加拿大水文气候极值平稳与非平稳概率分布建模的神经框架及其与经典模型性能比较

《Journal of Hydrology: Regional Studies》:Introduction of the neural framework for stationary and nonstationary probability distribution modelling of hydroclimatological extremes in Canada, and performance comparison with classical models

【字体: 大 中 小 】 时间:2026年03月04日 来源:Journal of Hydrology: Regional Studies 4.7

编辑推荐:

  研究人员针对传统参数化频率分析(FA)依赖刚性分布及尾部假设、在短序列及时变(TV)条件下高重现期(RP)分位数易偏倚的问题,提出一种神经网络(NN)框架,通过训练基于Gringorten绘图位置的经验目标直接学习完整边际分布。在此基础上,引入时间协变量构建非

  
研究人员针对传统参数化频率分析(FA)依赖刚性分布及尾部假设、在短序列及时变(TV)条件下高重现期(RP)分位数易偏倚的问题,提出一种神经网络(NN)框架,通过训练基于Gringorten绘图位置的经验目标直接学习完整边际分布。在此基础上,引入时间协变量构建非平稳扩展模型NN?-?TV,以刻画演化条件分布及非平稳重现水平(RL)与重现期(RP)。该框架以加拿大为研究区,选取蒙特利尔、魁北克市、多伦多的夏季与冬季年最大24小时降水量(AMTPA)及弗雷泽河、圣约翰河的年度峰值流量(Qmax)为对象,将NN/NN?-?TV与参数模型、核密度估计(KDE)、极值混合模型(EVMM)及基于广义可加模型位置尺度形状(GAMLSS)的参数?-?TV基准进行系统对比。采用Bootstrap重采样与深度集成法分解非平稳设计曲线中的认知与偶然不确定性。结果表明,平稳条件下经交叉验证筛选的紧凑NN架构优于经典基准模型,尤其在上尾表现突出,其设计量稳定约束于90% Bootstrap区间内;非平稳条件下NN?-?TV较最优参数?-?TV基准更准确稳定地重构演化极值,如魁北克市冬季AMTPA的均方根误差(RMSE)降低约50%。深度集成与Bootstrap重拟合可将非平稳RL的不确定性分解为认知与抽样分量,并将非平稳设计曲线转化为趋势方向显式概率,揭示多伦多夏季AMTPA呈下降趋势、魁北克市冬季AMTPA呈阶段性波动、圣约翰河Qmax呈上升趋势。结合趋势斜率诊断,该框架可将NN?-?TV设计曲线转化为风险升降的显式概率,支撑气候适应型与风险知情规划。
该研究聚焦气候变化与土地利用变化背景下水文气候极值的频率分析(FA)需求,针对传统参数分布(如GEV、Gumbel、对数正态、Gamma)因预设密度与尾部形态导致的长重现期(RP)分位数偏倚、非参数核密度估计(KDE)过度平滑上尾、极值混合模型(EVMM)阈值选择主观性强等问题,首次构建了面向水文频率分析的监督式神经网络(NN)框架。研究以加拿大蒙特利尔、魁北克市、多伦多的夏冬两季年最大24小时降水量(AMTPA)及弗雷泽河、圣约翰河的年度峰值流量(Qmax)为对象,通过对比NN/NN?-?TV与经典基准模型的性能,验证了神经框架在平稳与非平稳条件下的优越性,成果发表于《Journal of Hydrology: Regional Studies》。
关键技术方法包括:采用贪婪网格搜索(GGS)结合5折交叉验证(KFCV)联合优化隐藏层大小(HS)与学习率(LR),以均方误差(MSE)为损失函数,通过Adam算法训练3层前馈NN;平稳模型以Gringorten绘图位置构造经验累积分布函数(ECDF)为目标,非平稳模型引入标准化时间协变量,采用Nadaraya?-?Watson型时间平滑条件ECDF作为监督目标,带宽固定为κ=0.75;通过Bootstrap重采样与深度集成法分解非平稳重现水平(RL)的认知(模型结构)与偶然(抽样)不确定性,结合Mann?-?Kendall检验、Sen斜率估计诊断序列非平稳性。
研究结果如下:
3.1 数据准备及其描述性评价:研究涵盖3个城市站点(蒙特利尔、魁北克市、多伦多)的夏冬AMTPA及2个流域(弗雷泽河、圣约翰河)的Qmax,记录长度33?-?113年。描述性统计显示夏季AMTPA普遍高于冬季,魁北克市与蒙特利尔冬季右偏与峰度更高,多伦多冬季变异系数较高但厚尾特征较弱;非平稳性检验表明多伦多夏季AMTPA、魁北克市冬季AMTPA及圣约翰河Qmax存在显著趋势,其余序列平稳。
3.2 神经模型性能与选定配置:通过网格搜索确定最优HS?-?LR组合,如蒙特利尔夏季AMTPA为HS=64、LR=0.05,冬季为HS=32、LR=0.09;魁北克市夏冬均为HS=64(LR分别为0.06、0.05);多伦多夏冬均为HS=64、LR=0.03;两河流Qmax均为HS=64、LR=0.03。
3.3 学习率对神经参数行为与稳定性的影响:最优配置的NN参数轨迹平滑渐变,表明优化过程稳定,过大或过小的LR会导致参数波动。
3.4 训练损失行为与收敛性:选定配置的MSE损失曲线在500轮训练中快速单调下降后趋于平稳,无后期发散,证实收敛稳定。
3.5 模型稳定性与参数范数:L2参数范数随训练轮次平滑增长并饱和,无突增尖峰,表明模型复杂度可控。
3.6 泛化性能:训练与验证损失曲线紧密贴合,5折交叉验证显示最优配置在不同数据划分下性能一致,无过拟合迹象。
3.7 神经网络与经典模型性能对比:NN在所有站点与变量上均优于参数模型、GKDE及EVMM,如魁北克市夏季AMTPA的NN的RMSE为0.0088,远低于最优参数模型(Weibull?-?2P的0.0264)与EVMM(0.0217)。
3.8 神经网络在尾区的性能:NN在5%与95%分位数的尾区MSE极低,能精准捕捉上下尾行为,尤其在短记录站点的上尾拟合优势显著。
3.9 平稳NN设计曲线的Bootstrap不确定性:90% Bootstrap置信带在 bulk 区狭窄,上尾随重现期延长逐渐放宽,符合抽样变异性规律;长记录(如弗雷泽河Qmax)的尾区带更窄,凸显样本量的关键作用。
3.10 神经网络与经典极值不确定性的对比:参数模型的RP与RL(T)带在长重现期(>50年)显著宽于NN,反映其尾部假设对参数变化的高度敏感性,而NN的不确定性更贴合数据支持范围。
3.11 极值的跨站点基准测试:NN的重现水平(RL)曲线与参数基线在 bulk 区吻合,在高重现期差异集中于数据稀疏区;绘图位置敏感性分析表明NN结果对不同经验CDF目标具有鲁棒性。
3.12 时变神经网络与参数基线的对比:在非平稳序列中,NN?-?TV的综合性能优于GAMLSS参数?-?TV模型,如魁北克市冬季AMTPA的RMSE较最优参数?-?TV降低约50%,KS统计量降低约40%;NN?-?TV无需预设分布形态,可同时捕捉位置、尺度与形状的时变特征。
3.12.1 非平稳NN与参数的概率尾诊断:概率积分变换(PIT)直方图与可靠性图显示NN?-?TV的上尾校准更优,尾部连续排序概率评分(tail?-?CRPS)在大多数年份与参数模型相当或更稳定。
3.12.2 降水极值的时序演变:NN?-?TV捕捉到魁北克市冬季AMTPA的“上升?-?回落”阶段性特征,多伦多夏季AMTPA的持续下降趋势,通过Wasserstein距离与Jeffreys散度量化了分布的年际结构变化。
3.13 时变风险估计与设计曲线:NN?-?TV的非平稳RL(T)与RP(x)曲线随时间平滑演化,始终位于Bootstrap带内;参数?-?TV模型则常出现尾部过度膨胀,导致长重现期设计值脱离数据支持范围。
3.14 NN?-?TV重现水平的认知与抽样不确定性:深度集成分解显示,短记录站点(多伦多、魁北克市)的认知不确定性占比达20?-?40%(随重现期延长升高),长记录站点(圣约翰河)降至8?-?12%,表明模型结构影响在长重现期与短序列中更为突出。
3.15 NN?-?TV重现水平的趋势斜率诊断:斜率分布显示多伦多夏季AMTPA的95%置信区间完全为负,圣约翰河Qmax完全为正,魁北克市冬季AMTPA的斜率接近零且宽幅,将设计曲线转化为风险升降的显式概率。
讨论部分指出,NN框架通过Bootstrap约束的设计曲线与趋势概率输出,改变了传统设计流程:平稳条件下避免了参数尾部的过度外推,非平稳条件下提供了更稳定的时变RL估计。季节差异与水文气候机理相符——多伦多夏季极值受对流风暴主导,呈间歇性减弱;魁北克市冬季极值受天气尺度系统与混合相态降水影响,呈阶段性波动。不确定性分解明确了可缩减(抽样)与不可缩减(认知)误差的来源,建议以NN?-?TV中位数RL为中央估计值,90% Bootstrap上限为设计裕度。
结论部分总结:监督式NN与NN?-?TV框架为水文频率分析提供了兼具精度与鲁棒性的AI替代方案,在平稳与非平稳条件下均优于经典模型,其上尾校准更优,设计曲线受数据约束更强。未来研究可引入物理协变量(如大气环流指数)增强归因能力,结合SHAP等可解释AI工具明确预测因子对分布的影响,并通过带宽敏感性分析优化非平稳监督目标。该框架可作为业务化气候服务工具,定期更新设计曲线,支撑加拿大城市与流域的适应性基础设施规划。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号