用于可靠径流点-区间预报的优化分解与带偏差校正的深度学习

更智能的河流预报为何重要

像长江这样的大河沿岸社区始终在过多的水与过少的水之间维持着紧张的平衡。突发洪水可能危及生命和基础设施，而长期干旱则威胁饮水、农业和水电。本研究提出了一种新的方法，能够对未来数月长江的流量进行预测，不仅给出单一的最佳估计，还提供对该估计不确定性的清晰判断——这些信息可帮助规划者为日常状况和罕见极端事件做准备。

驯服起伏不定的河流信号

河流流量在季风降雨、水坝、土地利用和气候变化等因素的共同作用下呈现复杂的涨落模式。这些波动使数据变得“嘈杂”和不规则，甚至会使先进的计算模型困惑。作者首先通过将两个长江站点的月尺度径流记录分解为若干更平滑的分量来应对这一问题。他们采用一种把缠绕的信号分离成更清晰构件的技术，然后让一种受座头鲸捕食行为启发的优化算法自动选择要使用的分量数量以及每个分量应被平滑到的程度。结果是一组更稳定的流量模式，使学习系统更容易理解。

教机器“读”河流

记录分解后，研究转向一种混合深度学习模型来预测未来径流。模型的一部分——时序卷积网络（temporal convolutional network）擅长在序列中识别长期模式和季节节律；另一部分——双向递归网络（bidirectional recurrent network）沿时间轴同时向前和向后观察，以更好地把握过去月份如何影响下一个月份。基于座头鲸的优化器还为该组合模型调优关键设计参数，例如使用多少个滤波器以及学习速率。这种精心设置使系统在一个月先期预报上比多种竞争方法（包括更传统的神经网络和基于transformer的序列模型）显著更准确。

修正预测中的隐性偏差

即便平均误差较小，模型仍可能存在细微且重复出现的错误——例如持续低估大洪水。为修正这些隐性偏差，作者增加了第二步学习。首先，模型从分解后的信号生成初始预报。然后他们计算该预报与实际观测流量之间的差值，并训练同类型网络去预测这些剩余误差。将预测到的误差加回初始预报后，得到偏差校正后的结果。在两个长江站点，这一策略将预测的标准误差相比于不做偏差校正的相同模型约降低三分之二，并且更紧密地追踪了汛期的峰值。

从单一估计到可能范围

对于现实决策，仅知道一个“最佳”预报是不够的；管理者需要了解仍然可能发生的流量范围。因此本研究超越点预报，估计预测区间——这些区间应在选定的概率下包含真实径流。作者没有假设简单的钟形误差分布，而是使用一种灵活的方法直接从数据中估计误差分布，对观测残差进行平滑处理。这种非参数方法更好地捕捉偏斜和重尾行为，这对于极端事件尤为重要。利用拟合的误差分布，他们构建了不同置信水平的径流区间，并展示了其方法比标准统计分布更可靠地覆盖观测流量，同时区间相对较窄。

对人们与规划意味着什么

简单来说，该研究提供了一个既更敏锐又对自身不确定性更诚实的预报工具。通过清理流量记录、采用优化的深度学习引擎、纠正系统性误差并构建基于数据的不确定性区间，该框架为长江沿岸的水务管理者提供了更清晰的预期及其置信度。尽管该方法计算量较大且仍需在其他流域进行测试，但它指向了新一代河流预报的发展方向，可更好地指导水坝运行、洪水预警和气候变化背景下的长期水资源规划。

引用: Ma, H., Marsani, M.F., Mansor, M.A. et al. Optimized decomposition and deep learning with bias correction for reliable runoff point-interval prediction. Sci Rep 16, 9616 (2026). https://doi.org/10.1038/s41598-025-33713-0

关键词: 洪水预报, 河流径流, 深度学习, 不确定性估计, 长江