基于机器学习的低影响开发绿色基础设施水文代理模型方法学概念验证

《Micromachines》：Machine Learning Surrogate Modeling in R for Rapid Screening of Green Infrastructure Hydrological Performance in Urban Stormwater Management: A Proof-of-Concept Study Using Synthetic Data

　　

摘要

**背景：** 基于物理的、耦合的水文—低影响开发（LID）模型，如美国环保署（EPA）雨水管理模型（SWMM），能够详细估算绿色基础设施（GI）的性能，但在涉及大量流域、降雨事件和类型组合时，计算成本高昂。**方法：** 本方法论概念验证构建了一个开源R工作流（randomForest、xgboost、caret），基于一个由不透水率、降雨重现期以及四种GI类型覆盖率等非线性方程生成的2000个流域—降雨—类型组合的合成数据集。所有场景均非由SWMM-LID模拟或实地监测生成。随机森林、XGBoost及线性基线模型被训练用于预测合成的峰值流量削减率和悬浮固体（TSS）去除率。**结果：** 在预留的合成测试集上，XGBoost和随机森林的峰值流量削减率R²值分别为0.96和0.92（线性基线：0.90），TSS削减率R²值分别为0.94和0.89（线性基线：0.79）。这些结果表明模型成功学习了合成的响应面；它们并不能衡量对真实GI系统的预测能力。特征重要性再现了数据生成方程中嵌入的类型权重。代理推理耗时约2–4毫秒（实测值），而文献中通常报告的SWMM-LID运行时间为数十分钟（此处未实测）；此为指示性比较，非受控基准测试。**结论：** 本研究仅为方法论演示，并非经过验证的水文代理模型。实际应用需使用SWMM-LID模拟集合或实地监测数据进行重新训练和验证。