基于机器学习与有限水文气象数据的孟加拉国Karatoya-Atrai河流域月径流提前一个月预测

《Frontiers in Water》:One-month-ahead river discharge forecasting using machine learning and limited hydrometeorological data: the Karatoya-Atrai River basin, Bangladesh

【字体: 大 中 小 】 时间:2026年09月23日 来源:Frontiers in Water 3.7

编辑推荐:

  孟加拉国作为一个河流密布的国家,高度依赖其错综复杂的河流与水体网络。全国超过700条河流贯穿其间,水资源对该国的农业、交通及整体生活方式至关重要。有效管理这些资源对于减轻洪水、干旱及其他水文灾害的风险至关重要。本研究具体探讨了多种机器学习(ML)模型在仅利用降

  
孟加拉国作为一个河流密布的国家,高度依赖其错综复杂的河流与水体网络。全国超过700条河流贯穿其间,水资源对该国的农业、交通及整体生活方式至关重要。有效管理这些资源对于减轻洪水、干旱及其他水文灾害的风险至关重要。本研究具体探讨了多种机器学习(ML)模型在仅利用降雨量、温度以及前期(滞后)流量数据的情况下,对Karatoya-Atrai河进行提前一个月流量预测的能力。通过对支持向量回归(SVR)、随机森林(RF)、线性回归(LR)、多项式回归(PR)、岭回归(RR)和极端梯度提升(XGBoost)等模型的全面比较,研究表明RF模型提供了最优的流量预测精度。采用严格按时间顺序划分的训练-测试集划分和分块时间序列交叉验证,RF模型给出了最佳的提前一个月预测结果(纳什效率系数NSE 0.86,均方根误差RMSE 69.71 m3s-1,平均绝对误差MAE 43.97 m3s-1,平均绝对百分比误差MAPE 40.26%,克林-古普塔效率系数KGE 0.89,范围归一化均方根误差NRMSE_range 0.11),其性能优于持续性基准(NSE 0.51)和季节性气候学基准(NSE 0.80)。消融实验表明,与降雨相关性高达r=0.97的Khosla公式计算径流并未带来独立的预测技能,而前期流量记忆贡献最大。针对不同流态的评估显示模型具有良好的季节性预测技能,但对高流量和极端流量的预测精度有所下降。该框架的主要价值在于为数据稀缺的季风流域提供了一个低数据需求的提前一个月预测工具,并对照具有物理意义的基准进行了评估。这为在资源有限的监测与控制系统中推广应用提供了可能。

论文解读文章

研究背景与问题

在全球气候变化与全球变暖背景下,水文循环强度增加,导致水资源的时空分布发生变化。干旱季节淡水短缺以及雨季洪涝灾害成为21世纪人类面临的重大挑战。对于南亚国家,尤其是孟加拉国,由于其独特的地理和社会经济脆弱性,这些挑战尤为突出。孟加拉国是全球灾害频发国家之一,洪水和干旱是最常见且最具挑战性的自然灾害,每年造成巨大的农作物损失、生计丧失和环境破坏。
准确的河流流量/径流数据是水文和水资源管理的基础,对于预测洪水干旱、管理供水至关重要。然而,获取可靠且易于获取的流量数据面临挑战,尤其是在孟加拉国这样的发展中国家。传统的基于物理过程的模型依赖于特定的水文假设并需要大量的水文数据进行校准,在数据稀缺地区应用受限。相比之下,数据驱动的机器学习(ML)模型所需输入较少,在数据稀缺环境下效率较高,能够精确捕捉变量间的非线性关系。
尽管ML模型已在全球范围内应用于流量预测,但在孟加拉国数据稀缺的跨境河流系统中应用仍然有限,且现有研究存在若干空白:其一,许多研究使用同月的 meteorological 输入估算流量并将其描述为“预测”,缺乏明确的预测提前期,对早期预警价值有限;其二,在数据稀缺流域,很少确定哪些预测因子携带预测技能,经验模拟的径流是否能提供超越降雨和温度的独立信息尚不明确;其三,评估常基于随机数据划分导致时间信息泄露,且未与简单基准模型进行比较。本研究旨在填补这些空白。

研究内容与结论

研究人员开发了一个可操作的、提前一个月流量预测框架,仅使用该流域可获得的变量(降雨量、温度和流量)。针对孟加拉国西北部的跨境河流Karatoya-Atrai河,利用前几个月可获得的信息(包括滞后的降雨量和温度、累积降雨量、经验模拟的Khosla径流以及前期流量)来预测每个月的流量。研究人员将一系列涵盖线性、正则化、核方法和集成方法的ML模型与持续性基准和季节性气候学基准进行了比较,采用严格的时间顺序验证方案,并通过消融实验量化了每组预测因子的贡献。模型性能还分别针对高流量月和低流量月、季风季节和旱季进行了评估。
研究得出的主要结论是:随机森林(RF)模型提供了最优的提前一个月流量预测精度(NSE 0.86,RMSE 69.71 m3s-1,MAE 43.97 m3s-1,KGE 0.89),显著优于持续性基准(NSE 0.51)和季节性气候学基准(NSE 0.80)。消融实验表明,Khosla公式计算径流与降雨高度相关(r=0.97),但并未增加独立的预测技能;而前期流量记忆是预测技能的最大贡献者。该研究的方法论意义在于建立了一套适用于数据稀缺流域的无信息泄露、经基准检验且考虑流态差异的预测协议;科学意义上,阐明了在季风性跨境流域中,少数可用预测因子如何主导流量预测技能;实践意义上,提供了一个仅依赖常规气象和流量数据的简约模型,有望为数据稀缺社区的气候韧性努力提供基础。

关键技术方法

研究人员采用了以下主要技术方法:(1)Khosla径流计算公式,利用月降雨量(P)和月温度(T)估算月径流(R = P - 0.48 × T),用于生成一个额外的经验预测因子;(2)特征工程,构建了三类预测因子:时间特征(日历月编码为正弦和余弦项)、近期天气特征(前一个月及前两个月的降雨量、温度、Khosla径流,以及前三个月的累积降雨量)和河流自身行为特征(前三个月的流量);(3)六种机器学习模型的比较:线性回归(LR)、岭回归(RR)、二阶多项式回归(PR)、径向基函数核的支持向量回归(SVR)、随机森林(RF)和极端梯度提升(XGBoost);(4)严格的时间序列验证方案,采用按时间顺序的前80%(1964年4月至1988年10月,295个月)作为训练集,后20%(1988年11月至1994年12月,74个月)作为测试集,并在训练期内使用五折扩展窗口的分块时间序列交叉验证进行超参数调优;(5)消融实验,通过逐步添加预测因子组量化各组贡献;(6)多指标评估体系,包括平均绝对误差(MAE)、均方根误差(RMSE)、纳什效率系数(NSE)、克林-古普塔效率系数(KGE)等八个指标,并对高流量(>75百分位)、低流量(<25百分位)、极端流量(>90百分位)、季风季节(6-10月)和旱季(11-5月)分别进行评估。所有分析均在Python 3环境中实现,数据来源于孟加拉国气象局(BMD)和孟加拉国水资源发展委员会(BWDB)1964年至1994年的月度记录。

研究结果

4.1 水文气象参数的描述性统计与趋势分析
降雨量范围为0至1379.33 mm,中位数为132.83 mm;温度中位数为31.93°C,范围为23至41°C;流量中位数为70.98 m3s-1,范围为5.7至734 m3s-1。计算径流范围为0至1218 mm,中位数为0。相关性热图分析显示,降雨与径流高度相关(r=0.97),两者与流量的正相关系数分别为0.49和0.45;温度与流量的相关性最弱(+0.20)。趋势分析表明,年降雨量和年平均温度在1964-1994年间无显著趋势,但年径流量呈现显著的上升趋势(Mann-Kendall Z=+2.46, p=0.014),年均增长约2.04 m3s-1,这与该河流的跨境特性有关,上游印度境内的条件未被本地气象记录所捕获。
4.2 模型比较
随机森林(RF)模型展现出最强的预测能力,获得了最低的误差值和最高的整体效率:MAE为43.97 m3s-1,RMSE为69.72 m3s-1,NRMSE_mean为0.379,NRMSE_range为0.113,NSE为0.857。XGBoost紧随其后,表现相当(MAE 46.39 m3s-1,RMSE 71.26 m3s-1,NSE 0.851),并提供了最高的KGE值(0.902)和较低的PBIAS(-6.19%)。回归模型(LR、PR、SVR、RR)表现中等,误差普遍高于集成学习方法。持续性基准模型表现最差(NSE 0.514),表明简单的重复预测无法满足需求。散点图进一步证实,RF模型的预测误差大多集中在0-20%范围内,且预测值与观测值更接近理想线。

讨论与结论

本研究的核心价值在于为数据稀缺的季风流域提供了一个低数据需求、提前一个月流量预测的操作性框架。消融实验清晰地揭示了各预测因子的相对重要性:前期流量记忆是预测技能的主要来源,而Khosla公式计算的径流由于与降雨高度共线性,未能提供独立的预测信息。模型在季节尺度上表现良好,但对高流量和极端流量的预测精度下降,这与年度流量的显著上升趋势有关——最高流量出现在后期的测试集中,部分超出了训练集的范围,而树集成模型不具备外推能力。
研究结论指出,随机森林(RF)模型在对比的模型中表现最佳,能够有效地利用有限的降雨、温度和历史流量数据实现可靠的提前一个月流量预测。该框架的优势在于其简约性和对常规可得数据的依赖,使其特别适合在孟加拉国等监测基础设施不足的地区推广。然而,该研究基于单一测站(Chak Hariharpur, SW144),其向其他站点和流域的可迁移性仍有待未来研究验证。如果这一简约框架的适用性得到确认,它将为数据稀缺社区的流量预测以及相关的防洪抗旱气候韧性工作提供有价值的工具。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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