通过小波异常识别提升极端水文条件下机器学习径流模拟能力 近期亮点

在极端气候水文事件频发的背景下，如何提高数据驱动水文模型在异常条件下的模拟能力，是当前水文研究中的一个重要问题。传统机器学习方法虽然能在稳定时期取得较好效果，但在出现突发干旱、暴雨或径流突变等异常事件时，模型往往失效。这种问题的根源之一在于训练数据中异常样本比例过低，导致模型缺乏针对性的学习能力。

研究团队在近期发表于 Journal of Hydrology的研究中，提出了一种基于小波分析的异常模式识别方法，用于优化机器学习径流模拟的数据集构建过程。这项研究以黑河流域为案例，结合连续小波变换（CWT）和互小波变换（XWT），分析了气象要素与径流之间的多尺度时频关系，识别出不同时间段中存在的异常特征，并据此重新组织模型的训练样本，使数据驱动的水文模型具备适用于多种极端水文情况的潜力。

以往改进主要集中在模型结构本身，而这项研究从训练数据的质量出发，通过波动特征识别区分正常与异常时期，使模型学习到不同类型气候背景下的径流响应特征。结果表明，增加异常样本比例可以显著提升模型在极端事件期间的预测精度。

这项工作为基于机器学习的水文模拟提供了一种新的思路：不再单纯依赖模型复杂化或数据量扩充，而是通过数据特征识别与分层训练来提高模型的泛化能力。这为极端水文气象条件下构建更加稳健的流域模拟机器学习方案提供了数据层面的改进途径。

论文信息

Liu, Yiwei, Li, Hongyi^*, Yang, Yaru, Pang, Xin, & Niu, Liting (2025). Enhancing machine learning runoff simulation via wavelet-based abnormality pattern recognition. Journal of Hydrology, 661, 133729. https://doi.org/10.1016/j.jhydrol.2025.133729

基于ICESat-2的青藏高原地表高程变化数据集发表于Scientific Data 近期亮点

理解青藏高原的地表高程变化，对于认识其地形、景观、气候、环境条件以及水资源演变都至关重要。然而，现有的高程变化产品要么仅覆盖某些特定下垫面或局部区域，要么空间分辨率偏低。为此，研究团队利用 ICESat-2 卫星数据提取交叉点并构建了2018年至2022年青藏高原高程变化数据集。

该数据集的交叉点密度为 2.015 组/km²，每组交叉点可表示直径约 17 米范围内、两个观测时段之间的高程变化量。通过将 ICESat-2 交叉点数据与冰川及湖泊等既有研究结果进行对比，我们验证了所推算高程变化的可靠性，包括湖泊水尺、连续运行参考站（CORS）、无人机 LiDAR 及既有 ICESat‑2 误差评估成果。结果表明，单点高程均方根误差（RMSE）约 0.071 米，对应每组交叉点的高程差 RMSE 为 0.13 米，在高原复杂地形下依然保持亚分米级精度。

数据验证

论文进一步将交叉点数据与现有冰川和湖泊变化产品进行交叉验证：在喜马拉雅 2000‑2017 年冰川厚度变化数据集覆盖区，两套结果的年均变化率差异仅 0.008 ± 0.002 米/年；在祁连山六条典型冰川上，交叉点推算的年变化速率也落在既有研究的误差范围内。在湖泊方面，针对苏干湖、色林错、纳木错等 6 个湖泊的 11 组不同时间间隔，交叉点方法与多卫星湖面水位数据的相关系数达到 0.85，RMSE 为 0.17 米，并未因湖冰覆盖而显著降低精度。

应用前景

研究团队认为，细尺度且覆盖全域的高程差数据将为高原冻土监测、冰川-水文耦合模拟、湖泊水量变化评估乃至机器学习地表演变模型提供关键校准点。例如，通过沿青藏铁路提取多时相交叉点，可追踪活动层沉降并及早识别潜在路基风险；在高山流域，交叉点序列能补足小冰川内部变化信息，提高融水径流预报的可靠性。

ICESat-2 交叉点数据为高空间分辨率地表高程变化研究提供了更精细的数据源。数据集（CSV 与 SHP 格式）及全部处理脚本已在国家青藏高原科学数据中心和 GitHub 开源，并计划随卫星新周期持续更新。

论文信息

Chen, T., Wang, J., Che, T., Hao, X., & Li, H^*. (2024). High spatial resolution elevation change dataset derived from ICESat-2 crossover points on the Tibetan Plateau. Scientific Data, 11(1), 394. https://doi.org/10.1038/s41597-024-03214-2