《Environmental Modelling & Software》：Regional vs local LSTM models for short-term streamflow forecasting under operational constraints
编辑推荐：
区域LSTM模型在智利340个水文站点的五日短时径流预测中表现优异，通过21年日数据训练并考虑观测延迟等实际约束，其Kling-Gupta效率≥0.6，高流量事件预测偏差减少50%（90th percentile）和25%（99th percentile），验证了区域模型在空间异质性和多尺度预测中的鲁棒性。
Jorge Saavedra-Garrido|Jorge Arevalo|Luis De La Fuente|Aldo Tapia|Christopher Paredes-Arroyo|Ana Maria Cordova|Daira Velandia|Pablo álvarez|Héctor Reyes-Serrano|Rodrigo Salas
智利瓦尔帕莱索大学统计研究所，瓦尔帕莱索，智利
摘要
由于数据延迟、不确定性以及其他现实世界中的限制，可靠的短期径流预测仍然是一个关键挑战。本研究提出了一个区域性的长短期记忆（LSTM）模型，用于预测智利340个站点在五天时间范围内的日平均径流和最大径流，该模型明确考虑了诸如近期径流数据不可用和输入数据延迟等操作限制。与本地训练的模型相比，区域模型在时间相关性和方差表示方面表现出更优的性能，Kling-Gupta效率（KGE）在156个站点上≥0.6。尤为重要的是，高流量事件的预测得到了显著改善：在第90百分位，分数高流量体积（FHV）的偏差减少了约50%；在第99百分位，偏差减少了约25%，这表明该模型在预测范围内具有很强的操作鲁棒性且性能下降最小。这些发现凸显了区域深度学习模型在多样化水文环境中提供可扩展和稳健性能的潜力，有助于洪水准备和水资源管理。
部分内容摘录
材料与方法
本节详细介绍了用于开发、训练和评估LSTM模型以进行操作径流预测的方法论框架。首先描述了所提出的区域方法和本地训练模型的模型架构及训练配置。随后介绍了用于评估的性能指标，特别是关于高流量事件的指标。最后，我们描述了……结果与讨论
本节分为两个主要小节。第3.1节展示了区域模型在五天预测期间对和的结果，并对其进行了分析。讨论了该模型在智利不同地理区域的性能，以评估其空间泛化能力。此外，还检查了每个预测日的预测结果，考虑了随着预测时间范围延长性能的下降情况。第3.2节进行了比较……结论
本研究开发了一个区域性的LSTM模型，用于预测智利340个水文条件多样的站点的平均径流和最大径流，预测时间范围为五天。使用21年的日径流数据以及现实的操作限制（预测中未使用观测到的径流数据，并考虑了其通常的可用性延迟），我们使用KGE和FHV指标评估了该模型的性能。区域方法……CRediT作者贡献声明
Jorge Saavedra-Garrido：写作——审阅与编辑、原始草稿撰写、可视化、验证、软件开发、方法论制定、调查、数据分析、数据整理、概念构建。Jorge Arevalo：写作——审阅与编辑、可视化、验证、监督、软件开发、资源管理、项目协调、方法论制定、资金获取、数据分析、数据整理、概念构建。Luis De La Fuente：写作——审阅与编辑、可视化、验证……写作过程中生成式AI和AI辅助技术的声明
在准备本手稿的过程中，作者使用了生成式AI工具来辅助翻译并提高写作质量，旨在优化文本的清晰度和连贯性。使用这些技术后，对内容进行了全面的审阅和编辑，作者对最终手稿的完整性和准确性负全责。生成式AI的应用仅限于……利益冲突声明
作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。致谢
本研究部分由智利国家研究与发展局（ANID）通过以下资助项目支持：FONDEF IDEA I+D 2021 ID21I10093、FONDECYT启动项目编号11241458、ANILLO ATE220020、Millennium Science Initiative计划ICN2021_004以及国家博士奖学金21231546。作者感谢智利水资源总局（DGA）提供的径流观测数据。计算训练部分使用了Soroban软件进行。
