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