KNOU-Flood模型通过概率机器学习改进全球径流预测

一句话结论

KNOU-Flood模型通过改进输入协议和概率输出显著提升了全球径流预测精度，优于现有基准。

关键要点

• KNOU-Flood在2021-2023年的2099个测试流域上达到LT1预测KGE'0.65（基准0.62），LT10预测0.48（基准0.34）。
• 模型采用424天输入窗口，整合ECMWF HRES和GraphCast双数据源，使用潜在噪声集成训练。
• 概率输出头对性能提升贡献最大，其次是GraphCast原始通道、更长窗口和混合微调。
• 在1.5年和2年洪水检测中表现优于所有基准，但10年及以上洪水检测效果因随机种子而异。

背景与事实

全球径流预测对防洪准备至关重要，但基于再分析数据训练的模型在实际天气预报驱动下性能会随预测时间延长而下降。现有方法AIFL虽采用两阶段迁移学习策略，但存在两个主要局限：将单一预测时次输入整个时间窗口，且不提供不确定性估计。KNOU-Flood模型保留了单层长短期记忆网络（LSTM）和两阶段训练框架，但通过改变输入信息实现改进。

研究团队在三个随机种子下对2099个测试流域（覆盖2021-2023年）进行评测。KNOU-Flood在LT1（1天预测）时KGE'达到0.65，显著优于重新实现的AIFL基准的0.62；在LT10（10天预测）时达到0.48，远高于基准的0.34。两种评分协议下，模型在所有十个预测时次均表现出显著提升。

值得注意的是，使用相同权重但改变预测输入方式时，LT10的KGE'会在0.18到0.34之间波动。这表明先前报告的AIFL性能随预测时次衰减很大程度上是输入协议效应，而非模型本身问题。概率输出头是性能提升的最大贡献因素，其次是加入GraphCast原始数据通道、扩展输入窗口至424天和采用混合微调策略。

影响分析

对中文开发者而言，该研究提供了明确的技术路径：改进天气预报数据输入协议比更换模型架构更能提升径流预测性能。这一发现对现有水文模型开发具有直接参考价值。研究证实了双数据源融合（ECMWF HRES和GraphCast）的有效性，中国开发者可考虑将区域数值天气预报模型作为第三数据源进行测试。概率输出能力的增强使得洪水预警系统能提供可信度信息，这对决策支持有实际价值。但需要注意，研究基于欧洲流域数据，向其他区域应用时可能需要重新校准。

适用边界

该结论主要适用于基于LSTM的全球径流预测场景，且假设能获得ECMWF HRES和GraphCast数据。对于缺乏双数据源支持或预测时次超出10天的场景，性能优势可能减弱。研究在2099个流域上验证，对数据稀疏地区的适用性需要额外测试。概率输出的校准特性在推理时使用dropout实现，对计算资源有限的应用可能带来额外开销。

孤本观察

该研究的关键贡献在于证明输入协议改进比架构创新更具性价比，这对资源有限的研究团队是重要指导。概率头部设计的有效

来源：arXiv cs.LG