基于SCS-LSTM混合模型的缺数据山区小流域智能洪水预报新方法

针对摩洛哥Oum Er Rbia流域水文干旱监测需求，研究团队创新性提出可解释人工智能(XAI)驱动的多源指标融合方法，开发了水文气象干旱复合指数(HDCI)。通过Shapley加性解释(SHAP)理论筛选并加权10项干旱相关指标，构建的HDCI与水文实测变量显著相关(R2>0.8)，实现了基于遥感与再分析数据的像素级干旱评估，为缺资料地区水资源管理提供新范式。

　　

在地中海半干旱地区，气候变化正引发日益严峻的水资源危机。摩洛哥Oum Er Rbia流域作为典型研究区，近年来遭遇多维干旱的叠加冲击——气象干旱频发、水文干旱持续加剧、地下水储量锐减，对当地农业和社会经济发展造成深远影响。传统干旱监测方法面临三大瓶颈：单指标难以捕捉干旱多维特征；站点数据存在时空不连续性；黑箱模型缺乏机制解释性。这些缺陷严重制约着干旱早期预警系统的效能，亟需开发融合多源数据、具备物理可解释性的新型评估工具。

Mohammed VI Polytechnic University（穆罕默德六世理工大学）的研究团队在《Journal of Hydrology: Regional Studies》发表创新成果，提出基于可解释人工智能(XAI)的水文气象干旱复合指数(HDCI)。研究突破性地将梯度提升机(GBM)与Shapley加性解释(SHAP)理论结合，系统整合了来自GLDAS-2/GRACE的陆地水储量(TWS)、ERA5-Land土壤含水量、MODIS积雪指数(NDSI)等10项多源指标，构建出能同时反映大气水分亏缺、地表/地下径流异常和水储量变化的综合评估体系。关键技术包括：1）利用Google Earth Engine平台获取2004-2019年高水位期(12-5月)的250m分辨率网格数据；2）通过H2O平台实施10折交叉验证的GBM模型优化；3）采用SHAP加权均值法确定指标贡献度；4）基于22个水文站和3座水库（Al Massira、Bin El Ouidane和Ahmed Al Hansali）的实测数据进行三重验证。

4.1 水文干旱因子的SHAP加权贡献
分析显示不同响应变量下因子贡献差异显著：以径流异常为响应变量时，降水状态指数(PCI)、积雪指数(NDSI)和陆地水储量指数(TWSI)贡献均超15%；而以水库蓄量变化为响应变量时，径流状态指数(RCI)贡献达23%，气候水分亏缺指数(CWDI)影响凸显。

4.3 关键因子识别
通过逐步剔除低贡献因子发现：仅保留贡献度>10%的4个因子（TWSI、PDSI、NDSI、PCI）即可使径流异常预测的HDCI达到饱和性能（R2=0.75），证实"少而精"的因子组合策略有效性。

4.5 空间动态比较
三套HDCI方案中，基于8因子水库蓄量变化的方案III最能反映极端干旱事件（如2014、2019年），其上游站点Aval El Heri的验证相关性达R=0.96，显著优于4因子方案I的R=0.82。

4.7 验证性能
HDCI与三大水库入流量的相关性呈现空间梯度：上游Al Hansali水库R2=0.86，中游El Massira水库降至R2=0.57，揭示水利工程调控对下游干旱特征的显著影响。

这项研究开创性地建立了可解释AI驱动的多尺度干旱评估框架，其核心价值体现在三方面：首先，HDCI突破传统站点监测局限，首次实现Oum Er Rbia流域250m像素级的干旱动态刻画；其次，SHAP加权机制定量揭示了TWSI在干旱形成中的主导作用（贡献度42%），为干旱机制研究提供新视角；最后，方案III的8因子配置成功捕捉到2017-2019年连续干旱事件中水库蓄量骤降35%的极端情况，证明其在早期预警中的实用价值。研究团队特别指出，未来可通过机器学习降尺度方法优化GRACE数据(27km)与MODIS数据(500m)的融合精度，并建议开展月尺度SHAP分析以增强指数的时间分辨率。这些发现为全球半干旱流域的水资源适应性管理提供了可迁移的技术范式。