基于机器学习优化的小波框架在多尺度径流预测中的创新应用及其对水资源管理的增强作用

《Ecological Informatics》：Machine-learning optimized wavelet framework for multi-scale streamflow forecasting to enhance water-resource management

　　本研究针对多时间尺度径流预测精度不足的挑战，提出了名为Wavelet-DE-AutoML的新型自动化框架。该框架创新性地将小波变换预处理与差分进化优化和自动化机器学习相结合，通过同步优化小波参数、输入滞后项、算法选择和超参数配置，显著提升了短期（小时/日）和长期（月）预测性能。研究结果表明：预测范围扩大时需要更多输入滞后和更深的小波分解层次；紧凑型小波滤波器（如db1、bior1.1）在短期预测中表现最优，而适度扩展的滤波器（如bior3.1）能提升长期精度；与主流AutoML基准（Auto-Sklearn、AutoKeras）相比，该框架在扩展预测范围内表现出显著优势，特别是在21天预测中纳什效率系数达到0.999。该研究为水资源管理提供了可扩展的高精度解决方案。

　　

随着气候变化加剧和人类活动影响，洪水、干旱等极端水文事件频发，对水资源安全、基础设施和公共安全构成严重威胁。可靠的多时间尺度径流预测系统——从短期（小时/日）洪水预警到长期（月/年）水库管理和气候适应规划——已成为有效水资源规划和灾害应对的关键工具。然而，传统水文模型和机器学习方法在跨尺度预测中面临重大挑战：径流时间序列具有非线性、非平稳性和随机性特征；多步预测中存在"相位偏移"问题，导致预测值滞后于观测值；现有混合模型通常采用顺序优化策略，未能充分考虑数据预处理、特征工程和模型选择之间的复杂相互作用。

为解决这些难题，发表在《Ecological Informatics》上的研究提出了一种名为Wavelet-DE-AutoML的创新框架。该研究团队开发了一个完全集成的优化系统，将à Trous小波变换预处理与差分进化算法和自动化机器学习相结合，实现了对小波参数、输入滞后选择和多达六种机器学习算法的同步优化。这一突破性方法显著提升了从小时到年度尺度的径流预测精度。

研究采用的核心技术方法包括：à Trous小波变换进行多尺度信号分解，差分进化算法进行全局参数优化，以及包含LSSVR、SVR、KNN、XGB、MLP和Elastic Net的机器学习算法池。研究数据来源于巴西多个水文监测站和水电站的长时间序列观测资料，涵盖小时、日和月三种时间尺度。

多时间尺度性能评估

通过系统测试7个监测站的径流数据，研究发现预测性能存在明显的尺度依赖性。短期预测（1天）表现出近乎完美的准确性（NSE = 1.000），而随着预测范围延长至21天，模型仍保持强劲的稳健性（NSE = 0.999）。这种性能的尺度规律性揭示了水文过程记忆效应的本质特征。

最优配置模式识别

分析揭示了小波滤波器选择的明确规律：紧凑型滤波器（db1、bior1.1）在短期预测中占主导地位，而中等长度的滤波器（bior3.1）在长期预测中表现更佳。同时，预测范围与所需输入滞后数和小波分解层次呈正相关关系，21天预测需要多达47个滞后输入和5级分解，体现了长期水文依赖性的复杂性。

先进模型对比验证

与Auto-Sklearn和AutoKeras等主流自动化机器学习工具相比，Wavelet-DE-AutoML在所有时间尺度上均表现出显著优势。特别是在21天预测中，该框架的MAPE仅为0.977%，而对比模型的误差超过39.9%，证明了集成优化策略的优越性。

极端事件预测能力

采用峰值超阈值方法评估显示，该框架在洪水和大旱等极端水文事件预测中表现出色。对于21天预测期，高极端值和低极端值的MAPE分别保持在0.919%和2.145%的低水平，凸显了其在灾害预警中的实用价值。

与现有方法的性能比较

与最新发表的VMD-NGRC-COA模型相比，Wavelet-DE-AutoML在7天、14天和21天预测范围内将RMSE降低了38%-99%，证明了小波变换在捕捉水文时间序列多尺度特征方面的优势。

该研究的创新性在于首次实现了水文预测中预处理、特征选择和模型优化的完全自动化集成。通过系统探索68种小波滤波器、8个分解层次和可变的输入滞后结构，研究不仅提供了技术解决方案，还揭示了水文预测中的基本规律：短期动态主要由高频成分主导，适合紧凑型小波分析；而长期模式需要更深层次的分解来捕捉低频趋势。这些发现对水资源管理实践具有直接指导意义，为不同时间尺度的预测任务提供了明确的参数配置指南。

Wavelet-DE-AutoML框架的成功开发标志着水文预测向智能化、自动化迈出了重要一步。其跨尺度的稳健性能使其能够满足从实时洪水预警到长期水资源规划的不同管理需求，为应对气候变化下水文极端事件增加的挑战提供了有力工具。未来通过融入更多环境协变量和优化计算效率，这一框架有望成为全球水资源管理的基础技术平台。