一种结合NARX和LSTM的混合神经网络,用于预测气候变化对雪盖面积的影响

《Journal of Hydrology: Regional Studies》:A hybrid NARX–LSTM neural network for predicting climate change impacts on snow cover area

【字体: 大 中 小 】 时间:2026年04月26日 来源:Journal of Hydrology: Regional Studies 4.7

编辑推荐:

  何塞-大卫·伊达尔戈-伊达尔戈 | 恩里克-何塞·梅里诺-阿里巴斯 | 大卫·普利多-贝拉斯奎兹 | 史蒂文·R·法斯纳赫特 | 安东尼奥-胡安·科拉多斯-拉拉 西班牙地质调查局(IGME-CSIC),水资源与全球变化研究,西班牙 **摘要** **研究区域**:

  何塞-大卫·伊达尔戈-伊达尔戈 | 恩里克-何塞·梅里诺-阿里巴斯 | 大卫·普利多-贝拉斯奎兹 | 史蒂文·R·法斯纳赫特 | 安东尼奥-胡安·科拉多斯-拉拉
西班牙地质调查局(IGME-CSIC),水资源与全球变化研究,西班牙

**摘要**
**研究区域**:
以雪为主的山区流域:
- 上吉尼尔流域(西班牙南部的内华达山脉);
- 安坎帕格雷流域(美国科罗拉多州的落基山脉);
- 马波乔流域(智利的安第斯山脉);
- 阿达流域(意大利的阿尔卑斯山脉);
- 内恩斯克拉流域(格鲁吉亚的高加索山脉);
- 英德拉瓦蒂流域(尼泊尔的后喜马拉雅山脉)。

**研究重点**:
以雪为主的山区对气候变异高度敏感,是气候变化影响的早期指标。准确预测积雪动态对于评估水资源和山地生态系统的影响至关重要。然而,积雪覆盖范围的普遍减少以及积雪演变与气候驱动因素之间日益非线性的关系降低了线性建模方法的可靠性。本研究提出了一种混合框架,结合了非线性自回归网络(NARX)和长短期记忆(LSTM)网络来预测积雪覆盖范围。该模型适用于数据稀缺的地区,特别是在山地和阿尔卑斯山区,这些地区的实地观测数据往往稀少、不连续或不可用。该框架在六个代表不同气候类型的以雪为主的流域中进行了评估:
- 半干旱地区(西班牙的内华达山脉;美国落基山脉;智利的安第斯山脉);
- 湿润地区(意大利的阿尔卑斯山脉;格鲁吉亚的高加索山脉;尼泊尔的后喜马拉雅山脉)。

历史气候驱动因素基于ERA5-Land再分析数据得出,而MODIS积雪覆盖面积数据用于模型训练和验证。未来预测基于LARS-WG天气生成器的统计降尺度气候强迫,在两个排放情景(SSP2–RCP4.5和SSP5–RCP8.5)下,分别针对2051–2070年中期和2081–2100年晚期进行了预测。

**新的水文见解**
混合NARX–LSTM模型有效捕捉了复杂的非线性雪-气候相互作用,在多种气候条件下表现出稳健的预测性能(R2约0.9;NSE = 0.68–0.96;KGE = 0.73–0.97)。未来预测显示所有流域均存在一致的升温趋势,但降水量变化具有空间异质性。所有地点的积雪覆盖范围预计都将减少,其中在SSP2–RCP4.5情景下减少9.4%至50.3%,在SSP5–RCP8.5情景下减少13.1%至73%,且这种减少趋势在世纪末更为明显。半干旱地区的流域尤为脆弱,积雪覆盖范围下降幅度最大。此外,由于提前融化和积雪积累延迟,雪季预计将缩短1-3个月。这些发现强调了山区日益增加的水文敏感性,以及需要先进建模工具来支持气候适应策略的必要性。

**1. 引言**
积雪覆盖是地球陆地表面的关键组成部分。其高反照率、高发射率、低导热性和储热能力对全球气候、地面热状况和大气热通量有深远影响(Turkov等人,2024年;Vérin等人,2022年)。积雪还对水循环具有重要意义:山区积雪层在寒冷季节储存水分,并在温暖干燥时期逐渐释放为融水,从而维持下游生态系统和人类活动(Immerzeel等人,2020年)。然而,气候变化导致积雪覆盖范围、持续时间及雪水当量发生显著变化,威胁这一重要水资源的可用性(Kunkel等人,2016年;Bormann等人,2018年;Thackeray等人,2019年)。这些变化对农业、饮用水供应、水电发电、旅游业和工业构成重大风险,尤其是在依赖雪融水的半干旱地区(Lovvorn,2025年;Rasul和Molden,2019年)。由于全球超过一半的人口直接或间接依赖山区水资源,因此评估气候变化对积雪覆盖面积(SCA)及其相关不确定性的未来影响对于预测脆弱性并制定保护全球水资源安全的策略至关重要(Huning和AghaKouchak,2020年)。

因此,模拟SCA对气候变化的响应及其对水资源的影响已成为水资源规划和管理的关键优先事项。迄今为止,已经采用了多种模型来预测SCA,包括基于物理的模型(Deschamps-Berger等人,2022年;Olefs等人,2013年)、回归技术(Bisero等人,2017年)、经验模型(Diodato等人,2022年;Gyawali和Bárdossy,2022年)、元胞自动机模型(Pardo-Igúzquiza等人,2017年;Collados-Lara等人,2019年;Collados-Lara等人,2021年)以及人工神经网络(Mahanthege等人,2024年;Ma等人,2023年)。然而,基于物理的积雪模型面临诸多挑战,限制了其在气候影响研究中的广泛应用。这些过程导向的模型需要大量的气象和辐射数据,因为复杂的地表能量和质量交换、内部热量和相变以及微观结构变化等因素影响着积雪层的演变(Morin等人,2020年);然而,在复杂的山区环境中,此类数据很少且难以连续获取。此外,这些模型在估计积雪变化时的结构复杂性导致校准复杂且计算成本高昂,同时无法完全避免由于气象数据不确定性及关键过程简化表示而产生的偏差(Günther等人,2019年;Magnusson等人,2017年)。同样,线性经验和回归模型虽然计算效率高且易于开发和校准,但在捕捉积雪动态对气候强迫的非线性响应方面存在固有缺陷(Bonsoms等人,2023年;Switanek等人,2024年),尤其是在接近冰点时,温度的微小变化可能导致积雪范围和持续时间的显著变化(Shi和Liu,2021年)。因此,它们在捕捉这一复杂系统的确定性方面的局限性限制了其预测在变暖气候下的真实性和可转移性(Sauter等人,2010年)。这突显了需要灵活且适应性强的建模框架,能够从观测数据中学习复杂的依赖关系和时间模式。近年来,人工神经网络已成为地球系统科学中模拟复杂过程的强大工具(Krasnopolsky,2013年)。这些模型无需明确了解物理过程或强结构假设,而是利用相互连接的神经元网络直接从大量数据中学习动态响应(Schmidhuber,2015年),因此受其他类型模型中常见的结构缺陷影响较小。例如,人工神经网络已成功应用于积雪建模,以预测积雪覆盖的空间分布(Bloshchinskiy等人,2020年;Liu等人,2020年)、雪水当量(Ntokas等人,2021年;Cui等人,2023年)、雪深(Li等人,2022年;Wang等人,2020年)和降雪量检索(Hoopes等人,2023年;Sanò等人,2022年)。

多项研究表明,集成学习(结合多个单独的神经网络模型)在预测能力、准确性和稳定性方面优于标准机器学习和深度学习模型(Agga等人,2022年;Mohammed和Kora,2023年)。在本研究中,我们提出了一种新的混合神经网络框架,结合了非线性自回归网络(NARX)和长短期记忆(LSTM)网络,用于SCA时间序列预测。NARX-LSTM架构通过结合NARX提供的显式短期滞后结构和外生变量条件与LSTM的学习长期时间依赖性的能力,提高了预测的稳定性和可靠性。该框架应用于六个分布在全球主要山脉中的代表性以雪为主的流域,以解决以下研究问题:
i) 所提出的NARX–LSTM神经网络在预测SCA方面的表现如何?
ii) 在两种排放情景(SSP2–RCP4.5和SSP5–RCP8.5)下,这些流域的SCA模式如何响应从本地降尺度的CMIP6全球气候模型(GCMs)得出的未来气候条件(2051–2070年和2081–2100年)。

**2. 研究地点**
我们选择了六个分布在世界不同地区的代表性以雪为主的阿尔卑斯流域(图1)。所选研究区域包括大小相似但地貌和气候特征不同的流域,从而能够评估混合神经网络在多种积雪条件下的稳健性和可转移性。这些流域在平均季风积雪覆盖比例上存在显著差异,主要是由于气候和海拔条件的显著差异。特别是,海拔范围的不同塑造了温度梯度,进而影响了积雪的积累和持续性。因此,一些流域在大范围内具有广泛的积雪覆盖,而在其他流域则主要局限于较高海拔地区。

**下载:**
- 下载高分辨率图像(434KB)
- 下载全尺寸图像

**图1. 研究地点的地理位置。**
点的颜色表示流域的区域气候特征:半干旱(红色)和湿润(蓝色)。

我们计算了所有研究地点的德马托内干旱指数(de Martonne,1926年),以突出各流域之间的干旱差异。尽管所有选定的流域都位于高海拔的湿润环境中,但该指数仅基于年平均降水量和温度,提供了一种简单的比较方法,用于量化不同地点之间的相对干旱程度。需要注意的是,该指数的目的不是对流域进行分类——大多数阿尔卑斯流域本质上由于高降水量而湿润——而是提供一个直观的指标,以说明流域间的干旱模式差异(表1)。三个流域位于半干旱地区(西班牙内华达山脉;美国南部落基山脉;智利安第斯山脉),这些地区的年平均降水量明显低于其他位于湿润地区的流域(意大利阿尔卑斯山脉、格鲁吉亚高加索山脉和尼泊尔后喜马拉雅山脉)。大部分流域位于高海拔区域,海拔大多超过2000米;然而,如前所述,不同地点的海拔范围存在显著差异(表1)。

**表1. 1995–2014年参考期间的研究地点的统计摘要和主要特征。**
年平均气候变量来自ERA5-Land气候再分析数据集,年平均SCA数据来自MODIS/Terra雪覆盖产品(数据集ID:MOD10A1F)。德马托内干旱指数(de Martonne,1926年)的计算公式为[Ia=P/(T+10),用于评估研究地点之间的干旱差异。[Math Processing Error]Ia值较低表示更干燥的条件,较高值表示更湿润的条件。

| 流域 | 地理位置 | 面积(平方公里) | 海拔(米) | 年平均降水量(毫米) | 年平均温度(摄氏度) | 年平均积雪覆盖面积(平方公里) | 德马托内干旱指数(Ia) |
|----------------------|--------------|-----------|------------| -----------| ------------------| -------------------------| --------------|
| 吉尼尔 | 西班牙内华达山脉 | 477 | 607–347 | 260 | 11.4 | 2.2 | 8.4 |
| 安坎帕格雷 | 美国科罗拉多州落基山脉 | 691 | 209–428 | 575 | 50.9 | 24.5 | 69.3 |
| 马波乔 | 智利安第斯山脉 | 795 | 48–541 | 139 | 13.7 | 67.7 | 5.8 |
| 阿达 | 意大利阿尔卑斯山脉 | 635 | 116–379 | 99 | 103–1.7 | 63.5 | 124.8 |
| 内恩斯克拉 | 格鲁吉亚高加索山脉 | 628 | 595–395 | 160 | 13.9 | 23.1 | 134.6 |
| 英德拉瓦蒂 | 尼泊尔后喜马拉雅山脉 | 639 | 803–584 | 278 | 18.3 | 60.6 | 15.2 |混合NARX-LSTM
所提出的方法结合了两种类型的循环神经网络用于时间序列预测:一种带有外生输入的非线性自回归模型(NARX)和长短期记忆(LSTM)网络。LSTM层是模型的核心组成部分,因为它能够克服梯度消失和梯度爆炸问题,这些问题使得标准循环神经网络无法有效捕捉序列数据中的长期依赖性(Johnston等人,2025年;Zucchet和Orvieto,2024年)。LSTM网络最初由Hochreiter和Schmidhuber(1997年)提出,通过引入记忆单元[Math Processing Error]ct来缓解这些问题,该单元作为持久的内部状态,可以选择性地保留或丢弃信息。

混合NARX-LSTM模型架构由四层组成:1)输入层,2)一个或多个堆叠的LSTM层,3)丢弃层,以及4)输出层(见图2)。输入层将[N exogenous变量]和目标变量的[T延迟值]的信息传播到LSTM层,LSTM层由可配置数量的单元组成。
[Math Processing Error]zt=[x1t,x2t,…,xNt,yt?1,yt?2,…,yT]
其中[Math Processing Error]zt表示输入到LSTM层的信号,[Math Processing Error]x1t,x2t,…,xNt表示[N个]外生输入变量,[Math Processing Error]yt?1,yt?2,…,yT表示预测变量[Math Processing Error]y的[T个]自回归延迟值。

图2. NARX-LSTM模型的架构。
信息通过LSTM层的流动由三个乘法门控制:输入门([Math Processing Error]it)、遗忘门([Math Processing Error]ft)和输出门([Math Processing Error]ot),这些门控制单元状态中的信息是存储、丢弃还是读取。每个门使用Sigmoid激活函数,将输出限制在[0, 1]的范围内。因此,门的激活可以解释为完全关闭(0)时阻止信息流动,或者完全开放(1)时允许信息完全流动(DiPietro和Hager,2020年)。在每个时间步长[Math Processing Error]t,LSTM层接收一个输入向量[Math Processing Error]zt和前一个隐藏状态[Math Processing Error]ht?1。遗忘门[Math Processing Error]ft决定了前一个单元状态[Math Processing Error]ct?1的哪些部分应该被丢弃。输入门[Math Processing Error]it控制新候选信息[Math Processing Error]c?t整合到单元状态中。然后,更新后的单元状态[Math Processing Error]ct是通过将记忆单元[Math Processing Error]ct应用双曲正切激活函数并根据输出门[Math Processing Error]ot对其元素进行加权计算得到的。LSTM模块中每个门函数和状态转移过程的计算公式如下:
[Math Processing Error]ft=σ(Wf?ht?1,zt+bf)
[Math Processing Error]it=σ(Wi?ht?1,zt+bi)
[Math Processing Error]ot=σ(Wo?ht?1,zt+bo)
[Math Processing Error]c?t=tanh(Wc?ht?1,zt+bc)
[Math Processing Error]ct=ft*ct?1+it*c?t
[Math Processing Error]ht=ot*tanh(ct)
其中[Math Processing Error]W和[Math Processing Error]b分别对应于每个门的权重和偏置。

在一个具有多个LSTM单元的架构中,从第二个单元开始的每个单元的输入向量对应于紧前一个LSTM单元的输出[Math Processing Error]ht,即[Math Processing Error]zt=ht(l?1),其中[l]表示LSTM单元的索引。在最后一个LSTM块之后应用一个丢弃层,该层在每次训练迭代中随机停用一部分单元以减少过拟合。最终的密集层由一个神经元组成,它对LSTM的输出进行线性变换以生成预测变量[Math Processing Error]y。

4.2. 积雪覆盖范围检索和训练
在我们的案例中,采用了混合NARX-LSTM神经网络来学习外生输入变量与积雪覆盖面积(SCA)之间的关系,通过从样本数据集中学习:
[Math Processing Error]SCAt=d(Pt,Tt,dwpt,sindayt,SCAt?1,SCAt?2,…,SCAt?T)
其中[Math Processing Error]d(?)表示估算函数,[Math Processing Error]t是当前时间步长,[Math Processing Error]Pt和[Math Processing Error]Tt分别表示大气强迫(降水量和温度),[Math Processing Error]dwpt是没有降水的天数([Math Processing Error]Pt≤0.1毫米),[Math Processing Error]sindayt是儒略日的正弦变换,[Math Processing Error]SCAt?1,SCAt?2,…,SCAt?T是在[T个]延迟时间步长内的积雪覆盖面积的自回归输入。
在训练阶段,模型从[N个]输入-输出对 {[Math Processing Error]zt,[Math Processing Error]yt}([Math Processing Error]t=1,2,…,N)的训练集中学习真实的输入-输出关系近似值。训练遵循包括两个阶段的监督学习方案:
- 第一阶段估计网络的内部权重和偏置。这些参数通过使用Adam优化算法最小化均方误差(MSE)损失函数来优化(Kingma和Ba,2014年)。
- 第二阶段涉及模型超参数的调整(表2)。通过使用Optuna库在Python中实现的迭代优化过程来识别最佳配置,该库采用了树结构Parzen估计器(TPE)方法(Bergstra等人,2011年)。超参数被调整以在使用预测模式的验证数据集上最大化Nash–Sutcliffe效率(NSE)。优化迭代次数由用户定义并在Optuna中控制。

表2. 模型超参数的定义和描述。
超参数 范围 描述
Lags [2, 9] 用作输入以预测输出变量的前一个时间步数的数量
Layers [1, 4] 定义模型深度的LSTM层数量
Neurons [5, 30] 每个LSTM层中的单元数量,决定了其记忆和处理能力
Learning rate [1[Math Processing Error]e?4, 1[Math Processing Error]e?2] 控制模型在训练期间更新内部参数的步长
Dropout rate [0.1, 0.4] 在训练过程中随机停用的单元比例,以减少过拟合并提高模型预测的泛化能力
Epochs [20, 120] 整个数据集上训练算法的完整遍历次数
Batch size [8, 128] 在模型更新其内部参数之前一次前向和后向遍历中处理的训练样本数量

4.3. 评估策略
为了定量评估NARX-LSTM模型的预测能力,我们实施了两种评估方法:(i)传统的训练/测试/验证划分;(ii)前向走法或预测模式。在后一种方法中,模型迭代地使用其来自之前时间步长的预测([Math Processing Error]yt?1,yt?2,…,yT),而在前者中,它依赖于延迟的观测SCA数据。重要的是要获得预测模型。最佳模型是基于在验证数据集的前向走法模式下获得最高NSE的模型来选择的。选择了四个指标进行性能评估:决定系数(R2)、平均绝对误差(MAE)、NSE和Kling-Gupta效率(KGE)。

4.4. 使用LARS-WG随机天气生成器的局部气候情景
最新版本LARS-WG 8.0(Semenov,2025年)是一种随机天气生成器,用于在当前和未来的气候条件下模拟单个站点的合成时间序列天气(降水量、最低温度、最高温度和太阳辐射)。LARS-WG已在许多国家的研究中得到应用(Semenov和Stratonovitch,2015年;Zubaidi等人,2019年;Khalaf等人,2022年),并且与其他方法或随机天气生成器的彻底比较证明了其令人满意的表现(Hashmi等人,2011年;Lotfi等人,2022年;Yang等人,2022年)。它使用半经验分布来捕捉局部气候的时间结构和统计特性。该模型分为三个主要阶段:i)参数估计,ii)模型验证,以及iii)天气生成。在第一阶段,LARS-WG使用“SITE ANALYSIS”函数从观测到的每日天气数据中派生特定站点的参数。该函数分析输入的天气观测数据(即降水量、最高和最低温度),以确定统计特性并将这些信息存储在两个参数文件中。然后使用这些特定站点的参数文件来模拟保持与原始观测相同的统计特性的合成天气时间序列。LARS-WG可以使用单年的概率分布;然而,建议使用更长的数据记录(20-30年)以确保更好的估计。尽管如此,为了更好地捕捉不常见的气候事件(例如干旱),建议使用尽可能长的观测天气记录进行模型校准。在第二阶段,模型内部评估其生成具有与观测天气数据相似统计特性的合成天气数据的能力。统计测试包括Kolgomorov-Smirnov测试来比较概率分布,t检验来比较均值,以及F检验来比较标准差。验证步骤确保随机过程准确反映了参考 period 的气候特征。在最后阶段,一旦验证通过,LARS-WG可以用来在当前或修改后的气候条件下模拟随机天气数据。生成的每日合成天气序列的年数可以是任意的,并不需要与用于估计站点参数的观测天气记录的长度相匹配。为了根据气候预测生成未来局部气候情景,LARS-WG通过更新校准的站点参数来应用所谓的Δ-changes from GCMs输出。在本研究中,考虑到1995–2014年的基准时期,我们根据IPCC第6次评估报告中的CMIP6中包含的五个GCM输出(ACCESS-ESM1–5、CNRM-CM6–1、HadGEM3-GC31-LL、MPI-ESM1–2-LR和MRI-ESM2–0)为所有研究站点生成了局部气候情景。选择这些模型旨在捕捉CMIP6集合中的一个代表性子集,其中包括由不同国际气候研究中心开发的成熟模型,并反映了各种建模方法和结构假设。此外,所有选定的模型为所考虑的社会经济路径提供了一致的输出。气候预测在两个代表性浓度路径(RPC)情景(SSP2–RCP 4.5和SSP5–RCP 8.5)下进行了分析,这些情景代表了对比鲜明且广泛采用的未来轨迹。SSP2–RCP 4.5描述了一个中等缓解努力的路径,社会经济趋势与历史模式大体一致,到2100年辐射强迫稳定在大约4.5 Wm?2。相比之下,SSP5–RCP 8.5描述了一个高排放情景,由密集的化石燃料使用和快速经济增长驱动,导致辐射强迫水平显著提高。使用这两种情景有助于探索广泛且与政策相关的潜在未来气候条件范围,符合当前科学建议和气候影响评估的标准做法,从而能够对不同强迫水平下的不确定性及其敏感性进行稳健评估。

5. 结果
5.1. 模型雪覆盖范围的性能评估
为了评估所提出的NARX-LSTM网络在SCA时间序列预测方面的性能和泛化能力,我们从世界各地的不同地点对其拟合优度进行了评估,这些地点代表了湿润(Adda、Indrawati和Nenskra河流域)和半干旱(Genil、Mapocho和Uncompahgre河流域)气候区域。通过监控验证数据集上的NSE演变来确定收敛标准和模型超参数。从一个地点到另一个地点,通常使用深度学习LSTM架构(2-3层堆叠的LSTM层)以及隐藏层中的10-28个单元来实现最佳性能(表3)。相对较少的LSTM单元数量不是由系统的复杂性决定的,而是出于确保模型泛化和稳定性的需要。关于训练配置,大多数模型需要相对较多的周期才能达到收敛,而用于更新网络内部参数的批量大小从小(8)到大(128)不等(表3)。

表3. 每个流域的NARX–LSTM神经网络超参数的最佳配置。
超参数 Adda Genil Indrawati Mapocho Nenskra Uncompahgre
Lags 4 4 5 8 4 8
Layers 2 1 2 3 2 3
Neurons 15 24 27 28 10 13
Learning rate 0.0002 0.0001 0.0010 30.0026 0.0005
Dropout rate 0.1 0.1 0.2 0.2 6 0.2 9 0.2 8
Epochs 8 23 8 7 0 8 9
Batch size 8 6 4 3 2 8 3 2

在完整数据集上进行的向前走法评估过程中(预测模式),NARX-LSTM模型生成的输出与MODIS衍生的SCA观测数据具有良好的一致性,这体现在R2值普遍较高(约为0.9)和相对较低的误差值:MAE = 15.49–47.54 km2(9.58 – 20.36%)(见图3)。这些发现还得到了高模型效率指标的支持:NSE = 0.68–0.96和KGE = 0.73–0.97,这证实了混合神经网络模型在再现观测数据的时间变异性方面的高一致性,并展示了其令人满意的预测性能。

为了进一步评估模型性能,我们分析了整个数据集上性能指标的年际变异性(见图4)。结果揭示了不同流域之间模型鲁棒性的明显差异。Adda、Nenskra和Uncompahgre流域通常表现出非常低的变异性和持续的高性能(NSE [数学处理误差] ≥ 0.90,KGE ? 0.88,R2 [数学处理误差] ≥ 0.88)。特别是Nenskra在整个研究期间表现出异常稳定的行为(NSE [数学处理误差] ≥ 0.91,KGE [数学处理误差] ≥ 0.9,R2 [数学处理误差] ≥ 0.92)。相比之下,Uncompahgre流域在近年来性能略有下降(2018年时NSE = 0.81,KGE = 0.75,R2 = 0.87),尽管总体上仍然保持强劲的表现。而Genil、Mapocho和Indrawati流域的年际变异性较大(参见图4)。Genil和Mapocho流域通常表现良好,但某些年份会出现偏差。例如,Genil流域在大多数年份表现稳定(NSE [数学处理误差] = 0.7–0.83,KGE [数学处理误差] = 0.68–0.84,R2 [数学处理误差] = 0.76–0.87),但在2023年出现显著下降(NSE [数学处理误差] = 0.33,KGE [数学处理误差] = 0.23,R2 [数学处理误差] = 0.36)。同样,Mapocho总体上表现强劲(NSE [数学处理误差] = 0.73–0.95,KGE [数学处理误差] = 0.71–0.94,R2 [数学处理误差] = 0.71–0.96),但在2019年和2021年也观察到明显恶化(NSE [数学处理误差] = 0.37,KGE [数学处理误差] = 0.33,R2 [数学处理误差] = 0.71)。相比之下,尽管Indrawati流域的拟合度尚可,但其年际变异性最大,整体性能最低(NSE [数学处理误差] = 0.61–0.86,KGE [数学处理误差] = 0.6–0.87,R2 [数学处理误差] = 0.65–0.90),某些年份的下降幅度较大(NSE [数学处理误差] = 0.26 – 0.55,KGE [数学处理误差] = 0.23–0.59,R2 [数学处理误差] = 0.3–0.57)。

图4显示了2000–2023年间所有流域模拟雪盖面积序列相对于观测数据的年际性能指标(NSE、KGE和R2)的变异性。中间点表示中位数,箱子的边缘代表第一四分位数(底部边缘)和第三四分位数(顶部边缘),尾部的端点代表上下相邻的值。

5.2. 气候变化情景
基于LARS-WG局部降尺度的GCM预测(对两个未来时期2051–2070年和2081–2100年)以及排放情景(SSP2–RCP4.5和SSP5–RCP8.5),我们估计了六个研究站点的月平均降水量和年均温度的变化。年度结果总结在表4和表5中,而月度模式则分别在附录B1–B8中呈现。

表4. 根据所有气候模型的集合,考虑两种排放情景(SSP2–RCP4.5和SSP5–RCP8.5)和两个未来时间范围(2051–2070年和2081–2010年),每个流域1995–2014年参考期间的年均降水量偏差。

5.3. 气候变化对雪盖的潜在影响
图5、图6、图7和图8显示,由于预测的气候变暖,所有流域的雪盖面积都有显著减少。对于2051–2070年中期,平均雪盖面积在SSP2–RCP4.5假设下减少了9.4–39.6%,在SSP5–RCP8.5假设下减少了13.1–42.8%(图5、图6)。到21世纪末(2081–2100年),预计雪盖面积的减少幅度更大,在SSP2–RCP4.5假设下减少了9.9%至50.3%,在SSP5–RCP8.5假设下减少了22.9%至73%(图7、图8)。在最悲观的情景(SSP5–RCP8.5)下,大多数流域的雪季持续时间缩短了大约一个月到三个月,主要是由于春季融雪提前和降雪事件推迟。Indrawati流域是一个例外,其雪季长度没有显著变化。值得注意的是,在所有时间范围和排放情景中,半干旱地区的流域(特别是Uncompahgre和Mapocho流域)对气候变化的敏感度最高,雪盖面积的减少最为明显。

6. 讨论
6.1. NARX-LSTM网络在预测雪盖时间序列方面的表现如何?
本研究的一个关键发现是所提出的混合NARX–LSTM模型在预测不同研究站点的雪盖面积时间序列方面的鲁棒性和稳定性。这两种方法的结合成功捕捉了气候驱动因素与雪盖演变之间的复杂非线性关系,从而获得了较高的预测性能(R2约为0.9;NSE = 0.68–0.96;KGE = 0.73–0.97)。这些结果强调了结合自回归和外生变量以增强机器学习和深度学习模型在时间序列预测方面的时间一致性、稳定性和泛化能力的优势(Khatun等,2024;Leites等,2025;Vlachas和Koumoutsakos,2024)。
Guo等(2018)首次提出了一个基于LSTM的可解释自回归-外生框架。在这项初步研究中,所提出的方法在两个简单的实验案例研究中优于其他机器学习模型。最近的研究表明,单独的LSTM架构往往无法提供其他与雪相关的变量(如雪水当量和雪深)的满意估计(Cui等,2023;Elyoussfi等,2025)。这些研究还指出,加入目标变量的一个滞后值可以显著提高模型的预测能力。Fischer等(2018)进行了一项全面的敏感性分析,评估了不同滞后数量对多个机器学习模型的影响,得出结论:增加滞后数量可以提高模型性能。Cui等(2023)进一步强调了在将深度学习模型应用于超出其观测范围的场景时需要谨慎,因为当这些模型用于预测变化中的地球系统变量时,性能会显著下降(Reichstein等,2019)。这种局限性源于深度学习的本质,它可能难以捕捉训练数据范围之外的极端事件或系统动态变化(Frame等,2022)。与基于LSTM的模型在应用于样本外预测时表现出的明显性能下降(Cui等人,2023年;Duan等人,2024年;Suzgun等人,2019年)相比,我们的混合NARX-LSTM架构在预测模式下保持了良好的预测能力,这一点通过上述的高性能指标得到了证实。

6.2. 气候变化对积雪覆盖演变的影响
气候变化深刻地影响了山区和高纬度地区的雪动态,主要通过提高气温来改变积雪积累和融化之间的微妙平衡(Thackeray等人,2019年)。然而,积雪覆盖对热扰动的响应既不是线性的,也不是空间均匀的。最近的研究指出,积雪对渐进式增温的响应是不对称的,表现为在某些地区加剧融化,而在其他地区保持暂时的稳定性(Pierce和Cayan,2013年;Gottlieb和Mankin,2024年;Hatami和Nazemi,2022年)。这种非线性敏感性源于控制积雪积累和消融动态的物理过程之间的复杂相互作用,如温度、降水相位和地表能量通量(Bolibar等人,2022年)。此外,人为变暖不仅减少了季节性积雪层的范围和持续时间,还改变了降水相位转换,特别是在过渡月份,从以雪为主转变为以雨为主(López-Moreno等人,2021年;Bonsoms等人,2024年)。
将提出的混合人工神经网络方法应用于纳入LARS-WG随机天气生成器的CMIP6模型的未来气候预测中,结果显示所有分析区域和排放情景下的积雪覆盖面积(SCA)都有显著减少。预计在SSP5–RCP8.5情景下,最多5.89°C的升温加上平均降水量总体下降,将导致本世纪末SCA严重下降22.9–73%。这些结果强调了温度是驱动SCA减少的主要因素,因为即使在某些气候模型预测降水量大幅增加的情况下,积雪覆盖也持续减少。结果进一步表明,预计的升温会导致从以雪为主转为以雨为主的格局,从而提前或推迟融雪/降雪事件的发生,从而使大多数流域的雪季节缩短一到三个月。积雪层减少并提前融化将改变地下水补给和径流动态,导致水资源减少,对下游人类社区的水安全构成威胁,尤其是在依赖山区固态水资源储存的干旱和半干旱环境中(Bai等人,2025年;Siirila-Woodburn等人,2021年)。这些变化还影响下层土壤,改变其物理化学性质并改变下游的生物群落(Kosolapova和Altshuler,2024年)。因此,我们的发现特别令人担忧,因为最依赖积雪水资源的一半干旱地区流域似乎受到气候变化的影响最大。这可能是由于较冷的季节降水量预计减少更多以及温度升高导致的,这使得从雪到雨的转变比湿润地区更加显著(Huang等人,2012年;Jennings等人,2018年)。

6.3. 局限性和未来研究
尽管提出的混合NARX-LSTM神经网络的整体表现良好,但仍需承认几个局限性:
- 人工神经网络模型的固有黑箱性质限制了对外生变量在驱动目标变量演变中的相对重要性的解释能力。NARX-LSTM模型将所有输入隐式地整合到其隐藏状态和记忆单元中以进行后续预测,因此,通过查看隐藏状态难以区分各个输入变量对模型输出的贡献(Fan等人,2021年)。需要进一步的研究来提高模型输出的可解释性,并通过整合可解释的人工智能技术(例如SHAP值、排列重要性、积分梯度等)或混合物理信息深度学习方法来理解输入-输出交互。
- 所提出的模型没有纳入积雪覆盖的空间分布表示。未来的发展应通过整合显式的机器学习架构(如卷积神经网络(CNNs)、图神经网络(GNNs)或混合地质统计-深度学习框架来解决这一局限性,这些框架可以捕捉积雪的空间分布。
- 该研究专注于将SCA作为雪动态的指标进行预测。虽然SCA是一个有价值且广泛使用的指标,但它不能直接提供积雪储存总量的信息。在解释水文含义时,特别是在水资源可用性的背景下,这存在一个关键限制。未来的研究应扩展混合建模框架的应用,以预测有足够监测数据的地区的雪水当量(SWE),从而更全面地描述积雪层动态,并提高结果对水文和水资源管理应用的相关性。
- 该模型是在全球数据集(ERA5-Land和MODIS)上训练的,这些数据的输入存在固有的不确定性,这些不确定性可能因地区而异。缺乏针对所有研究站点的系统验证可能会导致训练和预测过程中的偏差。尽管如此,结果表明这些气候指数提供了足够好的输入来近似研究区域的SCA动态。
- 使用填充云数据的MODIS数据集训练了神经网络模型。使用填充数据可能会由于研究站点之间的云覆盖条件的空间和时间差异而引入额外的不确定性。尽管雪季的云持续时间并不特别长(Adda流域的平均持续时间为2.41天,Indrawati为2.8天,Nenskra为3.42天,Genil为2.25天,Mapocho为2.13天,Uncompahgre为1.97天),但它仍可能影响重建的SCA时间序列的准确性,从而影响模型性能。未来的研究可以明确评估模型输出对云相关数据的敏感性,并探索使用原始未填充数据(即MOD1OA1产品)的应用,以更好地量化预处理选择的影响。
- 使用LARS-WG随机天气生成器生成了潜在的合理未来气候情景。LARS-WG假设观测到的气候是稳定的,但这在快速变化的气候条件下可能不成立。此外,该模型的半经验结构可能会平滑极端值,限制其再现罕见或复合事件的能力。此外,与驱动气候情景和选定的GCM相关的不确定性会传播到生成的未来气候序列中,从而影响结果的稳健性(Semenov和Barrow,2002年)。
- 未来气候情景是基于LARS-WG随机天气生成器内的个别GCM输出得出的。尽管使用多个气候模型可以洞察与气候预测相关的不确定性,但基于集合的方法整合并巩固了来自单个模型的信息,从而产生比基于单一模型的预测更稳健和更具代表性的结果(Kim等人,2024年)。

7. 结论
在这项研究中,我们通过整合NARX和LSTM架构开发了一种创新的混合人工神经网络方法来预测SCA动态。该模型由来自气象强迫(降水和温度)的外生输入驱动,并进一步受到SCA预测的指导。结果表明,提出的混合NARX-LSTM模型在模拟山区环境的SCA方面具有鲁棒性和泛化能力。通过有效捕捉气候驱动因素与SCA演变之间的非线性依赖关系,该框架优于线性方法(Filippi-Mazzola和Wit,2024年;Zhou等人,2023年),并在湿润和半干旱地区保持了高预测能力(R2 = 0.9;NSE = 0.68–0.96;KGE = 0.73–0.97)。
使用本地降尺度的CMIP6模型纳入LARS-WG生成的未来气候预测,生成了不同时间范围(2051–2070年和2081–2100年)和排放情景(SSP2–RCP4.5和SSP4–RCP8.5)下的未来SCA预测。到本世纪末,研究发现SCA显著且空间异质性地减少,SSP2–RCP4.5情景下减少9.4%至50.3%,SSP5–RCP8.5情景下减少13.1–73%。在半干旱地区流域,这种减少更为明显,由于降水量减少和寒冷季节升温效应加剧,导致从以雪为主转变为以雨为主的格局的过渡加快。在最悲观的情景下,雪季节缩短多达三个月,主要是由于提前融雪和延迟积累,这对未来依赖雪的地区的水文过程、生态系统功能和水安全具有重大影响。
提出的混合NARX–LSTM方法被证明是一种强大的、可转移的工具,用于捕捉在变化环境条件下控制雪-气候相关性的复杂非线性相互作用。其再现观测到的变异性和预测潜在未来情景的能力突显了其在支持适应性水资源管理和雪主导环境中的气候适应性策略方面的潜力。然而,深度学习模型的数据驱动本质在预测超出观测范围之外的SCA时需要谨慎,这强调了继续将物理过程理解整合到混合建模框架中的必要性。同样,鉴于人工神经网络被认为是黑箱模型,未来的研究应致力于开发技术以提高人工神经网络模型的可解释性,从而更好地理解输入变量与SCA演变之间的潜在关系。

作者贡献声明
Pulido Velazquez David:写作 - 审查与编辑,验证,监督。
Collados Lara Antonio Juan:写作 - 审查与编辑,监督,资源,项目管理,方法论,调查,资金获取,数据维护,概念化。
Steven R. Fassnacht:写作 - 审查与编辑,验证,方法论,概念化。
Hidalgo Hidalgo Jose David:写作 - 原始草稿,验证,监督,数据维护。
Merino Arribas Enrique Jose:可视化,软件,调查,形式分析,数据维护。

关于写作过程中生成式AI和AI辅助技术的声明
在准备这项工作时,作者使用了ChatGPT工具来提高手稿的可读性和写作质量。使用此工具/服务后,作者根据需要审查和编辑了内容,并对已发表文章的内容负全责。

资金
本研究部分由以下项目资助:SIERRA-CC(PID2022–137623OA-I00),由MICIU/AEI/10.13039/501100011033和ERDF, UE, SIGLO-PRO(PID2021–128021OB-I00/AEI/10.13039/501100011033/FEDER, UE)资助,来自西班牙科学、创新和大学部;以及SER-PM(2908/22;国家公园研究计划,自治机构Parques Nacionales)。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号