基于Stacking集成机器学习的汉江上游气候变化下径流与水文干旱预估

《Journal of Hydrology: Regional Studies》：Projection of hydrological droughts in the upper Hanjiang River under the climate change impact based on stacking machine learning model

　　

基于Stacking机器学习模型（stacking machine learning model），对气候变化影响下汉江上游（upper Hanjiang River）水文干旱（hydrological droughts）进行预估。集成机器学习（ensemble machine learning, ML）模型较单一模型（individual models）改进了径流预估（runoff projection）。未来年径流（annual runoff）呈增加趋势，但模型间离散度较大（large model spread）。预估干旱历时（drought duration）将缩短，但干旱强度（intensity）将增加。在SSP585情景下，极端干旱（extreme droughts）比例预计更高。突发性强干旱（sudden intense droughts）可能威胁跨流域调水工程（inter-basin water transfer projects）。

论文主体解读：汉江是长江最大支流，汉江上游是南水北调中线工程和引汉济渭工程等跨流域调水工程（inter-basin water transfer projects, IBWTPs）的重要水源涵养区，维持充足水资源对本地及大范围受水区至关重要。全球变暖下水文循环加剧，干旱和极端降水更频繁，汉江径流近期明显下降：Huangzhuang站2013—2022年平均年径流为36.63 billion m³，较1950—2020年多年平均少20.1%；Danjiangkou Reservoir 1999—2017年平均径流较1956—1998年少13.3%；2022年长江流域干旱中，Huangzhuang站实际年径流仅31.23 billion m³，较2021年少57.5%，Danjiangkou Reservoir 7—10月径流仅为常年同期的36.1%，水位低至157.04 m。极端干旱已影响IBWTPs的可行性与可持续性。现有未来径流与水文干旱预估存在不确定性：不同CMIP6（Coupled Model Intercomparison Project Phase 6，第六次耦合模式比较计划）模式对降水和蒸散发模拟差异可导致径流趋势相反；单一机器学习（machine learning, ML）模型因径流非平稳性、随机性和复杂性而性能波动较大；黑箱ML模型难以量化水文气象变量贡献。为此，研究人员构建可解释Stacking机器学习框架，预估气候变化影响下汉江上游未来水文干旱，采用支持向量回归（Support Vector Regression, SVR）、多层感知机（Multi-Layer Perceptron, MLP）、核岭回归（Kernel Ridge Regression, KRR）和核极限学习机（Kernel Extreme Learning Machine, KELM），以多元线性回归为元学习器构建堆叠集成模型（SMRE），并以标准化径流指数（Standardized Runoff Index, SRI）结合游程理论评估干旱历时、频率、强度和严重度；经偏差校正统计降尺度（bias correction statistical downscaling, BCSD）和Taylor技巧评分（Taylor Skill Score, TSS）筛选10个CMIP6 GCMs，在SSP245和SSP585情景下预估2030—2099年月径流。研究结论表明SMRE总体性能与最佳单一模型相当或更优，能更好捕捉峰值；未来年径流总体增加但模式间离散大；干旱历时缩短、频率和严重度降低，但强度变化不确定，SSP585下极端干旱比例升高；突发强干旱可能威胁IBWTPs。该研究为调水工程适应性管理提供科学依据。

关键技术方法（≤250字）：采用Yangxian与Baihe站1974—2022年月径流资料（长江水利委员会水文局及汉江流域统计年鉴），以CN05.1降水、最高/最低气温和ERA5-Land向下短波辐射为预测因子；选取20个CMIP6模式，经BCSD降尺度与TSS评价后保留10个；构建SVR、MLP、KRR、KELM及多元线性回归元学习器的SMRE堆叠模型，以NSE、PBIAS、KGE和log-NSE评价，用SHAP解释贡献；基于1个月SRI与三阈值游程理论识别干旱。

4.1 径流模型构建。4.1.1 单一机器学习模型与堆叠模型性能比较：通过测试期模拟和NSE、PBIAS、KGE、log-NSE评价发现，单一ML模型一般能捕捉Yangxian和Baihe观测径流变化，但峰值处存在偏差；SMRE在峰值特别是Baihe站表现更好，KGE和log-NSE与最佳单一模型相当或更优，高流（前10%观测径流）预测误差较最佳单一模型降低约10—20%。以SRI≤-1.0为阈值验证2008—2022年干旱识别，Baihe站44个观测干旱月正确识别41个（93.6%）且未误判非干旱月，Yangxian站103个观测干旱月识别94个（91.3%），仅少数非干旱月误判，故采用SMRE进行后续预估。4.1.2 模型解释：结合SHAP与SMRE估计预测因子贡献，Yangxian站降水贡献最大，其余三变量绝对贡献相近，降水与Tmin为正贡献、Tmax与SR为负贡献；Baihe站Yangxian径流贡献最大、超过降水，其次为Tmax、SR和Tmin，验证了上游信息用于下游预测的合理性。

4.2 气候变化影响下径流预估。4.2.1 GCMs降尺度与评价：BCSD使四变量相关系数更集中并改善几乎全部GCMs，降尺度前Tmax和Tmin相关系数多高于0.7且高于P和SR；按总体TSS选出ACCESS-ESM1–5、EC-Earth3-Veg-LR、CAS-ESM2–0、GFDL-ESM4、MRI-ESM2–0、EC-Earth3、FIO-ESM-2–0、BCC-CSM2-MR、INM-CM4–8和ACCESS-CM2共10个GCMs。4.2.2 径流预估：多GCM集合平均显示SSP245和SSP585下2030—2099年年径流均呈增加趋势，Yangxian站Sen斜率分别为0.066和0.083 10⁸ m³/a，Baihe站为0.322和0.285 10⁸ m³/a，但模式间离散大；SSP585下两主站均有6/10个GCM呈显著（p<0.05）增加。模式层面，ACCESS-CM2、ACCESS-ESM1–5、EC-Earth3-Veg-LR和INM-CM4–8在两情景下预估增加，SSP585下增幅明显；BCC-CSM2-MR、EC-Earth3和FIO-ESM-2–0变化小且趋势不明；CAS-ESM2–0预估减少且SSP585下显著；MRI-ESM2–0在SSP245略增、SSP585略减。季节上，近期Yangxian春冬增加、秋季SSP585略增而SSP245略减、夏季减少，Baihe春冬增加而夏秋减少；中期Yangxian春、秋、冬增加而夏季减少，Baihe春、夏、冬增加而秋季减少；远期Yangxian仅夏季减少、其余季节增加，Baihe各季均增加，累积年季节异常均大于0且高于基线（结果部分给出0.51—2.23 billion m³）。

4.3 气候变化影响下未来水文干旱：基于预估月径流用SRI和游程理论识别干旱。SSP585下Yangxian集合平均历时由P1的5.35个月降至P3的1.77个月（约减少67%），Baihe由4.00降至1.97个月（减少51%）；Yangxian严重度在SSP585下P1至P3减弱约59%，频率总体下降；强度无一致单向趋势，集合平均在各时段波动，Baihe在SSP585下P1至P2增加、P3略降，模式离散大。干旱等级比例上，中度干旱最占优势，轻度与重度频繁、极端最低；SSP245下中度由近期至远期减少而重度和极端增加、轻度波动；SSP585下极端由近期至远期增加、轻度减少、中度和重度波动。

4.4 未来径流与气象要素关系：分析表明两情景下降水、太阳辐射、Tmax和Tmin均上升，长期增幅最大，Tmax可能上升+6.6℃、Tmin+6.4℃；降水与径流预计增加，太阳辐射和温度升高通常通过蒸发和能量平衡降低径流，但本研究中降水显著增加对径流的促进作用更突出，抵消蒸发增加并提高总径流量，故各未来时段径流变化均为正。

讨论部分总结：SHAP归因与物理预期一致，降水主导正贡献，温度和辐射为负贡献。Yangxian与Baihe存在空间差异：两站年径流均增加，但Yangxian在整个未来期夏季径流减少，Baihe仅近期夏季减少；这与Yangxian位于西北山区、夏季有效降水增加不足以抵消蒸发增加，而Baihe集水面积更大、聚合上游来水和季风降水更充分有关，提示上游Yangxian周边虽总体变湿仍可能面临夏季水压力。干旱特征变化复杂：降水增加缓解频率和历时，高温导致蒸散发增加可能在事件发生时加剧强度；SSP585下极端干旱比例上升而轻度下降，但极端事件低频、样本量有限（部分情形仅1—5个月），其趋势幅度需谨慎解释。不确定性包括GCM选择及模式间离散、ML模型假设降雨—径流关系平稳、远期高排放情景不确定性较大；双累积曲线显示20世纪90年代中期以来降雨—径流关系相对稳定，1994—1995年前后变化可能与土地利用/覆盖变化有关，支持校准期选择；月尺度可能平滑次月尺度干旱传播过程；Yangxian模型未显式加入滞后预测因子。管理启示是未来并非简单稳定变湿，而应增强系统灵活性以应对年际变率和极端事件。

研究结论翻译：汉江上游是南水北调中线工程和引汉济渭工程的重要水源区，其水资源变化对调水工程运行及当地经济社会可持续发展影响显著。本研究构建机器学习模型，利用降水、温度和向下短波太阳辐射模拟Yangxian和Baihe站月径流，并预估SSP245和SSP585下2030—2099年月径流，进一步提取和分析水文干旱特征。主要发现为：（1）SMRE在Yangxian和Baihe站模拟的总体性能与单一ML模型相当，能准确捕捉高流，降水是主导径流预测精度的水文气候因子；（2）两情景下年径流较历史基线增加，支持以汉江上游为水源的跨流域调水需求，季节上近期冬春增加、中期仅秋季减少、长期各季显著增加，年径流异常持续为正（0.05—2.23 billion m³）并超过基线；（3）水文干旱预计向历时缩短、频率和严重度降低但强度和突发性增强演变，高排放情景将增加极端干旱比例，需提升调水基础设施灵活性和能力以缓解气候诱发缺水及供需失衡。总体而言，本研究为汉江流域径流动态和水文干旱格局提供认识，为适应性水资源管理提供科学依据；仍需进一步降低气候预估不确定性并增强调水设施对变化水文情势的韧性。