Flood Forecasting in Data-Scarce Basins Using Event-Based Records and Multi-Paradigm Modeling with Similarity-Based Transfer

在未测量或数据稀缺的流域中，准确的洪水预测仍然是水文学中的持续挑战，尤其是在中国等许多流域仅提供间歇性洪水记录的地区，这些洪水记录通常仅限于在单独事件期间收集的短暂、每小时的数据集。传统的物理模型受限于流域特定校准和验证，难以在有限观测条件下跨越多样流域进行扩展。虽然深度学习通过整合多流域数据揭示了潜在的水文模式，带来了重大机遇，但在依赖碎片化、基于事件的记录的地区应用仍面临局限。为应对这些挑战，本研究系统评估了三种代表性建模范式的预测准确性和可迁移性：基于过程的概念模型、纯数据驱动模型以及混合物理导向的可微模型。我们利用中国安徽省18个流域612起历史洪水事件的数据集，评估了模型在局部（每流域）和区域（多流域）训练方案下的表现。为克服数据稀缺环境中直接模型转移的局限性，我们探讨了参数泛化策略，包括基于PCA的区域化、预训练模型的直接转移以及有限局部微调的相似性知情迁移学习。一个关键目标是考察基于相似度的捐赠流域选择是否必要，或者是否可以将通用模型应用于水文一致的流域。结果显示，区域模型在各流域模型中表现稳定，具有更高的泛化性和稳健性。在这些方法中，物理导向的可微模型优于纯数据驱动模型，尤其是在捕捉短时长事件数据下的洪水峰值方面。此外，在流域间异质性明显的地区，训练于最相似流域事件较少的模型可能优于训练于较大、聚合数据集的模型。这些发现强调了物理约束和流域间相似性在洪水建模中的双重重要性。