A lag-informed deep learning framework for real-time downstream water-level forecasting and flood decision support in the Kalu Ganga Basin, Sri Lanka

方法

基于2021-2024年小时数据估计洪水传播时滞，对比LSTM、GRU、Bi-L

发现

滞后输入降低GRU的RMSE至0.286m，阶段感知GRU的NSE达0.934，并成功预报2024年

机会点

可将滞后对齐与阶段感知训练迁移到缺资料农业流域的短期洪水与灌溉水位预警。

洪水是斯里兰卡湿区河流流域中破坏性最强的灾害之一，其预警提前时间短，制约了防灾准备，而基于物理的水动力模型在数据有限的条件下往往不切实际。本研究开发了一个融入滞时信息的深度学习框架，用于斯里兰卡洪水多发的卡卢河（Kalu Ganga）流域下游10小时水位预报。基于2021—2024年的逐小时记录，采用基于事件的峰值匹配、涨水段时序分析和互相关分析，估算了拉特纳普勒（Rathnapura）、埃拉加拉（Ellagawa）、米拉坎达（Millakanda）与下游目标站普图保罗（Putupaula）之间的洪水波传播时间。选定的传播时间为：拉特纳普勒—埃拉加拉18小时，埃拉加拉—普图保罗23小时，米拉坎达—普图保罗24小时。这些滞时用于对齐上游水位输入，而降雨数据则保持其原始时间顺序。采用时间顺序的训练、验证和独立测试，评估了无滞时和融入滞时信息的长短期记忆网络（LSTM）、门控循环单元（GRU）和双向长短期记忆网络（Bi-LSTM）模型。融入滞时信息的输入使LSTM的均方根误差（RMSE）从0.317 m降至0.288 m，GRU从0.339 m降至0.286 m，而Bi-LSTM的性能则有所下降。融入滞时信息的GRU还优于持续性预报和ARIMA基准模型。水位感知训练进一步改善了高流量预测，GRU的RMSE达到0.262 m，平均绝对误差（MAE）为0.188 m，纳什—萨特克利夫效率（NSE）为0.934，而LSTM对2024年6月5.57 m洪峰的预测值为5.44 m。该框架已部署为名为KaluHydroNet的实时决策支持仪表板，表明融入滞时信息和水位感知的深度学习与实时数据集成相结合，为卡卢河流域的短期洪水预警提供了一条切实可行的途径。