《Water》：Forecasting Dam Storage Volume Using a Hybrid RNN Model Empowered by Tunable Q-Factor Wavelet Transform and Metaheuristic Optimization
编辑推荐：
众所周知，水对人类生存至关重要。因此，水资源的高效利用和可持续性具有极其重要的意义。基于这一需求，本研究利用温度、降水、湿度、库容和水位的历史数据，为向安卡拉供应饮用水的?ubuk2大坝开发了预测模型。这些模型采用近年来备受研究人员关注的深度学习、优化和小波分
众所周知，水对人类生存至关重要。因此，水资源的高效利用和可持续性具有极其重要的意义。基于这一需求，本研究利用温度、降水、湿度、库容和水位的历史数据，为向安卡拉供应饮用水的?ubuk2大坝开发了预测模型。这些模型采用近年来备受研究人员关注的深度学习、优化和小波分解技术构建。具体而言，研究使用了循环神经网络（Recurrent Neural Network, RNN）、随机森林（Random Forest, RF）、粒子群优化（Particle Swarm Optimization, PSO）和可调Q因子小波变换（Tunable Q-Factor Wavelet Transform, TQW）方法。RNN既以独立模型形式使用，也与RF和PSO混合形成RNNRF与RNNPSO，并将TQW应用于所有模型以提升预测性能。此外，利用互信息（Mutual Information, MI）建立了十种不同的输入情景结构。为评估模型性能，采用了相关系数（Correlation Coefficient, R）、纳什-苏特克利夫效率（Nash–Sutcliffe Efficiency, NSE）、克林-古普塔效率（Kling–Gupta Efficiency, KGE）、性能指数（Performance Index, PI）和均方根误差（Root Mean Square Error, RMSE）等指标。结果表明，混合模型取得了非常有效的成果，且互信息成功识别了最优的模型输入结构。
**研究背景与意义**
水资源的高效利用与可持续管理是维持人类生存与生态平衡的核心议题。大坝作为调控水资源的关键水利设施，其库容的精准预测对供水安全、防洪调度及生态保护至关重要。然而，全球水资源短缺加剧使大坝优化运行面临更大挑战。传统随机过程模型通常依赖单一类型数据构建输入结构，难以捕捉水文气象序列的非线性和非平稳特征，导致预测精度受限。尽管机器学习（ML）方法已广泛应用于水文预报，但独立模型的性能往往不足。已有研究表明，将小波分解与元启发式优化引入水文预测可显著提升效果，然而将循环神经网络（RNN）与随机森林（RF）及粒子群优化（PSO）联合使用，并辅以可调Q因子小波变换（TQW）进行大坝库容预测的研究尚属空白，本研究旨在填补这一空白。
**研究内容与结论**
研究人员以土耳其安卡拉市供水水源?ubuk2大坝为研究对象，利用温度、降水、湿度、风速、库水位和库容等历史数据，构建了10种基于互信息（MI）的输入结构，开发了独立RNN、RNNRF、RNNPSO以及经TQW预处理的系列混合模型。研究采用70%数据训练、30%数据测试的划分方案，以相关系数（R）、纳什-苏特克利夫效率（NSE）、克林-古普塔效率（KGE）、性能指数（PI）和均方根误差（RMSE）作为评估指标。结果表明：MI分数高于1.0的特征构建的M01输入结构表现最佳；RNNRF混合模型总体优于RNNPSO和独立RNN；TQW可提升RNN性能，但与RF结合时效果下降；综合各项指标，WRNNPSOM02模型取得最优预测结果。该研究成果发表在《Water》期刊。
**关键方法**
数据源自安卡拉气象站（北纬39°58′21″，东经32°51′49″）及坝址。核心技术包括：互信息特征选择，基于训练子集评估各预测因子与目标序列的统计依赖性，按MI分数阈值构建10种输入结构；RNN时序建模，通过内部隐藏状态传递历史信息以捕捉时间依赖；RF非线性集成，在RNN提取的时间特征基础上进行残差学习，构建RNNRF混合模型；PSO参数优化，以粒子群搜索优化RNN超参数，构建RNNPSO混合模型；TQW信号分解，对原始序列进行多尺度分解以增强模型对非线性非平稳信号的捕获能力。
**结果**
在未应用小波变换的分析中，M01输入结构（MI分数≥1.0的参数组合）在RNN模型中表现最佳；而纳入全部参数的M03模型性能反而下降，说明特征选择对输入结构优化至关重要。RNNRF混合模型中，M01和M02的NSE值明显优于其他输入结构；RNNPSO分析亦显示基于MI构建的输入结构优于随机组合。经TQW处理后，RNN性能获得提升，RNNRF部分受损，而RNNPSO在M02结构下取得接近完美的性能指标，为所有分析中的最优结果。Taylor图显示WRNNPSOM02、RNNRFM03和WRNNRFM01与观测值最为接近；小提琴图和箱线图进一步证实WRNNPSOM02在均值、中位数和极值捕捉方面均与观测数据高度一致。
**讨论**
研究表明，MI分数阈值设定为1.0以上时特征选择效果最佳，降低阈值以增加输入参数数量反而削弱模型表现。PSO与RNN的混合策略为RNN在水文学中的应用提供了新视角。值得关注的是，树基算法与TQW结合未能达到预期效果，其原因可能在于决策树对连续数值回归问题的处理效率不及离散分类任务。研究获得的输入结构及算法框架可为该区域未来库容预测提供基准参考，有助于维持大坝最优运行水位，并为水资源管理政策的制定提供科学依据。
**研究结论**
本研究对安卡拉?ubuk-2大坝库容预测的主要结论包括：(1) 在基于MI的输入选择中，纳入分数超过1.0的特征普遍有助于优化模型输入表征，MI是构建输入变量的实用工具；(2) 未经特征选择而纳入全部气象水文参数不能保证模型性能提升，某些情况下反而对预测性能产生负面影响；(3) 仅依赖历史库容数据构建的模型，其预测性能往往低于包含多源水文气象输入的模型；(4) 在本研究的数据与配置条件下，各架构的总体性能排序为RNNRF优于RNNPSO优于独立RNN；(5) 小波变换
