气候变化下我国西南跨境流域面临着较高的水安全风险，对流域的水资源管理提出极大的挑战。近期，何大明团队马凯博士后以站点观测资料稀缺和水文基础研究薄弱的独龙江-伊洛瓦底江为研究案例，揭示了深度学习水文模型对复杂驱动力的响应模式，并从全流域尺度揭示了流域径流及洪水过程驱动机制。研究成果先后发表在Journal of Hydrology,Journal of Geographical Sciences,Hydrology and Earth System Sciences等水资源领域权威期刊发表文章，为跨境流域水文模型研发、水资源管理提供了重要的科学依据。

在当前全球气候变化和管理措施不断演变的背景下，预测水文系统对超出历史变化模式的响应变得尤为重要。然而，由于无法将这些预测与观测数据进行直接对比，评估其可靠性成了一大挑战。研究对比了概念性水文模型和机器学习水文模型的表现，采用多模型方法并结合敏感性分析，从而定量和定性地分析不同模型结构和校准选项对预测的影响。研究结果发现，机器学习模型在校准和验证期间的拟合质量优于概念性模型，但机器学习模型对输入改变的响应可能与预期不符，响应的符号可能依赖于训练数据（图1a）。在独-伊流域的验证进一步明确了迁移学习模型和分布式水文模型对于大尺度流域的驱动响应模式差异（图1b）。

图1. (a)左图为深度学习模型和概念模型的模拟流量对降水量增加和温度升高的敏感性分析。(b)右图为独-伊流域迁移模型和分布式水文模型对不同驱动变量的敏感性分析。

采用深度学习技术构建了缺资料条件下的区域水文模型，该模型能够显著提升跨境流域的径流模拟性能，基于模型可解释性解译指标进一步明确量化了径流关键影响子的空间异质性（图2），展示了不同模型对大尺度流域上下游水文过程表征的差异，在全流域尺度揭示了水文过程驱动机制。

图2.基于不同深度学习模型的可解释性指标量化独伊流域的关键影响因子及空间分布。

独-伊流域受印度西南季风和常年发生洪水事件的影响，洪水预报能力的提升对区域灾害应急管理而言极为紧迫。研究引入了一种适用于大尺度流域的时滞深度学习框架，利用上下游子流域之间的径流时滞信息，以少量的数据驱动进行精确的洪水预报（图3a）。该框架在准确模拟关键洪水特征（2008年和2009年洪水事件的峰值流量、引发时间和持续时间）方面表现优异（图3b）。框架能够在准确模拟的基础上，为区域洪水预报提供可靠的15天预见期，延长了独伊流域洪水应急管理的响应和准备时间。

图3. (a)左图为不同时滞信息在框架中的模拟结果评估及空间分布；(b)右图为时滞深度学习框架准确模拟独伊流域发生最大洪水年份（2008年和2009年）的径流过程。

论文链接：

Ma, K., He, D.*, Liu, S., Ji, X., Li, Y., Jiang, H. (2023) Novel Time-Lag Informed Deep Learning Framework for Enhanced Streamflow Prediction and Flood Early Warning in Large-Scale Catchments. Journal of Hydrology. https://doi.org/10.1016/j.jhydrol.2024.130841

Reichert, P.*, Ma, K.⁺, Höge, M., Fenicia, F., Baity-Jesi, M., Feng, D., and Shen, C. (2024): Metamorphic Testing of Machine Learning andConceptual Hydrologic Models, Hydrol. Earth Syst. Sci. https://doi.org/10.5194/hess-28-2505-2024

Ma, K., Shen, C., Xu, Z., He, D.*. (2024) Transfer Learning Framework for Streamflow Prediction in Large-Scale Transboundary Catchments: Sensitivity Analysis and Applicability in Data Scarcity. Journal of Geographical Sciences.https://doi.org/10.1007/s11442-024-2235-x