《Frontiers in Earth Science》：A hybrid framework integrating quantile regression and isolation forest for reservoir water level anomaly detection in early warning applications
编辑推荐：
水库水位监测与早期预警是流域防洪减灾的关键环节，可有效预防坝体失效或下游洪涝。然而现有水库监测系统在处理水位突异（如极端水文条件、仪器故障或局部损坏所致）时普遍存在响应延迟与预警失效问题。研究人员提出一种融合分位数回归模型与孤立森林算法（QR-IForest框
水库水位监测与早期预警是流域防洪减灾的关键环节，可有效预防坝体失效或下游洪涝。然而现有水库监测系统在处理水位突异（如极端水文条件、仪器故障或局部损坏所致）时普遍存在响应延迟与预警失效问题。研究人员提出一种融合分位数回归模型与孤立森林算法（QR-IForest框架）的水库水位自动识别与早期预警方法，以广东永汉河流域两座串联水库为对象，基于实测站点数据开展实时水位异常检测。结果表明：（1）融合方法异常检测精度优于单一方法，精确率92.24%、召回率0.8992、F1值0.9106，真正率（TPR）99.15%、真负率（TNR）89.92%；（2）针对暴雨与河道阻塞两类场景仿真显示，模型可提前至多2小时发出异常预警；（3）集成模型可自动分类异常，对监测设备异常与水文规律偏离异常的识别精度超85%。该方法为中小型水库水位监测数据高效辨异提供可靠依据，保障水库安全运维。
研究背景方面，水文系统中径流、地下水位及降水的异常波动显著影响水资源规划与洪水风险评估，实时水库水位监测预警是防洪关键策略。我国大量中小型水库人员资金投入少、运维薄弱，多用于灌溉供水而无防洪功能，每年均有风险或溃坝事件发生；仪器故障、维护不足致异常数据未被及时发现会引发误决策，汛期上游坝泄洪失效可引发下游坝连锁失效，河道阻塞或输水隧洞堵塞亦致水位异变。现有异常检测方法分为统计、距离、密度聚类、预测及隔离等类，传统统计法假设数据特定分布对非正态数据效果差，聚类法难定参数且需正常标注，机器学习单点预测未能兼顾统计敏感性与物理可解释性，孤立森林（IF）忽视时序相关性与噪声敏感、缺乏可解释，分位数回归（QR）具物理可解释但对区间内小幅异常不敏感，故研究人员提出QR与IForest融合框架以互补局限。该文发表于《Frontiers in Earth Science》。
关键技术方法上，研究人员选取广东永汉河流域七星墩水库（上游）与梅州水库（下游）2022年汛期5月10—14日及6月5—15日15分钟分辨率实测序列共1182条，按8:2分层划分训练验证集；构建以降水、前期显著降雨、入库、出库为因子的QR模型获95%预测区间，将标准化残差、相对位置、越界度、绝对残差、残差符号、残差平方、区间宽度及交互项等八维残差特征输入IForest（100棵树、bootstrap采样）计算异常分数，采用两阶段由粗到精筛选：先用QR区间滤除可信波动，仅对区间外约3%样本送IForest确认，以此抑制噪声误报；评价采用混淆矩阵得精确率、召回率、F1值及TPR/TNR，并通过注入突变（±20%—50%共29点）与连续趋势异常（5—10点连序共90点）共119点（占10%）做合成异常评估，另对2020年6月5—12日做坝溃与河堵联动仿真。
研究结果部分，3.1节研究水库与数据收集中，研究人员以永汉河（增江一级支流、发源南昆山）流域两库为案例，明确一类库（无上游头库）与二类库（受上游泄洪中间库）变量差异，二类库训练含上游出库量，最终用1182条无原生异常数据做基线。3.2节模型训练与性能分析显示，四法对比中Method 4（QR-IForest两段集成）准确率98.22%、精确率92.24%、召回率89.92%、F1 91.06%，误报9例较Method 3降64%，因区间粗筛使IForest仅算少数样本，推理0.311秒/1182条（单样本0.26毫秒）远快于Method 3的5.18毫秒。3.3节上下游水位联动监测中，3.3.1模拟上游坝溃场景表明，自6月7日22时注入溃坝流量，6月8日0时实测水位43.13米低于预测45.21米、入流超历史36%，系统触发预警，峰值入流795米3/秒、6月8日14时水位56.24米，9日2时回落49.726米转正常，证实可提前识别大流量异常；3.3.2模拟上游河堵场景显示，6月7日8时后降水密集但水位缓降、入流减，12时后模型判持续异常，违背“降水增→入流增→水位升”水文律，成功检出物理关系破坏型异常。
讨论部分，4.1节异常自动分类指出模型分二类：设备异常（传感器故障致突降为零、尖峰死值）10点注入全检出；水文物理律异常（降水-水位-出入库失衡）13点注入检11点、精度84.6%。4.2节指标评价与泛化中，训练集95%区间覆盖率0.9831、验证集0.9873，残差标准差比1.026，IForest分数偏移0.018σ，50次随机子抽样验证集MSE变异系数3.49%，学习曲线训练验证MSE终差6.1%；过拟合抑制靠线性QR+pinball损失、IForest自助集成、两段架构隐式正则，样本特征比118:1；计算效率表显示Method 4训练2.76秒虽略高但推理最快。4.3节适用性与展望中，研究人员解释选QR+IForest而非XGBoost等黑盒，因需不确定量化区间、无监督免标注、物理可解释与实时性平衡，XGBoost须额外可解释技术且有时序泄漏敏感与高算耗问题；分类指标（精确率/召回/F1/FP/FN）直接匹配防洪漏报与误报成本权衡，连续技能分如KGE不适二元异常判定。
研究结论翻译总结：研究人员所提QR-IForest混合框架结合分位数回归的物理可解释区间与孤立森林多维离群检出，通过八维残差特征与两段由粗到精机制，在永汉河两串联水库实测与仿真中取得F1 0.9106、提前2小时预警、设备与水文异常分类精度超85%，推理效率较残差IForest提升约20倍，误报率降64%，为中小水库水位监测异常辨异与应急调度提供可靠工程化依据，发表于《Frontiers in Earth Science》。
