基于气候变化诱发暴雨的日降水量估算小时暴雨模式的人工神经网络模型

《Water》：An ANN-Derived Model for Estimating Hourly Storm Patterns with Daily Precipitation Based on Climate Change-Induced Rainstorms

　　

在本研究中，研究人员旨在提出一个框架，用于开发一个基于日暴雨模式估算小时暴雨模式的智能模型，称为SM_ESP_HRDY模型；这里，暴雨模式由一组无量纲累积降雨量组成。研究人员模拟了研究区域（台湾北部苗栗市）网格分辨率下的多个AR5（第五次评估报告）气候变化诱发的暴雨（1979-2099），以开发和演示该模型。模型开发的结果显示，AR5模拟的事件可分为1天、2天和3天降雨事件，这些事件可分为三种类型。因此，在所提出的SM_ESP_HRDY模型中，针对三种降雨事件中的三种暴雨模式，建立了小时和日累积降雨量之间的相应人工神经网络（ANN）衍生关系。相应地，模型演示的结果表明，估计的小时暴雨模式与验证结果吻合良好，偏差低，尤其是对于2天和3天降雨事件，具有更精细的时间降雨分辨率。因此，所提出的SM_ESP_HRDY模型可以基于日降雨序列提供准确可靠的小时暴雨模式估计。

**论文解读：基于ANN与日降雨数据估计小时暴雨模式的模型研究**

**研究背景与问题**
降雨的时间分辨率对水文分析至关重要。高分辨率（如小时）的降雨数据能够显著提升洪水淹没模拟的精度，从而为水利设施和防洪系统设计提供可靠依据。然而，气候变化情景下的降雨模拟数据（如IPCC AR5与AR6）存在时空分辨率差异：AR5提供了小时尺度的网格化降雨，但AR6仅能输出日尺度降雨序列，难以直接用于精细二维洪水模拟。因此，需要借助降尺度方法将日降雨转化为小时降雨。现有的降尺度技术分为动力降尺度（计算量大、耗时长）和统计降尺度（需预先获取观测数据的统计特性，且难以应对极端序列的非平稳性）。人工智能（AI）方法，特别是人工神经网络（ANN），能够有效建模非线性关系，但现有AI降尺度模型多聚焦于季节、月或日尺度，未能专门考虑小时级暴雨模式（即降雨在时间上的无量纲分布）。为了填补这一空白，研究人员提出了一种基于ANN的SM_ESP_HRDY模型，旨在通过日降雨数据精确估计小时暴雨模式。该研究发表在《Water》期刊上。

**关键技术方法概述（不超过250字）**
为构建SM_ESP_HRDY模型，研究人员采用了以下核心方法：（1）**K-means聚类分析**：基于降雨历时（小时/天）和深度，将AR5模拟的774个暴雨事件（来自台湾苗栗市9个网格点，覆盖基期与RCP8.5情景，1979–2099年）分为1天、2天、3天事件，并进一步将日和小时间累积无量纲降雨曲线各聚类为3种暴雨模式组（提前型、中间型、延迟型）。（2）**三层ANN模型（ANN_GA-SA_MTF）**：结合多种激活函数，并应用GA-SA改进遗传算法优化参数，分别建立各事件类型与暴雨模式组下小时与日累积无量纲降雨的非线性关系。（3）**加权平均融合**：基于各暴雨模式组的出现概率（由事件数量比例确定），对三个组别的估计结果进行加权平均，以降低模式选择的不确定性。（4）**性能评估**：采用均方根误差（RMSE）、模型可靠性指数（KG）和Pearson相关系数评估估计精度与可靠性。

**研究结果**
**4.1 降雨特征的提取与不确定性量化**
通过分析AR5暴雨的降雨历时与深度关系（图4），发现历时范围在15–39小时之间，对应1天、2天和3天事件，事件数量分别为70、518和194个。这表明研究区域内多天事件占主导地位（约91%）。
**4.2 暴雨模式的识别**
利用K-means聚类对日和小时间累积无量纲降雨进行分类（图6），各事件类型均可划分为3种暴雨模式组（Group 1、2、3）。其中Group 3的事件数量最多（500–3000范围），且降雨深度相对较低（15–35 mm）。各模式组的平均累积曲线差异显著，为后续模型配置提供了基础。
**4.3 SM_ESP_HRDY模型的配置**
针对1天、2天、3天事件中每一类暴雨模式组，通过ANN_GA-SA_MTF模型建立小时与日累积无量纲降雨的关系式（公式8），并计算各模式组的出现概率（表5）。结果显示，Group 3的出现概率最高（平均约0.8），说明气候变化下暴雨事件倾向于在降雨前期集中强度。
**4.4 通过SM_ESP_HRDY模型估计的小时暴雨验证**
选取未参与训练的验证事件（表6）进行测试：（1）**单天事件**：估计的小时累积无量纲降雨与验证值相比，RMSE平均为0.275（标准差0.125），KG指数较低但相关系数接近0.9，说明线性一致性良好但部分事件偏差较大。（2）**多天事件（2天和3天）**：估计结果与验证值高度吻合，平均RMSE为0.193（标准差0.129），KG指数平均小于1.1，相关系数超过0.9。多天事件因日暴雨模式具有更细致的时变信息，极大提升了小时暴雨模式的估计精度。

**总结讨论与结论翻译**
讨论部分指出，单天事件因其日累积无量纲降雨在12个无量纲时间步上恒定，导致小时模式变化受限，未来可考虑将降雨深度等因子作为额外输入以改进模型。此外，AR5网格降雨数据存在空间（不同网格点）和时间（基期、中期、末期）不确定性，后续可通过跨时段和跨网格数值实验进一步评估影响。模型还可扩展用于估计降雨起始时间和历时。
**研究结论翻译**：在本研究中，研究人员旨在开发一个智能模型，用于整合日降雨估计小时暴雨模式（以累积无量纲降雨表示），该模型称为SM_ESP_HRDY模型。该模型主要通过将ANN衍生模型ANN_GA-SA_MTF与通过聚类分析分类的无量纲暴雨模式协同配置。为演示模型性能，选取台湾北部苗栗市为研究区域。特别地，使用研究区域记录的多种AR5气候变化诱发暴雨进行训练和验证。模型训练和验证结果表明，研究区域的AR5暴雨可根据降雨历时和深度分为1天、2天和3天降雨事件三种类型。具体而言，通过对日和小时间无量纲累积降雨的聚类分析，事件暴雨模式可分为三组。因此，可针对考虑三组暴雨模式的1天、2天和3天降雨事件训练ANN模型确定的小时与日累积无量纲降雨关系。模型开发结果显示，91%的AR5模拟暴雨属于多天降雨事件，而仅9%为1天降雨事件；此外，在三组分类暴雨模式中，第3组的发生概率最高（约0.8）。这表明，由于气候变化，降雨事件持续超过24小时并在前期具有高降雨强度。模型验证结果表明，对于2天和3天事件，所提出的SM_ESP_HRDY模型能提供高精度的小时累积无量纲降雨估计（RMSE 0.186），且时间相关性高（超过0.9）。然而，对于1天降雨事件，整合给定相同累积无量纲降雨的估计小时暴雨模式精度较低（RMSE 0.275），但仍具有可接受的时间相关性（相关系数0.84）。