文献推荐-无测站流域特大洪水的全球预测

【文献推荐1】无测站流域特大洪水的全球预测

题目：Global prediction of extreme floods in ungauged watersheds
期刊：Nature

文章原文：https://www.nature.com/articles/s41586-024-07145-1

研究者使用基于LSTM网络的AI模型预测河道流量。研究者基于LSTM网络开发了一种新的预测模型，分为编码器和解码器两部分，编码器用于读取一系列的历史气象信息，

1 摘要

洪水是最常见的自然灾害之一，对发展中国家的影响尤为严重，因为这些国家通常缺乏密集的水流测量网络。准确及时的预警对于降低洪水风险至关重要，但水文模拟模型通常必须根据每个流域的长期数据记录进行校准。在这里，我们展示了基于人工智能的预报在预测无测站流域的极端河流事件方面所达到的可靠性，其最长预报时间为五天，与目前最先进的全球建模系统（哥白尼应急管理服务全球洪水预警系统）的现时预报（零天预报时间）的可靠性相近或更好。此外，我们对五年重现期事件的预测精度与目前对一年重现期事件的预测精度相近或更高。这意味着人工智能可以在无测站流域更早、更大、影响更大的事件中提供洪水预警。在此开发的模型已被纳入一个实用的预警系统，该系统可在 80 多个国家实时生成公开（免费和开放）的预报。这项工作凸显了提高水文数据可用性的必要性，以继续改善全球对可靠洪水预警的获取。

2 数据与方法

2.1 AI模型：基于 LSTM 的预测模型的架构

参照基于 LSTM 网络开发的水文临近预报模型（该模型根据气象输入数据序列模拟水流数据序列）。在此基础上开发了一种预测模型，该模型使用编码器-解码器模型，其中一个 LSTM 运行在气象（和地球物理）输入数据的历史序列（编码器 LSTM）上，另一个独立的 LSTM 运行在 7 天的数据上。预测范围与气象预报的输入（解码器 LSTM）。模型架构如图4所示。

研究者利用该AI模型预测河道流量，并与GloFAS进行对比。

2.3 AI模型输入数据

完整数据集包括来自 5,680 个流域的总共 152,259 年的模型输入和（水流）目标。

• 来自 ECMWF 综合预报系统 (IFS) 高分辨率 (HRES) 大气模型的每日汇总单级预报。变量包括：总降水量 (TP)、2 米温度 (T2M)、地表净太阳辐射 (SSR)、地表净热辐射 (STR)、降雪量 (SF) 和地表压力 (SP)。

• ECMWF ERA5-Land 再分析中的六个变量相同。

• 降水量估算来自美国国家海洋和大气管理局 (NOAA) 气候预测中心 (CPC) 全球统一的每日降水量分析。

• NASA 综合多卫星检索 GPM (IMERG) 早期运行的降水量估算。

• 来自 HydroATLAS 数据库的地质、地球物理和人为盆地属性。

使用来自另一个数据源的类似变量（例如，使用 ERA5-Land 数据估算 HRES 数据）或通过使用平均值估算缺失数据。

训练和测试目标来自全球径流数据中心（GRDC）
训练和测试所有可用流量计位置。

2.4 实验

2.4 评估与验证

2.5 GlsFAS

*** 其它 ***

k倍交叉验证

对于空间数据的 k 倍交叉验证，我们希望在评估模型时考虑到数据点之间的空间相关性。具体步骤如下：

• 空间分割：首先，将空间范围划分为 k 个互不重叠的区域或子集，确保每个子集中包含一定数量的空间数据点。这些子集可以是等大小的空间区域，也可以是根据某种空间划分准则来生成的，以保证每个子集中的数据点之间具有空间相关性。
• 交叉验证：然后，进行 k 次迭代。在每次迭代中，将其中一个子集作为测试集，其余的 k-1 个子集作为训练集。这样就得到了 k 个训练集和 k 个测试集。
• 模型拟合和评估：在每次迭代中，使用训练集训练模型，然后在对应的测试集上进行模型评估。可以使用各种评估指标（如准确率、均方误差等）来评估模型的性能。
• 性能汇总：将 k 次迭代中的模型性能评估指标（如平均准确率、平均均方误差等）进行汇总，得到最终的评估结果。