基于多源数据与遥相关指数的耦合深度学习模型在径流预测中的应用研究

作者及机构
本研究的通讯作者为Jintao Li（河海大学计算机与软件工程学院），合作作者包括Ping Ai（河海大学水文水资源学院）、Chuansheng Xiong（河海大学水文水资源学院）和Yanhong Song（河海大学计算机与软件工程学院）。研究成果发表于Scientific Reports期刊（2025年，卷15，文章编号14732）。

学术背景
中长期径流预测是防洪抗旱、水资源开发和生态保护的核心课题。传统统计方法难以有效利用多维变量信息，预测精度受限。本研究聚焦雅砻江流域（Yalong River Basin, YLRB），该流域受复杂水文过程和多元气候影响，亟需高精度预测模型。研究创新性地结合统计方法与深度学习，提出两种耦合模型（SRA-SVR和SRA-MLPR），通过融合80种大气环流指数（atmospheric circulation indices）作为遥相关变量（teleconnection variables），解决高维数据、多重共线性和非线性水文动态等挑战。

研究流程
1. 数据准备与预处理
- 数据来源：整合雅砻江流域4个水文站（两河口、锦屏、官地、二滩）1953–2011年的月径流数据，以及中国国家气候中心的88种大气环流指数（筛选后保留80种有效指数）。
- 预处理：采用最小-最大缩放（min-max scaling）标准化数据，并通过时空相关系数分析（spatiotemporal correlation coefficient）确定环流指数与径流的滞后效应（lag effect）。

1. 特征选择与模型构建

   • 逐步回归分析（Stepwise Regression Analysis, SRA）：从80种环流指数中筛选关键变量，消除冗余和共线性，生成4组水文站专属特征子集（如官地站筛选出15个核心指数）。
     
   • 耦合模型设计：
     
     • SRA-SVR：结合SRA与支持向量回归（Support Vector Regression, SVR），采用径向基核函数（RBF kernel）和网格搜索交叉验证（GridSearchCV）优化超参数。
       
     • SRA-MLPR：融合SRA与多层感知器回归（Multi-Layer Perceptron Regression, MLPR），使用ReLU激活函数和L-BFGS优化算法。
       

2. 模型训练与验证

   • 数据集划分：85%数据用于训练与验证（10折交叉验证），15%作为独立测试集。
     
   • 评估指标：纳什效率系数（Nash-Sutcliffe Efficiency, NSE）、均方根误差（RMSE）、平均绝对百分比误差（MAPE）等。
     

3. 可解释性分析

   • SHAP（Shapley Additive Explanations）：量化环流指数对预测的贡献，揭示关键气候驱动因子（如北极极涡强度指数和东亚槽强度指数）及其非线性交互作用。
     

主要结果
1. 模型性能
- SRA-MLPR在测试集上表现最优：与基线模型相比，NSE提升13%（0.67→0.76），RMSE降低26%（798.47→594.45），MAPE减少34%（34.79%→22.90%）。
- 极端径流预测中，SRA-MLPR对峰值流量的捕捉精度显著优于SRA-SVR（如二滩站4500–6000 m³/s的极端事件）。

1. 环流指数的影响

   • 滞后效应：大气环流指数对径流的影响以1个月滞后最为显著，为预测提供时间窗口。
     
   • 关键驱动因子：北极极涡强度指数（平均SHAP值609.46）和东亚槽强度指数（SHAP值308.25）是主导气候变量，其影响受北大西洋涛动（NAO）和太平洋年代际振荡（PDO）调制。
     

2. 空间差异

   • 上游水文站（如两河口）与环流指数的相关性（相关系数>0.8）显著高于下游，反映自然过程对上游径流的主导作用。
     

结论与价值
1. 科学价值
- 提出首个融合遥相关指数与深度学习的径流预测框架，揭示了大气环流与水文过程的非线性关联机制。
- 通过SHAP分析增强了模型可解释性，为气候-水文耦合研究提供新范式。

1. 应用价值
   
   • 可为雅砻江流域的洪水预警、水库优化调度提供决策支持，推广至全球不同气候区的水文预测。
     
   • 模块化设计（如SRA特征选择模块）支持跨流域迁移应用。
     

研究亮点
1. 方法创新：首次将SRA与MLPR耦合，解决高维水文数据的特征选择与非线性建模问题。
2. 数据维度扩展：引入80种环流指数作为遥相关变量，突破传统气象数据的局限性。
3. 可解释性突破：通过SHAP量化环流指数的贡献，识别北极极涡与东亚槽的关键作用。

局限与展望
1. 模型在人类活动密集流域的适用性需进一步验证。
2. 未来可集成土地利用等 anthropogenic 因素，提升复杂场景下的预测鲁棒性。

（注：全文约2000字，严格遵循学术报告格式，专业术语中英对照，数据与结论均引自原文。）