和长短期记忆（LSTM）。
MLP是广泛用于水文建模的前馈神经网络，因为它们能够近似输入和输出之间的非线性关系（Solomatine和Wagener，2011）。在本研究中，使用滞后观测值作为输入实现了MLP模型来模拟水库入库流量。测试的架构包括一个或两个隐藏层，激活函数为修正线性单元（ReLU），后面跟着一个线性输出层。引入了Dropout正则化来减轻过拟合，并通过均方误差（MSE）作为损失函数进行模型参数优化。
LSTM网络用于明确考虑水库入库流量时间序列中的时间依赖性。LSTM是一类循环神经网络，旨在捕捉序列数据中的短期和长期模式，使其非常适合具有持续性和季节性的水文预测应用（Hochreiter和Schmidhuber，1997；Barzegar等人，2020）。在本研究中，使用滑动窗口方法从滞后月度流量构建输入序列来实现LSTM模型。测试的架构包括一个或两个LSTM层，后面跟着一个全连接输出层，并应用了Dropout正则化来减轻过拟合。模型参数通过时间反向传播进行优化，损失函数为MSE。

**2.2.2. 模型设计和实验设置**
关于模型架构，MLP和LSTM模型都设计有一个或两个隐藏层，具体取决于设置。每种架构都包含一个Dropout层，通过在训练期间随机停用一部分神经元来减轻过拟合。选择MSE作为损失函数，因为它适用于连续回归问题，如径流预测。对于MLP模型，使用了ReLU激活函数。
为了评估所选模型的性能，为每种模型类型（MLP和LSTM）和每个研究区域（Alarcón和Contreras）实施了八种实验设置。如表1所示，这些设置是通过改变架构和数据预处理配置构建的。模型使用包含一个或两个隐藏层、两种不同的预处理技术（最小-最大缩放，是否随后进行月度标准化）以及是否包含时间编码变量的架构进行了测试。

**表1. 结合不同架构和预处理配置的模型测试。**
| 模型 | 层数 | 预处理技术 | 是否包含时间编码变量 |
| --- | --- | --- | --- |
| LSTM_1或MLP_1 | 1 | 最小-最大缩放，不进行月度标准化 | 否 |
| LSTM_2或MLP_2 | 2 | 最小-最大缩放，不进行月度标准化 | 否 |
| LSTM_3或MLP_3 | 1 | 最小-最大缩放，进行月度标准化 | 否 |
| LSTM_4或MLP_4 | 2 | 最小-最大缩放，进行月度标准化 | 否 |
| LSTM_5或MLP_5 | 1 | 最小-最大缩放，不进行月度标准化 | 是 |
| LSTM_6或MLP_6 | 2 | 最小-最大缩放，进行月度标准化 | 是 |
| LSTM_7或MLP_7 | 1 | 最小-最大缩放，进行月度标准化 | 是 |
| LSTM_8或MLP_8 | 2 | 最小-最大缩放，进行月度标准化 | 是 |

为了提高ML模型识别水文数据中固有时间模式的能力，在训练过程中加入了一组时间编码技术。该方法包括线性时间编码，表示每个月在时间序列中的位置，以及年度傅里叶编码，由具有一年周期的正弦和余弦变换组成，以捕捉季节性周期。这种系统配置使得能够评估网络深度、归一化策略和额外时间特征对模型性能的影响。

**2.2.3. 模型校准**
为了校准模型，进行了迭代超参数调整过程，以确定最佳配置。优化的参数包括隐藏层中的神经元数量、批量大小、时间滞后数量（用于生成时间窗口）、学习率和Dropout率。这些超参数在预定义范围内通过60次迭代进行随机搜索，并根据验证性能评估每个配置。模型性能指标
为了评估模型的预测性能，采用了水文建模中常用的两个指标：均方误差（MSE）和Kling–Gupta效率（KGE）。MSE量化了预测值与观测值之间平方差的平均值。较低的MSE表示更好的预测准确性。该指标被用作模型训练的损失函数。KGE从相关性、偏差和变异性三个方面分解模型性能（Gupta等人，2009年）。接近1的KGE值表示更好的性能。它不仅有助于评估准确性，还有助于评估分布相似性。KGE被用来评估模型性能，因为它比传统的指标（如Nash–Sutcliffe模型效率系数）提供了更平衡和可解释的评估。通过结合相关性、偏差和变异性成分，KGE能够全面了解模型行为，这在需要同时再现流量大小和动态的水文应用中特别有价值（Guo等人，2025年）。

2.2.5 模型评估
为了在保持数据时间结构的同时稳健地评估时间序列模型的预测性能，采用了时间序列交叉验证（TSCV）策略。TSCV保持了数据的时间顺序，以防止信息泄露。采用了扩展窗口方法：模型最初在固定数量的观测值上进行训练，然后在每个训练步骤中逐步加入更多数据，而验证则始终在后续未见的时间间隔上进行。时间序列被分为五个部分。对于每个实验设置，根据五个交叉验证部分中的最高平均KGE值选择性能最佳的模型。

2.3 预测生成
对于每个研究区域，从每个实验设置下获得的性能最佳模型中选择一个模型。选择不仅基于最高的平均KGE分数，还基于对训练数据的拟合程度，旨在最小化过拟合。当模型之间的平均KGE分数相似时，优先选择在所有交叉验证部分中表现更一致的模型，因为这表明其具有更强的泛化能力。然后通过在70%的时间序列上训练选定的模型，并在剩余的30%的数据上进行验证来评估该模型，使用为最佳性能模型确定的配置。
在测试集中，使用蒙特卡洛dropout方法进行了不确定性分析。该技术在测试过程中保留了dropout机制，通过多次随机前向传递网络来实现。每次传递都会采样不同的丢弃神经元子集，从而为相同的输入生成一系列预测结果。这种预测分布使得在最终评估部分可以同时评估模型性能和不确定性，有助于识别每个时间序列中最一致和可靠的模型。量化流量预测中的不确定性对于支持水资源管理决策至关重要（Lai等人，2025年）。在本研究中，不确定性是通过蒙特卡洛dropout方法量化的，置信区间是从预测分布的第2.5百分位数和第97.5百分位数得出的。

最后，使用递归多步预测策略评估了选定模型的稳健性。这种方法涉及将模型的先前预测作为后续步骤的输入，从而便于模拟扩展预测（图2）。具体来说，一步预测被迭代地反馈作为输入，以生成两个月、三个月和六个月的预测。虽然一步预测对于评估基线准确性很有价值，但多步预测更符合运营预测需求，并能够分析随着预测提前时间增加而出现的性能下降、模型稳定性和不确定性传播。

3. 案例研究
3.1 研究区域
本研究在JRB的两个源头流域进行（图3）。该流域包括山区内部地区、平坦的农业平原和人口密集的沿海地带。
从水文角度来看，该流域的特点是降水量低且变化大（每年约475毫米）、蒸发蒸腾量大（每年约927毫米）以及季节性水资源短缺。该流域包含28个水库，其中Alarcón水库（储水量为1117万立方米）和Contreras水库（储水量为360万立方米）对流量调节、灌溉支持和干旱缓解最为重要。这些水库位于JRB的源头部分，那里的流入量未经调节，仍处于自然状态。这一假设使模型能够更有效地基于流量动态学习潜在的水文模式，而无需对自然化流量进行大量修正或重建。该流域的水资源压力指数很高，需求经常接近可用资源的90%。农业是主要的用水部门，尽管也存在显著的城市用水需求。在JRB，地表水、地下水和非常规水资源的综合利用是应对水资源短缺的综合策略的一部分（CHJ，2022年）。
系统管理优先考虑上游储水。这种策略有助于更有效的调节，并支持传统的地表水需求和环境流量要求（Lerma等人，2013年）。鉴于该地区干旱频率的增加和持续的水资源短缺，准确预测这两个主要水库的流入量对于改善决策和确保流域水资源的可持续管理至关重要（Andreu等人，2013年；Haro-Monteagudo等人，2017年）。

3.2 模型选择和实验设置的评估
3.2.1 跨交叉验证部分的性能
为了确保对模型性能的稳健评估，进行了TSCV，时间序列被分为五个子集（图4）。对于每个子集，使用固定数量的观测值训练具有相同配置的模型进行测试，而剩余的观测值用于训练。
如图5和图6所示，在Alarcón和Contreras流域中，对于MLP和LSTM架构，第2、3和4部分在大多数模型配置中始终表现出最佳性能。这种模式可能归因于这些部分中有更多的训练样本。或者，这也可能与这些时期测试集的流入量特征有关。如图4所示，两个研究区域中的第1和第2部分的流入量波动较大，这可能降低了模型的预测能力，导致这些部分的误差较高。这种效应对LSTM模型的影响更为显著，表明这种架构对较短的训练集更为敏感。相反，在所有部分中仅改变层数的设置之间没有观察到显著差异。这表明，对于这个特定问题，增加模型深度并不会提高预测性能。

3.2.2 最佳模型选择
图7显示了两个研究区域中每个实验设置的五个交叉验证部分的平均KGE值，包括训练集和测试集。对于MLP模型，使用简单预处理（最小-最大缩放）且不包含时间变量的配置在两个研究区域中始终表现出显著更好的性能。然而，这种模式并不适用于LSTM模型。在几个部分中，结合预处理方法和时间特征的配置产生了更好的结果。这些结果表明，MLP模型可能在处理简单和静态的数据表示时表现更好，而LSTM模型由于其循环结构，在提供足够且信息丰富的训练数据时可以更有效地利用时间模式和复杂的预处理技术。总体而言，LSTM模型在Alarcón流域的表现更好。尽管如此，它们对较短的训练序列更为敏感。这一限制通常被它们在具有更多训练样本的部分中更强的结果所弥补，最终导致了最佳的整体性能。

3.3 最佳模型性能
3.3.1 拟合优度
LSTM_4被确定为Alarcón流域的最佳配置。该配置使用了结合预处理技术，包括使用最小-最大缩放器进行初始缩放，然后进行月度标准化。模型架构包括两层，分别有18个和13个单元，批量大小为48，学习率为0.01，丢弃率为0.4，滑动窗口生成了七个滞后值。最终模型在Alarcón水库70%的流入数据上进行了训练，并在剩余数据上进行了测试。训练集数据涵盖了1981年至2010年的数据，而测试集涵盖了2011年至2023年的数据，时间步长为每月一次。
图8显示了Alarcón流域训练和测试期间的拟合优度。预测不确定性通过蒙特卡洛dropout得出的95%置信区间（CI）来表示（图8(b)）。模型在训练期间的KGE值为0.56，在测试期间的KGE值为0.51。它在捕捉低流量条件和整体趋势方面表现良好，但在再现最高峰值方面存在困难，特别是在训练集。这种行为可以解释为模型仅基于历史数据进行训练，因此缺乏学习某些极端事件的例子。此外，这与水文建模中的常见观察结果一致，特别是在地中海地区，水文模型在再现峰值流量方面往往表现不佳，因为降水和径流事件的不规则性和高度变异性（Merheb等人，2016年）。从半干旱地区水资源管理的角度来看，准确捕捉低流量时期比再现高流量峰值更为关键，因为这些时期与干旱风险、供水可用性和生态流量需求密切相关。因此，模型再现低流量条件的能力对于运营规划和决策制定特别有价值。

3.3.2 最佳模型性能
LSTM_4被确定为Contreras流域的最佳配置。该配置采用了最小-最大缩放作为预处理步骤，并包含了一个具有29个单元的隐藏层、32的批量大小、0.01的学习率、0.1的丢弃率以及一个由七个滞后项构成的滑动窗口。最终模型在Contreras水库70%的流入数据上进行了训练，并在剩余数据上进行了测试。训练集的时间跨度为1985年至2010年，而测试集的时间跨度为2011年至2020年，时间步长为每月一次。图9显示了Contreras流域在训练和测试期间的拟合优度。模型在训练期间的KGE值为0.66，在测试期间的KGE值为0.75。与Alarcón流域类似，该模型在Contreras流域的表现也非常好，尤其是在测试期间。它有效地捕捉到了流量序列的整体下降趋势。

3.3.2 多步预测的性能
为了评估模型预测Alarcón和Contreras流域未来流量的能力，实施了一种多步递归预测策略，预测范围分别为两步、三步和六步。在这种方法中，模型会将其自身的预测结果作为后续预测步骤的输入。如图10所示，在Alarcón流域，随着预测范围的增加，LSTM_4模型的性能明显下降。在训练期间，两步预测的KGE值从0.51下降到三步预测的0.38，再到六步预测的0.31。测试期间也观察到了类似的模式。这种预测性能的逐渐下降是递归策略的特征，因为每个预测步骤都依赖于之前的模型预测而不是观测数据，从而可能引入累积误差。

相比之下，Contreras流域的LSTM_3模型在所有预测范围内的性能都更加稳定和稳健。在训练期间，KGE值从两步预测的0.62下降到三步预测的0.45，再到六步预测的0.36。然而，在测试期间，性能仍然非常强，KGE值分别为0.55、0.50和0.47。有趣的是，在测试期间，三步预测的表现优于两步预测。这一发现表明，在某些情况下，模型可能受益于时间平滑效应或在中间步骤中更有利的数据序列。此外，六步预测的相对较高KGE值表明，该模型在Contreras流域能够保留有用的预测信息，这可能是由于流量动态较为简单或在训练数据集中的表示更好。

Alarcón流域的模型即使在较长的预测范围内也保持了中等程度的预测能力，尤其是在捕捉总体趋势和低流量时期方面。然而，其在再现高流量事件和短期波动方面的能力在第二步之后显著下降（见图11(a)）。在Contreras流域（见图11(b)），模型表现出高估高流量事件的倾向。这种倾向在较长的预测范围内变得更加明显，出现了多个被高估的峰值。这种行为表明，尽管模型在趋势变化方面的泛化能力较强，但在扩展预测步骤中可能缺乏准确调节极端事件幅度的能力。

两个流域在多步预测下的模型行为存在显著差异。Alarcón流域的模型随着预测步骤的增加而表现出持续的性能下降，而Contreras流域的模型则表现出更强的泛化能力，尤其是在较长的预测范围内。这些差异可能归因于流域特定的特征，如流量模式的变化、数据噪声以及高流量和低流量事件的分布。对于这两个流域来说，两步或三步的预测似乎是可靠的，为运营决策提供了足够的提前时间。在Contreras流域，甚至六步的预测也可以被认为是可接受的。

4. 结论
本研究调查了在西班牙东部两个半干旱流域Alarcón和Contreras中常用的MLP和LSTM神经网络架构，用于单变量月流量预测。这些模型通过一步预测策略使用历史数据进行训练，并通过递归多步预测方法进行评估，以评估它们在扩展预测范围内的泛化能力。在时间交叉验证框架内测试了各种预处理技术和时间特征配置，以检验模型的鲁棒性和泛化能力。结果表明，模型性能高度依赖于时间折叠方式和神经架构配置。LSTM模型通常比MLP模型具有更高的准确性，这可能是由于它们能够捕捉时间依赖性。然而，调整不当的LSTM设置对较短的训练周期特别敏感，有时其性能不如简单的MLP配置。值得注意的是，增加模型深度并没有带来性能提升，这表明更复杂的架构并不一定提供更好的预测能力。此外，MLP模型始终受益于更简单的预处理方法，特别是不包含时间特征的最小-最大缩放。相比之下，当预处理结合去季节化和时间特征时，LSTM模型的性能有所提高，这表明它们的循环结构发挥了协同作用。在两个流域中，模型性能都随着预测范围的延长而下降。Alarcón流域的性能呈现稳定衰减，而Contreras流域则表现出随时间更好的泛化能力。这种差异突显了流域特定特征对模型行为的影响。从水文角度来看，所有模型在捕捉低流量时期方面表现良好，这对于干旱风险评估和水资源管理尤为重要。

尽管LSTM网络在水文预测中得到广泛应用，但它们也存在一些局限性，特别是在处理中等长度的月流量序列时。这些局限性包括对极端事件的敏感性、超出观测范围的外推性能下降、容易过拟合以及学习到的时间依赖性的解释性有限。为了解决这些挑战，本研究实施了仔细的预处理、带有扩展窗口的时间交叉验证以及通过蒙特卡洛丢弃进行不确定性量化。这些策略促进了稳健的预测，并使得能够估计95%的置信区间（CIs），提供了预测稳定性的定量度量。先前的研究表明，LSTM网络在长度相似的月流量序列（大约30-44年）上可以取得良好的性能，尤其是在通过特征工程、信号分解和基于物理的架构进行增强后。这支持了在现实约束条件下将LSTM模型应用于JRB数据的可行性。

本研究在几个关键方面为水文预测领域做出了贡献。首先，它使用时间交叉验证框架对两个半干旱的地中海流域中的MLP和LSTM架构进行了稳健的比较，用于单变量流量预测。其次，它通过递归策略评估了多个时间范围内的预测能力，从而提供了对短期和中期预测可靠性的见解。第三，它强调了仔细的数据处理和预处理的重要性，指出了由于错误应用信号分解技术而经常出现的常见问题，如信息泄露和过拟合。除了评估模型准确性之外，本研究还强调了评估时间鲁棒性和流域特定行为的重要性，为数据驱动模型的选择和调整提供了实际指导。这些发现对于在水资源稀缺和干旱频发地区开发操作性和可靠的预测工具特别有价值。本研究开发的模型可以通过提供可靠的短期和中期流量预测来支持JRB的水资源分配和干旱管理规划。低流量时期的预测使水资源管理部门能够预见水资源短缺，优化水库运营，并优先考虑缓解干旱影响的干预措施。通过将这些预测工具整合到决策过程中，利益相关者可以在气候变化和水文条件变化的情况下提高水资源管理策略的韧性。