Vorhersage des Wasserflusses und Hochwasserprognose mit einem zeitverzögerten, informierten Deep-Learning-Framework in großen grenzüberschreitenden Einzugsgebieten

Angesichts der Herausforderungen durch begrenzte beobachtbare Wasserflussdaten und den Klimawandel wird eine genaue Vorhersage des Wasserflusses und das Hochwassermanagement in großangelegten Einzugsgebieten unerlässlich. Diese Studie stellt ein zeitverzögertes, informierten Deep-Learning-Framework vor, um die Simulation des Wasserflusses und die Hochwasserprognose zu verbessern. Am Beispiel des Dulong-Irrawaddy-Flussbeckens (DIRB), einem weniger erforschten grenzüberschreitenden Becken, das von Myanmar, China und Indien geteilt wird, haben wir die Verzögerungstage der Spitzenflüsse und das relative Flussspektrum identifiziert. Durch die Integration dieser mit historischen Flussdaten haben wir ein optimales Modell entwickelt. Das durch Daten aus dem oberen Hkamti-Unterbecken informierte Framework hat die standardmäßige LSTM-Modelle signifikant übertroffen und eine Kling-Gupta-Effizienz (KGE) von 0,891 sowie einen Nash-Sutcliffe-Effizienzkoeffizienten (NSE) von 0,904 erreicht. Besonders erwähnenswert ist, dass das HPFL-Modell eine wertvolle Vorlaufzeit von 15 Tagen für die Hochwasserprognose bietet, was die Notfallvorbereitungen verbessert. Das Transfer-Learning-Modell, das meteorologische Eingaben und Merkmale des Einzugsgebiets integriert, erreichte eine durchschnittliche NSE von 0,872 für die Vorhersage des Wasserflusses, was das prozessbasierte Modell MIKE SHE mit 0,655 übertroffen hat. Wir haben auch die Sensitivitäten des Deep-Learning-Modells und des prozessbasierten Modells gegenüber Änderungen der meteorologischen Eingaben mit verschiedenen Methoden analysiert. Deep-Learning-Modelle zeigen komplexe Sensitivitäten gegenüber diesen Eingaben und erfassen nicht-lineare Beziehungen zwischen mehreren Variablen genauer als das prozessbasierte Modell. Die Analyse der integrierten Gradienten (IG) zeigt weiter die Fähigkeit des Deep-Learning-Modells, die räumliche Heterogenität in den oberen und unteren Unterbecken zu erkennen, sowie dessen Geschicklichkeit in der Charakterisierung unterschiedlicher Strömungsregime. Diese Studie unterstreicht das Potenzial des Deep Learning zur Verbesserung des Verständnisses hydrologischer Prozesse in großangelegten Einzugsgebieten und hebt dessen Wert für das Wassermanagement in grenzüberschreitenden Becken unter Datenknappheit hervor.