Enhancing short-term streamflow forecasting of extreme events: A wavelet-artificial neural network hybrid approach 作者：Yulia Gorodetskaya, Rodrigo Oliveira Silva, Celso Bandeira de Melo Ribeiro, Leonardo Goliatt. Water Cycle, Volume 5, 2024, Pages 297-312, ISSN 2666-4453 https://doi.org/10.1016/j.watcyc.2024.09.001 1 / 文章亮点 提出了基于 AT 小波变换与人工神经网络（ANN）相结合径流预警模型 采用贝叶斯优化在ANN架构中进行超参数调整，实现了高效、稳健的模型开发 以帕拉伊巴河盆地八个测量站的大量实际数据完成径流量预测与结果检验 提出的预测模型的预测精度与效率显著由于传统人工神经网络模型 2 / 研究内容简介 准确的径流预测模型对于有效的水管理措施至关重要。然而，由于流域系统固有的复杂性，水文建模面临着重大挑战。传统的数据驱动时间序列模型应用于水文预报时将水文数据视为静态数据，捕捉输入和输出变量之间复杂、多面和非线性关系的能力较弱，近年来人工智能（AI）技术快速发展，将成为处理流量预测模型中复杂关系的有力工具。 本研究提出一种水文建模的新方法，该模型将人工神经网络模型（ANN）与小波变换（WT）相结合，形成小波-人工神经网络混合模型（WANN），用于每日流量预报，特别侧重于预测极端高流量和低流量。 图1小波-人工神经网络混合模型（WANN）用于预测短期极端径流量 本研究的主要内容包括：(a) 研究各种母小波对短期径流预报准确性的影响，并确定此应用的最佳母小波；(b) 通过将 ANN 与基于 AT 小波变换的数据预处理技术相结合来开发稳健的混合模型； (c) 在位于巴西的南帕拉伊巴河水文测量站测试已建立的小波-ANN (WANN) 模型，用于七日流量预报；(d) 评估 WANN 模型与传统 ANN 模型的比较预测性能；(e) 评估开发的基于小波的模型在预测南帕拉伊巴河水文多样化地区的极端低流量和高流量（分别指示干旱和洪水风险）方面的有效性。 图2 本研究建模测量站的位置 本研究提出了两种 WANN 模型，分别是单一WANN模型（WANN one）和混合WANN模型（WANN multi）。建模流程如下。 图3 建模流程图 利用八个测量站的每日径流数据评估所提模型的七日预报能力。总的来说，WANN 模型与传统的 ANN 模型在捕捉潜在流量动态方面明显更有效。例如，在测量站 58880001，WANN 模型表现出比 ANN 模型更优越的性能，均方根误差（RMSE）和最小标准均方差（MAPE）分别降低了 71% 和 75%，R2 值提高了 69%。基于小波的模型可以有效地捕捉河流的复杂流体动力学，而 ANN 模型往往会在低流量和高流量期间低估或高估流量，这是因为通过小波变换分析可以从原始流量时间序列中有效提取时频信息，能够捕捉水文循环并准确表示不同的流态。WANN multi 和 WANN one 模型之间存在一定的性能差异，WANN multi 模型能更有效地捕捉整体趋势并降低误差幅度，从而获得更好的 MAPE 值，而WANN one 模型能更擅长紧密拟合数据点，从而获得更好的 RMSE 和 R2 值。 图4 部分观测站点的七日预测流量和实际观测流量 就WANN one和WANN multi 模型的具体表现，低流量方面，WANN multi 模型较高，可以归因于 WANN one 模型倾向于高估低流量。高流量方面，WANN one 模型对大多数站点的高峰值流量表示更准确，WANN multi 模型倾向于生成平滑的预测轨迹，并收敛到峰值间值，从而导致低估高峰值流量。 图5 不同站点七日流量预测中极高值和极低值的MAPE 3 / 重要结论 本研究提出小波-人工神经网络建模（WANN）进行水文预测的方法，利用帕拉伊巴河盆地八个测量站的真实数据进行评估的结果表明，研究提出的基于小波的模型在预测效率方面都明显优于传统模型。其中，混合WANN（WANN multi）模型在预测所有站点的低极端流量方面通常表现出色，单一WANN（WANN one）模型在预测大多数建模站点的高极端流量时表现出最高的准确度。所提出的 WANN 模型对于构建实时洪水预警系统有较大应用潜力。 4 / 原文信息
