Durch Taifune verursachte extreme Hochwasser stellen erhebliche Bedrohungen für subtropische Einzugsgebiete dar, jedoch bleibt die systematische Integration der Taifunphysik in die Hochwasservorhersage durch maschinelles Lernen begrenzt. Diese Studie entwickelte ein physik-informiertes maschinelles Lernframework für das Boluo-Einzugsgebiet in Südchina, mit einem Schwerpunkt auf der Ingenieurmethodik für Taifunmerkmale. Vier Modelle (Lineare Regression (LR), Künstliches Neuronales Netzwerk (ANN), Zufallswald (RF) und XGBoost (XGB)) wurden systematisch über drei Merkmalsengineering-Szenarien bewertet: Basislinie (konventionelle hydrometeorologische Variablen), Mit Taifun (ursprüngliche Taifunbeobachtungen) und Verbesserter Taifun (19 physik-informierte abgeleitete Merkmale). Das physikgetriebene Design umfasste sigmoid-transformierte Abstand-Zerfallsfunktionen, die den sättigenden Einfluss des Taifuns im Nahbereich darstellen, mehrtägige kumulative Einflussindizes, die die Auswirkungen vorhergehender Stürme integrieren, und trajektoriebasierte kinematische Merkmale, die die Übersetzungsgeschwindigkeit und die gerichtliche Entwicklung charakterisieren. ANN-EnTY erzielte eine überlegene Leistung mit einer Kling-Gupta-Effizienz (KGE) von 0.946 und einem quadratischen Mittelwertfehler (RMSE) von 174 m³/s, was eine Verbesserung von 3.1% in der KGE und eine Reduktion von 16.7 m³/s im RMSE im Vergleich zum Szenario der Basislinie darstellt. Während eines repräsentativen extremen Hochwasserereignisses mit einem Spitzenfluss von 7670 m³/s reduzierte ANN-EnTY den Spitzenvorhersagefehler um etwa 4% im Vergleich zum besten Basislinienmodell. Die SHAP-Analyse offenbarte eine Dominanz des Stroms aus dem Oberlauf (72.6%), während die Taifunmerkmale, die nur 2% insgesamt ausmachten, während extremer Ereignisse entscheidende synergistische Rollen spielten. Dieses Dual-Modell-Muster von Routine-gedächtnistrieben versus extremen ereignisgetriebenen Reaktionen liefert mechanistische Einblicke für operationale Hochwasserwarnsysteme. Das Framework bietet eine replizierbare Methodologie für taifunanfällige Einzugsgebiete mit direkten Implikationen für Katastrophenvorsorge und Wasserbewirtschaftung.
Zhang et al. (Mon,) untersuchten diese Frage.