数据稀缺水文条件下基于Singh方法的短期流量与洪峰模糊逻辑预测框架

《Hydrology》：A Singh-Based Fuzzy Logic Framework for Short-Term Discharge and Flood Peak Prediction Under Data-Scarce Hydrological Conditions

　　

在高度多变、非线性和数据受限的水文条件下，短期流量预报仍具挑战；传统机器学习（ML）与深度学习（DL）方法需要大量数据集与繁复参数化，且可解释性有限。研究人员提出一种基于Singh的模糊逻辑框架，利用德国黑森州Schwarzbach流域（135 km2）的小时尺度径流，进行一小时提前量（one-hour-ahead）的流量与洪峰预测。研究在四种风暴驱动洪水事件、且水文条件迥异的情形下展开，采用自相关函数（ACF）、偏自相关函数（PACF）与模糊聚类状态转移分析刻画时间依赖性，并将事件尺度流量动态与预测行为关联。结果表明，各事件在水文记忆、自相关衰减与状态转移复杂性方面差异显著，从平滑的记忆主导型响应到振荡型多峰过程均有出现。即便如此，该框架复现所有洪水事件的内希效率（NSE）均高于0.99，并捕捉到峰值出现时间与量级，包括复杂双峰动态。由于NSE以观测序列方差为参照，预测结果以持续性预测器（persistence predictor）为基准；该基准在同一提前量与时间步下NSE为0.958–0.976，相对持续性，框架将均方根误差（RMSE）降低38–68%，对应技能得分（skill score）0.612–0.897，而AR(1)基准无实质改进。预测不确定性随水文复杂性增加而上升，但无系统性偏差。研究证明模糊逻辑可作为可解释、计算高效的短期流量预报替代方案，相较朴素基准有可度量提升，对数据稀缺流域的洪水早期预警系统与水资源管理具有潜在价值。

研究背景方面，气候相关灾害中极端降水与洪水日益主导自然灾害格局，短期洪水预报可纳入早期预警框架以支持及时响应。现有方法包括基于物理模型、随机模型、机器学习（ML）与深度学习（DL）模型及混合模型。基于物理模型需详细流域信息且结构复杂、可迁移性差；ML与DL依赖大样本、参数繁多且具黑箱性质，可解释性不足，在数据稀缺和高度变异条件下应用受限。因此，研究人员开展一项针对数据稀缺、强变异水文条件的可解释短期流量与洪峰预测研究，提出基于Singh的模糊逻辑框架，并在德国Schwarzbach流域（135 km²，莱茵河流域，Nauheim断面）开展案例研究，论文发表于《Hydrology》。

主要关键技术方法上，研究人员将15分钟径流重采样为小时径流以降低高频噪声并稳定隶属函数边界；采用自相关函数（ACF，Autocorrelation Function）与偏自相关函数（PACF，Partial Autocorrelation Function）诊断非线性、不确定性与复杂时间依赖性；使用Singh方法对小时流量进行模糊化（fuzzification，将精确观测映射到语言模糊集），以一阶模糊时间序列由相邻模糊态差分值预测下一小时流量；以RMSE、MAE、MAPE、NSE评价，并以持续性预测与AR(1)为基准计算技能得分（SS，skill score）。样本来自Schwarzbach流域Nauheim站，选取累计降水≥25 mm且分属不同年份的4场风暴洪水事件，每场取5–6天小时径流，降水来自DWD Frankfurt/Main Flughafen站。

研究结果如下。

3.1 自相关函数（ACF）：研究人员通过ACF发现四事件lag 1均显著正相关，但衰减率与持续窗口各异；Event 1衰减最慢、记忆最长，Event 4呈正负交替振荡结构，说明过程具非线性、记忆长度不确定与多尺度依赖，需灵活模糊推理而非固定线性模型。

3.2 偏自相关函数（PACF）：PACF显示lag 1为直接主预测项，其后各事件结构分化；Event 4出现交替正负偏自相关，证实直接依赖具事件特异性、非线与复杂多层时间结构，进一步支持Singh模糊框架。

3.3 模糊化（Singh方法）：研究人员以数据驱动区间长度划分8个三角隶属模糊集，将流量映射为A1–A8；一阶模型由连续模糊态差分管下一小时状态。结果显示转移主要沿邻近簇发生，Event 1广域平滑持续，Event 2快速集中冲高，Event 3低簇久滞后突变至峰，Event 4上簇分散、双峰切换频繁。

3.4 评价指标：研究人员采用RMSE、MAPE、MAE与NSE；NSE以观测方差作基准，故高自相关小流域一小时提前量下须以持续性预测解释其高值。

3.5 基准模型与技能得分：研究人员设持续性预测 Q_t+1=Q_t 与OLS拟合AR(1)；相对持续性用SS量化，用以分离序列自身可预测性与模糊方案贡献。

4.1 时间分辨率转换：研究人员将15分钟转小时，降低噪声、弱化短滞自相关、稳定隶属边界并减少计算量，虽可能损失短时极值细部，但在数据稀缺下利大于弊。

4.2 自相关函数（ACF）：同3.1图析结论，四事件呈现从记忆主导到准周期振荡的异质依赖，构成采用Singh模糊逻辑的数量依据。

4.3 偏自相关函数（PACF）：同3.2，lag 1主导加事件特异高阶直接依赖，说明固定低阶线性模型不足。

4.4 基于Singh的模糊化：研究人员用A1–A8展示水文连续过渡；转移矩阵近主对角，Event 1强自转移平滑，Event 2 A7→A8=0.60示快速冲峰，Event 3阈值式迟滞升峰，Event 4上簇离对角强、双峰机制重叠。

4.5 模糊逻辑建模：研究人员对比观测—预测过程线、误差分布与1:1散点；Event 1振荡尾迹近乎重合，Event 2单峰陡涨陡落略偏峰段，Event 3预峰累积可复现但突升段误差增大，Event 4双峰时空与量级可捕但振荡段离差最大；所有事件NSE>0.99，Event 2 NSE=0.996最佳，Event 3 MAPE最高而RMSE最低。

4.6 基准比较与预报技能：研究人员报告持续性NSE 0.958–0.976，AR(1)与持续性几乎等同；Singh框架RMSE降38%（Event 1）、68%（Event 2）、53%（Event 3）、47%（Event 4），SS分别为0.612、0.897、0.777、0.714，改进集中于变化最快的洪峰 limb，正是早期预警关键段。

讨论部分总结：研究人员指出小时聚合提升隶属稳定性；ACF/PACF揭示事件间异质非线性与多尺度依赖；相对持续性可度量的RMSE降幅与峰值复现能力，比绝对NSE更具操作意义；误差随水文复杂性而非系统偏差上升。框架适用于数据稀缺小流域早期预警与透明决策支持，但存在单流域四事件、仅流量输入、仅一小时提前量、稀缺性为人为模拟、U与L需已知事件极大值的局限。未来应加入降水强度与前期土壤湿度、跨流域验证、多步延长、真实无资料流域测试、引入合成平均过程线描述符及历史期固定或递归更新U和L。

结论部分翻译：短期流量预报对洪水韧性至关重要，但常规ML与DL在数据稀缺和高度变异水文条件下表现不佳。为此，本研究提出Singh模糊逻辑框架，用于透明、可解释且计算高效的流量与洪峰预测，并将Singh模糊划分应用于Schwarzbach流域四场小时径流事件；隶属函数按统计行为聚类，使预测来自局部与邻近流量状态，ACF、PACF与聚类转移分析将各事件时间结构联系到模型表现。三项主要发现为：小时时间聚合通过降低高频噪声与稳定局部方差改善了模糊隶属稳定性；ACF与PACF显示从Event 1记忆主导（CV=0.337）到Event 4振荡结构（CV=0.383）的强事件异质性与时变水文控制；相对持续性预测，Singh框架将RMSE降低38–68%，技能得分0.612–0.897，所有事件NSE超0.99并正确识别峰时峰量含Event 4双峰，不确定性随复杂性而非系统偏差增加。四事件NSE≥0.991，但因NSE以观测方差而非替代预报为参照，故以持续性（NSE 0.958–0.976）与AR(1)作基准；相对持续性RMSE降38–68%、SS 0.612–0.897，Event 2 SS=0.897最高、Event 1 SS=0.612最低、Event 3 RMSE最低而MAPE最高、Event 4双峰下SS=0.714。该框架适合数据有限且风暴响应多变流域的洪水早期预警、需透明规则的水务决策及欠代表区域水文研究；其贡献在于相对朴素基准的可度量改进与完全可检视规则库，而非绝对NSE。框架局限为单流域四事件迁移受限、仅流量输入、仅一小时提前量、稀缺性为模拟、U与L预设事件极大值；未来应耦合降水与土壤湿度、跨流域评估、扩至多步提前量、用于真实无资料流域、引入过程线类型描述符、以独立历史期或递归方式固定U与L。综上，可解释模糊框架可在数据有限易涝流域弥合物理认知与业务预报之间的鸿沟。