可解释深度学习预测色林错内流盆地湖泊扩张：揭示驱动因素转变与水文气候临界点

《Journal of Hydrology: Regional Studies》：Explainable deep learning for predicting lake expansion in the Siling Co Endorheic basin: Unraveling driver shifts and hydro-climatic tipping points

　　

研究区域：位于青藏高原中部的色林错内流盆地（SCEB）是亚洲水塔内一个关键的终端闭合流域。该流域对水文气候水平衡高度敏感，经历了由冰冻圈补给的快速湖泊扩张。这种扩张与显著的区域暖湿化同时发生。研究焦点：为阐明高山湖泊演化机制并克服传统模型的黑箱局限和相位滞后，本研究预测了SCEB的月总湖泊面积序列（2000–2021）。研究人员开发了CAF(PINN)框架，这是一种物理信息方法，将水平衡原理嵌入由一维卷积神经网络（1D-CNN）、注意力机制（AM）和频域多层感知器（FDMLP）组成的混合架构中。此外，研究人员使用偏最小二乘结构方程模型（PLS-SEM）和变换广义加性模型（TGAM）量化了湖泊水文过程与物理临界点之间的相互关系。新的水文见解：CAF(PINN)框架实现了0.91的高纳什-萨克利夫效率（NSE），优于基准模型，同时保持物理一致的行为。该模型识别出2013年一个明显的水文转变，表明向融水主导系统的状态转变。2013年之前，湖泊变化主要与降水波动相关，而冰冻圈缓冲了热输入。然而，2013年之后，气温上升与冰川融化和多年冻土解冻增加密切相关，成为湖泊补给的主要贡献者。这种转变表明冰冻圈变化与区域水文之间正在加强的非线性耦合，突显了热因素对亚洲水塔水循环的日益扩大的影响。

论文解读文章

研究背景与问题：青藏高原被称为“亚洲水塔”，其湖泊系统对区域水循环和生态安全具有不可替代的作用。在气候暖湿化背景下，高原湖泊面积呈显著扩张趋势，其中色林错内流盆地（SCEB）的湖泊扩张尤为突出，色林错已超越纳木错成为西藏最大咸水湖。然而，传统预测模型（如ARIMA、LSTM）存在黑箱特性，难以捕捉湖泊演化的非线性动态和相位滞后，且忽略了冰冻圈退化与气候驱动之间的耦合反馈。为解决这些局限，并揭示湖泊扩张的驱动机制与水文气候临界点，研究人员开展了此项研究。

研究内容与结论：研究人员以SCEB为研究区，利用2000–2021年多源遥感与再分析数据，构建了物理信息混合预测框架CAF(PINN)。该模型将水平衡原理嵌入由一维卷积神经网络（1D-CNN）、注意力机制（AM）和频域多层感知器（FDMLP）组成的混合架构，实现了高精度（NSE=0.91）且物理一致的月湖泊面积预测。研究识别出2013年为关键水文转变点：此前湖泊扩张主要受降水波动驱动，冰冻圈缓冲热输入；此后气温上升成为主导，加速冰川融化和多年冻土解冻，使地下水补给量增至总流入的17.67%。研究还发现2003年和露点温度（dt）阈值-22.21℃为潜在的系统性临界点。该研究为理解亚洲水塔水分循环失衡提供了可转移的物理信息建模范式，论文发表在《Journal of Hydrology: Regional Studies》。

关键技术方法：本研究主要采用以下关键技术方法：（1）CAF(PINN)框架，集成了1D-CNN提取局部时空特征、AM进行特征权重自适应分配、FDMLP通过一维快速傅里叶变换（1D-FFT）实现频域特征解耦，以及物理信息神经网络（PINN）嵌入水平衡原理作为约束；（2）偏最小二乘结构方程模型（PLS-SEM）用于量化驱动路径的直接与间接效应；（3）变换广义加性模型（TGAM）用于识别环境变量的物理临界点。数据来源包括JRC全球地表水月数据集（30m）、ERA5-Land再分析数据（0.1°）、MODIS积雪覆盖（MOD10A2）和归一化植被指数（NDVI，MOD13A2）产品，所有数据在Google Earth Engine（GEE）平台上进行预处理和时空对齐。

研究结果：
4.1 湖泊动态状态转变：通过Mann-Kendall（MK）检验和Pettitt检验，研究人员发现2013年为统计显著的变化点，将研究期分为两个阶段。2000–2013年，湖泊平均面积为3870.9 km²，月均扩张速率4.8507 km²；2013年后，平均面积跃升至4814.8 km²，扩张速率减缓至2.2682 km²/月，但变异系数（CV）从0.353降至0.216，表明高水位下湖泊面积更稳定，反映了水文体制的转变。

4.2 模型性能评估：CAF(PINN)模型在测试集上实现了NSE=0.910、RMSE=461.33 km²、MAE=296.10 km²，优于所有基准模型（包括GRU、LSTM、CNN-LSTM等）。与未加物理约束的CAF基线模型相比，RMSE和MAE分别降低12.3%和29.3%；与所有基准模型均值相比，NSE提升18.5%，RMSE和MAE分别降低35.9%和42.1%。这证明了物理信息约束对非物理残差的有效校正。

4.3 消融分析：通过逐步移除核心组件（如PINN、AM、CNN）进行对比实验，CAF(PINN)模型在所有指标上表现最优。Diebold-Mariano（DM）检验表明，PINN和AM模块带来的性能提升具有统计显著性（p<0.05）。单独FDMLP模型表现最差（NSE=0.80），证实了CNN时序提取、AM权重分配和PINN物理正则化的协同必要性。

4.4 关键驱动机制分析：注意力机制（AM）的特征重要性分析显示，年份和露点温度（dt）是主要驱动因素，贡献得分分别为0.0625和0.0582。SHAP分析进一步验证，年份、dt和气温（Temp）的SHAP值散布范围最大，与AM重要性排序一致。此外，模型在128个特征通道中，通道18、47和76的注意力权重超过0.5，表明模型自适应地优先关注包含主导周期性和非线性波动的潜在表示。

讨论总结：研究人员在讨论部分指出，2013年状态转变标志着从降水主导的基线向热力学调控的增长体制转变。转变前，冰冻圈通过潜热需求缓冲热输入，降低了直接水文补给；转变后，系统突破临界点（2003年、dt阈值-22.21℃），气温上升从增强蒸发损失转变为通过加速冰川和多年冻土退化提供内源水，地下水补给量增至17.67%。CAF(PINN)模型克服了传统循环神经网络（如LSTM、GRU）的相位滞后和预测偏差，在纳木错独立验证中也取得高精度（NSE=0.874），展示了跨区域泛化能力。局限性包括ERA5-Land数据粗分辨率、空间重采样（30m至250m）可能掩盖细尺度岸线动态，以及流域覆盖有限。未来研究将集成不确定性量化、耦合CMIP6气候预估和高分辨率卫星观测。

研究结论翻译：CAF(PINN)框架成功模拟了SCEB 2000–2021年月湖泊面积变化，实现了NSE=0.910的优异性能。该表现显著优于主流基准模型，误差降低35.9%–42.1%，并通过校正极端最小值期间的非物理偏差使MAE降低29.3%。模型识别出2013年从间歇性降水主导状态向热调控增长阶段的决定性水文体制转变，平均湖泊面积从3870.9 km²扩张至4814.8 km²。2013年后，气温上升从增强蒸发损失转变为通过加速冰川和多年冻土融化提供内源水，使地下水补给量增至总流入的17.67%。热因素通过大气需求成为主导因子，其中2003年和dt阈值-22.21℃指示了系统水循环演化的潜在物理临界点。尽管具有高精度，本研究受限于流域覆盖范围有限、不确定性量化约束、ERA5-Land数据平滑以及空间重采样（30m至250m）可能忽略细尺度岸线动态。此外，不同流域特征带来了特定的可迁移性限制，尽管在纳木错验证成功。未来研究将优先集成不确定性量化以提供预测状态转变的稳健置信区间，采用更高分辨率卫星影像，并将框架与CMIP6气候预估耦合以完善更广泛亚洲水塔的临界点评估。超越目标流域，这些发现提供了一个可转移的范式，将数据驱动机器学习从“黑箱”数值拟合转变为地球物理一致的双重约束优化框架。跨学科的水文学家、气候学家和环境科学家可将此物理信息框架应用于独立湖泊系统，评估水分循环失衡和高山生态系统脆弱性，为极端气候情景下的水资源变化模拟和可持续管理政策提供工具。