融合变分模态分解与多尺度深度学习的冰雪高山流域日径流预测及跨流域迁移模型

《Remote Sensing》：A New Multiscale Deep Learning Model for Daily Runoff Prediction in Snow-Influenced Alpine Catchments

　　准确的日径流预测是理解径流动态和支撑水资源管理的基础。然而，受冰雪影响的高山流域的径流预测仍然具有挑战性，因为复杂的水文气象与冰冻圈相互作用会产生强烈的季节性和非平稳径流动态。为应对这些挑战，我们提出了IWOA-VCBA——一种融合变分模态分解（VMD）、卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）、注意力机制和改进的鲸鱼优化算法（IWOA）的多尺度深度学习模型，并以奥地利东蒂罗尔的林茨流域为案例研究对象。VMD从气象变量和前序径流中构建多尺度特征，CNN-BiLSTM-Attention学习局部特征交互、滞后依赖关系和关键时间信息，IWOA优化了关键网络超参数。模型性能在总径流、洪峰流量、融雪季径流以及直接跨流域模型迁移（针对齐勒、默尔和萨尔察赫流域，无需目标流域重新训练或超参数重新优化）方面进行了评估。在林茨流域，IWOA-VCBA的KGE和NSE值分别为0.969和0.947，在评估的模型中获得了最低的洪峰流量和洪峰时程误差，并保持了强劲的融雪季性能，KGE和NSE值分别为0.961和0.945。在迁移实验中，三个目标流域的平均KGE和NSE值分别为0.908和0.841，表明直接迁移下具有良好的预测能力。这些结果证明了IWOA-VCBA在受冰雪影响的高山流域中准确预测日径流和直接跨流域应用的潜力。