《Journal of Hydrology: Regional Studies》：Hydrological modelling in snow- and glacier-fed catchments of the Upper Indus Basin by conceptual and machine learning approaches
编辑推荐：
研究区域为上印度河流域（UIB），位于喜马拉雅与兴都库什山区。研究重点为评估基于概念性的冰川水文模型（GSM-HBV）与四种数据驱动模型（DDMs），即长短期记忆网络（LSTM）、随机森林（RF）、极端梯度提升（XGB）与支持向量机（SVM），在模拟该全球重要
研究区域为上印度河流域（UIB），位于喜马拉雅与兴都库什山区。研究重点为评估基于概念性的冰川水文模型（GSM-HBV）与四种数据驱动模型（DDMs），即长短期记忆网络（LSTM）、随机森林（RF）、极端梯度提升（XGB）与支持向量机（SVM），在模拟该全球重要但数据稀缺流域内设有水文站控制流域的年化流量、季节流量与洪水过程方面的表现。研究人员在23个雪冰补给流域中评估了五种建模方案，依据三项评价指标中至少两项排名最高者确定最优模型。在冰川融水主导流域，XGB在年化流量模拟中最优（如10个流域中4个居首），GSM-HBV在洪水事件中表现最佳（如10个中5个居首），而SVM、LSTM与RF分别在春、夏、冬流量预测中于10个流域里各以5、4、6个领先。在融雪主导流域，LSTM在年化流量中最优（13个中5个居首），SVM在洪水事件预测中略占优势；季节尺度上LSTM最擅长春季流量，XGB、RF与GSM-HBV在夏季与冬季流量中并列最优。结果表明不存在单一普适最优模型，因此研究人员提出集成方法，由多解共同提供稳健“包络”预测，覆盖超90%实测流量。
研究背景与动机
上印度河流域（UIB）地处喜马拉雅—喀喇昆仑—兴都库什（HKH）高山区，约60%–70%的印度河径流来自季节性积雪与冰川融水，但恶劣环境、非线性降雨—径流关系及稀缺的现场水文气象数据，使传统物理机制模型与数据驱动模型（DDMs）的适用性均存争议。既有文献多聚焦单一流域、异质输入与配置，缺乏跨流态可比评估。研究人员据此在《Journal of Hydrology: Regional Studies》发表本研究，系统比较概念性冰川水文模型GSM-HBV与四种DDMs（LSTM、RF、XGB、SVM）在23个雪/冰补给流域的表现，以回答“何种模型在何种水文条件下更优”的核心问题。
主要技术方法
研究人员选取UIB内23个流域，依据夏季（7–9月）与春季（3–6月）累积流量比<1或≥1划分为融雪主导（13个）与冰川融水主导（10个）两类。气象强迫（降水、温度、潜在蒸散）统一取自ERA5-Land再分析并面积加权平均，冰川边界用RGI 6.0，地形用SRTM 90 m，下垫面用ESA World Cover；径流来自巴基斯坦SWHP/WAPDA与GRDC。概念模型GSM-HBV在RS MINERVE中耦合，冰川区用GSM、非冰川区用HBV，SCE-UA算法校准；DDMs中RF/XGB/SVM用GridSearchCV调参，LSTM按流态分组预训练后单流域微调，序列长度365天，采用早停与Dropout抑过拟合。训练期冰川流域2–4年、融雪流域5–6年，验证与测试各2年。评价用NSE、RMSE、PBIAS及洪水事件F1/precision/recall（阈值90百分位去簇）。
研究结果
3.1 冰川融水主导流域
箱线图与排名显示，RF与XGB中位NSE>0.8且离散度小，SVM低估偏误最大，LSTM方差高。综合三指标排名，XGB在Bisham Qila、Hunza、Kachura、Kama居首（4/10），RF在Gilgit、Tarbela、Kharmong居首（3/10）。洪峰捕获上GSM-HBV与LSTM时序匹配佳，但GSM-HBV对基流再现弱（因NSE目标重洪峰）。
3.2 融雪主导流域
RF与XGB中位NSE仍高，但按三指标排名LSTM在7/13流域最优（含Doyan、Mangla等），RF与XGB各在3个流域领先。LSTM在峰值（年内150–200天）与冬基流均贴近观测，但存在约+11%正偏；GSM-HBV峰现准但基流偏离，SVM最差。
3.3 季节域表现
3.3.1 冰川流域：春Season SVM中位NSE较稳，XGB略低估；夏Season LSTM与RF最优；冬Season RF与SVM较稳。LSTM在大流域夏Season退化。无单模型全季占优。
3.3.2 融雪流域：春Season LSTM在9/13流域居首；夏Season LSTM、GSM-HBV、XGB、RF均强；冬Season RF/SVM/XGB稳。GSM-HBV冬Flow严重低估。
3.4 过拟合敏感性
校准—验证NSE差均值：GSM-HBV≈?0.06，LSTM≈?0.02，SVM≈+0.01，XGB≈?0.05，RF≈?0.18。RF过拟合最显著，GSM-HBV/LSTM/SVM泛化较稳。
3.3/3.5 洪水事件
冰川流域GSM-HBV召回最高（5/10最优），LSTM的F1稳；融雪流域LSTM的F1中位0.58、召回0.64居首，SVM在4/13流域频次最高但绝对技能低。Table 3汇总：融雪流域LSTM年/春优、XGB/RF冬优、GSM-HBV夏优；冰川流域XGB年优、LSTM夏优、RF冬优、GSM-HBV洪水优。
讨论浓缩
概念模型借状态变量显式表积雪/土壤水，退水段稳；DDMs仅凭气象输入隐式学时序，缺物理约束致 regime shift 下退化。洪水预测中GSM-HBV在过程清晰的冰川流域胜出，LSTM在季节规整的融雪流域胜出，证明最优选模依赖流域属性。研究人员以五模型最小—最大包络评估，观测流量82%–90%落于包络内，论证多模型集成可互补长短。
结论翻译
本研究系统比较GSM-HBV与LSTM、RF、XGB、SVM在UIB雪冰流域的表现。GSM-HBV在冰川融水流域整体占优，LSTM在融雪流域年化与春季流量占优；XGB/RF预测力强但树结构难捕延迟响应；LSTM小流域春Season佳，大复杂冰川流域受限数据退化；RF异质区易过拟合，XGB正则化泛化较好。洪水预测呈流态特异性：冰川流域GSM-HBV佳，融雪流域LSTM/SVM频优。无普适最优模型，多模型集成（envelope）覆盖>90%观测，是数据稀缺高山区稳健预测路径。框架可迁移至青藏高原、安第斯等，选模须权衡冰冻圈占比、地形复杂度与数据长度。
（作者：Jamal Hassan Ougahi, John S. Rowan；单位：UNESCO Centre of Water Law, Policy & Science, University of Dundee, UK）
