Page 25 - 2025年第56卷第9期

the power of machine learning［J］ Water Resources Research，2019，55（12）：11344-11354.
.
［ 30］ NEARING G S， KRATZERT F， SAMPSON A K， et al. What role does hydrological science play in the age of
machine learning？［J］ Water Resources Research，2021，57（3）：e2020WR028091.
.
［ 31］ NEARING G，COHEN D，DUBE V，et al. Global prediction of extreme floods in ungauged watersheds［J］ Nature，
.
2024，627（8004）：559-563.
［ 32］ NAI C， LIU X， TANG Q， et al. A novel strategy for automatic selection of cross-basin data to improve local
.
machine learning-based runoff models［J］ Water Resources Research，2024，60（5）：e2023WR035051.
.
［ 33］ 张楚汉，王光谦 . 水利科学与工程前沿（上）［M］ 1 版 . 北京：科学出版社，2017.
.
［ 34］ 谢雨祚，郭生练，钟斯睿，等 . 金沙江下游梯级水库运行期设计洪水计算方法研究［J］ 水利学报，2025，56
（3）：354-363.
［ 35］ 王文川，田维璨，徐雷，等 . Mε-OIDE 求解约束优化问题算法及其在水库群防洪调度中的应用［J］ 水利学
.
报，2023，54（2）：148-158.
［ 36］ CASTELLETTI A， GALELLI S， RESTELLI M， et al. Tree-based reinforcement learning for optimal water reser⁃
voir operation［J］ Water Resources Research，2010，46（9）：W09507.
.
［ 37］ FENG S， SUN H， YAN X， et al. Dense reinforcement learning for safety validation of autonomous vehicles［J］
.
Nature，2023，615（7953）：620-627.
［ 38］ XU W， ZHANG X， PENG A， et al. Deep reinforcement learning for cascaded hydropower reservoirs considering
inflow forecasts［J］ Water Resources Management，2020，34（9）：3003-3018.
.
［ 39］ 谭乔凤，宋嘉伟，闻昕，等 . 基于 DQN 算法的水电站站内负荷优化分配研究［J］ 水利学报，2024，55（11）：
.
1345-1355.
［ 40］ 黄显峰，冉超越，周文，等 . 基于深度强化学习算法的水光互补优化调度研究［J］ 水利水电技术（中英文），
.
2025，56（4）：235-247.
［ 41］ SIDRANE C，FITZPATRICK D J，ANNEX A，et al. Machine learning for generalizable prediction of flood suscep⁃
/
tibility［C］/NeurIPS 2019. 2019.
［ 42］ KREIBICH H，Van LOON A F，SCHRÖTER K，et al. The challenge of unprecedented floods and droughts in risk
.
management［J］ Nature，2022，608（7921）：80-86.
［ 43］ MUÑOZ-SABATER J， DUTRA E， AGUSTÍ -PANAREDA A， et al. ERA5-Land： a state-of-the-art global
.
reanalysis dataset for land applications［J］ Earth System Science Data，2021，13（9）：4349-4383.
［ 44］ BECK H E，WOOD E F，PAN M，et al. MSWEP V2 Global 3-Hourly 0. 1° precipitation：methodology and quanti⁃
tative assessment［J］ Bulletin of the American Meteorological Society，2019，100（3）：473-500.
.
［ 45］ DOU Y，YE L，GUPTA H V，et al. Improved flood forecasting in basins with no precipitation stations：constrained
runoff correction using multiple satellite precipitation products［J］ Water Resources Research， 2021， 57（12）：
.
e2021WR029682.
［ 46］ DOU Y， YE L， AI J， et al. A framework for merging precipitation retrievals and gauge-based observations based
.
on a novel concept namely virtual gauges［J］ Journal of Hydrology，2023，620：129506.
［ 47］ HUFFMAN G J，BOLVIN D T，BRAITHWAITE D，et al. Integrated multi-satellite retrievals for the global precipi⁃
/

tation measurement （GPM）mission （IMERG）［M］/LEVIZZANI V，KIDD C，KIRSCHBAUM D B，et al. Satellite
Precipitation Measurement：Volume 1. Cham：Springer International Publishing，2020：343-353.
［ 48］ USHIO T，SASASHIGE K，KUBOTA T，et al. A kalman filter approach to the global satellite mapping of precipita⁃
tion （GSMaP）from combined passive microwave and infrared radiometric data［J］ Journal of the Meteorological Soci⁃
.

ety of Japan. 2009，87A：137-151.
.
［ 49］ JUNQUEIRA A M， MAO F， MENDES T S G， et al. Estimation of river flow using CubeSats remote sensing［J］
Science of The Total Environment，2021，788：147762.
［ 50］ 张艳军，罗兰，张过，等 . 水利小卫星星座总体构想［J］ 中国防汛抗旱，2022，32（11）：1-6，31.
.
［ 51］ TAURO F，SELKER J，GIESEN N VAN DE，et al. Measurements and observations in the XXI century （MOXXI）：
.
innovation and multi-disciplinarity to sense the hydrological cycle［J］ Hydrological Sciences Journal， 2018， 63
（2）：169-196.
.
［ 52］ 李国英 . 推进我国防洪安全体系和能力现代化［J］ 中国防汛抗旱，2024，34（9）：4-5.
— 1129 —