Improving Streamflow Prediction Using Multiple Hydrological Models and Machine Learning Methods

doi:10.1029/2024wr038192

Improving Streamflow Prediction Using Multiple Hydrological Models and Machine Learning Methods

2025-01-17

0

OA

AI

DOI：10.1029/2024wr038192

原文链接

查看原文

摘要

En 中文

摘要径流预测对洪水监测和早期预警至关重要，但其常因非线性过程、模型参数化以及气象预报中的误差所产生的偏差和不确定性而受阻。我们评估了多种水文模型（VIC、H08、CWatM、Noah‐MP和CLM）和机器学习（ML）方法在改进径流模拟和预测方面的效用。水文模型（HMs）通过印度气象局（IMD）的观测气象数据和全球集合预报系统（GEFS）的气象预报来模拟洪水峰值和洪水淹没范围。我们采用多元线性回归、随机森林（RF）、极端梯度提升（XGB）和长短期记忆网络（LSTM）对水文模型模拟的径流进行后处理。考虑大坝的影响对于提升水文模型和机器学习方法改进径流模拟与预测的有效性至关重要。此外，基于机器学习的多模型集成径流预测优于单一模型，突显了基于多模型的径流预报系统的必要性。利用机器学习对水文模型模拟的径流进行后处理，显著改善了整体径流模拟效果，但在高流量条件下改进有限。结合基于物理的水文模型、观测气候数据和机器学习方法，可提升洪水规模、时间和淹没面积的径流预测精度，这对开发印度的洪水早期预警系统具有重要价值。

Improving Streamflow Prediction Using Multiple Hydrological Models and Machine Learning Methods

摘要

AI总结

期刊

机构

引用论文