《Water》：Decomposition–Migration Cooperative Modeling Approach for Forecasting Runoff in Data-Scarce Watershed Areas
编辑推荐：
为应对水库调度中数据缺失导致的径流预报不准问题，该论文提出了一种融合深度学习、信号分解、不确定性量化和迁移学习的协同建模框架。研究以水文特征相似的渭河（源流域）和永定河（目标流域）为例进行验证：首先构建了Pyraformer-BiLSTM-LSS点预报模型以增
为应对水库调度中数据缺失导致的径流预报不准问题，该论文提出了一种融合深度学习、信号分解、不确定性量化和迁移学习的协同建模框架。研究以水文特征相似的渭河（源流域）和永定河（目标流域）为例进行验证：首先构建了Pyraformer-BiLSTM-LSS点预报模型以增强对非平稳径流序列的表征能力；继而采用BLSO-VMD优化分解技术滤除并重构预报噪声以提升模型鲁棒性；随后通过多任务学习构建概率区间预报模型以实现不确定性的可靠量化；针对目标域数据稀缺问题，建立"分解–重构–迁移"学习机制将源域模型知识迁移至目标域。结果表明，该框架在源域表现出色，并能成功迁移至数据稀缺的目标域，显著提升了点预报和区间预报的准确性与稳定性。通过构建融合迁移学习与多任务学习的协同建模框架，以及基于BLSO的自适应信号分解方法和多尺度深度学习模型，本研究有效应对了数据稀缺流域径流预报的准确性与可靠性挑战，为水文资料匮乏地区的径流模拟与水库运行提供了可迁移、可扩展的技术路径，支撑可持续水资源管理与生态保护。
**一、研究背景与问题提出**
中国水资源总量丰富，但受时空分布不均影响，人均水资源占有量远低于全球平均水平，水资源短缺已成为制约社会经济可持续发展的关键因素。永定河流域作为数据稀疏区域，面临实时流量监测能力不足、水文数据量少且时效性与准确性欠缺的困境，导致水文模型预报精度严重不足，显著削弱了运营决策与水资源管理的科学依据。在全球气候变化和密集人类活动双重影响下，该流域水文条件日趋复杂，极端水文事件频发，对传统水资源管理模式构成严峻挑战。因此，发展高精度径流预报技术以实现水资源科学预测与动态调控，对保障区域水安全和支撑生态文明建设具有重大现实意义。
径流预报是水资源管理的重要基础，为生态调控、防洪减灾和水资源配置提供关键支撑。为提升预报精度，学者们引入时间序列分解（如VMD、CEEMDAN）和智能优化（如遗传算法、粒子群优化）等技术改进传统模型。随着深度学习兴起，复杂神经网络模型（如Pyraformer）已广泛引入水文预报领域并展现出优越性能。然而，传统水文模型高度依赖大量观测数据和精细调参，在数据稀缺流域往往力不从心。
近年来，为克服数据稀缺对水文建模的制约，迁移学习技术在水文界受到日益关注。其核心思想是将数据丰富"源流域"训练获得的知识和模型特征迁移至数据贫乏"目标流域"，利用大流域的信息优势弥补小流域的数据不足。早期研究主要聚焦基于相似性的参数区域化方法，但存在主观性强、精度有限等缺陷。随着深度学习发展，基于神经网络的迁移学习展现出更大潜力。国内近期研究进一步探索了基于地理相似性准则选择源流域、融入半监督学习以提升迁移稳健性等方法，验证了迁移学习可有效利用区域水文共性来缓解数据稀缺导致的建模困难。但源、目标流域特征差异过大可能引发"负迁移"，当前研究仍处于初级阶段，源流域选择、多源信息融合和物理机制约束等方面尚需完善。
针对复杂场景下径流预报模型稳健性与泛化能力不足、永定河流域数据稀缺等核心瓶颈，该研究系统构建了融合水文物理认知的深度迁移学习"分解–重构–迁移"预报框架。选择水文条件相似且数据丰富的渭河流域作为源流域，在其数据上训练深度学习模型，通过微调全连接层和输出层以快速适应永定河流域特征，在有限数据条件下显著提升该流域径流预报的准确性与稳健性，为类似数据稀缺地区的水文预报提供可复制、有理论依据的技术方案。
**二、关键技术方法**
该研究建立以渭河为源域、永定河为靶域的迁移式径流建模框架，包含四个关键技术模块：Pyraformer-BiLSTM-LSS深度学习点预报模型构建；基于BLSO-VMD优化分解的分解–重构框架建立以处理预报噪声；基于多任务学习的概率区间预报模型开发；通过冻结源域预训练模型选定层并在目标域微调实现精准预报。样本方面，渭河流域采用1997年1月1日至2020年5月1日华县断面逐日径流及气象数据（来源于国家气象信息中心气象记录和国家实时雨情水情数据库）；永定河流域采用2020年1月1日至12月31日官厅、三家店、响水铺三个关键断面逐日径流数据。研究指出当逐日尺度样本量小于800时，迁移学习效益最为显著。
**三、研究结果**
**3.1 点预报结果分析**
Pyraformer-BiLSTM-LSS模型在独立模型中表现最优，其RMSE为114.093 m3/s，在MAE和MAPE等指标上表现均衡，验证集上展现最佳泛化能力。BLSO-VMD分解–重构框架将预报R2提升至99.1%，显著优于未分解模型及BLSO-CEEMDAN模型，证实其在滤除噪声同时保留有效波信息的能力。参数分析表明BLSO-VMD以6个IMF分量时性能最优。多步滚动预报实验显示，模型在7 d预报尺度下R2仍达92.3%，具有良好的时间适应性和预报稳定性。
**3.2 预报不确定性结果分析**
在多任务学习机制的有效性验证中，采用多任务学习的模型普遍展现出更高的区间覆盖率，尤其在较高置信水平上。多任务学习BVMD-GRU在0.9置信水平上PICP达88.72%，显著优于非多任务学习版本。BVMD-BiLSTM和BVMD-Pyraformer-BiLSTM在纳入多任务学习机制后也展现出PICP的显著提升。多任务学习模型通常区间宽度有所增加，但CWC指标显示其预报稳定性增强。MPICD和AIS等综合评价指标也表明多任务学习可降低预报误差、提升精度。
**3.3 迁移学习预报结果分析**
以永定河官汀断面为代表案例，迁移学习模型在测试集上表现显著改善。无迁移学习模型测试集R2仅为61.86%，而迁移学习模型相对精度提升57%，绝对精度提升35.55个百分点。进一步开展的区间预报中，BVMD-Bootstrap模型在所有置信水平上均表现出最高的准确性和可靠性，能有效捕捉数据趋势且区间覆盖良好，其区间更为紧凑并能有效捕捉实际值波动。这表明在数据有限条件下，过于复杂的深度学习模型可能因过拟合或学习过多噪声而表现不及简洁有效模型。
**3.4 不同断面径流预报结果**
在永定河流域三家店和响水铺断面的验证中，模型在训练、验证和测试数据集上均展现高精度，测试集R2分别为97.29%和91.08%，拟合质量优良、波动极小且时滞可忽略，验证了模型在不同断面的有效性和稳定性。
**四、讨论**
**4.1 研究框架的科学依据与意义**
该研究建立的迁移学习建模框架系统整合了四项关键技术：Pyraformer-BiLSTM-LSS深度学习模型作为高精度点预报基础；BLSO-VMD分解–重构框架降低预报噪声、增强稳定性；多任务学习策略生成概率区间以量化不确定性；"分解–重构–迁移"策略实现跨流域知识适配。该框架核心技术意义在于为水文领域长期存在的数据贫乏区预报难题提供可复用技术范式，通过深度学习提取的通用水文模式与针对性迁移校准相结合，显著降低对目标流域数据的依赖，同时保障预报准确性与可靠性。
**4.2 Pyraformer-BiLSTM-LSS的重要性**
Pyraformer-BiLSTM-LSS模型融合Pyraformer多尺度依赖捕获能力与BiLSTM双向时序特征提取优势，并引入LSS机制增强模型稳定性，在非平稳性和时滞等复杂条件下实现更高精度和稳健性的点预报。BLSO-VMD模型采用优化算法自适应确定分解参数，有效抑制传统VMD方法易出现的信息泄露和端点效应，确保信号分解的准确性和完整性。该组合充分发挥深度学习在特征提取和预报建模中的潜力，以及优化分解在误差分离和信息提纯中的优势。"分解+迁移学习"联合建模方式填补了永定河流域水文预报的空白，实证结果表明其预报精度显著优于单一依赖迁移学习或信号分解的模型。
**4.3 局限性**
研究尚存在以下待解决问题：未来可探索基于多源流域信息融合的迁移学习机制，并引入元学习方法以实现未知区域的快速适应和泛化精度提升；可进一步整合遥感影像、天气预报和陆面特征等多源异构数据，增强模型对流域环境变化和极端水文事件的捕捉能力；受制于公开水文数据发布周期和早期观测质量限制，模型训练和验证数据截至2020年，其在2021年后极端水文事件加剧条件下的性能有待更新数据后进一步验证。
**五、研究结论**
该研究针对数据稀缺流域径流预报的非线性、非平稳性和不确定性量化挑战，提出了融合点预报、区间预报和迁移学习的协同建模框架。主要结论如下：
（1）开发了Pyraformer-BiLSTM-LSS混合深度学习模型，有效提取多尺度径流特征并提升确定性预报精度；
（2）引入BLSO-VMD优化分解技术滤除并重构预报噪声，增强模型鲁棒性；
（3）采用多任务学习策略构建概率区间预报模型，实现不确定性的稳定量化；
（4）基于迁移学习机制，将渭河流域训练获得的模型知识适配至永定河等数据稀缺流域，显著改善预报性能。
实证结果表明，该框架在多个断面均达到高精度，有效解决了数据稀缺区域径流模拟中的噪声干扰、区间稳定性和数据不足等关键难题，为无资料或缺资料地区的可靠水文预报提供了系统性解决方案。
