全球95%以上的中小流域没有任何监测数据，这些无资料地区径流和洪水预测（PUB: Prediction on Ungauged Basins）一直是水文领域长期面临的科学难题。近期，成都山地所欧阳朝军研究员团队提出了一种新的基于AI的径流洪水预测模型ED-DLSTM，通过编码流域静态属性和气象驱动，利用全球2000多个水文站数据进行模型训练，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。
该研究提出的ED-DLSTM模型，针对流域径流预测目标，设计了空间属性编码模块，利用卷积层和空间金字塔池化层，将所有流域的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，确保了数据的多样性。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。利用纳什效率系数NSE对实验结果进行评估，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），研究者对智利（南半球）的160个全新流域（不使用任何监测数据）进行预测，以检验模型在无监测数据流域的预测能力，不同预训练模型的预测结果显现出了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%的流域NSE＞0，展现了AI在未计量流域进行水径流及洪水预测的巨大潜力。
相关成果以“Deep Learning for Cross-Region Streamflow and Flood Forecasting at a Global Scale”为题，在线发表于综合性学术期刊The Innovation（IF=33.1）上。
文章信息：
Zhang B.,Ouyang C.,Cui P.,et al. (2024). Deep Learning for Cross-Region Streamflow and Flood Forecasting at a Global Scale. The Innovation 5(3),100617.
研究摘要
研究设计的ED-DLSTM模型总览