DOI: https://doi.org/10.1038/s43247-025-02324-y
تاريخ النشر: 2025-04-30
المؤلف: Yiheng Du وآخرون
الموضوع الرئيسي: التنبؤ الهيدرولوجي باستخدام الذكاء الاصطناعي
طرق
تستخدم الدراسة إطار عمل هيدرولوجي هجين يدمج نموذج E-HYPE القائم على العمليات مع تقنيات المعالجة اللاحقة لتعزيز محاكاة تدفق المياه. يهدف هذا النهج إلى تسوية الفجوات بين مخرجات النموذج والملاحظات المحلية، مما يتيح التقاط الأنماط المعقدة والموقعية التي قد يغفلها نموذج E-HYPE بمفرده. نموذج E-HYPE، وهو نموذج هيدرولوجي شبه موزع لسطح الأرض (LSHM)، يحاكي مكونات مختلفة من دورة المياه، بما في ذلك ديناميات الثلوج، والتبخر، وعمليات المياه الجوفية، على فترات يومية عبر أوروبا. تشير مقاييس الأداء التاريخية إلى متوسط كفاءة ناش-سوتكليف (NSE) يبلغ 0.53 استنادًا إلى أكثر من 500 محطة تدفق مياه.
خلال الفترة من 1961 إلى 2023، تم توليد محاكاة تدفق المياه باستخدام بيانات إعادة تحليل الأرصاد الجوية HydroGFD v3.2. تم الحصول على ملاحظات تدفق المياه من عدة قواعد بيانات، بما في ذلك مركز بيانات الجريان العالمي وأرشيف المياه الأوروبي، الذي يشمل 2072 محطة. لضمان عينات تدريب قوية للنموذج الهجين، تم تضمين المحطات التي تحتوي على حد أدنى من 10 سنوات من بيانات الملاحظات، مما أسفر عن مجموعة بيانات توفر تغطية مكانية شاملة، خاصة في وسط أوروبا، مع ملاحظة ندرة المحطات في المناطق الجنوبية والشرقية.
نتائج
تظهر نتائج هذه الدراسة أن النمذجة الهجينة تعزز بشكل كبير تمثيل خصائص تدفق المياه على نطاق محلي عبر المنطقة الأوروبية بأكملها. تم تطبيق أربع طرق للمعالجة اللاحقة، بما في ذلك تقنيات إحصائية كلاسيكية ونهج التعلم الآلي المتقدم (ML)، لتصحيح محاكاة تدفق المياه من نموذج E-HYPE. ركز التقييم على الحجم الكلي والحدود القصوى للتدفق العالي والمنخفض، مما يكشف أن طرق التعلم الآلي، وخاصة الذاكرة طويلة وقصيرة المدى (LSTM) والغابة العشوائية (RF)، تتفوق على الطرق الإحصائية في تحسين الأداء، خاصة في الفئات التي تقل عن عتبة الأداء العادل. بينما حسنت جميع الطرق توقعات الحجم الكلي، أظهرت طرق التعلم الآلي فعالية أكبر في معالجة الحدود القصوى العالية والمنخفضة، حيث تفوقت LSTM في التقاط الاعتماد الزمني والعلاقات المعقدة المتأصلة في البيانات الهيدرولوجية.
تم تقييم الفعالية المكانية لإطار النمذجة الهجينة أيضًا، مما يشير إلى أن طرق المعالجة اللاحقة تحقق درجات متفاوتة من المهارة عبر مناطق مختلفة. ومن الجدير بالذكر أن LSTM أظهرت أداءً متفوقًا في وسط وغرب أوروبا، بينما كانت RF فعالة بشكل خاص في شمال أوروبا وعلى طول السواحل المتوسطية. تسلط الدراسة الضوء على أنه لا توجد طريقة هجينة واحدة تتفوق عالميًا على الأخرى؛ بدلاً من ذلك، تعتمد فعالية كل طريقة على الخصائص الهيدرولوجية المحلية والظروف. تم تحديد العوامل الرئيسية التي تؤثر على أداء النموذج، بما في ذلك التشابه الهيدرولوجي، والظروف المناخية، والتأثيرات البشرية. تشير النتائج إلى أن تحسين النماذج الهيدرولوجية الهجينة يتطلب فهمًا دقيقًا لخصائص الحوض المحلي ودمج عدة نهج نمذجة للاستفادة من نقاط قوتها.
نقاش
في قسم النقاش هذا، يبرز المؤلفون العلاقة المهمة بين الأنظمة الهيدرولوجية وفعالية تقنيات المعالجة اللاحقة لتعزيز مخرجات النماذج من المحاكاة الهيدرولوجية على نطاق محلي. يؤكدون أن تصحيح نماذج الهيدرولوجيا السطحية القائمة على العمليات (LSHMs) يتأثر بالخصائص الهيدرولوجية للأحواض، بغض النظر عن طرق المعالجة اللاحقة المستخدمة. تدعم هذه النتيجة إقليمية المعالجات اللاحقة، وهو أمر حاسم للتطبيق الأوسع لنماذج الهيدرولوجيا. يقترح المؤلفون نهج معالجة لاحقة متعدد الأحواض يدمج البيانات من أنظمة الأنهار المختلفة، مما يسمح بإدماج الخصائص المحددة للأحواض مثل الظروف المناخية والأنظمة الهيدرولوجية. يهدف هذا النهج إلى تحسين تعميم النماذج، مما يفيد الأحواض غير المقاسة أو ذات البيانات القليلة من خلال الاستفادة من الأنماط من الأنظمة المقاسة المتشابهة هيدرولوجيًا.
بالإضافة إلى ذلك، يناقش المؤلفون إمكانية تحسين التنبؤات الهيدرولوجية التشغيلية من خلال استخدام عوامل تصحيح محددة للوقت المستقبلي مستمدة من إعادة التنبؤات والملاحظات. يشيرون إلى أن دقة التنبؤات الهيدرولوجية تعتمد على تهيئة الظروف وجودة التنبؤات الجوية، وكلاهما يمكن تحسينه من خلال نماذج المعالجة اللاحقة المقترحة. يخلص المؤلفون إلى أن هذه التقدمات تتماشى مع المبادرات العالمية التي تهدف إلى توفير وصول عادل إلى بيانات وخدمات هيدرولوجية موثوقة، مما يسهم في تحسين الاستعداد ضد المخاطر الهيدرولوجية مثل الفيضانات والجفاف.
DOI: https://doi.org/10.1038/s43247-025-02324-y
Publication Date: 2025-04-30
Author(s): Yiheng Du et al.
Primary Topic: Hydrological Forecasting Using AI
Methods
The research employs a hybrid hydrological modeling framework that integrates the process-based E-HYPE model with post-processing techniques to enhance streamflow simulations. This approach aims to reconcile discrepancies between model outputs and local observations, effectively capturing complex, site-specific patterns that the E-HYPE model alone may overlook. The E-HYPE model, a semi-distributed land surface hydrological model (LSHM), simulates various components of the water cycle, including snow dynamics, evapotranspiration, and groundwater processes, at daily intervals across Europe. Historical performance metrics indicate a median Nash-Sutcliffe Efficiency (NSE) of 0.53 based on over 500 streamflow stations.
For the period from 1961 to 2023, streamflow simulations were generated using the HydroGFD v3.2 meteorological reanalysis data. Streamflow observations were sourced from multiple databases, including the Global Runoff Data Centre and the European Water Archive, encompassing 2072 stations. To ensure robust training samples for the hybrid model, only stations with a minimum of 10 years of observational data were included, resulting in a dataset that provides comprehensive spatial coverage, particularly in central Europe, while noting a scarcity of stations in southern and eastern regions.
Results
The results of this study demonstrate that hybrid modeling significantly enhances the representation of streamflow characteristics at a local scale across the pan-European region. Four post-processing methods, including classical statistical techniques and advanced machine learning (ML) approaches, were applied to correct streamflow simulations from the E-HYPE model. The evaluation focused on total volume and high and low flow extremes, revealing that ML methods, particularly Long Short-Term Memory (LSTM) and Random Forest (RF), outperform statistical methods in improving performance, especially in categories below a fair performance threshold. While all methods improved total volume predictions, ML methods showed greater efficacy in addressing high and low extremes, with LSTM excelling in capturing temporal dependencies and complex relationships inherent in hydrological data.
The spatial effectiveness of the hybrid modeling framework was also assessed, indicating that post-processing methods yield varying degrees of skill across different regions. Notably, LSTM demonstrated superior performance in central and western Europe, while RF was particularly effective in northern Europe and along Mediterranean coastlines. The study highlights that no single hybrid method universally outperforms others; instead, the effectiveness of each method is contingent upon local hydrological characteristics and conditions. Key factors influencing model performance were identified, including hydrological similarity, climatic conditions, and anthropogenic impacts. The findings suggest that optimizing hybrid hydrological models requires a nuanced understanding of local basin characteristics and the integration of multiple modeling approaches to leverage their respective strengths.
Discussion
In this discussion section, the authors highlight the significant relationship between hydrological regimes and the efficacy of post-processing techniques for enhancing model outputs from local-scale hydrological simulations. They emphasize that the correction of process-based Land Surface Hydrological Models (LSHMs) is influenced by the hydrological characteristics of the basins, regardless of the post-processing methods used. This finding supports the regionalization of post-processors, which is crucial for the broader application of hydrological models. The authors propose a multi-basin post-processing approach that integrates data from various river systems, allowing for the incorporation of basin-specific characteristics such as climatic conditions and hydrological regimes. This approach aims to improve the generalization of models, particularly benefiting ungauged or data-sparse basins by leveraging patterns from hydrologically similar gauged systems.
Additionally, the authors discuss the potential for improved operational hydrological forecasts through the use of lead time-specific correction factors derived from reforecasts and observations. They note that the accuracy of hydrological forecasts is contingent upon the initialization of conditions and the quality of meteorological forecasts, both of which can be enhanced through their proposed post-processing models. The authors conclude that these advancements align with global initiatives aimed at providing equitable access to reliable hydrological data and services, ultimately contributing to better preparedness against hydrological hazards such as floods and droughts.