基于奇异谱分析与长短期记忆网络的混合模型在日降水量预测中的创新研究

《Geodesy and Geodynamics》：Hybrid singular spectrum analysis and LSTM modeling for daily precipitation forecasting

为解决传统单变量时间序列方法在日降水量预测中精度不足的问题，研究人员开展了奇异谱分析（SSA）与长短期记忆网络（LSTM）混合模型（SSA-LSTM）的研究。该研究通过SSA分解原始降水序列提取多尺度特征，结合LSTM捕捉非线性关系，在江西四个站点数据上验证显示，SSA-LSTM的R2达0.988-0.990，较CEEMDAN-LSTM和VMD-LSTM显著提升，为气象灾害预警提供了高效解决方案。

　　

在全球气候变化加剧的背景下，精准的日降水量预测对防洪减灾和水资源管理具有重大意义。然而，降水过程具有显著的非线性、非平稳性和多时间尺度特性，传统单变量时间序列预测方法往往难以捕捉其复杂动态特征。尤其对于日尺度降水数据，其间歇性、极端事件频发等特性更给预测模型带来巨大挑战。

为突破这一技术瓶颈，江西理工大学水源地水生态保护江西省重点实验室的研究团队在《Geodesy and Geodynamics》上发表了一项创新研究，提出了一种融合奇异谱分析（Singular Spectrum Analysis, SSA）与长短期记忆网络（Long Short-Term Memory, LSTM）的混合预测模型。该研究基于1981-2023年美国国家环境信息中心的全球气象站日降水量数据，通过空间插值获得了江西赣州、上饶、九江、宜春四个站点的连续序列。

研究采用"分解-预测-重构"的技术路线：首先利用SSA将原始降水序列分解为多个本征模态分量，有效分离趋势项、周期项和噪声；然后为每个分量建立独立的LSTM预测模型，充分发挥LSTM处理长程依赖关系的优势；最后将各分量的预测结果叠加，得到最终降水量预测值。这种方法既保留了SSA在信号分解中的自适应优势，又利用了LSTM强大的非线性拟合能力。

在方法学层面，研究团队设置了严格的对比实验：不仅比较了SSA-LSTM与单一LSTM、时序卷积网络（Temporal Convolutional Network, TCN）的性能，还将其与CEEMDAN-TCN、CEEMDAN-LSTM、VMD-LSTM等主流混合模型进行横向对比。所有模型均采用统一的80%-10%-10%时序划分方案，并保持相同的LSTM网络结构（双层隐藏层，每层32个神经元）以保障比较的公平性。

3.1. 信号分解 via the SSA-LSTM混合模型

通过SSA分解，四个站点的日降水量序列均被成功分解为7个本征模态函数（Intrinsic Mode Functions, IMFs）和1个残差分量。以赣州站为例的分解结果显示，SSA能够有效分离不同时间尺度的降水信号，缓解非平稳信号的混叠现象，为后续预测奠定基础。

3.2. 模型预测的比较分析

定量结果表明，SSA-LSTM在各项指标上均显著优于对比模型。在四个站点上，其R²介于0.988-0.990之间，而CEEMDAN-LSTM和VMD-LSTM的R²分别为0.710-0.802和0.980-0.983。在误差指标上，SSA-LSTM相比CEEMDAN-LSTM在RMSE和MAE上分别降低77.48%-79.69%和75.31%-79.85%，相比VMD-LSTM分别降低16.59%-25.78%和26.62%-31.67%。

3.3. 跨区域可移植性测试

为验证模型普适性，研究额外选取成都和郑州两个气候特征迥异的站点进行测试。结果显示SSA-LSTM仍保持优异性能（R²分别为0.961和0.956），证明其具有良好的区域适应能力。

4. 极端降水事件的专门评估

针对极端降水预测这一难点，研究以95%分位数（P95）定义极端事件，采用概率检测率（Probability of Detection, POD）、误报率（False Alarm Ratio, FAR）和威胁评分（Threat Score, TS）等指标进行评估。结果显示，SSA-LSTM在四个站点的POD介于0.827-0.926，FAR控制在0.023-0.060，TS评分达0.811-0.877，表现出优异的极端事件捕捉能力。分位数-分位数（Quantile-Quantile, Q-Q）图进一步证实模型对极端降水分布具有良好的拟合效果。

研究结论表明，SSA-LSTM混合模型通过信号分解与深度学习技术的有效结合，显著提升了日降水量预测的准确性与稳定性。其优势主要体现在三个方面：首先，SSA分解能够自适应提取降水序列的多尺度特征，克服了传统方法需要预设模态数量的局限；其次，LSTM网络对分解后子序列的拟合能力更强，特别是对长期依赖关系的捕捉更为精准；最后，该模型仅需历史降水量数据即可实现高精度预测，降低了数据获取成本，特别适用于资料匮乏地区。

该研究为日降水量预测提供了一种新的技术范式，不仅在水文气象领域具有重要应用价值，其"分解-预测"框架也可推广至其他复杂时间序列的预测问题。未来研究方向包括优化模型对短时强降水的预测能力，以及将其与分布式水文模型进行耦合应用。