复合情景下径流极端事件的归因分析：基于可解释AI与水文模型的混合方法及其对流域可持续管理的启示

《Journal of Cleaner Production》：Attributing streamflow extremes under compound scenarios via hybrid of explainable AI and hydrological modeling: Implications for sustainable watershed management

　　

• •
  SHASE集成框架架起了可解释人工智能与物理SWAT水文路由之间的桥梁。
• •
  GBR-SHAP在保持质量守恒的前提下，真实捕捉了流域的水分记忆效应。
• •
  水库通过削减洪峰流量和提高枯水流量，重塑了径流过程。
• •
  为极端条件下的可持续土地—水资源管理提供了可操作的指导。

引言

在复合环境变化的背景下，确保区域水安全并缓解径流极端事件是全球面临的关键挑战（Trenberth等人，2014；Zscheischler等人，2018；Wu等人，2025）。在全球气候变化和人类活动集约化的共同驱动下，径流极端事件的频率、强度和变化性显著加剧（Dai，2013；Feng等人，2016）。尽管准确预测和定量归因这些极端事件对于气候韧性水资源管理至关重要，但系统性地厘清其各自独立的驱动因子和交互驱动因子仍然面临挑战（Zhang等人，2018；Gholami等人，2025）。这一挑战在人类主导的流域中尤为突出，那里的自然水文—气候信号被大气变化、集中的水利工程基础设施以及快速的陆地表面变化共同重塑（Lee等人，2025；Yan等人，2025；Zhao等人，2022）。

以往，大量研究探讨了气候变率和土地利用变化对水文过程的影响。例如，Fang等人（2022）揭示了黄河源区嵌套流域径流产流机制的尺度依赖性异质性；Wen等人（2025）证明了气候与土地利用转变在控制产水量过程中的时空非对称交互作用；而Haas等人（2025）则强调了将动态土地利用整合到土壤和水评估工具（SWAT）中以捕捉长期径流趋势的价值。理解这些驱动因子是可持续流域管理的基础；然而，在人类高度干预的流域中预测未来水文过程面临严峻挑战。在人类主导的流域中，人类活动通过主河道上的集中式水利工程调控（如梯级水库）和子流域内分布式的陆地表面转变（如城市扩张和生态绿化）两种方式发挥作用。虽然SWAT等分布式模型能有效模拟地表水文过程，但其参数化效果在水利工程调控节点往往因缺乏显式运行规则参数化而受限，可能将大量的边界不确定性向下游传播。

针对这些参数化瓶颈，数据驱动的机器学习（ML）算法（如梯度提升回归器，GBR）日益成为捕捉非线性上游边界来水及水库下泄动态的可行替代方案，而无需显式运行曲线（Xu和Liang，2021；Yan等人，2019；Yang和Li，2023）。近期研究通过将ML模块与SWAT耦合或利用沙普利加性解释（SHAP）框架解释数据驱动预测来推进了这一范式（Pinichka等人，2025；Zhou等人，2026），同时数据驱动方法在水相关系统（从淡水制备的材料优化到流域过程模拟）中也展现了广泛的适用性（Wang等人，2026）。尽管取得了这些令人振奋的进展，但在将经验性ML模型与物理水文系统对接时，仍存在关键的方法论薄弱环节。一方面，纯数据驱动算法缺乏质量守恒约束，若未与下游物理河网适当耦合，可能导致河段尺度的水量平衡违规。另一方面，由于潜在的多重共线性和代理相关性，SHAP等博弈论解释工具刻画的是统计特征敏感性，而非确定性的物理因果关系（Bian等人，2023；Hao等人，2024）。因此，验证数据驱动的边界引擎是否具有与流域水分记忆和非线性阈值一致的统计敏感性，对于建立透明且物理上合理的边界输入仍至关重要。

在连续径流模拟之外，定量解析径流极端事件的多尺度驱动因子对于可持续流域管理至关重要。因子型方差分解方法（如方差分析ANOVA）已被广泛用于解析复杂环境中气候与人类活动的贡献（Lee等人，2023；Liu等人，2023）。然而，现有的归因框架仍存在关键的方法论局限。传统评估主要关注多年平均流量变化，系统性地掩盖了极端高流量和低流量过程在子流域尺度上局部化、非对称的敏感性。此外，典型月度分析往往缺乏基于经验流量历时曲线（FDC）的标准化分位数表征，无法捕捉全谱系的极端行为，而传统因子设计也常忽视气象异常与陆地表面变化之间空间异质性的交互作用。因此，亟需开发一个集成混合框架，同时解决边界调控解耦、质量守恒物理路由、基于FDC的极端值提取以及空间方差分析归因等问题。

本研究的目标是开发一种新型框架（称为径流极端事件情景式混合归因分析框架，SHASE），用于定量预测径流极端事件并解耦其非线性交互驱动机制。本研究的创新与贡献包括：（1）通过将解耦的机器学习引擎（GBR-SHAP）与物理的土壤和水评估工具（SWAT）及方差分析（ANOVA）相结合，开发了SHASE框架，在结构上解决了动态边界条件问题，同时严格保持河段尺度的质量守恒；（2）构建并解析数据驱动的GBR边界引擎，利用SHAP方法验证其非线性特征敏感性能够捕捉水文上合理的流域水分记忆和阈值行为；（3）通过经验流量历时曲线（FDC）提取全谱系极端径流分位数（$Q_{10}$、$Q_{50}$和$Q_{90}$），以捕捉高流量和低流量过程非对称的调控重塑效应；（4）在40个子流域上采用全因子方差分析（ANOVA），定量分离气候变化、人为陆地表面转变及其协同交互作用的空间驱动贡献。最终，这一混合建模范式弥合了数据驱动边界预测与物理地球系统路由之间的差距，为全球受调控流域的可持续流域管理提供了可操作、空间明确性的科学依据。

章节摘要

方法

为系统性地解耦人为土地利用变化与气候变率对未来径流极端事件的影响，本研究执行了集成SHASE框架（图1）。首先，利用贝叶斯模型平均（BMA）和PLUS模型生成多维度的气候和陆地表面驱动情景。随后，将可解释人工智能引擎与SWAT模型耦合，解码非线性边界径流和水库调度，驱动时空河道路由。

研究区与数据

研究区涵盖黄河流域上游和中游地区，通常被称为"大拐弯"或"几"字形区域（Qiu等人，2026）。该地理范围从小河沿站延伸至龙门站，面积约30万平方公里（图2）。地形上，该区域从青藏高原东北缘过渡到黄土高原。作为典型的干旱半干旱气候过渡带，该流域年降水量为200–450 mm

水文—气候强迫与水文基线验证

多情景预测的可靠性取决于基线气象数据的准确性。图3将降尺度气候强迫数据与46个气象站的连续日观测进行了验证。统计指标基于整个历史基线期在点尺度日分辨率下计算。对于热力变量，各个全球耦合模型（GCM）和BMA集合均表现出较高的一致性。日最高和最低气温的皮尔逊相关系数均超过0.85

结论

准确预测和归因人类主导流域的水文径流极端事件对气候韧性水资源规划至关重要。本研究建立了径流极端事件情景式混合归因分析框架（SHASE），将解耦的可解释人工智能（GBR-SHAP）引擎与物理SWAT模型耦合，实现了质量守恒的河道路由、非线性人类调控解码以及空间明确的方差分解

作者贡献声明

邱越： 初稿撰写、可视化、软件、方法学、形式分析、概念构思。李永平： 审阅与编辑、经费获取。黄河： 监督指导。马龙： 监督指导。马金金： 资源、调研。李士卓： 资源、调研。

利益冲突声明

作者声明不存在可能影响本文工作的已知竞争经济利益或个人关系。

致谢

本研究得到了国家重点研发计划（2023YFC3206503）、国家自然科学基金创新研究群体（52221003）以及国家自然科学基金（52279003和52279002）的资助。作者感谢编辑和匿名审稿人的富有洞察力的评论和建议。

邱越|李永平|黄河|马龙|马金金|李士卓