基于混合数据智能算法的越南中部多站点降雨建模研究
作者及发表信息
本研究由Quoc Bao Pham（台湾成功大学水利与海洋工程系）、S. I. Abba（尼日利亚Yusuf Maitama Sule大学）、Abdullahi Garba Usman（北塞浦路斯近东大学）等来自多个国家的学者合作完成，发表于Springer Nature旗下期刊*Water Resources Management*（2019年11月）。研究聚焦于越南中部Vu Gia-Thu Bon流域的降雨预测问题，结合传统时间序列分析与人工智能（AI）算法，提出了一种混合建模框架。
学术背景与研究目标
降雨预测是水文气象学中的核心挑战，其时间序列的随机性和非线性特征使得传统物理模型计算成本高昂且精度有限。近年来，数据驱动模型（如人工神经网络ANN、支持向量机SVM）因其无需依赖物理方程的优势，逐渐成为研究热点。然而，单一模型在捕捉降雨的线性和非线性复合特征时仍存在局限性。为此，本研究旨在：
1. 评估五种单模型（MLP多层感知机、LSSVM最小二乘支持向量机、NF神经模糊系统、HW Hammerstein-Weiner模型、ARIMA自回归积分滑动平均模型）在多站点降雨预测中的表现；
2. 提出混合ARIMA-AI模型（如ARIMA-MLP、ARIMA-NF等），结合线性与非线性建模优势；
3. 验证混合模型在越南中部复杂地形流域的适用性，为水资源管理提供工具。
研究流程与方法
1. 数据准备与预处理
- 研究对象：越南Vu Gia-Thu Bon流域5个气象站（Hien、Thanh My、Hoi Khanh、Ai Nghia、Cau Lau）38年（1978–2016年）的日降雨数据。
- 数据归一化：采用线性变换（公式8）消除量纲影响，75%数据用于训练，25%用于验证，并采用k折交叉验证避免过拟合。
2. 单模型构建与优化
- MLP：使用Levenberg-Marquardt算法训练，隐藏层节点数通过试错法确定，迭代1000次，目标误差0.0001。
- LSSVM：通过网格搜索优化核函数参数（∁, ε, γ），将二次规划问题转化为线性方程求解以降低计算量。
- NF：基于Sugeno型模糊推理系统，结合高斯隶属函数和神经网络学习能力，规则库通过输入输出数据自适应生成。
- HW：首次应用于降雨预测，通过非线性静态块与线性动态块串联建模，参数辨识采用最小二乘法。
- ARIMA：基于Eviews软件确定最优差分阶数和滞后项。
3. 混合模型设计
- 两阶段建模：第一阶段用ARIMA拟合线性成分，生成残差；第二阶段用AI模型（MLP/LSSVM/NF/HW）捕捉残差中的非线性模式（公式4–7）。
- 性能评估指标：决定系数（R²）、均方根误差（RMSE）、平均绝对误差（MAE）和相关系数（CC），辅以泰勒图可视化分析。
主要结果
1. 单模型表现
- HW模型在Hien、Ai Nghia和Cau Lau站表现最优，验证期R²达0.92–0.95，MAE较其他模型降低2%–7%，因其能有效处理高度非线性系统。
- NF模型在Thanh My和Hoi Khanh站领先（R²=0.92–0.97），得益于模糊逻辑对不确定性的描述能力。
- ARIMA虽为线性模型，但在Cau Lau站验证期R²=0.89，表明其在线性主导场景中仍具价值。
2. 混合模型提升效果
- ARIMA-HW在Hien和Thanh My站的RMSE降低至0.02–0.03 mm/day，CC接近0.99，显著优于单模型。
- ARIMA-NF在其余三站的泰勒图中显示预测值与观测值标准差高度匹配（CC=0.95–0.99），验证了混合模型对复杂时空降雨模式的捕捉能力。
结论与价值
1. 科学价值：首次在越南中部流域系统比较了HW、NF等新兴AI模型的降雨预测性能，并证实混合ARIMA-AI框架可提升精度5%以上，为非线性水文建模提供了新思路。
2. 应用价值：研究成果可直接服务于该流域的洪水预警、水资源调度及干旱管理，尤其对台风频发区的短期降雨预测具有实践意义。
3. 方法论贡献：提出的两阶段混合建模流程（线性分解+非线性残差学习）可推广至其他水文时间序列分析。
研究亮点
1. 创新模型应用：首次将HW模型引入降雨预测，其非线性系统辨识能力优于传统ANN/SVM。
2. 混合策略优势：通过ARIMA与AI模型的协同，解决了单一模型在“线性-非线性”复合特征中的局限性。
3. 多站点验证：覆盖地形差异显著的5个站点，增强了结论的普适性。
4. 开源工具整合：结合MATLAB与Eviews平台，代码可复现性高。
其他价值
研究得到越南国家科技项目（BDKH.34⁄16-20）资助，相关算法已作为决策支持工具推荐给当地水利部门，后续可扩展至气候变化背景下的极端降雨事件预测。