基于时序注意力机制与CWRNN-LSTM混合模型的跨气候区蒸发量精准预测研究

针对水资源管理中蒸发量预测精度不足的问题，研究人员创新性地将时序注意力机制与ClockWork RNN和LSTM结合，构建了混合模型（CWRNN-LSTM）。在伊朗Minab和Ramsar两地的11种情景测试中，该模型R2 高达0.982-0.985，RMSE低至0.255-0.412，较传统模型性能提升32.4%，为干旱区水资源优化提供了可靠工具。

　　

在全球气候变化加剧的背景下，蒸发量预测成为水资源管理的核心挑战。传统经验公式受限于区域适用性，而单一机器学习模型难以捕捉复杂的气候动态。伊朗Minab（热带气候）和Ramsar（亚热带气候）的对比研究显示，蒸发过程受温度、湿度、风速等多因素非线性影响，亟需能兼顾时空特征的预测工具。

为解决这一难题，研究人员开发了融合时序注意力机制的CWRNN-LSTM混合模型。该研究通过分析140个月的日尺度气象数据（2012-2023年），构建了11种输入情景，系统评估了RNN、LSTM、CWRNN等5类模型的性能。关键技术包括：1）利用PACF（偏自相关函数）确定滞后阶数；2）采用RMSprop优化器（自适应学习率算法）训练网络；3）通过k折交叉验证确保模型稳健性；4）结合R²
、RMSE等4项指标量化性能。

研究结果显示：

1. 整体性能：在Minab站，CWRNN-LSTM-11情景的测试集R²
   达0.982，较最佳独立模型（LSTM）提升31%；Ramsar站的RMSE降至0.255，误差减少65.7%。
2. 混合模型优势：注意力机制有效捕捉关键气象因子的时序权重，如Scenario 11中日照时数（S(h)_0-4
   ）的贡献度被精准量化。
3. 可视化验证：KDE核密度图显示预测值与观测值峰值重叠率达92%；箱线图证实混合模型的IQR（四分位距）较RNN缩小58%。

讨论部分指出，该模型突破传统方法的三重局限：1）通过模块化时钟周期（1-32步）解决多尺度时序建模难题；2）注意力层解析了风速（WS）与最高温（T_max
）的交互效应；3）在数据稀缺地区仍保持稳定性。论文建议未来结合遥感数据拓展应用场景，例如水库蒸发量动态监测。

这项发表于《Water Cycle》的研究，为半干旱区农业灌溉调度和流域水量平衡计算提供了新范式。其创新性体现在：首次将CWRNN的时钟分频特性与LSTM的门控机制耦合，并通过伊朗南北气候带的实证，验证了模型在跨区域应用的潜力。研究团队特别强调，该框架可适配物联网气象站数据，为智慧水利系统提供核心算法支持。