用于日径流预测的先进机器学习技术：布拉马普特拉河案例研究

《Scientific Reports》：Advanced machine learning techniques for daily streamflow forecasting: a case study of the Brahmaputra River

　　

摘要

准确的多日径流预报有助于防洪准备，但单一验证集分数可能会掩盖提前期依赖性、时间不稳定性、基准表现及不确定性。本研究利用经过审计的孟加拉国水资源开发局布拉马普特拉河 Bahadurabad 过境站流量记录，比较了长短期记忆网络、随机森林、多元线性回归、多层感知机、支持向量回归和 AdaBoost。源数据包含 1995 年至 2023 年的 10,314 条记录。在通过按日期平均合并 275 条同日重复记录后，缺失了 553 个日历日；未采用时间插值。我们利用 30 个前期流量构建了 9,272 个完整样本，以直接预报第 1 至 30 天的流量。为防止数据泄露，评估采用了三个扩展滚动窗口、基于目标结束日期的训练截止点、2019 年至 2020 年的校准期以及独立的 2021 年至 2023 年测试期。评估了移动块自助法置信区间、分割共形预测区间、流态误差以及滞后敏感性。随机森林的平均滚动窗口均方根误差（RMSE）最低，而多层感知机的合并测试均方根误差最低（6,763.47 m3/s；R2/NSE = 0.721）；两者的不确定性区间存在重叠。模型排名随预报时长变化：多元线性回归在第 1 天表现最佳，AdaBoost 在第 30 天表现最佳。所有模型均低估了最高流量十分位的情况。结果支持建立考虑不确定性的仅流量基准，而非证明某种模型具有普遍优越性或已达到实际洪水预警的运行准备就绪状态。