The Innovation | AI技术在无资料区径流与洪水预报中表现卓越

新闻

作者：TheInnovation创新
随着全球气候变化，极端降雨事件发生频率和强度都显著增加，导致洪水灾害更加频繁，洪水灾害风险显著增大。如何有效地预测洪水流量对降低洪水灾害风险至关重要。尽管过去几十年里基于水文过程的洪水流量预测取得了显著的进步，然而当前方法的预测结果依然严重依赖监测数据和参数率定。事实上，全球95%以上的流域没有任何监测数据，如何破解无资料和缺资料地区的径流和洪水预测一直是水文领域长期面临的科学难题。近年来，人工智能和机器学习方法的迅速发展为破解这一难题提供了新的可能途径。

导 读

准确预报径流和洪水是水文学的长期挑战之一，尤其是在无监测数据的流域。本文提出了一种全新的基于AI的径流洪水预测模型ED-DLSTM，通过编码流域静态属性和气象驱动，利用全球数千个水文站数据进行模型训练，以解决全球范围内（有资料和无资料）流域径流预测问题。该方法的优势在于克服了基于物理或概念模型导致参数稀疏或校准困难的问题。



图1 图文摘要

研究区域

本研究的训练数据来自美国、英国、中欧、加拿大等共计2089个流域，其位置分布如图2所示。这些流域分布差异性显著，确保了数据的多样性。利用这些流域历史资料训练模型，并测试模型在未来时段的预测准确性和可靠性。



图2 研究区域内流域位置分布（黑色轮廓）及部分变量特征（雷达图）

方法

本文提出的ED-DLSTM模型构建如图3所示。该模型针对流域流量预测目标，设计了空间属性编码模块，利用卷积层和空间金字塔池化层，将所有流域的栅格静态属性映射到规模相同的隐空间，使得模型能抽象地“意识”到不同流域的水文响应特征。



图3 ED-DLSTM模型总览

实验结果

利用纳什效率系数NSE**对实验结果进行评估，发现81.8%的流域的平均NSE高于0.6，预测精度较好（如图4），尤其在年均降雨量较高或径流系数较大的流域，相关预测结果更好。

**纳什效率系数NSE（取值范围为（-∞，1]）用于评估水文模型模拟结果（NSE值越接近1，表示模型模拟结果与实际观测值越吻合，NSE值小于0表示模型模拟结果较差）



图4 模型预测结果

模型泛化

基于上述四个区域的预训练模型（北半球），研究者对智利（南半球）的160个全新陌生流域（未使用任何历史监测数据训练）进行预测，以检验模型在无监测数据流域的预测能力，得到结果如图5所示。其中美国预训练模型表现最好，在所有未计量流域中，76.9%的流域的NSE＞0，且不同预训练模型的预测结果显现出了较强的空间分布一致性，展现了AI在未计量流域进行水流量及洪水预测的巨大潜力。



图5 预训练模型在无监测数据流域（未使用任何历史监测数据训练）泛化测试的预测结果

模型可解释性

当预训练模型在智利160个无资料流域进行预测时，通过ED-DLSTM编码器对每个流域的特征进行可视化（图6左侧）和相似性分析（图6右侧），发现预训练模型之间的平均编码相似度比随机噪声高38.4%，说明ED-DLSTM的嵌入层不是无序的随机信号，而是模型识别和利用的高维特征信息，证明了AI能够在不同流域学习到“水文通识”。这些现象在一定程度上加强了我们对数据驱动方法的理解和信任。



图6 左侧显示了编码特征的可视化分析，右侧显示了多个预训练模型之间的编码特征层相似性

总结与展望

相比Google团队刚刚发表Nature期刊上的论文（Grey et al., 2024, Nature. https://doi.org/10.1038/s41586-024-07145-1），本文提出的具有空间属性编码的深度学习模型ED-DLSTM，能够更有效的捕获流域内的空间和物理属性。通过本文的研究，展现了该模型在全球尺度跨区域环境中进行径流和洪水预测的巨大潜力，如何与现有的灾害预报系统融合，建立天-小时-分钟多时间尺度实时预警平台，预期将能够发挥更好的防灾减灾作用。

责任编辑

戴懿涛   中国科学技术大学

王同涛   中国科学院武汉岩土力学研究所



扫二维码｜查看原文

原文链接：https://www.cell.com/the-innovation/fulltext/S2666-6758(24)00055-9

本文内容来自Cell Press合作期刊The Innovation第五卷第三期以Article发表的“Deep Learning for Cross-Region Streamflow and Flood Forecasting at a Global Scale” (投稿: 2023-12-19；接收: 2024-03-24；在线刊出: 2024-03-26)。

DOI: https://doi.org/10.1016/j.xinn.2024.100617

引用格式：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.

作者简介

欧阳朝军，山地自然灾害与工程安全全国重点实验室副主任，博导，研究员，获优青，青促会优秀会员、中国科学院杰出成就奖（集体）等奖项。主要从事山地灾害动力学模拟与预报预警研究，自主开发了有重要影响力的灾害数值模拟专业软件-Massflow，200余家高校和科研院所采用软件解决大量科研和工程问题，研发了山地灾害风险模拟与险情精细预报系统（DiPS），成功提前预警数十起山洪泥石流灾害。在The Innovation，Reviews of Geophysics，Landslides, Engineering Geology等国际知名期刊上发表 SCI论文50余篇。

https://www.researchgate.net/profile/Chaojun-Ouyang

往期推荐

_ 以全球视角应对气候变化和城市化背景下的城市洪水风险 ► 点击阅读

_ 全球变暖中的AMOC与亚洲夏季风环流协同减弱现象 ► 点击阅读

_ 全球变暖加速了高寒山区的水循环 ► 点击阅读

_ 全球热浪-干旱复合事件胁迫未来社会-生态系统生产力 ► 点击阅读

_ 是什么导致极端事件的频发与气候系统的失衡？ ► 点击阅读

_ 强厄尔尼诺爆发助推2023-2024年全球表面温度破纪录及其衍生气候危机 ► 点击阅读

_ 太平洋年代际涛动如何影响全球陆地降水 ► 点击阅读

_ 基于30米分辨率林龄评估未来中国森林的增汇潜力与降汇风险 ► 点击阅读

_ 城市用地爬坡对全球可持续发展的影响 ► 点击阅读

_ 夜间灯光遥感在城市空间结构分析中的应用 ► 点击阅读

_ 用夜间灯光遥感评估土耳其-叙利亚地震灾害影响的新探索 ► 点击阅读

_ SDG 11.4进展评估：卫星感知世界文化遗产保护态势 ► 点击阅读

_ 透视遥感：感知透明地球 ► 点击阅读

_ 遥古感今，走向未来的空间考古 ► 点击阅读

_ 高分辨率卫星观测助力解决水文研究新难题 ► 点击阅读

_ 从太空看红树林：揭示全球“海岸卫士”的空间分布和防御能力 ► 点击阅读

_ 从太空观测湖泊水体CO₂动态变化：机遇和挑战 ► 点击阅读

_ 基于虚拟空间视角的地理信息科学发展之路 ► 点击阅读

_ 激光雷达考古：森林地区考古探测的革命性方法 ► 点击阅读

_ 基于近实时数据和空间技术的全球碳监测策略 ► 点击阅读

期刊简介



扫二维码 ｜ 关注期刊官微

The Innovation是一本由青年科学家与Cell Press于2020年共同创办的综合性英文学术期刊：向科学界展示鼓舞人心的跨学科发现，鼓励研究人员专注于科学的本质和自由探索的初心。作者来自全球58个国家；已被139个国家作者引用；每期1/5-1/3通讯作者来自海外。目前有196位编委会成员，来自21个国家；50%编委来自海外(含39位各国院士)；领域覆盖全部自然科学。The Innovation已被DOAJ，ADS，Scopus，PubMed，ESCI，INSPEC，EI，中科院分区表(1区)等收录。2022年影响因子为33.1，CiteScore为23.6。秉承“好文章，多宣传”理念，The Innovation在海内外各平台推广作者文章。

期刊官网：

www.the-innovation.org

www.cell.com/the-innovation

期刊投稿（Submission）：

www.editorialmanager.com/the-innovation

商务合作（Marketing）：

marketing@the-innovation.org

Logo｜期刊标识



See the unseen & change the unchanged

创新是一扇门，我们探索未知；

创新是一道光，我们脑洞大开；

创新是一本书，我们期待惊喜；

创新是一个“1”，我们一路同行。

The Innovation 姊妹刊



能源科学

第1卷第1期

生命科学 第2卷第1期

地球科学 第2卷第1期

材料科学 第2卷第1期

医学 第2卷第1期

生命科学 第1卷第3期

地球科学 第1卷第3期

材料科学 第1卷第3期

医学 第1卷第3期

生命科学 第1卷第2期

地球科学 第1卷第2期

材料科学 第1卷第2期

医学 第1卷第2期

生命科学 第1卷第1期

地球科学 第1卷第1期

材料科学 第1卷第1期

医学 第1卷第1期

The Innovation



第5卷第2期

第5卷第1期

第4卷第6期

第4卷第5期

第4卷第4期

第4卷第3期

第4卷第2期

第4卷第1期

第3卷第6期

第3卷第5期

第3卷第4期

第3卷第3期

第3卷第2期

第3卷第1期

第2卷第4期

第2卷第3期

第2卷第2期

第2卷第1期

第1卷第3期

第1卷第2期

第1卷第1期

赞助单位