基于深度学习残差校正的SWAT模型径流模拟优化方法研究OA
Runoff simulation optimization through deep learning residual correction in SWAT model
气候变化与人类活动共同作用下,日尺度径流过程呈现明显非平稳性与高不确定性,使传统水文模拟面临较大挑战.物理过程模型 SWAT 具有明确的水文机理约束,但对洪峰、峰现相位及枯水期基流模拟存在偏差,而混合模型在不同水文情境下的适配性的相关研究仍显不足.为提高复杂变化条件下对日尺度径流的模拟精度,以浙江省永安溪流域为例,构建基于深度学习残差校正的 SWAT-DL 混合模型,并比较 CNN、LSTM、RNN 及 CNN-LSTM 共4 类结构的适用性.结果表明:验证期内 SWAT-DL 模型 NSE 由0.74 提高至均值0.90,PBIAS 由4.05%减小至均值2.82%,RMSE 由66.87 m3/s 减小至均值42.54 m3/s;SHAP 特征贡献分析与 SWAT 参数敏感性分析二者结果在主要控制因子识别上总体一致;不同洪水情景下的最优模型有所不同,台风型洪水下 SWAT-CNN 模型表现最佳,梅雨型洪水下 SWAT-CNN-LSTM 模型综合性能最优,SWAT-LSTM 模型及 SWAT-RNN 模型分别对春季持续性降雨洪水及枯水期小洪水情景的模拟结果更为稳定.研究结果可为流域径流模拟优化及情景化模型选择提供参考.
Under the combined impacts of climate change and human activities,daily runoff exhibits strong non-stationarity and uncertainty,posing challenges to traditional hydrological simulation.Although the process-based SWAT model provides explicit physical constraints,it still has limitations in reprodu-cing flood peaks,peak timing,and dry-season baseflow.Using the Yong'an River Watershed as a case study,this study developed a SWAT-DL hybrid model based on deep learning residual correction and compared four neural network architectures,namely,CNN,LSTM,RNN and CNN-LSTM.During vali-dation,the SWAT-DL model improved NSE from 0.74 to 0.90,decreased PBIAS from 4.05%to 2.82%,and reduced RMSE from 66.87 to 42.54 m3/s.SHAP-based feature attribution was broadly consistent with SWAT sensitivity analysis.Model performance varied across hydrological scenarios:SWAT-CNN performed best for typhoon floods,SWAT-CNN-LSTM for Meiyu floods,SWAT-LSTM for spring persistent rainfall floods,and SWAT-RNN for small dry-season floods.These results support improved runoff simulation and model selection under different hydrological conditions.
杜林峰;周佳;胡敏鹏;陈丁江
土壤污染防治与安全国家重点实验室,浙江 杭州 310058||浙江大学 环境与资源学院,浙江 杭州 310058土壤污染防治与安全国家重点实验室,浙江 杭州 310058||浙江大学 环境与资源学院,浙江 杭州 310058土壤污染防治与安全国家重点实验室,浙江 杭州 310058||浙江大学 环境与资源学院,浙江 杭州 310058土壤污染防治与安全国家重点实验室,浙江 杭州 310058||浙江大学 环境与资源学院,浙江 杭州 310058
建筑与水利
径流模拟SWAT模型深度学习残差校正SHAP分析
runoff simulationSWAT modeldeep learningresidual correctionSHAP analysis
《水资源与水工程学报》 2026 (3)
11-19,28,10
国家自然科学基金项目(42477393)浙江省自然科学基金重点项目(LZ25D010001)
评论