机器学习与基于过程的模型在伊利诺伊州DuPage River Basin降雨-径流模拟中的应用

降雨-径流模拟对于规划和管理防洪事件至关重要。使用水文工程中心-水文建模系统（Hydrological Engineering Center—Hydrologic Modeling System，HEC-HMS）进行水文建模，在降雨-径流过程的基于事件或连续模拟方面已在全球范围内获得认可。同样，机器学习是一门发展迅速的学科，能够提供许多适合水文学研究的高要求和局限性的替代方案。诸如 HEC-HMS 等传统和基于过程的模型通常是在特定的时空尺度上建立的，并不容易适应多样化且复杂的输入参数。因此，在本研究中，针对降雨-径流过程，将机器学习模型Random Forest的有效性与HEC-HMS进行了比较。此外，我们还利用从Random Forest模型获得的输入流量，在水文工程中心-地理空间河流分析系统（Hydrological Engineering Center—Geospatial River Analysis System，HEC-RAS）中进行了水力模拟。使用不同的统计指标评估了Random Forest模型和HEC-HMS模型的可靠性。对于Random Forest模型，训练数据的决定系数（R2）、标准差比（RSR）和归一化均方根误差（NRMSE）分别为0.94、0.23和0.17，测试数据分别为0.72、0.56和0.26。同样，对于HEC-HMS模型，率定期的R2、RSR和NRMSE分别为0.99、0.16和0.06，验证期分别为0.96、0.35和0.10。Random Forest模型略微低估了洪峰流量值，而HEC-HMS模型则略微高估了洪峰流量值。统计指标值表明Random Forest和HEC-HMS模型均具有良好的表现，揭示了两种模型在水文分析中的适用性。此外，使用Random Forest预测流量由HEC-RAS生成的淹没水深在洪峰事件期间低估了淹没水深。这一结果证明，在极端事件期间，HEC-HMS可以弥补Random Forest在洪峰流量和淹没水深方面的不足。总之，结合机器学习与基于物理机制的模型可以为降雨-径流和淹没水深预测提供更高的可信度。