A Physics-Inspired Stochastic Resonance Framework for Enhancing Machine Learning Streamflow Forecasting

Yu Quan

doi:10.3390/w18131586

A Physics-Inspired Stochastic Resonance Framework for Enhancing Machine Learning Streamflow Forecasting

2026-06-30

0

OA

AI

DOI：10.3390/w18131586

原文链接

摘要

En 中文

气候变化引入水文气象数据中的严重非平稳性和高频噪声。这种噪声降低了传统数据驱动径流模型的预测精度。我们提出了一种基于CEEMDAN的希尔伯特-黄变换（HHT）与随机共振（SR）耦合的物理启发性数据增强框架。我们将该框架应用于黄河上游兰州河段。HHT分离出流域径流系统的主导特征频率为0.0026周期/天。以该频率为目标，我们构建了一个贝叶斯优化的SR系统。该系统将高频气象噪声的能量转化为低频周期分量，促进气象输入与水文响应之间的频率对齐。我们评估了经过SR增强的气象输入在三种机器学习架构中的表现：随机森林、XGBoost和长短期记忆网络（LSTM）。所有算法均显示出性能提升。SR-LSTM模型实现了0.91 ± 0.03的纳什-斯图尔蒂杰夫效率（NSE），较基准LSTM模型的0.79 ± 0.02提高了19%。SR-LSTM在极端水文事件期间表现出鲁棒精度；其高流量NSE达到0.89，并通过将相对峰值误差约束在大约−5.08%，有效缓解了常见的峰值低估问题。总体而言，本研究提出了一种适用于复杂气候条件下径流预报的实用数据增强方法。

Keyword:

stochastic resonance

Physics-Inspired Machine Learning

Hilbert-Huang Transform

streamflow forecasting

Multi-model learning

A Physics-Inspired Stochastic Resonance Framework for Enhancing Machine Learning Streamflow Forecasting

摘要

期刊

机构

引用论文