用于估算小型水库水面温度的机器学习和深度学习方法

《Physics and Chemistry of the Earth, Parts A/B/C》：Machine and deep learning approaches for estimating water surface temperature in small reservoirs

　　•评估了五种深度学习（DL）和机器学习（ML）模型在小型水库中预测水表面温度的能力。•通过贝叶斯优化和网格搜索确定了DL和ML模型的最佳超参数配置。•支持向量回归（SVR）在时间测试和跨水库评估中实现了最高的预测准确性。•带注意力机制的卷积神经网络（CNN-Attention）在DL架构中表现出最强的跨水库性能。•SHAP分析表明，气温和太阳辐射是影响水库水表面温度的主要预测因子。

引言
开放型水库中水表面温度（Tws）的变化与水生生态系统动态密切相关，这些变化不仅影响生态过程，还影响物理和运行条件。这些变化调节着生物循环和生物多样性，同时控制着空气-水之间的热交换、蒸发率以及水质状况（Aminzadeh等人，2024；Xu等人，2024；Zhu等人，2023；Yu等人，2021；Rezazadeh等人，2020a，2020b）。Duan等人（2022）在中国滇池的研究中表明，这种温度变化与水生生物的新陈代谢增加、对疾病的易感性增强以及蓝藻水华有关，最终改变了群落结构。类似地，Bakhtiar等人（2022）报告称，Tws的波动与小型水库中的分层、水质变化和蒸发率密切相关。Tws在空气-水相互作用中起着特别重要的作用，因为它通过影响显热和潜热通量以及水体内的热储存来调节这些过程。Rezazadeh等人（2025a）指出，在有风和表面水流的情况下，Tws是影响这些热通量变化的关键因素之一。此外，Jajarm等人（2025）发现Tws对确定水表面的质量传递边界层厚度有重要影响，从而直接影响蒸发率。总的来说，这些发现表明Tws是描述水库 thermal 和生态状况的重要指标，也是水资源管理的关键参数。更好地理解Tws动态有助于提高蒸发损失的估算、水质评估和水库管理策略。因此，开发可靠的方法来估算Tws对于可持续的水库管理以及减轻环境变化对水生系统的不利影响至关重要。

遥感技术，特别是通过Landsat提供的热卫星图像，已成为监测Tws的有效工具，能够提供具有可接受准确性的空间信息（Wang等人，2021；Virdis等人，2020）。然而，其应用于小型水库时受到一些限制，包括较低的时间分辨率（例如，16天的 revisit周期）、对特定采集时间的依赖性、对天气条件和云层的敏感性，以及捕捉短期或快速温度波动的能力有限（Rezazadeh等人，2026b）。这些限制降低了卫星数据用于日常或局部Tws评估的适用性。为了克服这些限制，研究人员经常将卫星数据与现场测量结果结合，或采用利用气象变量的局部建模技术来提高时间频率的Tws估算精度。例如，Hook等人（2004）通过将Landsat-5第六波段图像与现场测量结果进行比较，评估了Tahoe湖的数据准确性，报告的标准误差约为0.6°C。Farhadi和Najafzadeh（2022）使用Landsat-8图像和2019年 Karun河（伊朗）的实地温度数据验证了该模型，在四个季节中获得了0.33-0.40°C的RMSE值，证明了在有现场观测数据支持下的良好性能。Yurteri和Kurtas（2023）还为土耳其Sif湖开发了一个基于回归的Tws重建模型，使用了Landsat图像和气温数据。他们的结果证实，尽管基于Landsat的产品适合长期监测，但其有限的时间分辨率需要在使用于小型水库的研究中采用补充模型。

除了卫星图像外，一些全球数据集（如Hybrid Coordinate Ocean Model (HYCOM)）也提供了基于数值海洋建模的Tws输出（Agrawal和Pandey，2017）。然而，这些数据集主要是为海洋和大规模海洋应用开发的。由于像素分辨率约为9公里，它们的空间分辨率限制了其在小型水库研究中的应用（Wallcraft等人，2003）。因此，尽管遥感技术是大规模Tws监测的强大工具，但在需要每日评估的小型水库中仍存在局限性，这使得高频的实地观测或定制的局部建模方法对于可靠地估算Tws变得非常宝贵。为了解决这些限制，越来越多地应用机器学习（ML）和深度学习（DL）技术来高时间分辨率地估算Tws（Shi等人，2024；Sojka和Ptak，2024；da Silva等人，2023；Quan等人，2022；Willard等人，2021）。与需要详细参数化和特定过程校准的过程模型不同，数据驱动的方法可以利用现有的气象和水文变量（如气温、风速、相对湿度和入水量）来捕捉控制Tws动态的非线性相互作用（Chen和Xue，2024）。已经在不同水生环境中测试了多种方法。例如，Jiang等人（2022）展示了集成学习器（如Random Forest (RF)和Gradient Boosting (GB)）在预测中国金沙河Tws方面的有效性，通过精心选择的输入变量（如一年中的日期和河流流量）将预测误差降低到RMSE = 0.203°C。同样，Huang和Chen（2024）表明支持向量回归（SVR）可以提供准确的每小时出水温度预测（RMSE = 0.15°C）。尽管他们的研究关注的是出水温度而非水表面温度，但结果表明基于SVR的方法能够捕捉水库系统中的非线性热动态。Mukonza和Chiang（2022）使用Landsat-8图像和一维卷积LSTM来预测台湾Mundan水库的Tws，报告的RMSE = 0.16°C。

最近，最初为自然语言处理中的序列建模开发的Transformer架构在水电预测中获得了关注，因为其自注意力机制使模型能够捕捉长期依赖性和复杂的时间动态，而不受循环网络顺序处理的限制（Vaswani等人，2017）。此外，注意力机制与卷积架构相结合，通过动态加权不同时间位置的相关性来增强特征选择，从而提高模型的可解释性和泛化能力（Wu等人，2023；Gao等人，2022）。这些进展为数据有限的环境中的Tws预测提供了新的机会，在这些环境中捕捉最有信息量的时间依赖性对于模型性能至关重要。Padrón等人（2025）应用了Temporal Fusion Transformer (TFT)来预测瑞士54个站点的日最大河流温度，在32天时间范围内获得了0.70°C的连续排名概率得分（CRPS），并展示了其在未测量站点上的良好适用性。类似地，Alerskans等人（2022）证明基于Transformer的后处理模型在近表面温度预测方面显著优于传统的线性回归和前馈神经网络，尽管在极端寒冷条件下性能略有下降。总体而言，这些研究表明ML和DL方法在捕捉时间Tws变化方面具有潜力，特别是在现场观测稀少或卫星数据时间有限的情况下。尽管有这些有希望的发展，但大多数先前的努力都集中在大型水库和河流上，或者仅使用单一模型，往往忽视了小型水库独特的水文和热动态。在这些系统中，数据可用性有限、快速的大气强迫和变化的水文条件给预测建模带来了额外的挑战。因此，对多种ML和DL方法的比较分析仍然很少，特别是在不同水库条件下。

为了填补这一知识空白，本研究评估并比较了五种ML和DL架构的性能：Random Forest (RF)、Support Vector Regression (SVR)、Convolutional Neural Network (CNN)、基于注意力的CNN和Transformer Encoder，在伊朗的两个小型水库——Ekbatan Dam Reservoir (EDR)和Alavian Dam Reservoir (ADR)中估算Tws。研究围绕三个主要目标进行：首先，评估气象变量结合滞后时间表示在数据有限条件下表征Tws时间变化的能力；其次，比较基于集成树、基于核和深度学习模型的预测性能，以确定在 calibration、时间验证和独立测试中提供最一致性能的模型；第三，通过使用ADR进行初步的跨水库评估来进一步检验开发模型的性能，初步评估模型在两个研究水库之间的不同热和形态条件下的表现。为了确保比较的一致性，采用系统化的超参数优化程序，对RF和SVR模型应用网格搜索，对DL架构使用贝叶斯优化。此外，还进行了SHapley Additive exPlanations (SHAP)分析，以量化每个气象预测因子的相对贡献并提高开发模型的可解释性。

方法论
方法论部分首先描述了EDR和ADR的地理环境和水文特征（第2.1节）。随后描述了用于Tws预测的DL和ML技术，包括CNN、CNN-Attention、Transformer Encoder模型、RF和SVR，以及它们的配置、超参数优化策略和训练协议（第2.2节）。

结果与讨论
本节介绍了EDR和ADR的Tws的时间特征及其相关环境变量，然后给出了从DL和ML模型获得的预测结果。使用EDR的保留时间测试期和独立的ADR数据集来评估模型性能，特别关注预测准确性、不确定性覆盖范围和跨水库行为。后续部分探讨了时间交叉验证、残差特征等。

结论
本研究评估了五种机器学习（ML）和深度学习（DL）架构在预测伊朗两个小型水库（即Ekbatan Dam Reservoir (EDR)和Alavian Dam Reservoir (ADR)）水表面温度（Tws）方面的性能和可转移性。作为预测因子使用了气象变量，包括气温（Ta）、太阳辐射（Rs）、相对湿度（RH）和风速（Ua），而时间依赖性通过优化后的滞后时间表示来表示。

作者贡献声明
Amir Rezazadeh：撰写 - 审稿与编辑、原始稿撰写、验证、监督、方法论、调查、正式分析、数据管理、概念化。
Ghorban Mahtabi：撰写 - 审稿与编辑、验证、调查、正式分析。
Iman Zabbah：撰写 - 审稿与编辑、调查。
Mostafa Dolatimahtaj：验证、正式分析。
Amir Amiri Roshkhar：撰写 - 审稿与编辑、调查。
Hossein Fallah：调查、正式分析。
Mehdi Soleimani：

参与同意
不适用。

出版同意
作者同意发表。

伦理批准
作者声明该工作是原创的，尚未在其他地方发表，也没有被其他地方考虑发表。

资金声明
作者确认本研究未接受任何特定机构的资助，且没有任何竞争性财务利益或个人关系可能影响本文中的工作。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文中的工作。

致谢
作者衷心感谢Hojjati等人（2020）和Rezazadeh等人（2025b）提供了本研究中用于外部验证和模型评估的重要数据集。