水库沉积物沉积：行为分析及分布预测建模

《Hydrological Sciences Journal》：Reservoir sediment deposition: behaviour analysis and distribution predictive modelling

长期沉积分布规律与线性回归趋势模型优化研究，采用参数和非参数方法验证了5%显著性水平下多水库沉积趋势的一致性，高Hurst系数揭示了时间持续性特征。LRTM模型在Nash-Sutcliffe效率0.99-1.00的优异表现下，通过双层次框架整合回归诊断、敏感性分析和地形协调度指标，有效解决了参数不确定性带来的建模局限，实现了不同敏感性区域的沉积分布预测精度提升。

　　

摘要

通过使用参数和非参数方法，在5%的显著性水平上发现了各个水库之间一致的沉积趋势，这一趋势得到了较高的赫斯特系数（Hurst coefficients）的支持，表明沉积过程具有长期的时间持续性。这些发现为构建一个用于沉积物分布预测的时空框架下的线性回归趋势模型（Linear Regression Trend Model，LRTM）提供了依据。该模型在各个水库中的拟合效果均十分良好，能够准确模拟自然沉积行为，其Nash–Sutcliffe效率在0.99至1.00之间，估计标准误差为1.53至19.20，相对误差在-0.35%到3.52%之间，表现优于基准方法（如经验面积缩减法（Empirical Area Reduction）和面积增量法（Area Increment）。为了解决参数不确定性对沉积建模的影响，研究人员开发了一个双层框架，该框架整合了回归诊断分析、基于扰动的敏感性分析以及与地形高度相关的连贯性指标。该框架应用于不同敏感性特征的水库后，发现沉积过程的持续性与其诊断权重之间存在反比关系。这种对连贯性敏感的扩展机制提高了分类精度和预测准确性，为不同类型水库的长期沉积物预测提供了一种可扩展且具有实证依据的工具。