用于河流流量预测的多模型数据融合：基于两个对比流域的六种替代方法的评估

摘要。本论文评估了六种已发布的数据融合策略，用于基于两个对比流域（乌斯河和上温河）的水文预测。每条河流的输入水平和流量估计由一组混合的单模型预测组成。数据融合采用了：算术平均法、一种使用上一个时间步骤的最佳模型生成当前预测的概率方法、两种不同的神经网络操作和两种不同的软计算方法。本研究的结果使用统计和图形评估进行比较。每个地点展示了多个选项和使用数据融合工具构建更优水文预测的潜在优势。相比于各自的单独建模方法，融合操作在整体上表现更好，并且出现了两个明显的赢家。实际上，测试的六种不同机制显示出不同类别的问题流域行为的适应能力不平等，在这种情况下，最佳方法比其最近的竞争对手要好得多。神经网络对差异数据的融合为稳定状态提供了最佳解决方案（与原始数据的神经网络融合相似）——而模糊概率机制在更波动的环境中产生了优越的输出。讨论了水文科学中数据融合研究议程的必要性，并提出了一些初步建议。关键词：数据融合、模糊逻辑、神经网络、水文建模