A hybrid DeepGR4J and regionalization framework for lake water balance assessment in data-scarce regions: Application to Lake Tana, Ethiopia
Temesgen T. Mihret · Fasikaw A. Zemale · Abeyou Wale Worqlul 等 7 人
提出DeepGR4J与区域化混合框架，评估数据稀缺的埃塞俄比亚塔纳湖水量平衡。
GR4J概念模型结合LSTM误差校正，回归区域化，CHIRPS与ERA5数据。
年均入流12.61 km³，储量净减0.20 km³，湖水位模拟R²=0.94。
可将该混合框架迁移至数据稀缺农业流域，结合遥感蒸散与作物需水评估灌溉可持续性。
将概念水文模型与LSTM误差校正及区域化方法结合，在缺资料流域实现高精度水量平衡评估，方法新颖且结论可靠，对农业水资源管理有参考价值。
研究区域：塔纳湖（Lake Tana）是埃塞俄比亚最大的淡水湖，也是青尼罗河（Blue Nile River）的发源地，位于埃塞俄比亚高原西北部，对供水、水电、灌溉和生态系统服务至关重要。该流域降雨季节性显著、地形复杂，且存在大量无测站集水区，加之观测资料有限，使得水文评估十分困难。研究重点：本研究构建了一个混合水文框架，将DeepGR4J降雨-径流模型与基于回归的区域化方法相结合，以改进资料稀缺条件下的湖泊水量平衡估算。DeepGR4J将概念性GR4J模型与基于LSTM的误差校正相结合，以增强径流模拟；区域化方法则利用地貌和遥感描述因子将参数从有测站流域迁移至无测站流域。该框架应用于2000—2020年，采用CHIRPS降水、ERA5气温和Hargreaves蒸散发估算数据。该区域的新水文认识：结果表明，年均入湖水量为12.61 km³ yr⁻¹，水量平衡出流项合计为12.67 km³ yr⁻¹，导致净蓄水量下降−0.20 km³ yr⁻¹，残差失衡为0.06 km³ yr⁻¹。该模型以较高精度再现了观测湖水位（R² = 0.94，NSE = 0.94，RMSE = 0.18 m）。研究结果凸显了无测站集水区的重要贡献，并表明结合区域化的混合概念性-深度学习模型能够改进资料稀缺湖泊流域的水量平衡估算。