我室郝永红教授课题组在岩溶泉流量跨泉域与跨阶段知识迁移研究方面取得新进展,为变化环境下岩溶地下水动态预测提供了新思路。相关研究成果以“A continual learning framework for karst spring discharge forecasting: Cross-spring and cross-stage knowledge transfer”为题,发表于《Journal of Hydrology》。该研究由天津师范大学、华北水利水电大学和美国亚利桑那大学单位的科研人员合作完成。
岩溶含水层具有显著的空间非均质性,其水文过程受气候变化和人类活动等因素影响,补给与排泄关系随时间不断演变,传统深度学习模型难以同时实现对新水文条件的适应与历史水文知识的保留。为此,本研究以海河流域上游的娘子关泉、神头泉和辛安泉为研究对象,在时空融合图神经网络(TSF-GNN)的基础上,引入分布漂移检测、历史样本回放和弹性权重巩固(EWC)机制,构建了岩溶泉流量持续学习预测框架。研究表明,该框架在跨泉域与跨阶段学习任务中均表现出较好的预测能力,实现了历史水文知识的跨泉域空间迁移、跨阶段时间动态更新。进一步发现,不同雨量站的降水分布变化具有明显的空间差异,记忆回放机制倾向于保留枯季及低流量时期的水文信息,为理解岩溶地下水系统的知识迁移与保留机制提供了新视角(图1)。

图1. 岩溶泉流量时空知识迁移持续学习框架。
天津师范大学郝永红教授为通讯作者,我校博士研究生郝慧清为第一作者。研究得到国家自然科学基金项目(42577059、U2244214、42072277等)支持。
论文链接:https://doi.org/10.1016/j.jhydrol.2026.136810