基于LSTM与多算法机器学习框架的摩洛哥中央高阿特拉斯四流域未来径流多尺度干旱化与极端事件投影及其对Hassan 1st Dam入库流量的启示

《Research in Cold and Arid Regions》：Machine-Learning Projections of Future Streamflow in Four Central High Atlas Basins (Morocco): Multi-Scale Drying, Extremes, and Implications for Hassan 1st Dam Inflows

　　

本研究考察了摩洛哥中央高阿特拉斯四个源头流域（Ademmaghene（Lakhdar）、A?t Sigmine（Ghazzaf）、Sgatt（Bernat）和A?t Tamlilt（Tassaout））在RCP 4.5和RCP 8.5情景下基于统计降尺度CNRM-CM5降水情景并结合多算法机器学习（ML）框架的预估水文气候变化的径流响应。预估降水显示自约2030年起呈现持续干旱化趋势，至2100年加剧，且在RCP 8.5下更为显著。冬季（DJF）和春季（MAM）表现出最大的季节性亏缺，减少了积雪积累、地下水补给和山区河流基流。年降水量减少约8%至9%（RCP 4.5）和>18%（RCP 8.5），表明水文缓冲能力系统性降低。流域水文响应因蓄水能力、地貌和主导产流过程而显著不同。Ademmaghene表现出相对韧性；A?t Sigmine（岩溶型、暴涨型）对补给脉冲减少高度敏感；Sgatt趋于 episodic 情势；A?t Tamlilt随积雪减少和融雪时序提前而日益脆弱。在评估的六种ML算法——LSTM、Random Forest（RF）、Gradient Boosting（GB）、HistGradientBoosting（HistGB）、K-Nearest Neighbours（KNN）和Multi-Layer Perceptron（MLP）——中，LSTM在较规则情势下取得最佳性能（Ademmaghene：R²=0.79，KGE=0.83；A?t Tamlilt：R²=0.57，KGE=0.73），而所有模型在岩溶型和高非线性流域（A?t Sigmine、Sgatt）均表现出有限技巧。2020–2100年气候预估表明年均流量、晚夏低流量（40%至70%）下降以及雪影响流域峰值时序提前（15–30天）。世纪末年水量损失达20%至35%（RCP 4.5）和35%至55%（RCP 8.5）。季节传递函数将上游源头水量与Hassan 1st Dam入库流量（1999–2019）相联系，预估RCP 4.5/RCP 8.5下年均入库流量从约190 Mm³/a降至约45/24 Mm³/a（2020–2049）、33/17（2050–2079）和27/19（2080–2099），相当于减少75%至90%。结果表明混合ML方法在半干旱山区多尺度水文投影中的实用性，并强调流域特定适应策略的紧迫需求。

研究背景方面，北非山地流域尤其是摩洛哥中央高阿特拉斯在人为变暖、人口增长和农业集约化下正经历快速水文气候变化。作为Oum Er-Rbia、Tensift和Sebou流域的主要水塔，中央高阿特拉斯支撑着大型灌溉区、城市供水和战略水电及水库基础设施，包括Hassan 1st Dam。观测记录和CMIP5/CMIP6/CORDEX-Africa预估一致将该区域识别为气候变化热点，RCP 4.5/RCP 8.5下至2100年升温2–4 °C、降水减少20%至40%，导致积雪减少、融雪提前和季节流情势日益失衡。阿特拉斯山脉陡峭的海拔梯度、薄层土壤和岩溶化碳酸盐地质通过强降雨后的暴涨响应以及积雪和地下储水仍活跃时的延迟径流放大了这种敏感性。机器学习尤其是LSTM网络能直接学习此类非线性、记忆依赖关系，并在许多降雨-径流应用中优于概念模型。然而，现有摩洛哥气候影响应用常局限于历史预报、卫星降水评估或基于过程的水文模拟，鲜有将基于GCM的气候情景与水文极端事件显式分析相耦合。本研究通过多算法ML框架（LSTM、RF、GB、HistGB、KNN、MLP）在相同条件下应用于四个对比性中央高阿特拉斯源头流域，结合至2100年CNRM-CM5 RCP 4.5/RCP 8.5下的多时间尺度投影（日至年）、显式极端流量分析以及将源头投影可操作地转化为Hassan 1st Dam入库情景，以支持水库运行、灌溉规划、干旱准备和生态流量保护。研究人员开展的研究得出以下结论：预估降水自约2030年起呈持续干旱化趋势，冬春季亏缺最大，年降水减少约8%至9%（RCP 4.5）和>18%（RCP 8.5）；流域水文响应因蓄水能力、地貌和主导产流过程而异；LSTM在较规则情势下表现最佳，而在岩溶型和高非线性流域所有模型技巧有限；2020–2100年预估表明年均流量、晚夏低流量下降40%至70%，雪影响流域峰值时序提前15–30天，世纪末年水量损失20%至35%（RCP 4.5）和35%至55%（RCP 8.5）；季节传递函数预估Hassan 1st Dam年均入库流量减少75%至90%。其重要意义在于证明了混合ML方法在半干旱山区多尺度水文投影中的实用性，并强调流域特定适应策略的紧迫需求。

研究人员开展研究用到的主要关键技术方法包括：采用统计降尺度的CNRM-CM5全球气候模式日降水序列（1970–2100）作为气候强迫，选取RCP 4.5和RCP 8.5两条路径；构建多算法机器学习框架（LSTM、RF、GB、HistGB、KNN、MLP）在相同数据和气候强迫条件下逐流域训练比较，其中LSTM采用30天降水序列输入、64单元单隐层、dropout率0.2、Adam优化器（学习率0.001）和早停策略；采用R²、CC、KGE、ME、MAE、RMSE等指标进行训练/验证/测试三向评估；以年最大日流量序列（AMS）和第5百分位低流量定义分析极端流量，并以第95和第10百分位阈值在三个30年窗口（2025–2049、2050–2079、2080–2100）追踪超阈频率；最后以1999–2019年观测重叠期校准的季节传递函数将上游源头水量与Hassan 1st Dam入库流量相联系。数据来源为四个测站日流量观测（约1980年代中期至2020年）及位于测站的气象站日降水。

研究结果方面，4.1 各尺度总体降水趋势：在所有聚合尺度（15天、月、季、年）上，预估降水序列显示自约2030年起持续干旱化趋势并向世纪末加剧，RCP 8.5下更强，季节上冬春异常最大，表明维持山区河流和含水层的主要补给季减少。4.2 流域特定径流响应：Ademmaghene对降水减少呈相对较弱负响应，水文过程线相对平滑缓响应，年水量损失8%至18%；A?t Sigmine对补给脉冲减少高度敏感，预估间歇性增加，多年生情势可被间歇和短暂情势取代；Sgatt趋于 episodic 情势，低流量期延长、高流量事件缩短；A?t Tamlilt敏感性最强，峰值时序提前15–30天，晚夏低流量增加40%至70%。4.3 四流域模型性能：LSTM在较规则情势下始终最佳（Ademmaghene R²=0.79、KGE=0.83；A?t Tamlilt R²=0.57、KGE=0.73），在岩溶和高非线性流域性能有限（A?t Sigmine R²≈0.32、KGE≈0.33；Sgatt R²≈0.36、KGE≈0.40），所有经典ML模型在这些流域技巧低于LSTM。4.4 极端流量预测：雪影响流域历史峰值量级相对稳定，未来峰值时序偏移约15–30天、量级略降；暴涨型流域年极值年际变率更强，RCP 8.5下极端峰值趋于增强，支持"更干但更极端"的水文气候轨迹。4.5 月、季、年水文投影（2020–2100）：月尺度冬季流量显著下降，A?t Tamlilt和Ademmaghene春季峰值提前，晚夏所有流域流量极低、减少约40%至70%；季尺度夏季流量减少最强，秋季逐渐下降，冬季不确定性较大但雪影响流域总体趋降；年尺度四流域平均流量长期下降，A?t Tamlilt和Ademmaghene减幅最大。4.6 年水量与长期气候影响：年末综合水量损失显著，RCP 8.5下更强，5年和10年滑动平均证实持续干旱化信号，雪依赖流域长期损失最大。4.7 流域间水文对比与气候敏感性：A?t Tamlilt对变暖高度敏感，Ademmaghene过程线形态维持但年流量持续减少、夏季低流量更显著，A?t Sigmine对降雨变化高度反应、预测不确定性高，Sgatt在RCP 8.5下极端事件放大最强。4.8 水库尺度转化与Hassan 1st Dam投影（1999–2019；2020–2100）：季节传递函数在1999–2019年诊断性能为月尺度CC=0.79、NSE=?0.044、KGE=0.35，年尺度CC=0.84、NSE=0.124、KGE=0.37；以R²=0.78校准的季节传递函数预估年均入库流量从观测均值约190 Mm³/a降至约45/24 Mm³/a（2020–2049）、约33/17 Mm³/a（2050–2079）和约27/19 Mm³/a（2080–2099），相当于相对历史均值减少约75%至90%；季节上春季贡献减弱，世纪末RCP 8.5下入库更趋 episodic、秋季脉冲作用增大。4.9 流域间比较评估：四个流域说明共同大尺度气候信号可因地貌、雪情势和地下储水差异而产生广泛不同的水文响应，尽管所有流域均经历干旱化，但驱动机制不同——雪主导的A?t Tamlilt主要因积雪减少，岩溶型A?t Sigmine因补给脉冲减少，暴涨型Sgatt经历间歇性增加，缓冲型Ademmaghene缓慢但稳定失去基流。

讨论部分总结如下：5.1 ML模型的流域依赖性能——模型技巧主要受流域水文而非算法特性影响，在雪主导和相对缓冲流域LSTM始终优于经典ML模型，30天降水序列包含LSTM可通过内部门控机制利用的物理有意义信息；在 erratic 和岩溶型流域性能退化，因局地对流风暴、裂隙碳酸盐岩阈值型补给和事件间有限水文记忆。5.2 与以往摩洛哥ML水文研究的比较——结果与既往案例一致并在多方面推进，证明LSTM在雪主导和季节组织流域显著优于传统ML方法，RF、GB和HistGB在短暂或岩溶影响流域的中等性能与摩洛哥半干旱分析一致，将统计降尺度GCM降水与ML水文模型整合回应了摩洛哥文献对气候预估与数据驱动水文方法更强联系的呼吁。5.3 与类似ML气候影响研究的比较——世纪末年流量减少20%至55%（RCP 4.5/RCP 8.5）与既往摩洛哥高阿特拉斯气候影响研究广泛一致，ML估计落在基于过程和气候影响方法所确立的方向和量级范围内。5.4 对概念模型和水文气候分析的相关性——LSTM可帮助缓解概念模型在捕捉极端事件、多十年干旱和非平稳条件下雪相关过程方面的局限，但并非主张弃用概念模型，而是比较不同建模范式。5.5 水文极端事件与水资源管理启示——显式考察年最大日流量及其在气候强迫下的演变是本研究关键贡献之一，估计表明"更干但更极端"演变，尤其对暴涨型流域；雪融主导流域主要信号是春季流量减少和事件时序偏移，历史季节规则曲线可能日益次优。5.6 对Hassan 1st Dam运行和可靠性的启示——水库尺度转化表明气候驱动的上游入库减少可传播为有效入库的不成比例减少，两种RCP下入库相对1999–2019强烈下降，意味着蓄水失效、可靠产量降低和用水竞争加剧风险升高。5.7 局限与展望——降水是ML模型唯一预测因子因流域尺度长且均一的温度、雪水当量或地表变量序列不易获得；预估基于单一GCM（CNRM-CM5），不能捕捉摩洛哥高阿特拉斯未来降水变化的完整模式间离散；LSTM内部运作部分不透明且过度自信不能完全避免；任何ML气候投影的根本局限是模型仅在历史数据上训练并隐含假设降水-径流统计关系在未来气候强迫下保持平稳。

研究结论部分翻译如下：本研究提出了一个综合多算法ML框架，用于在CNRM-CM5 RCP 4.5和RCP 8.5情景下对四个对比性中央高阿特拉斯源头流域进行日至年径流投影。主要结论为：（1）预估降水自约2030年起呈持续干旱化趋势，冬春亏缺最大，至世纪末年减少达约8%至9%（RCP 4.5）和>18%（RCP 8.5）。（2）LSTM在较规则、雪调节情势下优于所有经典ML算法，而在岩溶型、高非线性流域性能有限——这一对比与全球类似山区系统的发现一致。（3）此处部署的ML模型是统计工具，其投影反映所学历史降雨-径流模式；关于积雪消耗、地下水补给或岩溶动力学的基于过程的推断应被视为物理一致的解读而非直接模型输出。（4）RCP 8.5下至世纪末Hassan 1st Dam入库流量预估减少75%至90%，凸显Tadla灌溉平原适应策略的紧迫性；然而这些投影带有与气候强迫单一GCM基础和ML模型超出训练分布应用的统计外推特征相关的重大不确定性。（5）流域特定适应策略——修订水库规则曲线、干旱准备协议、生态流量管理和土壤-水补给增强——在Oum Er-Rbia源头系统迫在眉睫。未来研究优先方向包括：（i）多GCM集合扩展以量化不确定性；（ii）整合温度、积雪和SWE作为附加预测因子以解决仅降水强迫局限；（iii）编码质量平衡约束的物理知情LSTM架构以改善超出训练条件的外推；（iv）用于无测站支流的季节QPPQ或混合区域化方法；（v）ML投影与水库优化框架之间的操作联系以实现适应性水资源分配。