全球95%以上的中小流域沒(méi)有任何監測數據，這些無(wú)資料地區徑流和洪水預測（PUB: Prediction on Ungauged Basins）一直是水文領(lǐng)域長(cháng)期面臨的科學(xué)難題。近期，成都山地所歐陽(yáng)朝軍研究員團隊提出了一種新的基于A(yíng)I的徑流洪水預測模型ED-DLSTM，通過(guò)編碼流域靜態(tài)屬性和氣象驅動(dòng)，利用全球2000多個(gè)水文站數據進(jìn)行模型訓練，以解決全球范圍內有資料流域和無(wú)資料流域徑流預測問(wèn)題。

該研究提出的ED-DLSTM模型，針對流域徑流預測目標，設計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)屬性映射到規模相同的隱空間，使得模型能抽象地“意識”到不同流域的水文響應特征。

該研究采用的訓練數據集來(lái)自美國、英國、中歐、加拿大等地共計2089個(gè)流域，這些流域分布差異性顯著(zhù)，確保了數據的多樣性。利用這些流域歷史資料訓練模型，并測試模型在未來(lái)時(shí)段的預測準確性和可靠性。利用納什效率系數NSE對實(shí)驗結果進(jìn)行評估，發(fā)現81.8%的流域平均NSE高于0.6，預測精度比傳統水文模型和其他人工智能模型更好。

基于上述預訓練模型（北半球），研究者對智利（南半球）的160個(gè)全新流域（不使用任何監測數據）進(jìn)行預測，以檢驗模型在無(wú)監測數據流域的預測能力，不同預訓練模型的預測結果顯現出了較強的空間分布一致性。在最好情況下，所有未計量流域中76.9%的流域NSE＞0，展現了AI在未計量流域進(jìn)行水徑流及洪水預測的巨大潛力。

相關(guān)成果以“Deep Learning for Cross-Region Streamflow and Flood Forecasting at a Global Scale”為題，在線(xiàn)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.

全文鏈接

研究摘要

研究設計的ED-DLSTM模型總覽