用于无监测流域排放预测的多模型集成与储备计算

尽管准确的洪水预测至关重要，但许多地区缺乏足够的河流排放观测数据。虽然存在大量用于日常河流排放预测的模型，但在数据稀缺条件下实现高精度、可解释性和效率仍是主要挑战。我们通过一种新方法 HYdrological Prediction with multi-model Ensemble and Reservoir computing（HYPER）来解决此问题。该方法将 BMA 应用于 47 个“未校准”流域基于概念的水文模型。随后，通过线性回归训练一种储备计算（RC）模型以校正 BMA 输出误差，实现非迭代的计算效率。对于无监测流域，我们通过将 BMA 和 RC 权重映射到已监测流域的流域属性来推断所需权重，构建一个可泛化的框架。在 87 个日本流域上进行评估，在数据丰富的情境下，HYPER（中位数 Nash Sutcliffe 效率，NSE 为 0.59）的性能相当于基准 LSTM（NSE 0.64），但仅需其计算时间的 3%。在数据稀缺情境（仅约 20% 的流域被监测）下，HYPER 通过利用集成的物理结构保持稳健的性能（NSE 0.51）。相比之下，LSTM 的性能因数据不足而显著恶化（NSE -0.61）。这些结果表明，在使用足够大的集成并结合基于机器学习的偏差校正方法时，不需要对每个概念水文模型进行校准。HYPER 提供了一个稳健、高效且可泛化的解答，特别适用于无监测流域。通过消除流域特定的校准，HYPER 为在多样化数据稀缺地区实现准确的水文预测提供了可扩展、可解释的框架。