Journal of Water Process Engineering·10月13日 · 周二论文农业人工智能与决策模型阅读 1
Modeling runoff, sediment, and nutrient dynamics in the Ganjiang River Basin, China: A hierarchical SWAT-BiLSTM framework
Xihua Wang · Xuming Ji · Y. Jun Xu 等 10 人
论文解读
79精选
速览
提出SWAT-BiLSTM分层混合框架，高精度模拟赣江流域径流、泥沙与营养物动态。
方法
SWAT模拟水文水质过程，BiLSTM残差校正，用2011-2022年多源数据验
发现
混合模型精度全面优于SWAT，营养物R²提升9%-42%，PBIAS最大降67.4%。
机会点
可探索深度学习残差校正框架在农业面源污染关键源区识别与减排情景模拟中的推广。
影响力16
信息增量22
专业深度18
信源权威14
时效性9
提出SWAT-BiLSTM分层混合框架，显著提升径流、泥沙与营养盐模拟精度，对流域农业面源污染治理有实质参考价值。
原文摘要
河流与湖泊对区域水安全与生态系统稳定至关重要，然而水文、侵蚀与污染过程的集成模拟仍受制于气候变化与人类活动之间复杂的相互作用。为解决机制过度简化与强非线性所导致的系统性偏差，本研究提出了一种分层混合框架，将SWAT模拟的水文与水质过程依次输入BiLSTM网络进行残差校正，从而实现对赣江流域径流、泥沙与营养盐通量的协同高精度模拟。基于多源数据（2011—2022年水文数据及2021—2022年水质数据）的验证表明，SWAT-BiLSTM在所有指标上均优于单一SWAT模型，其优势主要源于精度提升与残差削减，而非计算速度的加快。具体而言，径流平均R²提高了6%—9%，泥沙提高了6%—19%，营养盐显著提高了9%—42%，PBIAS最大降低幅度达67.4%。该混合模型进一步揭示了水文—侵蚀—污染三元体系的级联响应机制，突出表明集中降雨与农业周期是季节性营养盐峰值的关键驱动因素。这些发现证实了深度学习增强机理模型的有效性，为流域尺度环境管理与污染控制提供了有力的决策支持。