《Water》：Advancing Deep Learning for Regionalized Streamflow Modeling: A Comparative Study of Basin Similarity Approaches
编辑推荐：
本研究评估了基于相似性的区域化方法在三个独立的大样本水文数据集中的适用性。分析涵盖了分布于三大洲——北美洲（美国）、南美洲（巴西）和大洋洲（澳大利亚）的1318个流域，涉及多样的气候、水文和地形条件。研究人员开发了一种结合主成分分析（PCA）、层次聚类和长短期
本研究评估了基于相似性的区域化方法在三个独立的大样本水文数据集中的适用性。分析涵盖了分布于三大洲——北美洲（美国）、南美洲（巴西）和大洋洲（澳大利亚）的1318个流域，涉及多样的气候、水文和地形条件。研究人员开发了一种结合主成分分析（PCA）、层次聚类和长短期记忆网络（LSTM）建模的区域化框架。首先应用PCA降低维度，并从流域气候、水文、地形和空间属性中提取多维特征。然后使用层次聚类在这个综合属性空间中对流域进行分组，形成基于相似性的流域簇。在此基础上，在每个相似性组内训练LSTM模型以进行区域化预测。在每个研究区域内独立进行了流域级验证实验，以评估所提出的区域化框架的有效性。结果表明，基于相似性的区域化模型在所有三个大洲均持续实现了预测性能的显著提升，并在三个独立研究区域中表现出改善的稳定性和一致性。水文相似性提供了最佳的整体性能，相对于其他方法，其中位数和平均提升分别约为0.005和0.01。然而，最有效的相似性标准因区域而异，反映了气候、水文和地形对模型性能的主导影响存在区域差异。在一些区域，特定因素与预测技能呈现明确的相关性。总体而言，研究结果表明，所提出的区域化框架能够在三个独立研究区域中持续提升LSTM性能，突显了其在多样水文气候条件下的适用性，并为区域化水文建模提供了实践指导。
研究背景：近年来，深度学习模型凭借其灵活结构和强大泛化能力，在流域尺度水文模拟中展现出显著优势。相较于传统物理水文模型，深度学习模型在区域化建模中具有更强的信息传递能力，尤其适用于无资料流域。然而，不同流域在水文、气候和景观属性上既存在共性也存在显著差异。深度学习模型虽能提取复杂模式，但缺乏先验知识时难以准确区分这些属性在流域响应中的作用，影响泛化能力。为提高模型在不同流域间的可迁移性，近年研究引入流域相似性指导深度学习模型训练，其核心假设是：给定相似的关键水文属性，无资料流域可有效继承相似有资料流域的水文响应模式，从而提升预测精度。现有研究从气候、水文、地形等多角度探索了流域相似性对区域化建模的影响，但存在三大挑战：一是洲际差异和数据异质性，尚不清楚在数据丰富且相对湿润的北美、欧洲等地区，流域相似性策略能否显著提升区域化性能；在高气候同质性但常缺水文数据的南美、非洲地区，策略是否受影响未知。二是流域相似性策略可变性问题，不同研究使用径流特征、水文属性甚至多维复合属性分类相似性，但这些策略在不同区域能否实现一致性能提升尚不确定。三是流域属性与模型效能之间的关联，静态属性（如地形、气候、水文因子）与区域化模型性能的相关性是否稳定，在不同气候带和地貌单元中影响程度是否一致需系统验证。针对这些问题，研究人员选取澳大利亚、美国和巴西三个代表性研究区域，建立独立的多区域评估框架，评估流域相似性策略在区域化建模中的适用性。研究聚焦三个问题：相比基线模型，不同相似性分类策略能否在三个研究区域带来性能提升？各策略的相对性能在不同区域间是否具有一致性？不同属性类型与模型性能提升之间是否存在共同的影响模式？研究论文发表于《Water》。
研究人员开展的研究：利用三个独立的大样本水文数据集CAMELS-AUS（澳大利亚，222个流域）、CAMELS-BR（巴西，566个流域）和CAMELS-US（美国，530个流域），共计1318个流域，跨越三大洲。样本队列来源为Fowler et al. (2021)、Chagas et al. (2020)和Addor et al. (2017)的工作。采用的主要关键技术方法包括：（1）Z-score标准化预处理所有输入变量；（2）在每组属性内应用主成分分析（PCA）降维，保留累计解释方差超过80%的主成分；（3）基于降维后的主成分，采用Ward连接法和欧氏距离进行凝聚层次聚类，并通过肘部法确定最优聚类数（澳大利亚7类，美国7类，巴西6类）；（4）构建基于长短期记忆网络（LSTM）的区域化模型，模型由LSTM层（256个隐藏单元）、Dropout层（丢弃率0.4）和全连接层组成，采用改进的Nash-Sutcliffe效率（NSE*）作为损失函数，Adam优化器，学习率初始0.001，早停策略。动态输入变量各区域不同（见表2），静态属性作为额外输入；采用无资料流域预测（PUB）实验策略，测试流域的径流观测值不参与训练。通过流域级验证评估性能。
研究结果：
3.1 聚类数的选择：根据PCA累计解释方差确定各区域各属性类别的主成分数：澳大利亚水文和气候各3个主成分，景观6个；巴西三类属性各3个；美国气候3个，水文和景观各4个。通过肘部法确定最优聚类数：澳大利亚7类（沿用Xu et al. 2025），美国7类，巴西6类，以保证各相似性策略间公平比较。
3.2 流域在主成分空间和大陆上的聚类分析：通过主成分双标图和空间分布图分析聚类模式。水文相似性聚类中，年均径流量（q_mean）、径流比和径流弹性三个变量主导流域分离；巴西流域在主成分空间中分布密集，反映较低变异性。气候相似性聚类中，年均降水量（p_mean）、干旱指数和降雪比例（frac_snow）加载；美国流域沿垂直轴分散，显示高气候变异性；巴西流域在frac_snow维度变化小。景观相似性聚类中，平均高程（elev_mean）、流域面积（area）和土壤沙粒百分比（sand_perc）加载；美国流域分布广，巴西集中。地理一致性分析显示，基于气候、水文和景观属性的聚类普遍显示出良好的空间连续性，验证了分类方案的物理可解释性。
3.3 LSTM模型性能总结与分析
3.3.1 模型间NSE性能比较：箱线图和频率图显示，基于相似性的区域化策略在所有三个区域均优于基线模型，在美国和巴西的提升尤为显著。水文相似性策略在整体中位数和平均NSE上表现最佳（澳大利亚中位数0.741，巴西0.710，美国0.726）。但上四分位分析显示各策略存在区域差异：澳大利亚水文策略最高（0.808），巴西空间策略最高（0.749），美国气候策略最高（0.789）。表明无单一策略在所有区域通用，但水文相似性具整体稳健性。
3.3.2 特定流域LSTM模型径流预测性能分析：计算各流域NSE差值ΔNSE（相似性模型减基线模型）。澳大利亚中，各策略使72%、67%、64%、59%的流域受益；巴西中受益比例高达94.89%–95.59%；美国中为93.03%–95.10%。受益最显著的流域在巴西集中于东部高地，在美国集中于西南海岸山脉、阿巴拉契亚山脉和中央平原，在澳大利亚则更分散。表明相似性策略在训练样本丰富、地形复杂的区域更有效。
3.3.3 模型性能与流域属性的相关性分析：在美国，气候和水文策略显示属性与ΔNSE有较清晰的相关性（|R|>0.3），其中径流比与ΔNSE相关性最强；巴西中整体相关性弱，多数相关系数接近零；澳大利亚显示中等相关性。进一步分析发现，属性在聚类间的分布差异程度与其与模型性能的相关强度一致：如年均降水量（p_mean）在澳美聚类间差异小，相关系数分别为0.39和0.35，在巴西聚类间差异大，相关系数仅0.12。结论：湿润气候和稳定径流条件的流域中LSTM学习更有效，但属性影响具区域依赖性。
讨论部分总结：研究局限性包括：（1）预处理策略（标准化、PCA、层次聚类）使用全部流域数据，在严格归纳式PUB框架下存在潜在的信息泄漏；水文聚类策略依赖径流衍生要素，应视为上限基准而非完全可操作的PUB方法；（2）各区域LSTM架构和超参数一致，但区域数据特征不同，未必最优；（3）评估主要依赖NSE等统计指标，缺乏对物理机制的深入理解；（4）聚类数通过肘部法确定，存在主观性。未来方向包括：研究不同属性组合对区域化性能的机制影响；发展机制驱动的流域分类方法；整合遥感等多源数据集促进大尺度区域建模。
研究结论翻译：本研究应用主成分分析和层次聚类方法，基于气候、水文、景观和空间位置四类流域属性，将美国、巴西和澳大利亚共1318个流域划分为相似性组。利用这些分类，开发了区域化LSTM模型并评估了其相对于一致定义的基线模型的性能。主要结论如下：相比基线模型，基于相似性的区域化普遍提升了LSTM模型的径流预测性能，展示了其在不同水文气候和地貌条件下提升LSTM预测能力的潜力。在四种属性引导的聚类策略中，水文相似性在多数情况下实现了有竞争力或优越的性能，在许多区域优于基线模型。然而，每种相似性策略的有效性因区域而异，表明最优区域化策略依赖于具体情境而非普遍适用。属性类型与模型性能之间存在相关性，但这些关系在不同区域间差异显著，表明流域特征与预测性能之间的相互作用具有很强的区域依赖性。湿润气候且径流相对稳定的流域往往获得更高的预测精度，为未来模型改进提供了初步见解。总体而言，本研究展示了基于相似性的区域化在三个独立研究区域中提升深度学习水文预测的潜力，结果也为不同水文气候和地貌条件下流域相似性与模型性能之间的关系提供了见解。
