.TRS_Editor P{margin-top:0px;margin-bottom:15px;line-height:2;font-family:微软雅黑;font-size:12pt;}.TRS_Editor DIV{margin-top:0px;margin-bottom:15px;line-height:2;font-family:微软雅黑;font-size:12pt;}.TRS_Editor TD{margin-top:0px;margin-bottom:15px;line-height:2;font-family:微软雅黑;font-size:12pt;}.TRS_Editor TH{margin-top:0px;margin-bottom:15px;line-height:2;font-family:微软雅黑;font-size:12pt;}.TRS_Editor SPAN{margin-top:0px;margin-bottom:15px;line-height:2;font-family:微软雅黑;font-size:12pt;}.TRS_Editor FONT{margin-top:0px;margin-bottom:15px;line-height:2;font-family:微软雅黑;font-size:12pt;}.TRS_Editor UL{margin-top:0px;margin-bottom:15px;line-height:2;font-family:微软雅黑;font-size:12pt;}.TRS_Editor LI{margin-top:0px;margin-bottom:15px;line-height:2;font-family:微软雅黑;font-size:12pt;}.TRS_Editor A{margin-top:0px;margin-bottom:15px;line-height:2;font-family:微软雅黑;font-size:12pt;}.TRS_Editor P{margin-top:0px;margin-bottom:15px;line-height:2;font-family:微软雅黑;font-size:12pt;}.TRS_Editor DIV{margin-top:0px;margin-bottom:15px;line-height:2;font-family:微软雅黑;font-size:12pt;}.TRS_Editor TD{margin-top:0px;margin-bottom:15px;line-height:2;font-family:微软雅黑;font-size:12pt;}.TRS_Editor TH{margin-top:0px;margin-bottom:15px;line-height:2;font-family:微软雅黑;font-size:12pt;}.TRS_Editor SPAN{margin-top:0px;margin-bottom:15px;line-height:2;font-family:微软雅黑;font-size:12pt;}.TRS_Editor FONT{margin-top:0px;margin-bottom:15px;line-height:2;font-family:微软雅黑;font-size:12pt;}.TRS_Editor UL{margin-top:0px;margin-bottom:15px;line-height:2;font-family:微软雅黑;font-size:12pt;}.TRS_Editor LI{margin-top:0px;margin-bottom:15px;line-height:2;font-family:微软雅黑;font-size:12pt;}.TRS_Editor A{margin-top:0px;margin-bottom:15px;line-height:2;font-family:微软雅黑;font-size:12pt;}中亚天山高海拔地区的复杂地形和恶劣天气条件以及稀少的水文气象站点分布，导致该地区气象和水文观测数据缺乏。而传统的基于物理过程的水文模型需要大量的观测数据来校准空间参数，使得高山区分布式水文模拟颇为困难。机器学习方法（LSTM）由于非线性拟合能力强大而逐渐被应用于水文建模。这种方法能分析输入和输出数据之间的关系，为流量模拟提供了新策略。中国科学院新疆生态与地理研究所荒漠与绿洲生态国家重点实验室研究员陈亚宁团队对比分析了四种机器学习模型与两种水文模型在天山开都河流域日流量和极端流量模拟方面的准确性和适用性，以期为资料稀缺的高山流域的水文过程模拟提供新方案。研究表明：在模拟日流量方面，LSTM比SWAT和SWAT-Glacier的模拟性能更佳，Kling-Gupta效率系数（KGE）分别为0.92、0.82和0.80。同时，SVR，XGBoost和RF也取得了令人满意的模拟性能，KGE分别为0.67、0.71和0.70。LSTM、SWAT和SWAT-Glacier能够很好地模拟年峰流（即年最大1天流量和年最大5天流量），但未能很好地模拟年最小7天流量（PBIAS超过28%）。此外，所有模型均未能模拟出峰值和低值流量的出现日期。相比于使用均方误差作为损失函数，在LSTM中使用分位数损失函数显著改善了模型模拟低值流量的能力。总体而言，对于数据稀缺的流域，LSTM可以是模拟日流量和极端流量的很好的替代方法。相关研究成果以Machine learning method is an alternative for the hydrological model in an alpine catchment in the Tianshan region, Central Asia为题，发表在Journal of Hydrology: Regional Studies上。研究工作得到国家自然科学基金和中国科学院“西部之光”人才培养计划“西部青年学者”项目的支持。论文链接 图1. 四种机器学习模型的结构图图2. 六种模型在测试期的观测日流量与模拟日流量的散点图