《Journal of Hydrology: Regional Studies》:LSTM-based flood-stage forecasting under limited flood-event samples: Effects of forecasting scheme, spatial input configuration, and input-window length in the Pajiang River basin
编辑推荐:
研究人员在有限洪水事件样本条件下评估了基于长短期记忆(Long Short-Term Memory,LSTM)网络的洪水水位预报性能。多输出方案(multi-output scheme,M2)结合局部观测在精度与稳定性之间取得了最佳平衡。局部输入方案(loca
研究人员在有限洪水事件样本条件下评估了基于长短期记忆(Long Short-Term Memory,LSTM)网络的洪水水位预报性能。多输出方案(multi-output scheme,M2)结合局部观测在精度与稳定性之间取得了最佳平衡。局部输入方案(local-input,S1)随着训练事件数量的减少仍保持最优一致性。上游输入带来的增益具有事件依赖性,并在样本有限时减弱。在不同预报设置下,未发现普遍最优的输入窗口长度。
洪水是最普遍的自然灾害之一,对生命和经济造成严重威胁。全球气候变化与快速城市化使洪水频率和强度趋于增加。由于技术措施难以保护所有河流沿岸区域,洪水预警系统成为有效的非侵入性手段,而水位预报是预警系统的核心。传统水位预报多依赖水位-流量关系或物理水动力学模型,但在数据稀疏或受水库、蓄滞洪区调度影响的流域,这些方法常受限于边界条件复杂和计算成本高。数据驱动的机器学习方法可减少对河道形态和边界条件的显式依赖,其中长短期记忆网络(Long Short-Term Memory,LSTM)因其对时序依赖的捕捉能力,在水文预报中广泛应用。然而,在运营性河流系统中,基于上游观测进行下游水位预报时,增加预测因子是否总能提升性能并不明确,尤其是当可用洪水事件样本有限时,现有研究结果不一。为此,研究人员以中国广东省北江流域的潖江(Pajiang River)为研究区,系统评估了三种LSTM预报方案、五种空间输入配置、多种输入窗口长度和训练数据量对下游洪水水位预报的联合影响。
本研究目标站点为位于潖江蓄滞洪区出口的江口墟(Jiangkouxu)站,上游观测来自飞来峡(Feilaixia)和大庙峡(Damiaoxia)站。研究人员从2012—2024年逐小时数据中选取17场洪水事件,其中4场(2022、2024-1、2024-2、2024-3)保留为测试集,其余13场用于训练和验证,并在事件层面采用k折交叉验证。通过设置递归多步(recursive multi-step,M1)、多输出(multi-output,M2)和直接单步(direct single-horizon,M3)三种预报方案,以及S1(仅本地)、S2(本地+飞来峡)、S3(本地+大庙峡)、S4(仅上游)、S5(本地+全部上游)五种空间输入配置,在1—8小时预见期内考察输入窗口长度(6—14小时)的作用。为模拟有限样本条件,研究人员从9个训练事件中构建75%(7个)和50%(5个)的子集,并引入门控循环单元(Gated Recurrent Unit,GRU)网络检验结论的架构一致性。
关键技术方法方面:模型基于PyTorch实现,采用Adam优化器和均方误差(Mean Squared Error,MSE)损失函数;超参数通过Optuna框架结合树结构Parzen估计器(Tree-structured Parzen Estimator,TPE)搜索,并使用异步连续减半算法(Asynchronous Successive Halving Algorithm,ASHA)进行提前停止以提升效率。每种优化配置重复训练20次以量化随机性。评价指标包括纳什-苏特克利夫效率系数(Nash-Sutcliffe model efficiency coefficient,NSE)、均方根误差(Root Mean Square Error,RMSE)、绝对峰值偏差(absolute peak bias,|PB|)和绝对峰值时间偏差(absolute peak timing bias,|PTB|)。此外,还采用随机森林(Random Forest,RF)基准和持续性基准作为对照。
研究结果如下。
**4.1 预报方案比较**。在1—2小时短预见期内,三种方案在所有含本地观测的配置下性能相近;超过4小时后,多输出方案(M2)在S1、S2、S3、S5下精度和稳定性最好,其最小NSE保持在0.94以上。递归方案(M1)在长预见期下精度下降,预测步长实验表明递归误差累积是部分原因。仅上游配置(S4)下,直接单步(M3)在全训练条件下平均NSE最高(0.955),但对训练数据减少更敏感。总体而言,M2在有限样本下表现更稳健。
**4.2 空间输入配置影响**。S1(仅本地水位)在全部事件、预见期和训练数据量下表现最稳定,四场测试洪水平均NSE约为0.993,RMSE约为0.17米,几乎不随训练数据减少而变化。S2相比S1在部分事件上有微小改进,但改进不系统,且随训练数据减少而消失;S2优于S3,表明上游站点的水文相关性比数量更重要;S5未带来系统改进;S4性能最差且对训练数据高度敏感,平均NSE从0.967降至0.932。
**4.3 输入窗口长度影响**。对S1,窗口长度影响较小;对包含上游信息的配置,窗口长度影响增大且无一致最优值,尤其是S4,改变窗口可使|PB|差异达1.35米。
**4.4 LSTM与GRU一致性**。GRU实验重复了预报方案和空间配置的主要模式:在含本地观测时M2最优,M1长预见期退化。但LSTM与GRU的相对性能随方案变化,GRU在M2下略优,LSTM在M1下更稳定。
**4.5 水文控制与意义**。对江口墟水位序列进行一阶差分后,自相关函数(autocorrelation function,ACF)显示e折记忆时间约12小时,偏自相关函数(partial autocorrelation function,PACF)显示直接依赖集中于前2小时。持续性基准在1小时预见期NSE接近1.00,但在8小时降至0.87,说明短预见期可预测性主要源自水文状态持续性。训练数据减少时,S1几乎不变而上游配置明显变差,表明本地水位时间依赖较易从少量事件学习,而站间时空关系依赖更多样本。飞来峡与江口墟洪峰时间差多为1—4小时,大庙峡与江口墟间贡献面积约875平方公里,特征时间约6小时,均在输入窗口覆盖范围内,但上游信息增益仍不稳健,说明其价值取决于事件特定的水文联系。极端的2022年事件因蓄滞洪区启用,峰值误差较大,反映有限样本对极端事件代表性不足。
讨论部分指出,预报方案适用性取决于预见期、可用信息和训练数据量。短预见期下方案差异小;长预见期或缺本地观测时,方案对信息利用方式和样本依赖变得重要。研究局限性包括:仅基于17场洪水,极端事件代表性不足;研究限于单一流域和站点,结论外推需谨慎;模型依赖历史关系,非平稳条件下可靠性下降;不确定性评估未涵盖观测误差和不同模型族等。
研究结论可概括为:(1)三种预报方案的性能取决于预测因子信息与训练数据量;当有目标站近期水位观测时,多输出方案(M2)在精度和稳定性之间取得最佳平衡,且对训练数据减少的敏感性最小;递归方案(M1)长预见期精度下降且与递归误差累积有关;仅上游观测时,直接单步(M3)在全训练条件下精度高,但训练事件减少时优势减弱。(2)仅用本地水位的简约配置(S1)在事件、预见期和训练数据量方面表现最一致;添加上游信息仅在部分事件中提供微小改进,且随训练数据减少而不可靠。(3)输入窗口长度对本地配置影响适中,添加预测因子后影响增大且无普遍最优值。(4)GRU实验重现了主要模式,但LSTM与GRU相对性能因方案而异。(5)总体而言,在类似潖江流域的事件稀缺条件下,基于近期本地水位观测的多输出预报提供了稳定选择;额外上游预测因子和长窗口可能在某些情况下有用,但收益取决于新增信息的水文相关性和代表性训练事件的可用性。