TCN-CMA-ES：一种结合时序卷积网络（TCN）与协方差矩阵自适应进化策略（CMA-ES）的新型洪水演进方法

《Scientific Reports》：TCN-CMA-ES; a novel flood routing approach integrating temporal convolutional networks (TCNs) with covariance matrix adaptation evolution strategy (CMA-ES)

　　

摘要

洪水演算在水利资源管理、预警系统和基础设施规划中具有基础性作用，因为它能够根据上游河流条件估算下游流量动态。本研究提出了一种名为TCN–CMA-ES的混合洪水演算框架，将时间卷积网络（TCN）与协方差矩阵自适应进化策略（CMA-ES）相结合。该模型被应用于涉及Homochitto河、密西西比河和俄亥俄河流域六个水文站的三种洪水演算配置中。在每种配置中，上游流量和水文站水位过程线被用于估算下游流量和水位。模型在四个演算时距（10、30、60和120时间步滞后）上进行了训练和测试，并采用Nash–Sutcliffe效率系数（NSE）、Kling–Gupta效率系数（KGE）、平均绝对相对误差（MARE）、百分比偏差（PBIAS）和均方根误差（RMSE）评估其性能。在测试阶段，30步滞后情况下表现最佳的配置实现了RMSE = 1.28 m3/s、NSE = 0.83、KGE = 0.42、MARE = 5.18%和PBIAS = 4.49%，而更长的演算时距（60–120步）同样保持了较强的预测性能，验证了该框架的稳健性。与单独使用的TCN和常规基准模型相比，混合TCN–CMA-ES方法在流量和水位演算精度方面均有提升，尤其在中长期预见期表现更为显著。这些结果凸显了所提框架在洪水演算、预警系统和水库调度规划中的实际应用潜力。然而，在确认其适用于实时业务应用之前，仍需进行进一步的计算性能基准测试。