全球95%以上的中小流域沒有任何監(jiān)測數(shù)據(jù)，這些無資料地區(qū)徑流和洪水預測是水文領域長期面臨的科學難題。近日，中國科學院成都山地災害與環(huán)境研究所研究員歐陽朝軍團隊提出了基于AI的徑流洪水預測模型ED-DLSTM，通過編碼流域靜態(tài)屬性和氣象驅(qū)動，利用全球2000多個水文站數(shù)據(jù)進行模型訓練，以解決全球范圍內(nèi)有資料流域和無資料流域徑流預測問題。

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(guī)模相同的隱空間，使得模型能夠抽象地“意識”到不同流域的水文響應特征。

該研究采用的訓練數(shù)據(jù)集來自美國、英國、中歐、加拿大等地共計2089個流域。這些流域分布差異性顯著，確保了數(shù)據(jù)的多樣性。研究人員利用這些流域的歷史資料訓練模型，并測試模型在未來時段的預測準確性和可靠性；利用納什效率系數(shù)NSE對實驗結(jié)果進行評估，發(fā)現(xiàn)81.8%的流域平均NSE高于0.6，預測精度比傳統(tǒng)水文模型和其他人工智能模型更好。

基于上述預訓練模型（北半球），研究人員對智利（南半球）的160個全新流域進行預測，以檢驗模型在無監(jiān)測數(shù)據(jù)流域的預測能力。不同預訓練模型的預測結(jié)果顯現(xiàn)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(xiàn)了AI在未計量流域進行水徑流及洪水預測方面的潛力。

相關成果以Deep Learning for Cross-Region Streamflow and Flood Forecasting at a Global Scale為題，在線發(fā)表在《創(chuàng)新》（The Innovation）上。

論文鏈接

成都山地所在無資料區(qū)徑流與洪水預報研究方面獲進展