基于XGBoost与SWAT径流模拟对比及校正研究

摘 要：径流模拟一直是水文科学的研究热点，对水资源研究具有重要指导意义。基于极限梯度提升算法（XGBoost）和SWAT（Soil and Water Assessment Tool）模型，采用赣江流域外洲水文站的观测水文数据，构建径流模拟模型，对比及分析两个模型的模拟效果。同时，基于XGBoost模型，采用残差校正方法对SWAT模型径流模拟结果进行校正，结果表明：①XGBoost模型的模拟效果较好，XGBoost模型日径流模拟的纳什效率系数（NSE）比SWAT模型高15. 66%；②SWAT模型在高流量处存在低估的情况，而XGBoost模型模拟值与观测值变化基本一致，模拟过程线拟合度较高，表现出良好的相关性；③经XGBoost校正后的SWAT模型模拟精度明显提高，可有效改善径流模拟效果。当采用残差误差校正后，径流模拟的NSE值可达0. 96，增加了15. 66%。

关键词：XGBoost；SWAT；径流模拟；误差校正

中图分类号：TV121 文献标识码：A 文章编号：1001-9235（2025）01-0050-09

Comparison and Correction of Runoff Simulation Based on XGBoost and SWAT

LIANG Lisha， JIANG Xiaolei， HU Leyi， SHEN Jing， ZHANG Liping， FU Xiaolei*（College of Hydraulic Science and Engineering， Yangzhou University， Yangzhou 225009， China）

Abstract： Runoff simulation has always been a research hotspot in hydrological science， which has important guiding significance for water resources research. Based on the extreme gradient boosting （XGBoost） algorithm and soil and water assessment tool （SWAT） model， a runoff simulation model was constructed by using the observed hydrological data of Waizhou hydrological station in Ganjiang River Basin， and the simulation effects of the two models were compared. Meanwhile， based on the XGBoost model， the residual correction method was used to correct the runoff simulation results of the SWAT model. The results show that： ① The simulation effect of the XGBoost model is good， and the Nash-Sutcliffe efficiency （NSE） of daily runoff simulation of the XGBoost model is 15. 66% higher than that of the SWAT model. ② The SWAT model is underestimated at high flow rates， while the XGBoost model results in basically consistent simulation values and observed values， and the simulated hydrograph has a high degree of fitting， showing a good correlation. ③ After XGBoost correction， the simulation accuracy of the SWAT model is obviously improved， which can effectively improve the runoff simulation effect. When the residual error is corrected， the NSE value of runoff simulation can reach 0. 96， an increase of 15. 66%.

Keywords： XGBoost; SWAT; runoff simulation; error correction

径流模拟和预测在防治水旱灾害、合理利用和调配水资源中具有重要意义［1］。由于日径流的变化与人类活动、水汽压力、降雨、潜在蒸散发、冰冻圈动态、土壤湿度、气候变化等因子相关［2］，且时序数据呈现随机性和不确定性的特征，为径流模拟带来诸多挑战。水文模型的参数复杂多样，增加了径流模拟的难度［3］。因此，如何构建高效的水文模拟模型，提高径流模拟精度，是当今研究的热点问题［4］。现有可用于径流模拟的模型，大致可分为数据驱动模型和过程驱动模型两大类。其中，数据驱动模型直接建立输出输入数据之间的最佳数学关系，基本不考虑水文过程中的物理机制；过程驱动模型则是以水文学概念为基础，对河道演进过程和产流过程进行模拟，从而进行径流过程模拟的模型［5-6］。

新安江模型［7］、SWAT模型［8］、VIC模型［9］等过程驱动模型在径流模拟中应用较多。由于SWAT具有计算效率高，能模拟并可视化流域复杂的水文过程等优点，所以在径流模拟中进行了广泛应用［10-12］。如杨娟［13］采用AnnAGNPS模型与SWAT模型，以岔口流域为研究区，构建合适的数据库，在输入参数、算法、应用效果以及结构等方面对2个模型进行对比，研究结果表明SWAT模型中土壤饱和导水率与径流曲线数对径流有着显著性的影响，参数的不同变化水平可能会引起径流和参数的相关性变化。

Revathi等［14］采用SWAT模型，以诺伊尔河（Noyyal River）流域为研究对象，通过流域划分过程，划分出21个子流域，并进一步细分成217个独特的水文响应单元，进行径流预测，研究结果展示了径流量随着时间的波动程度。Sheng等［15］认识到原始SWAT模型中蓄水池模块的局限性，提出一种基于调度函数的改进模块来优化径流模拟，结果表明改进后的SWAT模型在径流模拟方面优于原模型。Xu等［16］采用双累积曲线（Double Mass Curve，DMC）和修正的双累积曲线（Modified Double Mass Curve，MDMC）2种经验方法、基于Budyko的方法和SWAT模型，以渭河流域为研究对象，评估气候变化和人类活动对研究流域径流减少的影响，结果表明人类活动是径流减少的首要驱动因素。

近年来，随着人工智能的迅速发展，国内外学者开始探索采用机器学习模拟径流［17］，并受到了广泛的关注。XGBoost等集成学习作为机器学习的一个分支，泛化性强、运算高效［18］。如程潇［19］构建随机森林模型、梯度提升决策树模型、XGBoost模型和轻梯度提升机模型4种单一模型和分解-集成预报模型，以黄河流域为研究对象，进行中长期径流预报，结果表明分解-集成预报模型相较于单一集成学习模型，能更准确进行径流预报。Kumar等［20］采用双向长短期记忆网络、小波神经网络和XGBoost方法利用日降雨、蒸发、径流因子对下戈达瓦里盆地（Lower Godavari Basin）进行径流预测，发现XGBoost比小波神经网络和双向长短期记忆网络表现更好。Robert［21］采用XGBoost、LightGBM和CatBoost3种梯度提升模型预测山区流域的日径流，指出3种算法在Python中实现简单，速度快，鲁棒性强，并且通过优化超参数，LightGBM得到了最佳的预测结果。Hao等［22］分别采用支持向量回归、XGBoost和长短期记忆神经网络3种机器学习方法对山区流域日径流进行模拟，结果表明XGBoost在枯水期表现出相对较高的性能。

然而，仅仅依靠单一的模型存在一定的局限性［23］。考虑不同模拟方法的优点，研究者们逐步采用多模型耦合及校正的方法模拟径流［24］。如王随玲［25］采用长短期记忆神经网络模型、高斯过程回归模型、支持向量机回归模型，划分不同情景来预测及校正径流，结果表明情景划分越精细，校正结果越好。Tan等［26］将自适应集合经验模态分解-人工神经网络（AEEMD-ANN）模型应用于月径流预测，结果表明，AEEMD-ANN在汛期的预报精度较高。Zhang等［27］提出集合经验模态分解-Elman神经网络模型（EEMD-ENN），对洞庭湖流域的5个水文站年径流量时间序列进行研究，表明EEMD-ENN模型优于反向传播神经网络（Back Propagation，BP）、EEMD-BP或ENN模型，并显著提升了年径流预测的效果。李志超等［28］采用ARAutoregressive Model，自回归）和LSTM（Long Short-Term Memory）建立误差校正模型，对黄河中游青阳岔流域和长江中游寿溪流域进行洪水流量预报，结果表明，校正后的蓄满-超渗兼容模型效果优于其他单一模型。尽管耦合多个数据驱动模型后的模拟精度得到提高，并且相关研究较多，但其缺乏物理可解释性，而物理驱动模型的精度受模型概化、参数不确定性等的影响。刘伟等［6］在三峡库区大宁河流域，采用SUFI-2和GLUE方法对SWAT模型进行校正，结果表明，SUFI-2方法能够取得更优的拟合效果。然而，SWAT模型目前主要是参数校正，径流模拟精度仍有待提升。因此，本研究通过采用残差校正方法进一步提高模型的模拟精度。该方法与以往校正方法不同的是：残差校正是在现有模型的基础上进行的校正，能够保持原有模型的透明性和可解释性。同时，残差校正不会增加SWAT模型的复杂度。鉴于XGBoost模型的高效性，本研究采用XGBoost模型来校正SWAT模型的模拟结果。此研究可以为提高径流模拟精度和科学解释性提供一定的参考。

赣江作为鄱阳湖水系重要的组成部分，准确地模拟该流域的径流过程对鄱阳湖流域的水资源利用及管理都具有重要意义。因此，本文以赣江流域为研究对象，采用外洲水文站点日径流及气象数据，分别建立SWAT模型与XGBoost模型进行径流模拟，对比分析两种模型在日径流模拟过程中的应用效果。在此基础上，将SWAT模型和XGBoost模型结合，提出XGBoost残差校正方法，构建基于XGBoost模型的SWAT残差校正模型，实现高效且精确的径流模拟。

1 研究区域及数据资料

1. 1 研究区域概况

赣江作为长江的第七大支流，同时也是江西第一长的河流［29］，外洲站以上流域总控制面积约为80 948 km2。赣江流域主要为亚热带湿润季风气候，降雨量充足，地形差异大，下游多沙洲，江面宽阔，在两岸建设有防洪堤，中流流经丘陵地带，上游多为峡谷及山地［30］。赣江不仅是江西省的水运大动脉，对当地的农业灌溉、水力发电、生活用水、及生态保护等方面都有着重要作用［31-32］。外洲站为赣江流域出口水文站［33］，本文选取外洲站的控制区域为研究对象，进行径流模拟研究［34-36］。赣江流域外洲控制站以上的流域内存在多个控制性水利工程，如峡江水利枢纽工程、万安水电厂等。这些水利工程能够调节洪水和枯水期的水量，增加枯水期的最小流量，减少洪水峰值流量。赣江流域地理位置图见图1。

1. 2 数据资料

本文采用1 km空间分辨率的土壤数据以及土地利用数据（数据分别来自世界土壤数据库和中国科学院资源环境科学数据中心（https：//www. resdc.cn），外洲站1990—2013年逐日径流量观测数据（数据来自水文站），1990—2013年降雨、相对湿度、太阳辐射、风速和温度气象观测数据（数据来自气象站），90 m空间分辨率的DEM数据（数据来自地理空间数据云（https：//www. gscloud. cn）。其中，XGBoost模型选用1990—2006年日径流观测数据作为训练期，2007—2013年日径流量数据作为验证期进行径流模拟。SWAT模型选取1990—1991年作为预热期，1992—2006年作为率定期，2007—2013年作为验证期进行径流模拟。

1. 3 评价指标

本文采用皮尔逊相关系数（CC）、纳什效率系数（NSE）、平均绝对误差（MAE）来对比SWAT模型和XGBoost模型日径流模拟效果。NSE值越接近1，MAE值越小，CC绝对值越大，表明模型模拟精度越高。残差校正结果选用残差绝对值的均值（式4）以及方差（式6）作为评价指标。其具体计算公式见式（1）—（7）。

式中：Qobs，i为第i天的径流观测值，m3/s；Qsim，i为第i天的径流模拟值，m3/s；Qˉobs为径流观测平均值，m3/s；Qˉsim为径流模拟平均值，m3/s；E（i）为残差，m3/s；yˉ为残差绝对值的均值，m3/s；d为残差校正结果的绝对值的方差。

P= 1 -A（t|v）（7）

式中：A（t|v）=

x）2 - 1

dx，并且规定A（0|v） = 0，A（∞|v） = 1，统计量P值的值域为［0，1］。当P足够小时，如小于0. 05，则拒绝原假设，接受备择假设；反之则接受原假设。

2 研究方法

2. 1 XGBoost模型

机器学习中的集成学习是结合基学习器［37］的一种强学习器，从而可以生成更优的模拟结果。基学习器的分类精准率略高于50%，优于随机猜测效果。目前，集成学习主要有3种结合基学习器的算法：Stacking、Boosting、Bagging［38］。其中，Boosting算法通过迭代次数的增加将基学习器转化为强学习器，凭借强大的算法特点和理论基础，拥有良好的模拟性能［39］。Boosting算法的原理为阶梯状训练，基模型的训练集采用某种策略每次进行一定转化，将所有基模型预测结果进行线性综合，最终得出预测结果［40-41］。本文采用由Chen等［42］提出的基于Boosting算法的XGBoost模型，该模型是一种改进的梯度增强决策树算法（Gradient Boosting Decision Tree，GBDT），不仅提升了模拟的准确性，而且还大大提升了模拟效率。与GBDT相比，XGBoost使用二阶泰勒展开进行，并在下一次选代中同时考虑了一阶导数和二阶导数加快收敛，提高了模拟精度［43］。此外，XGBoost作为1个集成学习算法，不仅是大规模并行集成决策树的工具，而且是目前最快最好的集成决策树算法［44］。该算法由多个相关联的决策树联合决策，即下一棵决策树输入样本会与前面决策树的训练和预测结果相关。XGBoost模型训练开始时决策树个数是0，随着训练迭代加入决策树，即加入决策函数［43，45-46］。其模拟模型可表示为式（8）：

式中：Y为多棵决策树迭代后的输出值；fk（x）为第k棵数对个体数据X的模拟输出值；K为树的总个数。目标函数可表示为式（9）：

式中：l为模型的损失函数；Qobs，i为第i个样本的观测值；n为总样本数；Ω（fk）为第k棵树复杂度的正则化项，防止模型过拟合。为了提升模型的运算效率同时减少由于权重带来的影响，使用mapminmax函数对训练集和验证集的数据进行归一化，使所有特征值映射到［0，1］区间，这是机器学习中常见的预处理步骤，有助于算法更好地收敛［47］。

2. 2 SWAT模型

SWAT模型是美国农业部研发的1个具有很强物理机制的半分布式水文模型［48］。SWAT模型能够利用地理信息系统和遥感提供的空间信息，以流域尺度为对象进行模拟，研究流域内土地利用方式和土壤类型的空间分布等下垫面因素变化对流域的水循环影响［49］；模型包含水文、植被生长、气象、泥沙输移等模块，本文主要采用水文模块［50］。其水量平衡方程如下：

式中：SWt为第t天的土壤含水量，mm；SW0为第i天的初始土壤含水量，mm；Rday，i为第i天的降水量，mm；Qsurf，i为第i天的地面径流量，mm；Ea，i为第i天的蒸散发损失量，mm；Wseep，i为第i天土壤剖面的渗透量，mm；Qgw，i为第i天的回归流的水量，mm。

由于SWAT模型参数较多，因此参数的合理取值非常关键［51］，本文择优选取29个与径流相关的参数，运用SWAT-CUP软件里的SUFI-2算法，得到各参数最优值，以提高模型的模拟效率［52-54］。

3 结果对比及分析

3. 1 SWAT模型与XGBoost模型结果对比及分析

根据流域的实际水系资料，将赣江流域划分为33个子流域，选取10%为阈值对空间数据进行叠加分析以减小小尺度的地貌模块对模型的影响，构建SWAT模型进行日径流模拟。采用SWAT-CUP软件里的SUFI-2算法对29个水文参数进行参数率定，率定结果见表1。SWAT模型在日径流模拟过程中，验证期的NSE值为0. 83，而XGBoost模型验证期的NSE值为0. 96。图2描述了验证期日径流模拟结果的时间序列对比结果。由观测流量可知，外洲站2010年6月出现较高峰值。经查证，2010年6月赣江流域出现了1次罕见的持续性暴雨过程，洪水频率为50年一遇，最大洪峰流量达21 500 m3/s，是外洲站1990—2013年间记录中最大的洪峰流量［55］。

从模拟结果来看，2个模型模拟值与观测值变化趋势基本一致，表明SWAT模型和XGBoost模型在赣江流域径流模拟方面有较好的适用性。二者在模拟最大洪峰时（2010年）均存在明显低估现象。对于SWAT模型，除2010年的最大洪峰外，该模型在低流量的模拟中效果较好，但在高流量的模拟中效果较差，存在低估的情况。可能是由于模型输入序列的长度影响以及人类影响因素，如灌溉回渗。相比于SWAT模型，XGBoost模型在低流量和高流量模拟效果均具有明显提升。

为了更直观对比模型模拟径流的结果，图3给出了基于验证期NSE值、CC值与MAE值的雷达图。从图中可以看到，SWAT模型的MAE值较大，表明模拟值和观测值之间的误差较大；SWAT和XGBoost验证期的NSE值均达到0. 80以上，表明2个模型的模拟精度较高；SWAT和XGBoost验证期的CC值均达到0. 90以上，说明2个模型的径流模拟结果与观测值的相关性较高。另外，XGBoost模型所围面积较SWAT模型大，说明XGBoost模型日径流模拟性能更好［56］。具体表现为XGBoost模型的MAE值比SWAT模型低68. 49%，XGBoost模型的CC值、NSE值和分别比SWAT模型高6. 52%、15. 66%。

虽然XGBoost模型的模拟精度较高，但是由于该模型完全基于输入值与输出值的数理关系，缺乏物理解释意义，无法真实体现如水量平衡等复杂的水文现象，且需要大量的数据进行学习训练。SWAT模型是具有物理机制的过程模型，在观测数据匮乏的研究区域也能运行。同时，模型可移植性强，能够在具有类似条件的其他流域推广应用。但是SWAT模型径流模拟过程参数较多，率定复杂，其模拟精度有限。

3. 2 校正前后SWAT模型结果对比及分析

为了耦合XGBoost模型和SWAT模型的优点，本文采用XGBoost模型对SWAT模型进行残差校正。基于观测径流数据和SWAT模拟径流推求出残差，之后利用XGBoost模型对此残差进行预测，采用预测的残差校正径流。为了更好地表现校正后径流模拟的效果，将校正前后的残差进行绝对值处理后再求平均值和方差，结果见表2。由表2可知，XGBoost模型校正后的残差绝对值的均值为210. 21 m3/s，较校正前减小了62. 54%。从方差来看，XGBoost模型校正后的方差减小了72. 92%。校正后残差的离散程度明显缩小，稳定性增强。校正后径流模拟的NSE值与XGBoost模型相等，均为0. 96，比校正前增加了15. 66%，说明SWAT模型经XGBoost校正后，模拟效果得到明显改善。

图4给出了校正前后的残差箱线图。从图中可以看出，校正前残差须触线范围为-1 000. 00～1 259. 00 m3/s，校正后残差须触线范围为-407. 92～388. 93 m3/s，说明校正后的非异常值范围更小。另外，校正后的箱体较窄（-109～91 m3/s），表明数据集中度较高，其中位数更接近0（11. 64 m3/s），模拟效果更好。但是校正后异常高（低）的残差值的范围相较于校正前并无明显缩小，仅降低了残差均值。校正后的残差在最大误差值相较于校正前仅减小了0. 95%。经调查发现，残差大于4 000 m3/s数据均来自2010年6月，而2010年是本研究时间段内径流最大值出现的年份。这可能是由于大流量数据相对较少，导致XGBoost在训练期对大流量的学习效果较差，以至于XGBoost对大流量的校正效果较差。从图5也可以看出，相比于SWAT模拟流量，经过XGBoost校正后的流量整体上更加接近于观测值，且SWAT模型对高流量明显低估。

校正前误差较大的原因可能是由于：一是模型存在较高的参数不确定性、输入不确定性、模型结构不确定性等，导致模型的模拟精度不高；二是气候因素和流域下垫面因素如人类活动影响及地理因素的多变性，致使流域产汇流过程复杂，影响了SWAT模型的模拟效果。而XGBoost模型具有灵活性以及较强的非线性关系捕捉能力，在径流模拟过程中表现出较好的鲁棒性和泛化能力。另外，XGBoost模型不考虑输入参数结构误差，可以降低人的主观判断影响。综上，XGBoost模型有效改善了SWAT模型的模拟效果，提高了模型的模拟精度。

4 结论

本文以赣江流域为研究对象，对比分析XGBoost和SWAT在该流域的日径流模拟效果，并采用XGBoost对SWAT模型进行残差校正，改进SWAT模型日径流模拟结果，主要结论如下。

a））日径流模拟过程中，XGBoost模型和SWAT模型NSE值均达到0. 80以上，模拟效果较好。

b））XGBoost模型和SWAT模型的模拟值与观测值变化基本一致，模拟结果与观测结果相关性较高。但SWAT模型在模拟高流量时存在流量低估的情况，XGBoost模型在低流量和高流量模拟效果均较好。

c））经XGBoost残差校正后的SWAT模型在赣江流域的模拟效果得到有效提升，校正后的NSE值增加15. 66%，绝对误差均值减小了62. 54%，方差减小了72. 92%。

因此，利用XGBoost可实现对SWAT模型预报误差的精准预测，有效改善SWAT模型的模拟结果，提高模型的模拟精度。

参考文献：

［1］石红燕. 基于SLURP水文模型的干旱区域水文模拟与预报影响因素研究［J］. 水利科技与经济，2024，30（6）：68-73.

［2］张科峰，王娟，魏苗. 基于非平稳贝叶斯网络模型的月径流预报模拟研究［J］. 中国农村水利水电，2024（11）：54-61，70.

［3］董欣林，崔东文. 基于WPT-ITTA-RELM/ELM/LSSVM模型的日径流预测研究［J］. 三峡大学学报（自然科学版），2024，46（4）：16-24.

［4］张梦凡，丁兵兵，贾国栋，等. 基于TCN-BiLSTM与LSTM模型对比预测北洛河径流［J］. 北京林业大学学报，2024，46（4）：141-148.

［5］王文，马骏. 若干水文预报方法综述［J］. 水利水电科技进展，2005（1）：56-60.

［6］刘伟，安伟，马金锋. SWAT模型径流模拟的校正与不确定性分析［J］. 人民长江，2016，47（15）：30-35，62.

［7］张白，彭豪，赵永俊. 基于新安江模型的潢河流域径流模拟分析研究［J］. 治淮，2024（6）：7-8，16.

［8］郑莉萍. 基于SWAT模型的璧南河流域径流模拟及分析［D］."重庆：重庆师范大学，2023.

［9］张珂，戴钰，刘林鑫，等. 考虑植被根系深度动态变化的VIC径流模拟模型［J］. 水资源保护，2024，40（3）：28-34，51.

［10］肖豪，周春辉，尚艳丽，等. 基于SWAT与新安江模型的闽江建阳流域径流模拟研究［J］. 水力发电，2022，48（10）：19-25.

［11］张上要，宋雄，顷宏利，等.基于VIF-GBRT-MC模型的日径流预测［J］.中国农村水利水电，2024（9）：204-210.

［12］黄一凡，张翔，邓梁堃，等. 基于机器学习的汉江流域径流模拟与时滞变化分析［J］. 水资源保护，2024，40（6）：173-180.

［13］杨娟. AnnAGNPS与SWAT模型在黄土丘陵沟壑区的应用比较［D］. 太原：山西农业大学，2022.

［14］REVATHI R A， SELVAKUMAR S， RAVIKUMAR V， et al. Estimation of Runoff by SWAT Model in Noyyal River Basin［J］. International Journal of Environment and Climate Change， 2023，"13（10）： 3672-3679.

［15］SHENG S， CHEN Q H， LI J J， et al. The Improved Reservoir Module of SWAT Model with a Dispatch Function and Its Application on Assessing the Impact of Climate Change and Human Activities on Runoff Change［J］. Water， 2023， 15（14）.DOI：10. 3390/w15142620.

［16］XU R R， QIU D X， WU C X， et al. Quantifying climate and anthropogenic impacts on runoff using the SWAT model， a Budyko-based approach and empirical methods［J］. Hydrological"Sciences Journal， 2023， 68（10）： 1358-1371.

［17］邹红梅，朱成涛.基于LSTM和BP神经网络的水库入库径流中长期预测比较研究［J］.水文，2024，44（4）：27-31，37.

［18］刘光明. 基于时频分解和集成学习模型的岩溶区流域中长期径流预测研究［D］. 南宁：广西大学，2023.

［19］程潇. 基于集成学习算法的黄河流域中长期径流预报［D］. 杨凌：西北农林科技大学，2023.

［20］KUMAR V R， RAHUL M B， SRINIVASA R K. Machine learning algorithms for streamflow forecasting of Lower Godavari"Basin［J］. H2Open Journal， 2022， 5（4）： 670-685.

［21］ROBERT S. Daily Streamflow Forecasting in Mountainous Catchment Using XGBoost， LightGBM and CatBoost［J］."Hydrology， 2022， 9（12）. DOI：10. 3390/hydrology9120226.

［22］HAO R N， BAI Z X. Comparative Study for Daily Streamflow"Simulation with Different Machine Learning Methods［J］. Water，"2023， 15（6）. DOI：10. 3390/w15061179.

［23］王莉芳. 基于误差修正和人工智能耦合的径流模拟研究［D］."郑州：华北水利水电大学，2023.

［24］SONG P B， LIU W F， SUN J H， et al. Annual Runoff Forecasting Based on Multi-Model Information Fusion and Residual Error Correction in the Ganjiang River Basin［J］. Water，"2020， 12（8）. DOI：10. 3390/w12082086.

［25］王随玲. 多情景耦合的径流预报精细化校正方法研究［D］. 武汉：华中科技大学，2022.

［26］TAN Q F， LEI X H， WANG X， et al. An adaptive middle and long-term runoff forecast model using EEMD-ANN hybrid"approach［J］. Journal of Hydrology， 2018，567：767-780.

［27］ZHANG X K， ZHANG Q W， ZHANG G ， et al. A Hybrid Model for Annual Runoff Time Series Forecasting Using Elman Neural Network with Ensemble Empirical Mode Decomposition［J］."Water， 2018， 10（4）. DOI：10. 3390/w10040416.

［28］李志超，邬强，胡彩虹，等. 基于LSTM误差校正蓄满-超渗兼容模型的山洪预报研究［J］. 武汉大学学报（工学版），2023，56（10）：1161-1171.

［29］胡乐怡，蒋晓蕾，周嘉慧，等. 考虑记忆时间的LSTM模型在赣江流域径流预报中的应用［J］. 湖泊科学，2024，36（4）：1241-1252.

［30］钟奇，付晓雷，蒋晓蕾，等. 基于分布式时变增益水文模型和CN05. 1降水数据的赣江流域径流模拟研究［J］. 人民珠江，2024，45（3）：18-29，108.

［31］陈妍. 渭河下游径流预报模型及实时校正方法研究［D］. 南京：河海大学，2007.

［32］江楠，倪福全，邓玉，等. 基于CMIP6的岷沱江流域径流预估［J］. 水生态学杂志，1-13［2024-07-19］. DOI：10. 15928/j.1674-3075. 202309220262.

［33］邹佳成，黄监初，杨丽琳，等. 耦合新安江模型与LSTM模型的赣江流域径流模拟研究［J］. 水电能源科学，2024（7）：12-15.

［34］DENG C，WANG W G. Runoff Predicting and Variation Analysis in Upper Ganjiang Basin under Projected Climate Changes［J］."Sustainability， 2019， 11（21）. DOI：10. 3390/su11215885.

［35］唐国强，李哲，薛显武，等. 赣江流域TRMM遥感降水对地面站点观测的可替代性［J］. 水科学进展，2015，26（3）：340-346.

［36］KAN G Y，TANG G Q， YANG Y， et al. An Improved Coupled Routing and Excess Storage （CREST） Distributed Hydrological Model and Its Verification in Ganjiang River Basin， China［J］. Water， 2017， 9（11）. DOI：10. 3390/w9110904.

［37］王治林. 水文集成预报模拟研究［D］. 徐州：中国矿业大学，"2022.

［38］李云伟. 基于集成学习的径流时间序列预测研究及应用［D］."成都：电子科技大学，2021.

［39］徐继伟，杨云. 集成学习方法：研究综述［J］. 云南大学学报（自然科学版），2018，40（6）：1082-1092.

［40］于玲，吴铁军. 集成学习：Boosting算法综述［J］. 模式识别与人工智能，2004，17（1）：52-59.

［41］景鑫. 基于多因子驱动和机器学习的日径流预测模型研究［D］.西安：西安理工大学，2024.

［42］CHEN T Q， GUESTRIN C. XGBoost：A Scalable Tree Boosting System.［C］//Proceedings of the 2nd ACM SIGKDD Internatimal"Conference on Knowledge Discovery and Data Mining，2016.

［43］史剑伟，江时俊，刘启兴. 基于LSTM和XGBoost算法的径流预测模型研究［J］. 治淮，2020（8）：29-31.

［44］李光环，杨小天，刘训钊. XGBoost与GRU模型在发电功率预测中的应用［J］. 福建电脑，2024，40（6）：21-26.

［45］钱玉霞，陈伏龙，何朝飞，等.“ 分解-校正-集成”模式下基于深度信念网络模型的径流预测［J］. 长江科学院院报，2024，41（5）：35-44.

［46］李蕾. 基于EEMD-Xgboost组合模型的渭北流域月径流序列模拟研究［J］. 水电能源科学，2022，40（5）：22-25.

［47］白雪. 基于时间序列模型和XGBoost组合的气温预测与高温热浪预警分析［D］. 南京：南京信息工程大学，2022.

［48］刘兆峰，王建萍，韩进军，等. 基于SWAT模型的那棱格勒河流域径流模拟及水量平衡分析［J］. 盐湖研究，2024，32（1）：48-56.

［49］吴春蕾，马友华，李英杰，等. SWAT模型在巢湖流域农业面源污染研究中应用前景与方法［J］. 中国农学通报，2010，26（18）：324-328.

［50］肖豪，瞿思敏，张旭旻，等. 系统微分响应修正在SWAT模型径流模拟的应用［J］. 水文，2024，44（6）：22-28，37.

［51］李慧，靳晟，雷晓云，等. SWAT模型参数敏感性分析与自动率定的重要性研究：以玛纳斯河径流模拟为例［J］. 水资源与水工程学报，2010，21（1）：79-82.

［52］杨智勇，牛健植，樊登星，等. 基于SWAT和PLUS模型的窟野河流域径流对土地利用变化的响应及预测［J］. 水土保持学报，2024，38（1）：289-299.

［53］易磊，陈富洪，韩积斌，等. 基于SWAT模型的格尔木河上游分布式水文模拟和径流预测［J］. 盐湖研究，2024，32（3）：1-10.

［54］孙瑞，张雪芹. 基于SWAT模型的流域径流模拟研究进展［J］."水文，2010，30（3）：28-32，47.

［55］刘博懿. 气象因子对赣江中下游流域中长期水文预报的影响分析［D］. 南昌：南昌工程学院，2018.

［56］章丽萍，蒋晓蕾，程娜，等. 基于多种水文模型结构改进新安江模型［J］. 灌溉排水学报，2024，43（2）：78-84.

（责任编辑：李燕珊）