2023年2月，公司教师贺冉冉在校定C级期刊《Journal of Hydrologic Engineering》发表题为“Two Strategies for Avoiding Overfitting Long-Term Forecasting Models: Downsampling Predictor Fields and Shrinking Coefficients”的论文。该论文提出了两种构建长期径流预报模型的策略。第一种策略是对SST场进行降采样并优化其空间分辨率；第二种是基于L1正则化对模型系数进行压缩。论文基于不同空间分辨率的降采样SST场分别构建模型，结果表明：基于合适空间分辨率的模型表现始终优于基于原始SST场的模型。这意味着将预报因子场的空间分辨率视作一种超参数来处理是更为有效的做法——这与许多机器学习模型中控制复杂度的超参数具有相似性。在应用第二种策略方面，本研究系统探讨了三种L1正则化模型：一是最小绝对收缩与选择算子，二是松弛LASSO，三是LASSO与普通最小二乘回归的两步法。研究发现，松弛LASSO模型始终优于普通LASSO，表明松弛LASSO是一种更有效的系数压缩方法。此外，通过将所提模型与逐步回归方法进行比较，发现基于高空间分辨率SST场的逐步回归模型预测能力较弱，这说明在样本量有限的情况下，不应基于高分辨率场进行预报因子筛选。

希望广大教师继续潜心研究，不断创新，多出成果。（撰稿：贺冉冉；一审：艾科妮；二审：周健；三审：戴道明）