北京师范大学WRR: 基于多尺度深度学习建模与人为相似性的调控流域径流预测

点击上方蓝色字关注我们~

径流预测对人类生存、生态系统平衡及水资源管理至关重要，但人类活动（如修建水坝、水库）显著改变了全球三分之二河流的自然水文过程。传统水文模型在人类调节流域表现不佳，而深度学习（DL）方法（如长短期记忆网络LSTM）在自然流域已展现优势。然而，DL模型在人类活动主导的大型流域（如黄河流域）的应用仍存在挑战：

数据局限性：传统流域属性无法充分表征人类干扰（如水库调节、取用水）；
模型适应性：混合模型（如可微分参数学习DPL）在强人类干扰下的性能未经验证；
动态影响：人类活动随时间演变（如黄河流域2000年后干预加剧），需评估模型对训练数据时段和人类活动动态的敏感性。

本研究创新性地提出一种静态属性集合——将河段属性与流域属性相结合的多尺度属性体系。该属性集被整合至两种深度学习（DL）方法中：长短期记忆网络（命名为多尺度LSTM）和可微参数学习（DPL）模型，并在美国95个人类调控流域及中国黄河流域24个流域进行性能评估。在美国，多尺度LSTM与DPL模型表现相当，其中位数Kling-Gupta效率系数（KGE）分别为0.78和0.71；而在黄河流域，二者KGE值分别为0.58和0.24。这些结果表明，相较于传统流域属性，深度学习模型能通过利用多尺度属性显著提升预测性能。

数据与方法

1. 研究区域与数据

区域：

黄河流域（24个子流域，面积2,450–747,000 km²，含3,000+水库）；

美国CAMELS数据集（95个受调节流域，河流连通性指数CSI < 95%）。

图1：研究区域与站点分布

数据：

气象数据：ERA5-Land降水和温度（11 km分辨率）；

径流数据：黄河流域（1980–2014年）、CAMELS（1980–2014年）；

多尺度属性：

流域属性：地形、气候、土壤、植被（如降水季节性、森林覆盖率）；

河流属性：连通性指数（CSI）、调节程度（DOR）、河宽（SWORD数据库）、水坝数量（GeoDAR数据集）。

2. 模型与方法

图2：LSTM与DPL模型架构

LSTM模型：

输入：365天动态气象序列 + 多尺度静态属性；

结构：2层LSTM（隐藏层128单元），损失函数为NSE。

DPL模型：

基于物理的混合模型（HBV水文模型 + 神经网络参数化）；

损失函数为RMSE。

实验设计：

多尺度属性影响：对比4种输入场景（无属性、仅流域属性、仅河流属性、多尺度属性）；

人类活动动态影响：

分时段训练（黄河流域：低干扰期1980–2000年 vs. 高干扰期2001–2014年）；

评估训练数据长度（1–10年）和时段对模型性能的影响。

评估指标：Kling-Gupta效率系数（KGE）。

结果

1. 多尺度属性显著提升模型性能

LSTM优势突出：

黄河流域：多尺度LSTM中位KGE=0.58，显著高于DPL（0.24）；

美国CAMELS：多尺度LSTM中位KGE=0.78，DPL为0.71。

河流属性关键作用：

河流属性（CSI、DOR、河宽）对模型性能贡献最大（黄河流域LSTM的KGE与CSI正相关，与DOR/水坝数量负相关）；

卫星属性（河宽、水面高程）有效表征人类活动影响。

图3：多尺度属性对模型性能影响（箱线图）

图4：LSTM与DPL性能空间差异

图5：黄河流域各站点模型性能

图6：典型站点径流模拟对比

2. 训练数据时段主导模型表现

时段敏感性：

使用包含低干扰与高干扰时段的训练数据（如黄河流域1986–2009年），模型性能最佳；

仅用单一时段训练时，KGE下降最高达40%。

数据长度影响：

LSTM：训练数据≥4年时KGE > 0.4，且随数据量增加稳步提升；

DPL：在高干扰期性能随数据量增加无改善（KGE < 0.4）。

图7：黄河流域径流趋势演变

图8：训练数据长度的影响

图9：人类活动强度对模型差异的影响

3. 人类活动强度削弱DPL适应性

DPL局限性：

水库数量> 40时，DPL性能显著下降（KGE < 0.3），因物理机制难以捕捉强人类干扰；

在黄河流域中下游（水坝密集区），DPL严重低估洪峰和基流（图6）。

LSTM鲁棒性：

即使水坝数量> 120（黄河流域），多尺度LSTM仍保持KGE > 0.58。

图12：水坝数量与模型性能关系

讨论

1. 多尺度属性的创新价值

解决表征瓶颈：传统流域属性忽略河流形态与人类基础设施，而多尺度属性（如SWORD河宽、CSI）弥补此缺陷，提升模型对复杂水文过程的捕捉能力。

混合模型的潜力：DPL在美国CAMELS流域表现接近LSTM，表明物理约束在轻度干扰区有效，但在强人类干扰下仍需数据驱动主导。

2. 模型选择与训练策略

LSTM普适性：通过记忆门控机制学习长时序依赖，适应水库调节导致的径流不规则性；

关键训练原则：

需覆盖人类活动演变全过程（低/高干扰期）；

训练数据不足时，优先扩展时间覆盖而非空间范围。

3. 不确定性与未来方向

不确定性来源（图13）：

输入数据质量（如黄河流域1998–2002年缺失）；

人类活动动态（如水库调度规则未量化）；

气候变率影响。

未来改进：

融合动态遥感数据（如SWOT卫星实时河宽、水位）；

探索自然与人类调节流域的联合训练框架；

发展可解释AI技术解析模型决策机制。

图13：人类调节流域的不确定性框架

结论
1 多尺度属性（流域+河流属性）是提升人类调节流域径流预测的关键，其中河流属性（如连通性CSI、调节程度DOR、卫星河宽）贡献最显著。
2 LSTM模型在强人类干扰下（如黄河流域）显著优于DPL，因后者难以适应水库密集区的复杂水文动态。
3 训练数据时段选择是主导模型性能的核心因素：需涵盖人类活动演变全阶段（低/高干扰期），且数据长度≥4年可保障LSTM稳定性。
4 实际应用建议：在高度人工化流域优先采用多尺度LSTM，并整合动态遥感数据；DPL适用于轻度干扰区，但需谨慎评估其物理机制局限性。

原文链接：https://doi.org/10.1029/2023WR036853

水文学者QQ交流群：462466939，欢迎学者加入！

本平台转载仅仅是出于学术交流和传播信息的需要，并不意味着代表本平台观点或证实其内容的真实性；转载文章版权归原作者所有，作者如果不希望被转载或有侵权行为，请联系本平台删除。

--理解有限，更多详情请点击阅读原文，进入文章主页。