全球95%以上的中小流域沒有任何監(jiān)測(cè)數(shù)據(jù),這些無資料地區(qū)徑流和洪水預(yù)測(cè)(PUB: Prediction on Ungauged Basins)一直是水文領(lǐng)域長(zhǎng)期面臨的科學(xué)難題。近期,成都山地所歐陽(yáng)朝軍研究員團(tuán)隊(duì)提出了一種新的基于AI的徑流洪水預(yù)測(cè)模型ED-DLSTM,通過編碼流域靜態(tài)屬性和氣象驅(qū)動(dòng),利用全球2000多個(gè)水文站數(shù)據(jù)進(jìn)行模型訓(xùn)練,以解決全球范圍內(nèi)有資料流域和無資料流域徑流預(yù)測(cè)問題。
該研究提出的ED-DLSTM模型,針對(duì)流域徑流預(yù)測(cè)目標(biāo),設(shè)計(jì)了空間屬性編碼模塊,利用卷積層和空間金字塔池化層,將所有流域的靜態(tài)屬性映射到規(guī)模相同的隱空間,使得模型能抽象地“意識(shí)”到不同流域的水文響應(yīng)特征。
該研究采用的訓(xùn)練數(shù)據(jù)集來自美國(guó)、英國(guó)、中歐、加拿大等地共計(jì)2089個(gè)流域,這些流域分布差異性顯著,確保了數(shù)據(jù)的多樣性。利用這些流域歷史資料訓(xùn)練模型,并測(cè)試模型在未來時(shí)段的預(yù)測(cè)準(zhǔn)確性和可靠性。利用納什效率系數(shù)NSE對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)估,發(fā)現(xiàn)81.8%的流域平均NSE高于0.6,預(yù)測(cè)精度比傳統(tǒng)水文模型和其他人工智能模型更好。
基于上述預(yù)訓(xùn)練模型(北半球),研究者對(duì)智利(南半球)的160個(gè)全新流域(不使用任何監(jiān)測(cè)數(shù)據(jù))進(jìn)行預(yù)測(cè),以檢驗(yàn)?zāi)P驮跓o監(jiān)測(cè)數(shù)據(jù)流域的預(yù)測(cè)能力,不同預(yù)訓(xùn)練模型的預(yù)測(cè)結(jié)果顯現(xiàn)出了較強(qiáng)的空間分布一致性。在最好情況下,所有未計(jì)量流域中76.9%的流域NSE>0,展現(xiàn)了AI在未計(jì)量流域進(jìn)行水徑流及洪水預(yù)測(cè)的巨大潛力。
相關(guān)成果以“Deep Learning for Cross-Region Streamflow and Flood Forecasting at a Global Scale”為題,在線發(fā)表于綜合性學(xué)術(shù)期刊The Innovation(IF=33.1)上。
文章信息:
Zhang B.,Ouyang C.,Cui P.,et al. (2024). Deep Learning for Cross-Region Streamflow and Flood Forecasting at a Global Scale. The Innovation 5(3),100617.
研究摘要
研究設(shè)計(jì)的ED-DLSTM模型總覽