《Journal of Hydrology: Regional Studies》：A hybrid model integrating baseflow dynamics and ensemble deep learning for ecological flow process monitoring and early warning
编辑推荐：
研究区域：本研究以中国东部太湖流域高度调控的河网——西苕溪流域为对象，利用五个控制站2012–2023年的日水文与气象数据开展研究。
研究重点：本研究构建了一个生态流量动态监测与分级预警框架，以应对静态阈值局限性及预测能力缺失问题。研究人员采用Lyne–Hol
研究区域：本研究以中国东部太湖流域高度调控的河网——西苕溪流域为对象，利用五个控制站2012–2023年的日水文与气象数据开展研究。
研究重点：本研究构建了一个生态流量动态监测与分级预警框架，以应对静态阈值局限性及预测能力缺失问题。研究人员采用Lyne–Hollick数字滤波法进行基流分割，利用Fisher最优分割法划分水文阶段，并基于基流频率分析以Qp90（90%保证率）准则确定分阶段生态流量阈值。研究进一步构建了集成深度学习模型，融合降水、蒸发、基流指数（Baseflow Index, BFI）、水库泄流量及前期水文条件，实现对生态流量状态最高5天预见期的预报。基于预测流量相对于阈值的亏缺程度，建立了四级预警系统。
区域水文新认知：结果表明，生态流量需求呈现显著的季节性变化，汛期阈值较高、枯水期阈值较低、过渡期阈值居中。汛前、枯水期及生态敏感阶段为流量亏缺的高发期。模型在1–5天预见期内的平均测试精度为89.69%，5天预见期精度为84.51%。对于红色预警，精确率与召回率分别达到91.55%和89.08%，表明模型在识别严重流量亏缺方面具有较高可靠性。该框架为水文复杂河网区域的适应性水资源与生态流量管理提供了坚实的科学依据。
论文解读
一、研究背景与问题提出
生态流量是维持河流与湖泊生态系统结构与功能稳定性的关键水文基础，直接影响河流连通性、栖息地结构及水生生态系统健康。近年来，气候变化与人类活动显著改变了诸多流域的年内径流格局，持续低流量期延长、基流衰减问题日益突出，由此引发栖息地破碎化、水体自净能力下降与生物多样性丧失，最终导致生态系统退化。
然而，现有生态流量研究方法存在明显局限。其一，传统方法多依赖静态阈值或固定比例估算，难以捕捉水文过程的短期变异性，在受水库调度、跨流域调水及多源补给显著影响的强调控河网流域中尤为不足。其二，多数研究以总径流为核心变量，对基流特定动态的关注相对有限。其三，现有分析多局限于单站或单河段尺度，难以反映流域尺度的空间异质性与生态流量过程的整体演变。因此，亟需发展以基流动态为核心的生态流量监测与分级预警方法，以实现低流量期生态风险的主动识别与适应性管理。
二、研究内容与主要结论
针对上述问题，本研究以西苕溪流域为典型案例，构建了基于基流动态与集成深度学习的生态流量过程监测与分级预警框架。研究的具体目标包括：构建分阶段生态流量阈值计算框架并刻画不同水文阶段下生态流量的季节变化特征；建立河网尺度的生态流量监测与评估框架，揭示不同河段生态流量阈值差异及其时空演变规律；提出基于短期预测的生态流量亏缺分级预警方法。
研究得出以下主要结论：生态流量需求呈现显著季节性差异，汛期阈值最高、枯水期最低、过渡期居中；汛前、枯水期及生态敏感阶段为流量亏缺最易发生的时期；所构建的集成深度学习模型在1–5天预见期内平均测试精度达89.69%，5天预见期精度为84.51%，其中红色预警的精确率与召回率分别达91.55%和89.08%，表明模型在严重亏缺识别方面具有较高可靠性。该框架为复杂河网区域的水资源与生态流量适应性管理提供了科学依据。论文发表于《Journal of Hydrology: Regional Studies》。
三、关键技术与方法
研究人员主要采用了以下核心技术方法：其一，基于数字滤波理论，利用Lyne–Hollick数字滤波法对长期日径流序列进行基流分割，通过退水曲线拟合确定各站退水系数k，进而计算理论滤波参数α；其二，采用Fisher最优分割法，以最小化段内方差为准则，对水文年进行阶段划分，确定相邻阶段间的最优转换日期；其三，基于分阶段基流频率分析，采用Qp90（90%保证率）准则确定各控制站的分阶段生态流量阈值；其四，构建集成深度学习模型，融合降水、蒸发、基流指数（BFI）、水库泄流量及前期水文条件等多源信息，实现对生态流量状态1–5天预见期的预报；其五，基于预测流量相对于阈值的亏缺程度，建立四级预警系统。研究数据来源于西苕溪流域五个水文站（港口、横塘村、赋石水库、老石坎水库、对河口水库）2012–2023年的日径流、水库出流及气象观测资料。
四、研究结果
基流分割与滤波参数确定：研究人员基于各站退水过程拟合指数退水方程，估算流域退水系数k，进而计算Lyne–Hollick数字滤波器的理论参数α。结果表明，基于退水分析确定的理论最优α值具有明确的水文意义，能够有效从总径流序列中提取基流过程。
水文阶段划分：研究人员结合气候水文条件及生产、生活、生态用水需求，将水文年初步划分为汛前枯水期、生态关键期、农业用水期、汛期和汛后枯水期五个阶段，并利用Fisher最优分割法结合长期日基流序列确定各阶段间的最优转换日期，从而精细化阶段边界。
分阶段生态流量阈值构建：研究人员通过分阶段基流频率分析，以Qp90准则确定各控制站的生态流量阈值。结果表明，生态流量阈值呈现明显的季节性变化，汛期阈值较高、枯水期阈值较低、过渡期阈值居中，反映了不同水文阶段生态用水需求的差异性。
河网尺度生态流量监测与评估：研究人员基于河网约束条件，识别了生态流量监测的关键控制站，构建了河网尺度的生态流量监测与评估框架。结果显示，不同河段的生态流量阈值存在差异，反映了流域尺度的空间异质性。
集成深度学习模型与分级预警：研究人员构建了融合多源信息的集成深度学习模型，对生态流量状态进行1–5天预见期预报。模型在1–5天预见期内平均测试精度达89.69%，5天预见期精度为84.51%。基于预测流量亏缺程度建立的四级预警系统中，红色预警的精确率与召回率分别达91.55%和89.08%，表明模型在严重流量亏缺识别方面具有较高可靠性。
五、讨论与结论
讨论部分指出，传统基于静态统计表征的生态流量方法难以捕捉短期水文过程变异性，在受工程调控和多水源补给影响的复杂河网流域中局限性尤为突出。本研究提出的分阶段阈值框架有效反映了生态流量需求的季节动态，而集成深度学习模型则弥补了传统方法缺乏预测能力的不足。分级预警系统为生态流量风险的主动识别与适应性管理提供了技术支撑。
研究结论表明，西苕溪流域生态流量需求呈现显著季节性差异，汛前、枯水期及生态敏感阶段为流量亏缺高发期。所构建的集成深度学习模型在1–5天预见期内具有较高预测精度，红色预警的精确率与召回率均超过89%，表明该框架在严重生态流量亏缺识别方面具有高可靠性。该研究为水文复杂河网区域的生态流量动态管理与水资源调控提供了坚实的科学基础，对类似流域的生态流量监测与预警实践具有重要参考价值。
