将基于过程的模型与深度学习模型相结合，用于喀斯特盆地的洪水模拟

《Water Science and Engineering》：Integrating process-based and deep learning models for flood simulation in karst basins

　　洪水峰值时间和径流深度模拟效果较好，但峰值流量存在低估；LSTM模型在2小时内精度优异，但随窗口时间增加精度下降；BMA整合显著提升模拟精度。

　　
该研究针对喀斯特地貌流域的洪水模拟难题，提出并验证了改进型水文模型与机器学习模型的协同优化方法。研究以贵州两大典型喀斯特流域——迈翁河和六洞河为对象，通过对比分析发现传统水文模型与深度学习模型在喀斯特特殊水文条件下呈现显著差异，最终构建基于贝叶斯模型平均的集成预报框架。

研究区域具有典型的喀斯特地貌特征，流域内地表水与地下水交互强烈，存在独特的岩溶渗漏、溶洞储水等水文过程。迈翁河流域面积189平方公里，流域平均年降水量1222毫米，喀斯特地貌发育程度中等，呈现上陡下缓的典型喀斯特地形；六洞河流域面积1441平方公里，喀斯特地貌发育程度较高，存在密集的溶洞系统、落水洞等特殊地形结构，流域植被覆盖率达45%，土壤保水能力较弱。两流域均面临暴雨径流生成快、峰现集中、洪峰流量与持续时间不匹配等挑战，2024年贵州暴雨灾害造成178万人受灾，直接经济损失达612亿元，凸显洪水预报的紧迫性。

在模型构建方面，研究团队开发了两种核心方法：其一，基于新安江模型（XAJ）的喀斯特-XAJ改进模型，通过引入岩溶储水参数分布曲线（W-KM）、双源径流生成机制（快-慢径流分离），解决了传统模型难以量化喀斯特地下储水释放过程的问题。模型参数经Box-Cox变量转换后，采用Nash-Sutcliffe效率系数进行优化，在迈翁河验证期达成0.66的总体效率系数，其中径流深度预测准确率达81.8%。其二，构建了适用于喀斯特流域的LSTM深度学习模型，采用滑动窗口机制（1-4小时）捕捉降水-径流动态关系。研究显示，1小时窗口下LSTM模型对峰值流量预测误差控制在6.7%以内，但随着窗口延长至4小时，预测误差上升至10.1%，尤其在处理多峰洪水事件时，模型对间隔小于3小时的次峰识别能力显著下降。

集成方法方面，研究创新性地采用贝叶斯模型平均（BMA）技术，通过概率权重整合喀斯特-XAJ模型与LSTM模型的预测结果。对比分析表明，BMA方法在两个流域均展现出显著优势：在迈翁河洪水事件中，BMA加权模型将峰值流量预测误差从单独使用LSTM的6.7%降至4.7%，同时将径流深度预测准确率提升至97.8%；在六洞河流域，BMA方法对长周期洪水（4小时窗口）的峰值时间预测误差由单独LSTM的2.9小时缩短至1.8小时。特别值得注意的是，在处理极端降雨事件时，BMA框架能有效捕捉不同模型的优势特征。例如，在2020年6月23日的六洞河超标准洪水事件中，BMA集成模型将峰值流量预测误差控制在3.0%，显著优于单独使用XAJ模型（26.9%）和LSTM-4模型（10.1%）。

研究揭示了喀斯特流域洪水模拟的关键规律：首先，喀斯特储水对洪水过程具有放大效应，快径流占比可达总径流的30%-50%，且存在明显的滞后响应特征。其次，流域尺度差异显著影响模型性能，对于面积较小的迈翁河流域（189平方公里），改进型XAJ模型在短历时洪水预测中表现更优；而六洞河流域（1441平方公里）的复杂岩溶结构更适宜LSTM模型的长程记忆特性。第三，多模型协同优于单一模型，BMA方法通过概率赋权机制，既保留了物理模型的确定性优势，又融合了机器学习对非线性关系的捕捉能力，在两种流域的洪水总量（R2=0.96）、径流深度（误差<7%）和峰现时间（误差<2小时）等核心指标上均优于单一模型。

模型验证过程中发现，喀斯特-XAJ模型在中小规模洪水（峰值流量<200m3/s）中表现稳定，NSE值达0.7以上，但在处理超标的洪峰流量（>500m3/s）时，径流深预测误差超过20%，这主要归因于传统水文模型对岩溶储水动态过程的简化假设。而LSTM模型在1-2小时窗口下展现出更强的适应性，其通过多时间尺度降水输入（如4小时累积降雨量）可有效捕捉岩溶渗漏-径流释放的滞后效应，但随窗口延长，模型对多峰洪水的分解能力下降，预测误差呈指数增长。这种特性与深度学习模型对输入数据的时空依赖性密切相关，在窗口超过2小时后，模型开始出现对前期状态记忆衰减的问题。

研究提出的BMA集成框架具有显著优势：在迈翁河流域，集成模型将平均NSE从0.67提升至0.79，其中对洪峰流量（R2=0.91）和峰现时间（误差<1.5小时）的改进尤为突出。在六洞河流域，BMA方法使NSE提升0.12，特别在处理2020年6月23日的百年一遇洪水时，集成模型将峰流量预测误差从单独LSTM的10.1%降至4.7%，同时将峰现时间误差从2.9小时压缩至1.8小时。这种协同效应源于不同模型对水文过程的差异化响应：XAJ模型擅长模拟确定性地下水循环过程，而LSTM模型在非线性关系处理上更具优势，通过贝叶斯权重分配（平均权重为0.43:0.57），可动态调整两种模型的贡献度。

研究同时指出了当前模型的局限性：一是物理模型与数据驱动模型的耦合机制尚未完全建立，在极端降雨条件下，两种模型的误差传递机制仍需深入研究；二是空间异质性处理不足，现有模型主要针对单断面水文响应，未能有效整合流域内喀斯特洼地、天生桥等空间异质性对洪水演进的影响；三是长期记忆机制有待优化，现有LSTM模型在超过3小时的预测窗口下，对喀斯特地下储水再充蓄过程的捕捉能力下降，导致洪峰流量预测出现系统性低估。

该研究为喀斯特流域洪水预报提供了新的方法论框架，其创新点体现在三个方面：1）构建了喀斯特-XAJ模型，首次将岩溶储水参数分布曲线（W-KM）与双源径流生成机制纳入传统水文模型；2）设计了自适应计算窗口的LSTM模型，通过动态调整输入时间序列（1-4小时）平衡预测精度与计算效率；3）开发了基于贝叶斯推理的集成预报系统，通过概率权重分配实现模型间优势互补。这些成果对完善喀斯特地区水文预报体系具有重要参考价值，为类似地质条件的流域灾害管理提供了技术支撑。

在应用层面，研究提出了分级预警策略：对于中小规模洪水（峰值流量<200m3/s），优先采用改进型XAJ模型进行实时预测；当降雨强度超过阈值（小时降雨量>50mm）或流域面积超过300平方公里时，启用LSTM-BMA集成系统。实践数据显示，该策略可使洪水预警时效提前1-2小时，峰值流量预测误差控制在8%以内，对于多峰洪水事件的分解准确率提升至85%以上。研究建议后续工作应着重开发喀斯特水文过程的数字孪生系统，通过融合三维地质建模、分布式水文模型与深度学习框架，实现从点尺度到面域尺度的洪水模拟升级，这对完善喀斯特地区灾害防御体系具有重要实践意义。