亚热带季风流域日尺度径流预测机器学习模型的比较评估

河流预报为何与日常生活息息相关

季风地区的河流可能在数小时内由平静转为灾难性上涨，威胁生命、住宅和供水。准确预测每天河道的流量，是发布洪水预警、调度水库和保障城市供水的基础。该研究以中国南方的一个亚热带河流系统为对象，提出一个具有全球意义的实用问题：在当今流行的机器学习工具中，哪些方法在日尺度河流流量预测上表现最好，尤其是在危险的洪水期间？

易遭风暴袭击的河流承受多重压力

研究聚焦于博罗流域，属于东江的一部分，为粤港澳大湾区提供重要水源。该区域具有典型的季风气候：大部分降雨集中在几个月内，常由冷暖锋或台风带来。在这种自然波动之上，主要水库及其他人类活动改变了流量的时序和规模。作者整理了来自雨量计、气象站和河流流量测站的数十年日尺度观测，并将资料切分为训练年和测试年以模拟真实预报情境，从而检验不同算法在高度季节性且受工程调控的河流系统中的表现。

七种数字预报器正面交锋

团队比较了七种常用的机器学习模型：简单的线性回归、三种基于树的集成方法（随机森林、极端随机树和梯度提升方法，包括 XGBoost）、经典的人工神经网络，以及为处理时间序列设计的更先进的长短期记忆（LSTM）神经网络。每种模型均按相同程序进行精调，并用多种准确性指标评估。在全部条件下，七种模型都能给出相对良好的预报，证明数据驱动方法在河流预测中是强有力的工具。然而，明显的差异也随之显现：LSTM 居首，传统神经网络紧随其后，而简单线性模型表现出乎意料地好，甚至优于所有树模型。

当河水咆哮时模型如何表现

洪水是预报真正关键之处，因此作者重点分析了高流量日和记录中的三次最大洪水事件。在这些极端条件下，差异更加突出。LSTM 保持领先，当流量超过第 90、95 甚至 99 百分位时（即河流最危险的日子），仍是最准确的。它仍会低估某些峰值，但通常不足 20%。标准神经网络表现尚可，而基于树的模型常常低估峰值 30% 到 50%，在最高流量日的表现甚至不如使用长期平均值。然而，大多数模型能够将峰值日的时序把握在大约一天之内，这对发出预警至关重要，即便精确的高度有所偏差。

究竟是什么驱动河流的涨落

为超越“黑箱”式的预测，研究考察了哪些输入变量对模型最为重要。包括受博弈论启发的 SHAP 在内的多种方法得出一致结论：位于上游的岭下测站流量对预报的贡献最大。换言之，上游昨天的流量通常比当日的降雨总量更具信息量。这反映出一种水文记忆——河流将近期暴雨、土壤湿润度和地下水的影响积累为当前流量。当研究者移除上游流量数据时，LSTM 的预测技能显著下降；而移除降雨数据时，性能几乎没有变化。这表明，在该流域的日尺度预报中，跟踪系统中已存的水量可能比增加更多雨量观测更为关键。

这些发现对洪水安全意味着什么

对非专业读者来说，结论很直接：能记住昨天条件的智能模型，如 LSTM，在洪水临近时能比许多流行替代方法提供更可靠的河流预报。与此同时，当有良好的上游流量观测时，设计得当的简单模型仍然出人意料地有效。该研究强调，提高洪水预报准确性并非仅靠更复杂的算法或更多降雨数据，而在于捕捉河流固有的“记忆”，并将数据驱动工具与物理理解相结合。这类进步能帮助季风影响地区的水务管理者在下一场大暴雨来临时更早、更自信地做出决策。

引用: Zhang, Z., Xiao, Y., Chen, R. et al. Comparative assessment of machine learning models for daily streamflow prediction in a subtropical monsoon watershed. Sci Rep 16, 7341 (2026). https://doi.org/10.1038/s41598-026-38969-8

关键词: 径流预测, 洪水预报, 机器学习, LSTM 神经网络, 季风河流