基于因果分析特征选择的中长期水沙联合预测模型研究

为解决复杂水文系统中传统特征选择方法忽视变量间因果关系的问题，研究人员开发了融合因果特征选择的集成预测模型。通过PCMCI、FULLCI和GRMIG-MCI三种因果分析方法筛选关键变量，结合LSTM等4种AI模型构建24种预测方案，实现了水库入库径流（KGE>0.85）和泥沙（KGE≈0.4）的精准预测。月加权集成方法使径流NSE提升0.35%-3.65%，泥沙预测精度提高超20%，为水库调度提供重要技术支撑。

　　

在全球气候变化背景下，水库调度面临严峻挑战——传统水文模型难以应对水沙通量的随机特性，而数据驱动模型又常因忽略变量间因果关系导致预测偏差。尤其像新疆天山南麓的渭干河流域，冰川融水主导的水文系统具有显著非线性特征，加之泥沙输移过程的高度不确定性，使得中长期水沙预测成为世界性难题。

针对这一痛点，国内研究人员创新性地将因果推理引入水文预测领域。团队发现传统特征选择方法（如mRMR）仅关注相关性而忽略因果性，可能引入冗余信息。为此，研究首次系统比较了PCMCI（基于条件独立性检验）、FULLCI（全条件独立性检验）和GRMIG-MCI（全局冗余最小化结合条件独立性检验）三种因果网络算法在特征筛选中的表现，并创新性地提出"因果特征筛选-AI模型集成-月权重优化"的技术路线。

研究采用多技术融合策略：首先收集渭干河上游流域1960-2019年的径流、泥沙及12种气象/ENSO指标数据；通过最大滞后τ_max
=12构建多维时间序列；运用SHAP（Shapley Additive Explanations）方法解析LSTM梯度特征重要性；采用麻雀算法（SSA）优化SVR和BP超参数；最终开发包含24种组合方案的月加权集成预测系统。

在特征选择方面，GRMIG-MCI方法对径流序列展现出独特优势。该方法通过互信息（MI）计算变量相关性后，采用全局冗余最小化（GRM）消除特征间共线性，再通过MCI（瞬时条件独立性）检验确认因果关联。结果显示：径流主要受历史径流（滞后1/12月）、气温（滞后6月）和蒸散发驱动，印证了冰川融水的主导作用；而泥沙输移则与径流、历史泥沙量及Nino1+2指数存在显著因果关联。

模型性能对比揭示有趣规律：对于信噪比高的径流序列，GRMIG-MCI+LSTM组合表现最佳（测试集NSE=0.854），其KGE>0.85的性能远超传统统计模型；但对噪声显著的泥沙序列，PCMCI筛选特征配合GRU模型更具鲁棒性（NSE=0.36）。研究首次发现：当采用P<0.15的严格因果阈值时，FULLCI会产生虚假关联（如误判SOI指数与径流的因果关系），而PCMCI的PC₁
算法能有效避免此类错误。

集成预测的创新体现在月权重策略。通过为不同月份分配动态权重，模型在径流预测中使NSE额外提升3.65%，而泥沙预测改进幅度超20%。值得注意的是，单纯增加模型数量可能降低精度——当纳入性能较差的SSA-SVR时，集成效果反而不如最优单模型。研究最终推荐"LSTM-M4+GRU-M2"的精英组合策略，在保证多样性的同时避免"劣币驱逐良币"。

讨论部分强调了三大理论突破：一是证实因果特征选择能突破"维度灾难"，将输入特征从22个精简至8个仍保持精度；二是发现水文序列特性决定算法适用性——GRMIG-MCI适合平稳序列，PCMCI更抗噪声；三是创建可解释AI框架，通过SHAP量化了气温滞后6月对融雪径流的非线性影响。这些发现为《Journal of Hydrology: Regional Studies》关注的区域水文建模提供了新范式。

该研究的实践意义在于：为多沙河流水库提供了一套KGE>0.85的预测工具，其月加权集成方法可直接用于制定动态调度规则。未来研究可向三个方向拓展：开发因果分析与VMD（变分模态分解）的混合降噪算法、探索跨流域迁移学习机制、以及将ENSO因果网络纳入长期预测模型。