一种将跨变量变压器与信号分解结合用于河流水位实时预测的新方法：对可持续水资源管理的启示

守护沿海城市的河流监测

对于生活在河流三角洲沿岸的数百万人来说，水位的突然上升可能意味着家园被淹、农作物受损以及城市运行中断。然而，许多高风险河流，尤其是在贫困或偏远地区，缺乏现代预报工具通常需要的详尽气象和流量观测。本研究提出了一种新方法，仅利用过去的水位读数来预测每日河流水位，为数据稀缺地区的更好洪水防备提供了可行路径。

为什么看似简单的水位记录并不简单

河流水位在潮汐、降雨、上游水坝甚至远处的气候模式的作用下起伏。这些涨落形成的时间序列看起来嘈杂且不规则，风暴或高潮时会出现突发峰值。传统模型通常期望有多种输入——降雨、温度、蒸发等——在只有水位记录可用时便表现欠佳。在通往沿海城市库尔纳和蒙格拉的鲁普萨‑帕苏尔河中，正是这种情形：洪水风险高，但辅助数据有限。作者们试图回答一个务实的问题：当我们仅掌握一条凹凸不平的历史水位曲线时，是否仍能实现高精度的实时日水位预报？

把复杂信号拆成可处理的部分

研究者首先更细致地“倾听”河流的历史。与其将原始水位曲线直接喂入预测模型，他们采用先进的信号分解方法。这些方法将原始记录剥离成若干更平滑的子信号，每一部分捕捉不同时间尺度上的模式——从快速的日内摆动到较慢的季节性变化——以及剩余的残差。研究测试了五种此类技术，其中包括一种新近提出的连续变分模态分解，该方法即使在数据噪声较大时也能提取出清晰成分。这些分解得到的片段就像从单一变量中提炼出的更丰富的线索。

用于河流行为的新型学习引擎

为了从这些线索中学习，团队使用了一种名为CLIENT的现代预报模型，结合了两种思路。一部分是简单且高速的线性模型，用于跟踪水位的总体趋势；另一部分是变压器模块——一种在语言模型中广泛使用的深度学习架构——擅长发现输入特征间的微妙关系。在学习开始前，模型进行一个可逆的归一化步骤，平滑时间序列中整体水位的漂移并在结束时恢复，有助于模型在时间上保持稳定。通过同时输入近期日水位和分解得到的子信号，作者构建了六个版本的模型，并将它们与常见工具如神经网络、长短期记忆网络和决策树进行比较。

我们能多准确地预测次日水位？

在库尔纳和蒙格拉站点的测试中，这种混合方法表现非常出色。所有经过分解增强的CLIENT版本在预测误差上都优于仅使用近期日水位的模型。研究中的明星组合是使用连续变分模态分解的模型，在文中标记为C6。在两个站点，该模型几乎重现了观测到的逐日波动，并以惊人的精度捕捉到极端高水事件，取得接近完美的技能评分同时保持适中的计算时间。作者随后在孟加拉国和美国的三条性质迥异的河流上、并跨多种训练-测试划分对该模型进行了压力测试，发现即使在数据记录相对短或高度可变的情况下，它仍能可靠预测。

从研究代码到实用的洪水预警

为了将理论付诸实践，团队将其最佳模型打包成一个交互式计算界面。用户可以上传一个简单的历史日水位电子表格并获得次日预测，繁重的数学运算被隐藏在后台。由于该方法仅依赖水位记录——通常是最广泛可得的水文数据——它为更多社区，尤其是发展中沿海地区，获取及时河流预报开辟了道路。简而言之，本研究表明，通过对单一测量流进行智能重构和学习，我们可以构建快速且精确的工具，帮助规划者、工程师和居民更早地识别危险水位并在洪水来临前采取行动。

引用: Ratul, M., Akter, U., Mollick, T. et al. A novel integration of cross variable transformer and signal decomposition for real-time prediction of river water level: an implication for sustainable water resources management. Sci Rep 16, 9366 (2026). https://doi.org/10.1038/s41598-026-39591-4

关键词: 河流水位预测, 洪水风险, 机器学习, 时间序列分解, 孟加拉国沿海地区