基于概率可解释深度学习模型的闭合与区间流域径流预测不确定性及驱动因子分析

针对传统径流预测模型在超参数优化、可解释性和不确定性量化方面的不足，研究人员开发了DTA-CBAS混合深度学习模型，集成TVFEMD分解、CNN-BiLSTM-Attention框架和ABKDE概率预测技术，在长江流域闭合与区间流域实现NSE达0.98的高精度预测，揭示人类活动使区间流域不确定性增加52.98%，为流域管理提供新范式。

　　

在全球气候变化和人类活动加剧的背景下，水文过程呈现出高度非线性、非平稳和随机性特征，给径流预测带来巨大挑战。传统过程驱动模型（如SWAT、MIKE-SHE）依赖复杂机理公式和数据，而数据驱动方法虽能捕捉非线性关系，却面临超参数优化困难、"黑箱"不可解释、不确定性量化不足三大瓶颈。尤其值得关注的是，现有研究多集中于闭合流域（closed-basin），对受水库调节的区间流域（interval-basin）研究甚少，而后者在长江等大河流域的水资源管理中具有关键地位。

针对这些科学问题，长江水利委员会长江科学院的研究团队在《Journal of Hydrology: Regional Studies》发表了创新性研究成果。他们开发了DTA-CBAS混合模型，整合差异化创意搜索算法（DCS）、时变滤波经验模态分解（TVFEMD）、自适应带宽核密度估计（ABKDE）、CNN-BiLSTM-Attention框架（CBA）和SHAP可解释性分析五大技术，构建了首个同时解决精度、可解释性和不确定性问题的径流预测体系。研究选取长江流域典型闭合流域（沅江流域，89,488 km2）和区间流域（城陵矶-九江段，22,638 km2）进行验证，数据集涵盖21年日尺度径流与气象观测。

关键技术方法包括：1）TVFEMD分解原始径流序列为10个本征模态函数（IMF），解决非平稳性问题；2）DCS算法优化CNN-BiLSTM超参数，使RMSE降低至234.99（闭合流域）和1144.46（区间流域）；3）ABKDE生成95%/75%/50%置信区间的概率预测；4）SHAP量化21个气象水文因子的贡献度。

研究结果揭示以下重要发现：

3.1 超参数选择策略与结果
DCS算法在12种优化算法比较中表现最优，训练时间较平均水平缩短32%（闭合流域）和20%（区间流域），验证了其在处理水文数据非线性特征上的优势。

3.2 不同模型配置的预测性能比较
在15天预见期内，DTA-CBAS的R²
保持在0.80以上，且区间流域因上游来水调节作用呈现更稳定的衰减曲线。时间步长分析显示闭合流域最佳输入窗口为7天，反映降雨-径流响应机制的时间延迟特性。

3.3 定量预测结果与分析
相比26种对比模型，DTA-CBAS在测试期NSE达到0.96（闭合流域）和0.95（区间流域），RE误差仅4.10%和1.65%。特别值得注意的是，在区间流域洪水季预测中，模型成功捕捉到98%的峰值流量，RMSE较传统LSTM降低38.7%。

3.4 概率预测结果与不确定性分析
ABKDE生成的概率密度曲线显示，区间流域在95%置信区间的PINAW（38.78%）显著高于闭合流域，表明水库调度引入额外不确定性。CRPS评分（闭合流域0.0959 vs 区间流域0.1453）进一步证实人类活动对预测稳定性的影响。

3.5 基于模型可解释性的径流驱动因子分析
SHAP分析揭示：闭合流域中降水（P）、蒸散发（EV）、露点温度（DPT）贡献度最高（SHAP值1.326-1.716），符合经典产流理论；而区间流域上游来流（CLJ）成为主导因子（SHAP值1.23），其与潜在蒸发（PE）的交互作用解释了32%的径流变异。极端降雨在区间流域呈现反常的负SHAP值，反映水库防洪调度产生的"抑制效应"。

这项研究通过多学科技术融合，首次系统比较了自然流域与人工干预流域的径流形成机制差异。DTA-CBAS模型在三个维度实现突破：1）通过TVFEMD-CBA架构提升时空特征提取能力；2）ABKDE量化人类活动引入的不确定性；3）SHAP解码"黑箱"模型决策逻辑，发现闭合流域受气候因子主导，而区间流域受"上游来流-本地降水"双系统调控。这些认识为长江流域洪水预警、水库联调提供了新工具，也为全球变化背景下人水关系研究提供了方法论范例。

研究的局限性在于未考虑土地利用变化等长期影响因素，未来可结合遥感数据拓展多时空尺度预测。但毫无疑问，这种"精度-不确定性-可解释性"三位一体的研究范式，将推动水文模型从单纯预测工具向决策支持系统的跨越式发展。正如作者指出，理解人类活动如何改变水文系统响应，是实现可持续水资源管理的关键科学命题。