基于微调MTV19ANet的SFFPM-FTA洪水预测模型：融合增强归一化与改进熵特征提取的径流预测研究

《Scientific Reports》：XAI-driven analysis of influencing factors in streamflow-based flood forecasting via fine tuned MTV19Anet

　　

摘要

依赖径流信息实现的精准、及时的洪水预测，对于开发洪水预警系统、最大限度降低洪灾负面影响具有重要意义。本文提出了一种基于流量的洪水预测模型——SFFPM-FTA（基于微调MTV19ANet架构的洪水预测模型）。该模型的创新之处在于集成了增强归一化技术（enNormT），能够有效降低极端异常值的影响；同时采用改进的基于熵的特征提取方法，以提升预测鲁棒性。模型超参数通过改进狼群优化算法（IWoOA）进行优化，并结合SHAP这一可解释AI技术揭示模型内部机制。本研究还包含流量可视化展示，即在河道区域上直观呈现正常流量与洪水流量的分布。实验分析表明，在多种误差指标下，所提SFFPM-FTA模型相较其他预测模型展现出更高的性能。通过预处理阶段的改进归一化及增强熵特征提取，该模型在基于径流的洪水预测中实现了极低误差。与其他基线方法相比，该方法表现出卓越性能，MAE降低55.26%，MAPE降低64.56%，MSE降低83.45%，RMSE降低57.30%。此外，模型达到NSE为0.988、KGE为0.963、R2为0.986，有效验证了其准确捕捉径流动态的能力。总体而言，所提SFFPM-FTA模型提升了洪水预报精度，并提供了可靠且可解释的径流预测结果。