基于基流分离与时间戳信息增强的深度学习径流预测模型优化研究

本文推荐：本研究创新性地将基流分离（baseflow separation）与快速傅里叶变换（FFT）融入Transformer架构的RR-Former模型，构建双分支预测模型FBS-RR-Former，通过解耦高低频信息显著提升1-7天径流预测精度。研究验证了时间戳建模（TimeSter）对半湿润无雪区的预测优势，并证明模型在含噪降水数据下的强鲁棒性，为水文预报提供了新范式。

Highlight

基流分离

当Transformer模型应用于时间序列预测时，常出现学习偏差——自注意力机制（self-attention）会优先捕捉低频特征而忽略高频细节（Tang et al., 2024）。这种特性在径流预测中尤为关键，因为模型平衡高低频信息的能力直接影响预测精度。若过度关注高频数据...

研究区域

本研究基础数据来自CAMELS和CAMELS-AUS数据集（Addor et al., 2017; Fowler et al., 2021）。CAMELS用于模型构建与验证，CAMELS-AUS则用于展示模型跨大陆气候异质性下的适用性。CAMELS数据集覆盖美国671个流域...

基流分离结果

基于241个流域的基流指数提取结果（图9），最小平滑法计算的BFI_max参数值范围比Eckhardt推荐的三个固定值更广且连续。以01123000号流域为例，对比不同BFI_max参数（0.25等）下的基流分离效果...

Conclusion

本研究通过Transformer架构构建新型降雨-径流预测模型RR-Former，结合基流分离与傅里叶变换开发了FBS-RR-Former双分支模型，实现时频域联合的多步径流预测。同时引入时间特征嵌入（time feature embedding）和TimeSter插件，探究时间戳信息在...