企业官网建设流程全解析

简介：这是一篇围绕桥位水文计算及辅助设计系统软件的人工智能-机器学习方向论文，适合桥梁设计、水文勘测人员及土木工程专业学生阅读。针对传统手工计算复杂、易错、效率低的问题，论文设计并验证了一套以Delphi语言开发的辅助设计系统，将水文计算参数、公式和规范集中整合，覆盖设计洪水流量、水力因素、桥孔长度、桥面高程、墩台冲刷深度及导流堤设计等关键环节。资源为单个PDF文档，大小约2.98MB，正文包含绪论、软件功能设计、系统实现与工程案例验证等完整内容。目前已有156人学习；读者可借助系统的人机交互流程、图表输出与实际算例，理解人工智能与机器学习如何辅助复杂水文计算，并为类似工程软件开发提供参考。

1. 桥位水文计算遇上机器学习：这不是赶时髦，是补短板

拿到一座中小桥的水文勘测任务，最怕的就是桥位附近没有水文站。用推理公式套，流量算出来偏高，桥孔加长，造价直接上去；算低了，汛期洪水漫桥，责任更大。我见过不少设计院现在开始把机器学习模型塞进桥位水文计算流程，目的不是替代规范，而是用历史资料学一个更贴近本地区的降雨-流量关系，把设计流量、设计水位、桥孔净长这些参数先给出一版可复核的初值，再让人工判断。你看到的这个标题，对应的就是这类系统的技术文档：人工智能做特征建模，机器学习做规律拟合，桥位水文计算和辅助设计做业务落地。我按实际搭这类系统的顺序，把切入点、数据准备、最小实现、常见坑和上线前验证讲清楚。适合正在做中小桥设计、水文资料不足，或者想给设计工具加智能化模块的工程师。

2. 机器学习介入桥位水文计算的四个切入点：流量、水位、冲刷与孔径

桥位水文计算的核心任务，一句话概括是：给定桥位断面的流域特征和暴雨条件，推算出设计流量、设计水位、桥下冲刷深度，再据此确定桥孔布置。传统做法有两条路，有水文站的流域做频率分析，无资料地区套推理公式或地区经验公式。这两条路都有主观成分，尤其是推理公式里的洪峰径流系数和汇流时间，基本靠查表加经验。机器学习真正能补的短板，是这四处：洪峰流量、水位流量关系、冲刷深度和孔径方案比选。

2.1 设计洪峰流量预测：从流域特征直接回归 Qp

这是整个系统里价值最高的切入点。设计流量是桥孔布置、标高设计的源头参数，它错了后面全错。传统无资料地区用推理公式计算最大洪峰流量，公式形态大致是 Qm = 0.278ψS F / τⁿ，其中洪峰径流系数ψ和汇流时间τ的取值，设计人员翻表查出来往往是区间值，取大取小因人而异。同一个桥位，不同的人算出的设计流量差 30% 以上很常见。

机器学习把这个问题建模成一个回归任务：输入流域面积、主河槽长度、河道纵坡、森林覆盖率、年最大 24 小时降雨量、前期影响雨量等特征，输出年最大洪峰流量。训练数据来自本地区有实测水文站的流域，每个站点-年份是一个样本。这样训练出来的模型等于把本地几十年的洪水响应规律压缩成了一组映射关系，比查表更贴近当地实际。值得注意的是，这类任务样本量通常只有几百条，且特征全部是表格型连续变量，优先选随机森林、XGBoost 这类树模型，没有必要一上来就用深度学习，后面第 4 章会展开。

2.2 水位流量关系拟合：用高斯过程回归替代手工定线

设计水位的确定依赖断面水位流量关系曲线，也就是 H-Q 曲线。常规做法是在实测断面测量多个水位下的流速和过水面积，计算流量，然后用幂函数 Q = a(H - H₀)^b 拟合点据。这套流程在实测范围内效果不错，但有两个痛点：一是高水部分点据稀少，外延全靠手工延长，主观性很强；二是低水部分受河床糙率、断面形态影响，简单幂函数经常拟合不好。

机器学习里的高斯过程回归适合干这件事。它不仅能拟合 H-Q 关系，还能给出每条预测点上的置信区间。高水段外延时置信带会明显变宽，这本身就是对“这里不可靠”的提示，比手画一条线要诚实得多。不过要记住，高斯过程回归的超参数对核函数选择很敏感，RBF 核和 Matern 核给出的外延趋势差异很大。我一般做法是两种核都跑，取置信带更宽的那个结果做保守设计，同时把实测点据绘制在图上供人工复核。

2.3 桥下冲刷深度预测：修正规范公式的区域系数

桥下冲刷分为一般冲刷和局部冲刷，规范推荐的是 64-1、64-2 和 65-1、65-2 这类经验公式。这些公式本质上就是回归模型，系数来自特定年代的水槽实验和野外资料，换一个流域，适用性要打折扣。设计人员面对的问题是：规范公式算出来的冲刷深度，到底合不合理？没有参照系。

机器学习在这里的用法不是另起炉灶，而是给经验公式做区域性标定。做法是收集本地区已建桥梁的实测冲刷资料——竣工后断面测量、河床地形图对比，得到实际冲刷深度，再以流速、水深、墩径、泥沙中值粒径为特征，训练一个修正模型，输出规范公式计算值与实测值之间的修正系数。这个思路比直接预测冲刷深度稳得多，因为冲刷实测数据样本量极少，直接回归不现实，但修正系数是围绕 1.0 波动的数值，小样本下树模型也扛得住。要注意，冲刷问题涉及泥沙运动，机理复杂，模型只能做校核，规范公式仍然是设计依据，这条边界要守住。

2.4 桥孔净长与孔径辅助决策：用代理模型加速方案比选

孔径设计常规流程是：先拟定几组桥孔布置方案，对每个方案计算桥前壅水、桥下流速和冲刷深度，再对比造价和行洪影响。每个方案都要重复跑一遍水文计算和水力计算，手工操作很耗时。辅助设计系统里常用做法是先把已经算过的几十个方案存成历史样本，训练一个从“桥孔长度、桥墩形状、设计流量、河床坡度”到“壅水高度和冲刷深度”的代理模型。

代理模型的用途不是取代精确计算，而是在方案比选阶段快速筛选。几十组方案先让代理模型跑一遍，留下前三组最优的，再用规范公式和水动力模型精确复核。这一步能省下大量重复计算时间。我见过一个实际应用，同样 20 组方案比选，纯手算需要一个工作日，加代理模型后上午出结果，下午复核两组最优方案，下班前定稿。机器学习的应用流程在这里体现得最完整：数据积累、特征构建、模型训练、推理筛选、人工复核。

3. 把水文资料变成训练样本：特征设计、标签对齐与分组划分

模型效果的上限由数据决定。很多人在桥位水文计算上跑模型效果差，不是算法不行，而是数据没对齐。水文数据本身多源异构，水文站的流量、雨量站的降雨、DEM 提取的流域几何参数、土地利用数据，格式和时空尺度都不一样，直接拼在一起训练必然出问题。这一章按我处理这类数据的顺序，逐一说明特征怎么选、标签怎么对、样本怎么切。

3.1 数据来源分层：站点实测、降雨资料与流域几何参数量

训练样本的基本单位是一个“站点-年份”组合。每个样本对应的是一条记录：某水文站在某一年里发生的最大洪峰流量。围绕这条记录，特征从三个数据层获取。

第一层是站点实测层，包括该站当年的年最大 24 小时降雨量、最大 3 日降雨量、前 7 天前期影响雨量（API）。这些来自雨量站，注意要用与水文站控制流域对应的雨量站数据，距离太远相关性差。第二层是流域几何层，包括流域面积、主河槽长度、河道平均纵坡、流域形状系数，这些从 DEM 和地形图上提取，一个流域只有一套固定值，不随年份变化。第三层是下垫面层，包括森林覆盖率、土地利用类型、土壤类型。土壤类型可以用类别编码，山区和平原这种地貌分区最好作为单独特征放进去，后面避坑章节会讲为什么。

数据清洗阶段要特别注意水库调节。流域内如果有大型水库，下游水文站的流量序列会被人为改变，洪水过程被削平。处理办法是加一个“是否受调节”的 0/1 特征，或者直接剔除受调节年份，混合数据会让模型学到错误的面积-流量关系。

3.2 特征选择：六类核心特征与两类雷区特征

我把进入模型的最终特征固定为六类：流域面积（km²）、主河槽长度（km）、河道平均纵坡（‰）、年最大 24 小时降雨量（mm）、前 7 天前期影响雨量（mm）、森林覆盖率（%）。再加一个可选的“地貌分区”类别特征。这六类特征在物理意义上都直接驱动洪峰流量，而且在实际项目中容易获取。

有两类特征我强烈建议不要放进模型。第一类是年份，有些同事喜欢把年份当特征想让模型学到趋势，但桥位水文设计需要的是平稳条件下的设计流量，把年份作为驱动力会让设计结果随年份外推，概念上站不住脚。第二类是“同一场洪水的其他实测结果”，比如用实测洪峰水位去预测洪峰流量，看起来精度很高，实际是标签泄漏，审图时一问就穿帮。特征工程阶段就要把这些雷区特征挡在门外。

3.3 标签对齐：年最大洪峰流量必须与同一场暴雨配对

标签是年最大洪峰流量，单位 m³/s。这个值本身来自水文站的流量整编成果，相对可靠。难点在于特征里的降雨量必须和这场洪水对应。常见错误是直接取该年最大 24 小时降雨量，但这个最大值可能发生在春季的一场小洪水，而年最大洪峰来自夏季台风暴雨，两者错位，模型学到的关系就会失真。

正确做法是先定位年最大洪峰的发生日期，再回溯该日期前 24 小时的最长连续降雨量，以及前 7 天的累计降雨量作为 API。这个对齐操作是纯数据处理，代码量不大，但效果差异巨大。我见过同样一批站点，对齐前后模型 NSE 从 0.5 涨到 0.8，原因就是原来的降雨特征张冠李戴。

import pandas as pd # flow_daily: 水文站逐日流量，rain_daily: 雨量站逐日降雨 flow = pd.read_csv("flow_daily.csv", parse_dates=["date"]) rain = pd.read_csv("rain_daily.csv", parse_dates=["date"]) # 1. 逐年定位年最大洪峰发生日期 annual_peak = (flow .groupby("station_id")["flow_m3s"] .nlargest(1) .reset_index(level=1, drop=True) .reset_index()) annual_peak = flow.loc[flow.groupby("station_id")["flow_m3s"].idxmax(), ["station_id", "date", "flow_m3s"]] annual_peak["year"] = annual_peak["date"].dt.year # 2. 回溯洪峰前24h降雨和前7天API rain_sorted = rain.sort_values(["station_id", "date"]) records = [] for _, row in annual_peak.iterrows(): peak_date = row["date"] r24 = rain_sorted.loc[ (rain_sorted["station_id"] == row["station_id"]) & (rain_sorted["date"] > peak_date - pd.Timedelta(days=1)) & (rain_sorted["date"] <= peak_date), "rain_mm" ].sum() api7 = rain_sorted.loc[ (rain_sorted["station_id"] == row["station_id"]) & (rain_sorted["date"] > peak_date - pd.Timedelta(days=7)) & (rain_sorted["date"] <= peak_date), "rain_mm" ].sum() records.append({"station_id": row["station_id"], "date": peak_date, "annual_max_flow_m3s": row["flow_m3s"], "rain_24h_mm": r24, "api_7d_mm": api7}) aligned = pd.DataFrame(records)

这段代码把每站的年最大洪峰日期定位出来，再分别计算该日期前 24 小时和前 7 天的雨量累加值。注意我特意用“洪峰前 1 天窗口”而不是“自然日当天”，因为真实暴雨可能跨日，自然日切分会把一场连阴雨劈成两半。API 窗口取 7 天是为了反映前期土壤含水量，超过 7 天的降雨对洪峰影响已经很弱，窗口再长只会引入噪声。

3.4 样本划分：为什么必须按流域分组而不是随机打散

训练集和测试集的划分方式直接决定评估结果的可信度。桥位水文计算场景里，同一个流域不同年份的洪峰流量高度自相关，今年的大洪水往往预示着相邻年份也偏大。如果随机划分，同一个流域既出现在训练集又出现在测试集，模型等于见过答案去考试，NSE 虚高到 0.95 都不奇怪。

正确做法是按流域分组做 GroupKFold，即一个流域的所有年份样本必须全部落在训练集或全部落在测试集中。这样才能评估模型“去一个从没见过的流域”时的泛化能力，这恰恰是桥位水文计算最真实的场景——新桥位所在流域往往没有实测资料。

from sklearn.model_selection import GroupKFold groups = aligned["station_id"] # 以站点为分组单位 gkf = GroupKFold(n_splits=5) for train_idx, test_idx in gkf.split(aligned, groups=groups): train_set = aligned.iloc[train_idx] test_set = aligned.iloc[test_idx] # 检查分组是否完整 train_stations = set(train_set["station_id"].unique()) test_stations = set(test_set["station_id"].unique()) assert train_stations.isdisjoint(test_stations)

这里每个站点作为一个分组单位，保证了不重叠。分组划分做完之后，特征和标签再加上分组关系，就可以进入模型训练环节。后面的评估结果如果明显好于随机划分，说明分组泄漏确实存在；如果接近随机划分的水准，才是模型真实水平。

4. 最小可复现方案：用随机森林跑通桥位设计流量预测

这一章给出一个能直接复制运行的最小流程。数据用模拟数据代替，读者在没有任何实测资料的情况下也能把代码跑通，再替换成自己的数据。算法选随机森林，原因后面先说清楚。整个流程四个步骤：造数据、训练、评估、预测新桥位并给出置信区间。

4.1 选型理由：表格小样本场景下为什么优先选树模型

桥位水文计算的训练数据通常是几十到几百条样本，特征 6 到 10 个，这种规模下深度学习完全没有优势，反而容易过拟合。随机森林和 XGBoost 这类树模型在表格数据上表现稳定，不要求特征标准化，能自动处理非线性关系，而且训练速度快，换参数重跑的成本低。随机森林相比 XGBoost 少一个调参维度，对工程师更友好，作为基线模型再合适不过。

需要说明的是，随机森林没法外推训练范围之外的数值。对于设计洪水这种需要推求稀遇频率的场景，模型只负责内插“降雨-洪峰”关系，外推由频率分析环节接管，这一点第 5 章会重点展开。

4.2 数据集准备：造一份可运行的模拟数据

为了让流程完全可复现，我构造了一份模拟数据：25 个流域、每个流域 20 年流量记录，特征包括流域面积、主河槽长度、纵坡、森林覆盖率、年最大 24h 降雨量和 API。洪峰流量按一个带有噪声的非线性关系生成，这样随机森林能学到规律，又不至于拟合到完美。

import numpy as np import pandas as pd rng = np.random.default_rng(42) rows = [] for b in range(25): area = rng.uniform(20, 500) length = area ** 0.5 * rng.uniform(1.2, 2.0) slope = rng.uniform(1, 30) forest = rng.uniform(10, 90) for yr in range(20): rain = rng.gamma(shape=5, scale=18) + 40 api = rng.uniform(10, 80) q = (0.05 * area ** 0.8 * rain ** 1.3 * slope ** 0.2 * np.exp(-0.01 * (forest - 50) + 0.2) * rng.lognormal(0, 0.15)) rows.append([f"B{b:02d}", area, length, slope, forest, rain, api, q]) df = pd.DataFrame(rows, columns=[ "basin_id", "basin_area_km2", "main_channel_len_km", "channel_slope_permil", "forest_pct", "max_24h_rain_mm", "api_7d_mm", "annual_max_q_m3s"]) df.to_csv("bridge_hydro_data.csv", index=False)

流域面积从 20 到 500 平方公里，覆盖中小流域范围。降雨用伽马分布生成，偏态且不小于 40mm，模拟暴雨特征。洪峰流量公式里的面积指数 0.8 和降雨指数 1.3 是参照地区经验取值范围设定的，不必严谨，只为让模拟数据有物理趋势。

4.3 GroupKFold 交叉验证：模型训练与指标解读

训练采用第 3 章强调的按流域分组交叉验证，指标用纳什效率系数 NSE 和均方根误差 RMSE。NSE 大于 0.75 说明模型可用，大于 0.85 说明拟合很好。

import numpy as np import pandas as pd from sklearn.model_selection import GroupKFold from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import root_mean_squared_error df = pd.read_csv("bridge_hydro_data.csv") feature_cols = ["basin_area_km2", "main_channel_len_km", "channel_slope_permil", "forest_pct", "max_24h_rain_mm", "api_7d_mm"] X = df[feature_cols] y = df["annual_max_q_m3s"] groups = df["basin_id"] gkf = GroupKFold(n_splits=5) nse_list, rmse_list = [], [] for train_idx, test_idx in gkf.split(X, y, groups): X_train, X_test = X.iloc[train_idx], X.iloc[test_idx] y_train, y_test = y.iloc[train_idx], y.iloc[test_idx] model = RandomForestRegressor( n_estimators=300, max_depth=12, min_samples_leaf=3, random_state=42 ) model.fit(X_train, y_train) y_pred = model.predict(X_test) nse = 1 - np.sum((y_test - y_pred) ** 2) / np.sum((y_test - y_test.mean()) ** 2) rmse = root_mean_squared_error(y_test, y_pred) nse_list.append(nse) rmse_list.append(rmse) print(f"fold NSE={nse:.3f}, RMSE={rmse:.1f} m3/s") print(f"mean NSE={np.mean(nse_list):.3f}, mean RMSE={np.mean(rmse_list):.1f} m3/s")

参数设置逻辑：n_estimators 取 300，再增加树的数量对精度提升有限，只会拖慢训练速度；max_depth 取 12，树深太大容易让单棵树记住噪声，小样本上尤其明显；min_samples_leaf 取 3，保证每个叶子节点至少 3 个样本，预测更平滑。random_state 固定，保证多次运行结果一致，方便对比。

如果你的 scikit-learn 版本低于 1.4，root_mean_squared_error 可能不存在，可以改用 mean_squared_error(y_test, y_pred, squared=False)，新版里 squared 参数已弃用，所以我在示例里直接用了新接口。

4.4 预测新桥位并给出置信区间，而不是一个干巴巴的数

设计人员拿到模型的输出，最怕的是只有一个孤零零的流量数值，没有可信区间。随机森林有一个天然优势：每一棵树都是一个独立预测器，所有树的预测结果构成一个分布。取中位数作为推荐值，取 10% 和 90% 分位数作为区间，可以直接告诉设计负责人“这个流量有 80% 的把握落在区间里”。

new_bridge = pd.DataFrame([{ "basin_area_km2": 120.0, "main_channel_len_km": 18.5, "channel_slope_permil": 5.2, "forest_pct": 65.0, "max_24h_rain_mm": 220.0, "api_7d_mm": 45.0 }]) # 用所有树的预测结果构造经验分布 preds = np.array([tree.predict(new_bridge) for tree in model.estimators_]).ravel() q_med = np.median(preds) q_p10, q_p90 = np.percentile(preds, [10, 90]) print(f"推荐设计流量: {q_med:.0f} m3/s") print(f"80% 置信区间: [{q_p10:.0f}, {q_p90:.0f}] m3/s")

这段代码只用了随机森林内部的 300 棵树做区间估计，没有额外的重采样成本。要注意这个区间只反映模型不确定性，不包含降雨频率分析的外推不确定性。真正做稀遇频率设计时，要先把设计频率对应的降雨量算准，再带入模型，并且评估该降雨量是否落在训练数据范围内。落在范围内可以采信，超出范围就需要回到第 5 章的避坑策略。

5. 桥位水文计算辅助设计系统的五个避坑点：从分组泄漏到物理一致性

模型跑通只是第一步，距离能交付给设计院使用还有一段路。这一章写我实际迭代过程中遇到过的五个问题，每一条按现象、原因、解决三段式展开，希望能帮你绕开。

5.1 分组泄漏：NSE 0.95 是假象，换个流域立刻翻车

现象：第一次用随机划分训练测试集，NSE 高达 0.95，测试集曲线贴合得出奇地好。拿去预测一个完全没有参与训练的新流域，误差超过 100%，设计流量偏大接近一倍，根本没法用。

原因：同一个流域相邻年份的洪峰流量高度自相关，随机划分把同一个流域的样本同时放进了训练集和测试集，模型等于提前看到了答案。桥位水文计算的真实使用场景是“新流域预测”，随机划分的评估指标完全没有参考价值。

解决：强制使用第 3 章的 GroupKFold 按流域分组划分，并对比分组划分和随机划分的 NSE 差距。差距越大说明泄漏越严重，模型的可信度越低。我自己的标准是：分组 NSE 低于 0.7 的模型不允许进入辅助设计流程。

5.2 稀遇频率外推：机器学习不是神仙，设计洪水不能直接预测百年一遇

现象：训练数据的最大洪峰大致对应 20 年一遇水平，让模型直接预测 300 年一遇设计流量，结果比 50 年一遇还要小，设计人员当场质疑模型方向反了。

原因：随机森林和梯度提升树这类模型在特征空间边缘没有外推能力，超出训练范围后预测趋于平坦甚至无序，没有任何物理趋势保证。设计洪水需要的是稀遇频率外推，恰好落在模型最不可靠的区域。

解决：明确模型的边界。机器学习只负责建立“暴雨→洪峰”的内插关系，设计频率对应的降雨量由水文频率分析给出，例如用皮尔逊 III 型分布适线得到百年一遇设计暴雨，再判断这个降雨量是否在训练数据的降雨范围内。在范围内的预测可以采信；超出范围的，回到推理公式和地区经验公式做交叉校核，取保守值。这是模型和规范的分工，不能混在一起。

5.3 物理一致性：降雨量增大，预测流量反而变小

现象：画偏依赖图时发现一个怪异现象，年最大 24 小时降雨量从 200mm 增加到 300mm，模型预测的洪峰流量反而下降。审图会上被专家指着图问，回答不上来。

原因：特征之间共线性在作祟。模拟数据里大流域往往对应着较小记录的降雨量，模型学到的是面积和降雨量之间的隐含抵消关系，单看降雨量维度时方向就是歪的。树模型不会天然保证“降雨越大流量越大”这种单调关系。

解决：两个手段。第一，训练前做特征相关性筛查，如果流域面积和降雨量之间相关系数超过 0.6，考虑按面积分组建模或者增加交互特征。第二，改用支持单调约束的模型，XGBoost 可以直接指定特征方向：

from xgboost import XGBRegressor model = XGBRegressor( monotone_constraints=(1, 1, 1, 1, 1, 1), # 6个特征全部要求正相关 n_estimators=300, max_depth=6, learning_rate=0.05, random_state=42 )

每个 1 表示对应特征与目标之间是正相关，模型在训练时会约束分裂方向不违反单调性。对桥位水文计算来说，面积、长度、坡度、降雨、API 这几个物理变量对洪峰流量都是正驱动，全部约束为正完全合理。训完再画偏依赖图，曲线方向就正常了。

5.4 小样本下预测漂移：换个随机种子，设计流量差 50%

现象：只有 15 个站点的实测资料，同一条测试流域，两次运行结果相差 50%，原因只是随机种子从 42 改成了 2024。

原因：样本量太小，树模型每棵树看到的自助采样样本高度重叠，方差极大。这种不确定性不是调参能消除的，是数据量本身不足。

解决：认怂换策略。第一，改用带先验约束的高斯过程回归，核函数里写明特征尺度的先验范围，小样本下比树模型稳定；第二，用 Bagging 重采样跑 50 次，每次换随机种子，汇总所有预测的分布，取中位数而不是单次结果；第三，报告里直接给出预测区间，而不是一个确定值。设计人员看到区间自然会留安全裕度。

5.5 山区平原混训：一个模型学两种产汇流机制，两头都不准

现象：把山区流域和平原流域放在一起训练，整体 NSE 0.8 还可以，但拆开看山区流域 NSE 只有 0.4，平原流域 NSE 0.9，模型实际上完全偏向了样本量占优的平原流域。

原因：山区流域坡度大、汇流快，洪水过程尖瘦；平原流域汇流慢，过程肥胖。两者的面积-流量关系差一个量级，一个全局模型学到的是“平均规律”，在两端都不准确。

解决：按地貌分区拆成两个模型。山区一个、平原一个，每个模型只学本区域的产汇流特征。如果某个区域样本量不够，宁可降低模型复杂度和预期，也不要混训。另一个折中方案是保留全局模型，但把地貌编码作为一个类别特征放进去，模型可以按类别学习到不同的基线水平，效果介于混训和分训之间。

6. 上线前三件事：跨流域验证、物理一致性自检与模型卡输出

模型训练完成不代表可以上线，我的习惯是上线前必须做完三件事。第一件，跨流域留一验证加多模型对比。不要把宝押在一个模型上，随机森林、XGBoost、高斯过程回归各跑一遍，比较分组验证的 NSE 和 RMSE。如果只有随机森林过了 0.75、另外两个没过，先怀疑特征问题，再看模型差异。我一般用“宽松验证”先排除数据错误，再盯“严格验证”评估精度。

第二件，物理一致性自检。把训练好的模型对一组人工构造的输入做敏感性测试：其他特征固定，降雨量从 50mm 加到 300mm，看预测流量是否单调上升；流域面积从 20 加到 500 平方公里，看流量是否同步增加。出现反方向的立刻排查共线性，必要时启用 XGBoost 单调约束。这个检查清单要写进项目文档，交付时一并给设计负责人看，专业上叫可解释性证据。

第三件，输出模型卡。模型卡是给设计人员和审图专家看的说明文档，我固定采用下面这张表：

这张表不花哨，但审图会上被追问时，每一条都能回答。辅助设计系统输出报告时，模型卡自动附在计算书后面，设计人员能在半小时内理解模型做了什么、哪里可以用、哪里不能用。

我做第一个版本时，模型 NSE 调到 0.9 就急着交付，结果审图会上被“降雨增大流量为什么变小”一句话问住，回来老老实实补了偏依赖分析和单调约束。从那以后我把“模型能解释、边界能说清、失效能预警”当成上线硬指标。这个教训写成这条清单，希望帮到你。

本文还有配套的精品资源，点击获取