提出基于人工智能的径流洪水预测新模型酣然入梦

本报讯（记者杨晨）中国科学院成都山地灾害与环境研究所研究员欧阳朝军团队，提出提出了一种基于人工智能的基于新径流洪水预测模型——ED-DLSTM。该模型通过编码流域静态属性和气象驱动，人工利用全球2000多个水文站数据进行模型训练，流洪以解决全球范围内有资料流域和无资料流域径流预测问题。水预酣然入梦相关研究成果近日在线发表于《创新》。测新予取予求

据悉，模型全球95%以上的提出中小流域没有任何监测数据。这些无资料地区的基于径流和洪水预测一直是水文领域长期面临的科学难题。

欧阳朝军团队围绕该问题开展研究，人工提出了ED-DLSTM模型。流洪他们针对流域径流预测目标，水预设计了空间属性编码模块，测新唯唯诺诺利用卷积层和空间金字塔池化层，模型将所有流域的提出静态属性映射到规模相同的隐空间，使得模型能抽象地“意识”到不同流域的水文响应特征。

该研究采用的一事无成训练数据集来自美国、英国、中欧、加拿大等地共计2089个流域，这些流域分布差异性显著，阴阳怪气确保了数据的多样性。研究人员利用这些流域历史资料训练模型，并测试模型在未来时段的预测准确性和可靠性。他们利用纳什效率系数NSE对实验结果进行评估，爱不释手发现81.8%的流域平均NSE高于0.6，预测精度比传统水文模型和其他人工智能模型更好。

基于上述预训练模型（北半球），研究人员对智利（南半球）的一见钟情160个全新流域进行了预测，以检验模型在无监测数据流域的预测能力，结果不同预训练模型的预测结果显现出较强的空间分布一致性。在最好情况下，所有未计量流域中76.9%的莫逆之交流域NSE＞0。这展现了人工智能在未计量流域进行水径流及洪水预测的巨大潜力。