基于门控循环单元与贝叶斯优化的混合深度学习框架提升短期降水预测精度

降水预测对水资源管理和防灾减灾至关重要，但传统方法受限于系统复杂性和不确定性。本研究创新性地结合门控循环单元(GRU)和多层感知机(MLP)，通过贝叶斯优化(BO)算法调参，在加州McCloud流域实现日均降水预测的均方误差(MSE)降低68%，纳什效率系数(NSE)和Kling-Gupta效率指数(KGE)显著提升，极端降雨事件预测能力同步增强，为智慧水利和气候韧性管理提供新范式。

　　

降水预测一直是水文气象领域的重大挑战，其准确性直接关系到洪水预警、农业灌溉和水库调度等关键决策。尽管数值天气预报(NWP)技术不断进步，但由于水汽动力学、云微物理过程等复杂相互作用，加上降水固有的时空变异性，短期降水预测仍存在显著误差。近年来，深度学习(DL)方法如多层感知机(MLP)、长短期记忆网络(LSTM)等在气象领域展现出强大潜力，但单一模型往往难以兼顾时空特征提取与非线性关系建模，且存在过拟合、计算成本高等痛点。

在此背景下，研究人员开发了一种融合门控循环单元(GRU)和MLP的混合深度学习框架。该模型创新性地将GRU处理时序数据的能力与MLP捕捉非线性特征的优势相结合，并采用贝叶斯优化(BO)自动调参。研究选用美国加州McCloud流域的PRISM观测数据和加州-内华达河流预报中心(CNRFC)的定量降水预报(QPF)作为输入，通过Sobol全局敏感性分析(GSA)筛选关键超参数。

关键技术方法包括：1) 构建GRU-MLP混合架构处理时空序列；2) 使用Optuna框架实施贝叶斯超参数优化；3) 采用Sobol法进行全局敏感性分析；4) 以均方误差(MSE)、纳什效率系数(NSE)等六项指标评估性能。

研究结果显示：

1. 模型优化：贝叶斯优化确定的GRU隐藏层维度为128，MLP隐藏层为[64,32]，丢弃率(dropout)0.2，学习率0.001；
2. 性能提升：相比基准NWP预报，测试集MSE降低68%，NSE从0.41提升至0.89，KGE从0.53增至0.91；
3. 极端事件预测：对>50mm/d的强降水，威胁评分(TS)提高42%，偏差(bias)控制在1.05以内；
4. 敏感性分析：GRU层数和学习率对模型性能影响最大(Sobol指数>0.3)。

讨论与结论指出：该框架通过GRU有效捕捉降水时间依赖性，MLP修正NWP系统性偏差，二者协同作用显著提升预测精度。贝叶斯优化使模型在保持简约架构(仅3.2×10⁵参数)的同时获得最优性能，计算效率较LSTM提升40%。研究证实混合DL模型能有效转化NWP的大尺度预报技能为流域尺度精准指导，特别在极端降水事件中表现突出。成果发表于《Environmental Modelling》，为智慧水利系统提供可解释、高效率的预测工具，其开源代码库RainCastX已推动相关领域方法标准化。未来工作将扩展至积雪融雪耦合模拟，并探索物理约束式DL以增强预测可解释性。