基于机器学习模型的人工明渠悬移质泥沙入流量预测方法评估

《KSCE Journal of Civil Engineering》：Evaluation of machine learning models for predicting suspended sediment inflows in artificial open channels

　　

准确预测水道中的悬移质泥沙负荷（SSL）对于保障水利系统的长期可持续性至关重要。近年来，机器学习（ML）模型已被广泛应用于天然河流的SSL预测，但其在人工明渠（AOC）中的应用仍然有限。本研究评估了多种ML模型，包括多层感知器（MLP）、径向基函数神经网络（RBFNN）和长短期记忆（LSTM）网络，以探究AOC中SSL动态的支配性时间特征。研究人员为每种ML模型选取了最优优化算法，并基于多项评价指标对模型性能进行了评估。结果表明，采用SGDM优化器的MLP模型在SSL入流量预测中表现最佳，其R2=0.805，PBIAS=+5.894，WI=0.988，NSE=0.892，RSR=0.329。值得注意的是，前馈架构比循环模型提供了更稳健的预测，这是因为在AOC中SSL入流量受闸门运行控制。基于Friedman排序和Wilcoxon成对比较的性能排序为：MLP > Bi-LSTM > Uni-LSTM > RBFNN。研究结果凸显了ML模型在超越传统SSL预测方法方面的潜力，其能够提供更高的精度和更强的适应性。

论文解读

一、研究背景与问题

河流作为人类社会的生命线，通过输送水体、营养物质和能量维系着社会与生态系统的运转。动态的河流水流携带大量泥沙，含沙水流不仅降低水质，还通过破坏栖息地扰乱水生生态系统，进而减少生物多样性并损害生态功能。悬移质泥沙负荷（SSL）是河流水流携带的关键水文变量，直接影响河道的形态演变和水库的运行寿命。准确预测SSL对于水库运行、可持续水基础设施规划和水生生态系统保护具有至关重要的意义。

运河是从河流通过拦河坝（barrage）运行分流而来的人工明渠（AOC），用于灌溉、航运和 domestic 供水。渠道系统极易遭受泥沙淤积，这会逐步降低其输水效率，并破坏下游公平可靠的供水。进入引水渠道的大部分泥沙由上游河流提供的细颗粒悬移质组成，而非粗颗粒底沙。由于渠道通过拦河坝运行从母河引水，悬移质在引水过程中保持输移状态，随后当流速因运行调控或灌溉需求减少而降低时在渠道内沉降。SSL是进入渠道系统泥沙的最相关指标，反映了渠道内淤积的相关风险。与可能经历泥沙淤积和冲刷自我调节过程的天然河流不同，渠道通常具有均匀的棱柱形几何形状和受调控的水流，这些条件有利于低流速区段的淤积。渠道流量随受控区域作物需水量的波动而显著变化，这种流量变异性破坏了泥沙输移效率，低流量导致流速降低，从而引起泥沙淤积。

目前已发展出多种用于河流系统泥沙负荷预测的公式和经验方法，这些方法通常将泥沙输移能力与流量、流速、水位和坡度等水流变量相关联。然而，这些方程主要针对底沙或总输沙量输移而开发，而非SSL预测。在AOC中，经常使用修正的或区域校准的方程来捕捉独特的流量调控、边界条件和泥沙供给特征。尽管这些方程有其用途，但由于排除了结构运行参数并依赖过度简化的假设而不受青睐。泥沙 rating 曲线（SRC）是一种广泛采用的SSL预测工具，但它仅依赖流量进行SSL预测，并存在滞后效应，导致在高流量条件下低估。

在过去几十年中，机器学习（ML）方法通过提供比传统方法更灵活、更准确的替代方案，迅速推进了SSL预测的发展。基于树的模型、基于核的方法以及深度学习（DL）架构均已被测试用于日尺度到事件尺度的SSL预测。ML模型通常优于传统方法，特别是在代表性数据集上训练并提供相关且具有物理意义的预测因子时。然而，目前对于在不同环境和水文条件下最有效的SSL建模ML方法仍缺乏明确共识。虽然ML方法在河流和水库的SSL预测中显示出相当大的前景，但其在灌溉渠道和航运渠道等AOC中的应用仍然有限。AOC在流量调控、边界条件和管理实践方面存在显著差异，而河流和天然溪流中的水文和地貌过程则更为动态。该领域研究的缺乏凸显了一个关键空白，即在渠道中开发、测试和验证用于SSL预测的ML方法的必要性，因为运营决策需要在不同流量条件下获得准确、可靠且可解释的SSL预测。

二、研究内容与主要技术方法

本研究以巴基斯坦上奇纳布渠（UCC）为案例，评估了先进的机器学习模型用于预测渠道SSL入流量。研究收集了2008—2022年来自Marala Headworks（MH）水文站的日尺度数据，包含七个参数：河流水位H（ft）、降雨量P（in）、水温T（°C）、拦河坝上游河流流量Q_in（ft3/sec）、拦河坝出流量Q_out（ft3/sec）、渠道流量Q_c（ft3/sec）以及观测SSL（tons/day）。数据按时间顺序分为训练集（70%）、验证集（15%）和测试集（15%）。研究采用了四种ML模型架构：多层感知器（MLP）、径向基函数神经网络（RBFNN）、单向长短期记忆网络（Uni-LSTM）和双向长短期记忆网络（Bi-LSTM）。每种模型均使用五种基于梯度的优化算法（SGD、SGDM、RMSprop、Adam和Adadelta）进行训练，并通过多种统计指标评估性能。

三、研究结果

3.1 最优输入方案选择

研究通过比较不同输入变量组合来确定最优输入方案，将渠道运行变量（如渠道流量Q_c）与水文变量（如河流水位、降雨、温度、拦河坝上下游流量）相结合，以捕捉SSL入流量的关键驱动因素。

3.2 模型架构优化

对每种ML模型测试五种梯度优化算法，结果表明不同模型的最优优化器各不相同。MLP模型在SGDM优化器下表现最佳，RBFNN和LSTM系列模型也在特定优化器下达到最优性能。

3.3 SSL预测结果

MLP模型在SSL入流量预测中表现最优，测试集上R2=0.805，PBIAS=+5.894，WI=0.988，NSE=0.892，RSR=0.329。基于Friedman排序和Wilcoxon成对比较的性能排序为：MLP > Bi-LSTM > Uni-LSTM > RBFNN。前馈架构（MLP和RBFNN）整体上比循环模型（LSTM系列）提供了更稳健的预测。

四、讨论与结论

4.1 性能评估与讨论

研究表明，在受调控的AOC中，SSL入流量的动态主要由渠道运行的短期水力控制所支配，而非长期水文记忆。由于AOC中SSL入流量受闸门运行控制，前馈架构（尤其是MLP）能够更有效地捕捉这种即时响应关系，而循环模型所擅长的长期时序依赖在此场景中并非主导因素。MLP模型结合SGDM优化器在多个指标上均表现最佳，表明其能够有效捕捉SSL与水文及运行变量之间的非线性关系。

4.2 研究结论

本研究通过整合渠道控制结构的运行特征与水文变量，成功开发了用于AOC中SSL入流量预测的ML模型。MLP模型在预测精度和可靠性方面优于其他模型，为受调控渠道系统中的泥沙管理提供了有力工具。研究结果凸显了ML模型在超越传统SSL预测方法方面的潜力，能够提供更高的精度和更强的适应性。将渠道运行变量纳入模型输入，显著提升了预测性能，这为AOC中的实时泥沙管理决策提供了科学依据。