基于小形状分解的堆叠机器学习模型能够高精度地解释中游河段水位变化的水文过程，并实现早期预警

《Journal of Hydro-environment Research》：Shapelet-based decomposition stack machine learning model explains more middle river reaches water level hydrological process with high accuracy early warning

基于堆叠机器学习框架与Offline Shapelet Discovery（OSD）技术的水文预测方法研究。通过经验小波变换（EWT）分解水文时间序列数据，结合OSD生成具有判别性的形状特征，利用深度学习模型处理特征后进行集成预测，在珠江流域6个站点验证显示MAE降至0.1766，NSE达0.9228，揭示了"up-down-up-up"等典型水文模式。

　　洪水仍然是全球最具破坏性的自然灾害之一，然而，理解导致洪水的复杂水文过程始终是一个挑战，这在很大程度上限制了有效的预防措施。为了应对这一问题，本研究提出了一种基于堆叠机器学习的框架，该框架整合了离线形状发现（Offline Shapelet Discovery, OSD）技术。通过这一方法，水文时间序列数据首先被分解为多个子序列，随后利用OSD技术提取出具有代表性的形状子序列，用于模型训练。接着，这些形状子序列通过深度学习模型进行初步预测，最终通过集成机器学习方法将多个子模型的预测结果融合，以生成最终的预测结果。该模型在珠江流域进行了评估，这是一个包含多个重要城市区域的代表性流域。与传统的机器学习方法相比，该模型在流域上、中、下游的六个站点均表现出优越的预测性能。具体而言，在上游地区，模型的平均绝对误差（MAE）为0.2265，均方误差（MSE）为0.0723，均方根误差（RMSE）为0.2679，平均绝对百分比误差（MAPE）为0.0038，百分偏差（PBIAS）为0.0034，纳什-苏特cliffe效率（NSE）为0.8103。在下游地区，相应的数值分别为0.1766、0.0619、0.2720、0.0415、?0.0007和0.8739，而在中游地区，分别为0.1239、0.0362、0.1890、0.0059、0.0007和0.9228。形状子序列池揭示了不同河段中独特的水位模式，例如“上-下-上-上”和“下-下-上-下”类型。本研究不仅加深了对复杂水文行为的理解，还为提高洪水预测和预防策略提供了新的视角，通过创新的数据分解和模式识别技术，有助于在快速变化的环境中更好地应对水文动态。

在城市地区，监测和管理河流水位对于预防洪水相关灾害和确保农业与工业的可持续水资源至关重要。然而，随着全球变暖的加剧和全球向碳中和目标迈进，迫切需要更先进、更严谨的洪水预防和缓解策略。这些策略必须能够应对日益复杂和不可预测的气候条件。在这个背景下，水文过程的解读仍然是一个重大挑战，尤其是在处理由大气、地表和地下系统相互作用所产生的复杂现象时。这些相互作用受到诸如气候变化、土地利用变化和人类活动等多种因素的影响，通常表现出非线性关系。最近的研究已经识别出水文系统中的一种特定现象，该现象代表了对水文过程理解的有意义转变。具体来说，水文系统在某一时刻的状态直接受其先前状态的影响，揭示了由于内部动力和外部驱动因素而产生的时间滞后效应。这种时间连续性突显了水文过程的动态本质，其中当前状况与未来结果紧密相连。因此，除了单独分析各个因素之外，捕捉并建模这些序列依赖性为解读复杂水文行为提供了一种全新的方法，并有助于深入理解水系统动态。

众多研究从不同角度探讨了水文过程，其中环境驱动因素一直是重点。气候变化，特别是其对水文动态的显著影响，已成为研究的核心议题。极端天气事件如强降雨和长期干旱已被证明会显著改变水文模式。然而，某些山地或低地流域系统可能表现出相对的稳定性。此外，最近的研究强调了地下水系统变化带来的日益增长的社会压力，特别是在污染和地下水流动态方面。土地利用和地表覆盖变化也被识别为影响地下水变化的重要因素。在众多环境因素中，生态驱动因素也显示出显著的影响。例如，植被引起的改变可以影响水文响应，而前期土壤湿度被确定为山坡上优先流的主要驱动因素。地表土壤的水力传导性也是影响水流运动的关键因素。此外，人类活动如矿场关闭、季节性硝酸盐输入和高强度灌溉显著影响地表水系统。虽然这些研究在理解环境因素如何塑造水文过程方面取得了进展，但仍需要更直接和整合的方法来揭示水文动态的复杂性。

此外，河流水位是一个直接且具有代表性的水文指标，其本身反映了时间滞后效应。它被广泛认为是沿海城市洪水风险的重要信号，同时也是农业灌溉规划和工业用水管理的关键指标。为了应对水文过程解读的挑战，数学模型和专业水文模型经常被用于分析河流或水系统的各种特征。这些模型基于流体力学、历史统计和经验实验，通常与这种对滞后敏感的指标结合使用。尽管这些方法在某些条件下可以产生高度准确的结果，但它们往往需要先进的数学和水文学专业知识，这对许多研究人员来说是一个显著的障碍。因此，克服这些挑战需要开发创新且智能的解决方案，以降低技术门槛，使这些方法在未来更广泛和更易获得地应用于实际问题。

随着人工智能的迅速发展，水位预测模型已从传统的数学方法演变为基于数据的机器学习和深度学习方法。这些数据驱动的模型提供了显著的优势。它们不仅能够捕捉当前的水文状况，还能提供准确且及时的预测。这种能力为决策者提供了可操作的见解和预警系统，从而降低了与水相关的灾害风险。在这些模型中，基于树的机器学习算法如随机森林、XGBoost和LightGBM被广泛用于水文研究中，以揭示隐藏的模式。同时，深度学习架构如循环神经网络（RNNs）、Transformer和卷积神经网络（CNNs）也被广泛应用于水文建模。尽管这些方法被广泛使用，但必须承认，它们往往存在解释性不足的问题，这通常被称为“黑箱”问题。因此，开发能够解释水文过程并实现高精度预测的模型仍然是一个关键挑战。

基于上述关于水文过程解释的研究，可以突出几个关键差异。首先，由于知识空白和技术限制，水文过程的内在机制仍然难以直接和全面地揭示。其次，现有方法主要关注预测准确性，而非水文过程本身的理解，这为未来水文建模，特别是在整合最新技术方面，提出了重大挑战。因此，当前研究面临两个关键问题：（1）有哪些先进的方法，如机器学习或深度学习模型，可以用于提高对河流水位水文过程的理解？（2）所提出的模型是否能够在不同状态中解释河流水位水文过程的组成部分，并实现高精度的预测？

基于上述研究，本研究旨在通过开发一种新的模型来解决这两个主要挑战，该模型提出了概念和方法框架，以应对上述问题。该方法采用创新的基于形状的技术（Shapelets）构建水文模型，其独特的堆叠模型架构实现了高精度的预测。本研究的主要贡献包括：（1）开发了一种新的基于形状的分解方法，该方法结合了机器学习和模型组合技术；（2）将该方法应用于面临潜在洪水风险的河流，从而为理解控制水位变化的复杂水文过程提供了新的视角。通过这种新颖的机器学习模型，我们对水文学，特别是河流水位的理解得到了提升，为未来更复杂系统的建模奠定了基础。尽管存在众多水文和数学模型，但本研究提出的模型在关注人工智能技术方面具有独特性，并且其结构强调通过专门的堆叠架构捕捉水文变化过程本身，这对于推动大规模水文建模具有重要意义。此外，与纯数据驱动框架相比，本研究提出的模型直接将潜在的水文变化过程整合到其结构中，提供了一种新的视角，揭示了具有重要理论和实践意义的水文机制。

本研究由四个部分组成。在引言之后，第二部分将全面介绍所使用的材料和方法。第三部分和第四部分分别展示了结果分析和讨论。最后，第五部分总结了研究的发现。通过这种结构化的研究设计，本文旨在系统性地展示模型的构建过程、实验结果以及其在实际应用中的价值。

离线形状发现（Offline Shapelet Discovery, OSD）是一种强大的时间序列分类技术，它通过提取具有判别性的子序列，即形状子序列（shapelets），来提高分类的准确性。与传统方法依赖于全局对齐不同，OSD专注于局部模式，无需手动构造特征，从而为时间序列数据提供了直观的形状表示。形状子序列的可解释性也提供了宝贵的见解，有助于理解水文数据的内在结构和变化规律。在水文研究中，OSD的应用不仅限于分类任务，还被用于揭示水文过程中的关键模式，例如在不同河段中观察到的水位变化特征。通过自动化提取这些形状子序列，研究人员可以更高效地识别影响水位变化的关键因素，从而提升预测模型的性能。

在本研究中，OSD被用于生成一个形状子序列池，该池包含了不同河段中具有代表性的水位变化模式。这些模式被用于训练模型，以捕捉水文过程中的关键特征。通过这种技术，模型能够更准确地识别水位变化的动态规律，从而提高预测的可靠性。此外，形状子序列池的构建还为后续的深度学习模型提供了丰富的输入特征，使模型能够更全面地理解和模拟水文过程。这种结合OSD与深度学习的方法不仅提高了模型的预测能力，还增强了其解释性，使研究人员能够更直观地理解水文变化的机制。

模型预测性能的评估是本研究的重要组成部分。为了验证所提出模型的有效性，我们采用了多种广泛使用的机器学习模型，包括随机森林、XGBoost、LightGBM和CatBoost，并结合季节分组技术进行水文预测。模型的性能在图4和图5中得到了展示，这些图表涵盖了珠江流域上、中、下游的六个地点。从图4可以看出，所提出的模型在不同河段的预测结果优于其他传统模型。值得注意的是，该模型在中游地区的预测性能尤为突出，其NSE值达到0.9228，表明模型在该区域的预测结果与实际观测值高度一致。相比之下，上游和下游地区的预测性能稍逊，但依然表现出较高的准确性。通过对比不同模型的预测结果，我们可以得出结论：所提出的模型不仅在预测精度上优于传统方法，还能够更有效地捕捉水文过程中的复杂模式，从而为洪水预测和预防提供更可靠的支持。

模型性能的分析进一步揭示了所提出方法的优势。传统的水文建模方法通常依赖于物理机制和经验公式，这些方法虽然在某些情况下可以提供准确的预测，但其适用性受到数据质量和模型复杂性的限制。相比之下，基于机器学习和深度学习的模型能够自动学习水文数据中的复杂模式，从而提高预测的灵活性和适应性。此外，本研究采用的OSD技术与经验小波变换（Empirical Wavelet Transform, EWT）相结合，使得模型能够在不同时间尺度上提取关键特征，从而增强其对水文过程的解析能力。EWT是一种基于信号处理的多尺度分解技术，它能够将复杂的水文时间序列分解为多个具有不同频率特性的子序列，每个子序列都反映了水文过程中的特定动态特征。通过这种分解，模型能够更全面地捕捉水文变化的多尺度特性，从而提高预测的准确性。

在模型训练过程中，OSD技术被用于生成一个形状子序列池，该池包含了不同河段中具有代表性的水位变化模式。这些模式被输入到深度学习模型中，以进行初步预测。随后，通过集成机器学习方法，将多个子模型的预测结果进行融合，以生成最终的预测结果。这种堆叠架构不仅提高了模型的整体性能，还增强了其对水文过程的解释能力。通过结合多个子模型的预测结果，模型能够更全面地反映水文变化的复杂性，从而为决策者提供更可靠的预测信息。

此外，模型的性能评估还涉及对不同水文指标的分析，如MAE、MSE、RMSE、MAPE、PBIAS和NSE。这些指标不仅反映了模型的预测精度，还提供了对模型整体表现的综合评估。在本研究中，所提出的模型在所有六个站点均表现出优异的性能，特别是在中游地区，其NSE值高达0.9228，表明模型能够很好地拟合实际水文数据。而在上游和下游地区，模型的NSE值分别为0.8103和0.8739，也表明其预测能力具有显著优势。这些结果表明，所提出的模型不仅能够准确预测水位变化，还能够有效捕捉水文过程中的关键模式，从而为洪水预测和预防提供更可靠的依据。

为了进一步验证模型的有效性，我们进行了消融实验（ablation study），以评估不同组件对模型性能的影响。消融实验的结果表明，OSD技术与EWT的结合显著提高了模型的预测能力。相比之下，单独使用EWT或OSD技术的模型在预测精度上稍逊一筹。这表明，将OSD与EWT相结合，能够更全面地捕捉水文过程中的多尺度特征，从而提高模型的整体性能。此外，深度学习模型在处理形状子序列特征方面表现出色，其在捕捉水文变化的非线性关系和复杂模式方面具有独特的优势。而集成机器学习方法则进一步增强了模型的鲁棒性和预测能力，使其能够更好地应对水文数据中的噪声和不确定性。

通过这些实验和分析，我们得出结论：所提出的模型在洪水预测和水文过程分析方面具有显著优势。其创新性的堆叠架构不仅提高了预测精度，还增强了模型的解释能力，使研究人员能够更直观地理解水文变化的机制。这种结合OSD和深度学习的方法为水文建模提供了一种新的思路，使得复杂的水文过程能够被更有效地捕捉和分析。此外，该模型的应用也为实际水文管理提供了新的工具，有助于提高洪水预测的准确性，从而减少潜在的灾害风险。

本研究的结果不仅为水文建模提供了新的方法，也为未来的水文研究和应用奠定了基础。通过将OSD技术与EWT和深度学习模型相结合，我们能够更全面地理解水文过程的动态特性，并为不同河段的水位变化提供更准确的预测。这种多尺度、多模式的分析方法有助于揭示水文变化的内在机制，从而为制定更加科学和有效的洪水预防策略提供支持。此外，模型的高解释性也为水文研究提供了新的视角，使得研究人员能够更深入地探索水文过程中的关键因素及其相互作用。

在实际应用中，该模型可以用于监测和预测不同流域的水位变化，为城市防洪、农业灌溉和工业用水管理提供科学依据。通过实时分析水文数据，模型能够及时发现潜在的洪水风险，并为相关部门提供预警信息。这种预警能力对于减少洪水带来的经济损失和社会影响具有重要意义。此外，模型的高精度预测结果还能够帮助制定更加合理的水资源管理政策，以应对气候变化和人类活动对水文系统的影响。

综上所述，本研究提出的基于OSD和深度学习的堆叠机器学习框架为水文建模和洪水预测提供了一种创新的方法。通过将形状子序列与多尺度分解技术相结合，模型能够更全面地捕捉水文过程中的复杂模式，从而提高预测的准确性和可靠性。同时，该模型的高解释性使其能够揭示水文变化的内在机制，为未来的水文研究和应用提供新的思路和工具。这些研究成果不仅有助于加深对水文过程的理解，还为应对日益复杂的水文动态提供了科学支持，具有重要的理论和实践意义。