14、利用近实时卫星降水数据和机器学习改进极端径流建模

利用近实时卫星降水数据和机器学习改进极端径流建模

1. 引言

在水资源管理中，基于物理的降水 - 径流模型通过平衡和守恒方程描述流域内的物理过程。然而，这些模型需要大量数据，还可能存在过度参数化问题，限制了其实际应用价值。

近年来，数据驱动的机器学习（ML）技术在水文学家中受到广泛关注。ML 能够利用现有相关信息（如降水、过去的径流）来建立与目标变量（径流）的关系，而无需了解潜在的物理过程。不过，除了提供准确的水文模拟外，使用 ML 推断水文系统内的过程也受到了不少质疑。有人认为，理解系统中的驱动过程可以使 ML 模型在训练数据范围之外模拟水文响应，甚至将模型应用于类似的无测站系统。

在 ML 技术中，随机森林（RF）算法因其简单性（需要校准的参数少）、较高的准确性、模型鲁棒性以及处理小样本和复杂数据结构的能力，被水文学家广泛用于径流建模，包括与低概率发生相关的极端径流模拟。

在数据获取方面，许多地区的地面降水监测网络要么不存在，要么非常稀少，山区情况尤为明显。幸运的是，遥感（RS）产品的发展显著提高了降水观测的数量和质量。但单颗卫星的 RS 降水数据难以提供准确估计，因此多卫星降水产品应运而生，如 NASA 的 IMERG 和 PERSIANN 产品。这两种产品具有准全球覆盖、免费访问、高时空分辨率和持续发展的特点，广泛应用于水文气象领域。

解决数据可用性问题后，有两个研究问题需要解决：一是 RS 数据能否很好地代表降水情况；二是在极端径流 ML 模型中，能否提高 RS 降水数据的同化效果。对于第一个问题，可以通过将 RS 产品与地面降水估计进行验证来解决；对于第二个问题，在没有地面站验证 RS 图像的情况下，可以利用 ML 算法（如 R