面向数据稀缺流域的多源自适应融合迁移学习径流预报方法

《Water Resources Research》:Multi-Source Adaptive-Fusion Transfer Learning for Streamflow Forecasting in Data-Scarce Catchments

【字体: 大 中 小 】 时间:2026年06月22日 来源:Water Resources Research 5

编辑推荐:

  全球许多区域的流量观测记录仍然稀疏,制约了水文预测能力。迁移学习(Transfer Learning, TL)利用数据丰富源流域的知识以改善数据稀缺目标流域的预测,已成为一种有前景的解决方案。水文领域大多数TL应用在大尺度气象水文数据集上对深度学习(Deep

  
全球许多区域的流量观测记录仍然稀疏,制约了水文预测能力。迁移学习(Transfer Learning, TL)利用数据丰富源流域的知识以改善数据稀缺目标流域的预测,已成为一种有前景的解决方案。水文领域大多数TL应用在大尺度气象水文数据集上对深度学习(Deep Learning, DL)模型进行预训练以增强跨流域泛化能力,但该策略面临阻拦性局限:(a)特定目标流域的TL性能可能受到无关源输入及次优源信息融合的阻碍;(b)TL数据需求较为苛刻。为此,研究人员提出多源自适应融合迁移学习(Multi-Source Adaptive-Fusion Transfer Learning, MSAF-TL)网络以应对上述局限。MSAF-TL首先从每个高相关源流域提取独立时序特征,继而依据其静态属性与目标流域的相似性进行加权;这些加权特征通过交叉注意力(Cross-Attention, CA)机制自适应融合,以强化最终的目标预测。该框架在英国大样本水文数据集(CAMELS-GB)上进行测试,结果表明:少量高度相似的源流域即可匹敌大数据集的迁移能力。对于仅拥有1年训练数据的目标流域,MSAF-TL仅利用最相似的两个源流域即可达到0.85的纳什效率系数(Nash-Sutcliffe Efficiency, NSE),而使用全部668个CAMELS-GB流域时NSE仅为0.78。在有限源流域条件下,MSAF-TL在不同源数量及目标条件下均持续优于传统多源迁移学习(Multi-Source Transfer Learning, MSTL)。随着数据稀缺程度加剧,该性能差距进一步扩大:当目标训练数据仅有6个月时,MSAF-TL较MSTL的平均NSE提升达22%。总体而言,本研究表明MSAF-TL能够在数据稀缺区域实现更准确、更稳定的TL性能,且通过源流域预筛选可在不牺牲性能的前提下降低数据需求。
水文预报的准确性对于洪水风险管理、水资源管理以及评估气候变化与人类活动对水文过程的双重影响至关重要。然而全球流量监测网络存在显著的地域差异与记录长度不均问题,非洲、南美洲及东南亚等广大区域仍处于无监测或监测不足状态,许多站点仅有1至10年数据,严重制约了长期预报与趋势分析的可靠性。针对数据稀缺(目标)流域的水文预测这一长期难题,现有方法主要归为三类:基于传统水文模型的区域化方法、基于数据驱动模型的迁移学习技术,以及融合物理机制与数据驱动模型的混合建模方法。混合建模方法虽能增强可解释性并降低数据需求,但面临计算复杂度高、参数可识别性困难及误差传递等问题。传统水文模型区域化方法通过流域相似性分析将源流域参数传递至目标流域,然而其有效性受限于 Gauging 站稀疏分布导致的流域异质性增加。数据驱动模型虽能直接学习气象水文数据中的非线性模式,但在数据稀缺场景下常出现性能退化甚至预测失效。

迁移学习通过预训练—微调范式将数据丰富源流域的知识转移至数据稀缺目标流域,已在计算机视觉、自然语言处理、生物医学及金融等领域取得成功,但在水文建模中的应用尚处新兴阶段。现有水文TL研究多在大规模数据集上预训练长短期记忆网络(Long Short-Term Memory, LSTM)等深度学习模型以增强泛化能力,但存在两方面关键问题:一是在大规模异质数据集上预训练虽可提升模型泛化性,却可能以牺牲特定目标流域的局部性能为代价;二是现有多源TL方法多依赖基础LSTM模型并在输入层进行数据融合,未能充分挖掘跨源流域的互补信息,且计算需求较高。先进的融合策略如特征层、输出层及混合融合在金融、能源、医疗、机械诊断及图像处理等领域已证明有效,但在水文学中尚未得到充分应用。

本研究提出MSAF-TL网络以填补上述空白。该网络采用基于周径流过程线相似性的源流域预筛选策略,为每个目标识别少量高度相关的源流域,进而应用多层次自适应融合策略以比传统输入层融合更有效地整合源知识。研究以CAMELS-GB数据集为基础,选取四个气候、地质及水文条件各异的目标流域展开实验,对照网络包括非迁移学习(Non-Transfer Learning, NTL)网络、全源迁移学习(All-Source Transfer Learning, ASTL)网络及MSTL网络,通过改变源流域数量、目标流域选择及目标训练数据长度三类实验条件,以NSE、Kling-Gupta效率系数(Kling-Gupta Efficiency, KGE)及三个流量历时曲线(Flow Duration Curve, FDC)特征指标(%BiasFHV、%BiasFMS、%BiasFLV)综合评估模型表现。

MSAF-TL网络架构包含三个核心模块:动态特征提取器(Dynamic Feature Extractor, DFE)、静态相似性模块(Static Similarity Module, SSM)及自适应融合模块(Adaptive Fusion Module, AFM)。DFE采用基于LSTM的独立分支结构,分别在各源流域动态输入序列上独立训练以提取时序特征;SSM通过多层感知机将源流域与目标流域的静态属性映射至共同嵌入空间,经Softmax归一化生成自适应权重以调制各DFE分支输出,优先保留更相关源流域的信息;AFM则采用基于交叉注意力的机制,将单源特征作为Query、多源融合特征作为Key和Value进行动态交互,实现深层特征的层次化自适应融合,使网络能够针对目标流域特异性地识别关键知识并整合跨源互补信息。

研究采用的主要技术方法包括:基于动态时间规整(Dynamic Time Warping, DTW)的流域相似性分析,通过Sakoe-Chiba带状约束计算标准化周径流过程线距离以预筛选源流域;基于LSTM的序列特征提取;基于多层感知机的静态属性嵌入与相似性度量;以及基于多头交叉注意力(Multi-Head Cross-Attention)的分层特征融合机制。样本队列来源于CAMELS-GB数据集的671个英国流域,最终保留669个流域作为候选源池,动态输入包括日降水量、潜在蒸散发和温度,静态属性涵盖21项气候、地形、地质、土壤及土地利用等流域特征。

实验一评估了不同源流域数量对TL性能的影响。以"39010"号流域为目标,分别选取最相似的前2、6、10个源流域进行测试。结果显示:MSTL的NSE分别为0.796、0.741、0.753,MSAF-TL则达到0.850、0.853、0.796,与使用全部668个源流域的ASTL(NSE=0.776)性能相当,验证了基于径流过程线相似性筛选少量源流域即可有效降低数据需求。MSAF-TL较MSTL的NSE提升幅度分别为6.78%、15.02%和5.72%,尤其在低流预测中优势显著:MSAF-TL的%BiasFLV分别为-12.09%、0.28%和11.01%,明显优于MSTL和ASTL。高流预测方面,MSAF-TL随源数量增加%BiasFHV从-15.23%改善至-7.34%,甚至优于ASTL。

实验二验证了MSAF-TL在不同目标流域上的泛化能力。选取英国北部"11003"号、南部"55025"号及西部"73014"号三个额外目标流域,MSAF-TL均持续优于MSTL,NSE提升幅度分别为10.41%、7.38%和4.19%。值得注意的是,目标流域"11003"在NTL中表现最佳而在MSTL中最差,MSAF-TL对其改善幅度最大,表明该网络能有效平衡目标自有信息与源流域转移知识,避免源信号对目标信息的干扰。MSAF-TL仅使用2个源流域即在与ASTL的比较中于"39010"和"73014"两个目标上取得优势,在另两个目标上也达到具有竞争力的NSE值(0.796和0.832)。

实验三考察了目标训练数据长度变化的影响。在2年、1年和6个月三种目标训练数据条件下,MSAF-TL较MSTL的平均NSE提升分别为5.77%、7.19%和21.70%,数据越稀缺优势越明显。以"39010"为例,6个月训练数据时MSAF-TL较MSTL的NSE提升达9.54%,"11003"号在6个月条件下提升高达45.94%。流量历时曲线分析表明,随着目标数据减少,两模型模拟曲线均逐渐偏离观测,但MSAF-TL始终保持更小偏离,尤其在低流区段优势明显。

讨论部分深入分析了MSAF-TL有效性的机制及其对源流域互补性的响应。研究人员指出,高流不仅受降雨强度控制,还受前期土壤含水量、地形及汇流效应等流域特异条件调制;低流则与地下水储释及基流维持的深层控制更为相关。MSAF-TL的多层次自适应融合机制能够在不同尺度上选择性提取并融合预训练知识——深层捕获长期循环模式、浅层捕获日变化细节——从而针对洪水与干旱模拟实现适宜的细粒度到粗粒度知识整合。源流域互补性分析揭示,当源流域在水文地质与气候特征上差异显著时(如"11003"的碳酸盐岩与变质基底组合),MSAF-TL优势最为突出,NSE提升可达10.41%;而源流域高度相似时(如"39010"和"73014"的邻近同源地质组合),互补信息受限,改善幅度相对较小。

研究同时指出了MSAF-TL的局限性与未来方向。所有基于微调的TL方法均依赖目标流域的标记数据,限制了其在完全无资料流域的直接应用,未来可探索基于属性相似性的区域化、无监督域适应及合成流量弱监督等策略。源流域数量与数据长度的最优配置尚待明确,可能存在性能饱和点,超出后额外数据将引入冗余或噪声。将物理机制(如水量能量平衡约束)嵌入TL过程以增强可解释性与泛化能力,亦是值得探索的方向。

研究结论表明,MSAF-TL通过径流过程线相似性分析与交叉注意力自适应融合策略的有机结合,在数据稀缺流域径流预报中实现了更准确、更稳定的迁移学习性能。在四个气候地质特征各异的目标流域评估中,仅使用1年目标训练数据时,MSAF-TL较MSTL的NSE提升达4.19%至10.41%;当目标数据从2年缩减至6个月时,性能优势进一步放大,尤其在高低流条件下表现突出。这一优势源于MSAF-TL的多层次自适应融合模块能够在不同粗细尺度上选择性提取并融合预训练知识,有效补偿有限目标信息。研究为未来拓展至完全无资料流域、系统优化源—目标配置以及融合物理机制提供了方向,MSAF-TL在提升数据稀缺区域水文预测方面展现出广阔应用前景。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号