基于深度学习与协变关系可解释性的雅鲁藏布江流域径流预测研究

《Journal of Hydrology: Regional Studies》：Runoff prediction based on deep learning and interpretability on covariant relationship in the Yarlung Zangbo River Basin

　　

准确的径流预测有助于水资源管理和防洪准备。雅鲁藏布江（YZR）作为世界上海拔最高的主要河流，由于其巨大的海拔梯度、多样化的冰冻圈组分（冰川、积雪和永久冻土）、气候变暖以及时空变化显著的降水，给建模带来了挑战。在这些条件下，随空间和时间变化的强非线性降雨-径流关系难以表征。参数不确定性和有限的观测进一步制约了青藏高原等数据稀缺地区的水文建模。长短期记忆（LSTM）网络在水文时间序列预测方面显示出潜力，包括在大样本研究中学习降雨-径流关系。标准LSTM架构侧重于时间依赖性，其预测难以从空间差异以及气象输入与径流之间关系的角度进行解释。仅凭预测准确性无法确定模型学到了哪些物理过程。比较模型在不同站点和时期对输入的依赖程度，有助于表征这些关系并指导后续基于过程的研究。从干旱的上游到湿润的下游，雅鲁藏布江流域（YZRB）各对比亚区域中气象因素的作用及其与径流的关系有待进一步检验。以往研究探讨了模型特征贡献的时空差异。杨等人（2026）比较了飞来峡流域洪水和非洪水期深度学习模型的SHAP贡献，而张等人（2025a）比较了青藏高原东部不同流域的SHAP贡献。然而，同时使用四季和洪/非洪水分组进行跨站点的SHAP比较在这些研究中仍然有限。在此，研究人员结合YZRB五个站点的空间和时间比较，检验了依赖于时段的气象归因模式是否在各站点间共享或因位置而异。其贡献在于识别流域内的共同模式和特定站点的例外情况。这些事后归因描述的是模型学到的关联，而非物理因果关系的直接证据。研究人员为YZRB的五个站点分别开发了独立的LSTM模型，并比较了降水、温度和相对湿度在四个季节以及洪水和非洪水期的SHAP归因。目标是评估每个站点的日径流预测性能，表征气象归因大小和方向的变化，并在可用输入的限制内审视其区域意义。

研究背景与问题

雅鲁藏布江（YZR）是世界上海拔最高的主要河流，其流域拥有巨大的海拔梯度、多样的冰冻圈组分（包括冰川、积雪和永久冻土），以及显著的气候变暖和时空变化剧烈的降水条件。这些复杂因素导致流域内呈现出强烈的非线性降雨-径流关系，且这种关系随空间和时间变化，使得传统水文模型在该区域的参数不确定性高、观测数据有限，建模面临巨大挑战。尽管长短期记忆（LSTM）网络在水文时间序列预测中展现出潜力，能够学习降雨-径流关系，但其标准架构侧重于时间依赖性，预测结果难以从空间差异以及气象输入与径流之间关系的角度进行解释。仅凭预测准确性无法判断模型究竟学习了哪些物理过程。因此，有必要比较模型在不同站点和时期对气象输入的依赖程度，以表征这些关系并指导后续基于物理过程的研究。特别是，从干旱的上游到湿润的下游，雅鲁藏布江流域（YZRB）各对比亚区域中气象因素的作用及其与径流的关系尚待深入探究。为此，研究人员结合YZRB五个站点的空间和时间比较，旨在检验依赖于时段的气象归因模式是否在各站点间共享或因地理位置而异，从而识别流域内的共同模式和站点特定的例外情况。

研究内容与结论

研究人员为YZRB的五个水文站（拉孜、奴各沙、羊村、奴下和拉萨）分别开发了独立的LSTM模型，利用1980年至2010年的日降水（PRE）、气温（TEM）和相对湿度（RHU）数据作为输入，预测日径流量。通过将SHAP归因值按四季以及洪水和非洪水期分别分组，研究人员比较了各气象要素在不同站点和时期对预测径流的贡献大小和方向。研究得出以下主要结论：首先，各站点的LSTM模型均取得了良好的预测性能，测试集纳什效率系数（NSE）在0.88至0.99之间，表明模型能够有效学习径流的时间动态。其次，通过季节对比发现，降水和相对湿度的归因值在所有五个站点的夏季均较大，而气温在某些寒冷时期的相对重要性较高，但其绝对归因值并非总是在春季或冬季最高。第三，跨站点的SHAP比较揭示了空间异质性：例如，在拉萨站，丰水期的高温导致了负的模型归因值，这可能反映了高温通过增加蒸散发间接减少了径流的机制。第四，将SHAP分析细分为具体的水文时期（如洪水与非洪水期），有助于更精细地解释区域径流预测中的模型行为。这些发现表明，虽然某些气象归因模式（如夏季降水的主导作用）具有普遍性，但站点特定的气候和地形条件会导致重要的例外情况，强调了在数据稀缺的高海拔流域进行多站点、多时期可解释性分析的价值。

关键技术方法

1. 1.
   长短期记忆（LSTM）网络：研究人员为每个站点单独训练了一个包含三个LSTM层（隐藏单元数分别为64、256和64）和一个全连接层的神经网络模型。模型使用过去100天的气象数据（PRE、TEM、RHU）作为输入序列，预测次日的径流量。训练采用Xavier均匀分布初始化权重，余弦退火调度器调整学习率，并以验证集损失最低的检查点作为最终模型。
2. 2.
   SHAP（Shapley Additive Explanations）可解释性分析：基于合作博弈论中的Shapley值，研究人员计算了每个输入特征（PRE、TEM、RHU）对单个预测结果的贡献度（SHAP值）。正SHAP值表示该特征增加了预测径流，负值则表示减少。通过按季节和洪水/非洪水期分组聚合SHAP值，研究人员比较了不同时期和站点间模型对各气象特征的依赖程度。

研究结果

3.1 基于深度学习的径流预测

研究人员为五个站点分别训练了LSTM模型，并在测试集上评估了其一日超前径流预测性能。结果显示，拉孜站和奴下站的NSE达到0.99，奴各沙站为0.98，羊村站为0.90，拉萨站为0.88。这表明所有站点的模型都表现出良好的预测能力，但站点间存在性能差异。

3.2 预测径流的气象归因

研究人员将SHAP值按四季以及洪水期（6-9月）和非洪水期进行分组分析。正SHAP值表示特征增加预测值，负值表示减少。通过比较平均绝对SHAP值和符号值的分布，研究人员区分了归因的平均大小和对单个预测的贡献方向。

3.2.1 各季节气象归因的比较

在所有五个站点，降水和相对湿度的平均绝对SHAP值在夏季最大。相比之下，气温在某些较冷时期的相对重要性高于其他输入，但其绝对归因值并非始终在春季或冬季最高。这描述了模型在不同季节对输入变量依赖程度的差异。

3.2.2 各站点洪水与非洪水期气象归因的比较

研究进一步对比了洪水期与非洪水期的归因模式。结果表明，不同站点间的归因模式存在显著的空间异质性。例如，在拉萨站，洪水期的高温导致了负的模型归因，这可能与高温加剧蒸发散失有关；而在其他站点，这种关系可能不同。这些发现突出了进行站点特异性分析的重要性。

讨论与结论

讨论部分指出，这些事后归因描述的是模型学到的关联，而非直接的物理因果关系。模型对输入的相关性和参考分布具有依赖性。尽管如此，通过跨站点和跨时期的比较，研究人员识别出了一些共同模式（如夏季降水的主导作用）和站点特定的例外（如拉萨站高温的负效应）。这些结果有助于理解在复杂的高原流域中，深度学习模型是如何利用气象信息进行径流预测的，并为未来的过程导向型研究提供了线索。研究的局限性在于仅使用了三种气象输入，未考虑土壤湿度、积雪面积等更多过程相关的变量，且模型学到的关联可能受限于数据的质量和长度。

研究结论总结如下：研究人员为雅鲁藏布江流域五个站点开发的独立LSTM模型在日径流预测上表现良好（NSE: 0.88-0.99）。通过SHAP分析发现，气象特征的归因大小和方向随站点和水文时期（季节、洪水/非洪水期）而变化。在所有站点，夏季降水和相对湿度的归因最强。特别地，在拉萨站，丰水期的高温导致了负的模型归因。这些结果表明，针对特定时期的SHAP分析有助于解释区域径流预测，并强调了在多变的流域环境中进行空间显式可解释性分析的必要性。