《Earth's Future》：Interpretable Deep Learning Reveals Influence and Interactions of Hydroclimatic Drivers on Floods Across India
编辑推荐：
河流洪水源于降雨强度、前期湿润状况和人类干预之间的复杂相互作用，然而这些导致极端洪水的过程的时空组织方式仍知之甚少，尤其是在印度这样地貌多样的地区。本研究呈现了首次全国范围、基于事件的洪水生成过程分类，并开发了一个可解释的深度学习框架，用于预测印度半岛206个
河流洪水源于降雨强度、前期湿润状况和人类干预之间的复杂相互作用，然而这些导致极端洪水的过程的时空组织方式仍知之甚少，尤其是在印度这样地貌多样的地区。本研究呈现了首次全国范围、基于事件的洪水生成过程分类，并开发了一个可解释的深度学习框架，用于预测印度半岛206个流域的极端河流洪水量级。研究人员根据联合降雨–土壤湿度阈值，将1980–2020年期间的洪水事件分为三种水文气象过程类型：长时降雨洪水（Long-rain flood）、过量降雨洪水（Excess-rain flood）和短时降雨洪水（Short-rain flood）。研究人员研究了这些过程的主导性如何随水文气候和水库蓄水而变化。研究人员训练了簇特定的TabNet模型，在严格的空间交叉验证下，基于每日水文气象强迫和流域平均静态属性预测洪水量级。研究人员推导了SHAP值（Shapley Additive Explanations），以将预测归因于主导驱动因子及其相互作用。结果显示，主导的洪水生成过程随气候和水库蓄水系统性地转变：湿润、有限蓄水流域受过量降雨控制，而较干旱、受蓄水影响的流域中长时降雨洪水的贡献更大，这揭示了干旱度和流域蓄水对降雨转化为洪水的联合控制。按簇划分的模型取得了中等技能，约67%的流域实现了KGE（Kling-Gupta Efficiency）>0.3，并揭示了物理上一致的驱动因子组合：强度加上地表湿润度主导过量降雨型洪水，而多日降雨和深层土壤湿度主导长时降雨型洪水。这些发现增进了对洪水过程的理解，并展示了可解释深度学习如何增强水文预测，为全球季风区气候适应性洪水预报建立了一个框架。
**研究背景与问题**
全球范围内，季风区的河流洪水因极端降水增强、人口暴露增加以及水坝、引水和城市化对河流系统的重塑而日益危险。尽管对洪水生成过程已有一定认识，但现有框架多聚焦于近自然流域以减少人类影响，导致对气候非平稳性和人为改造的联合效应理解不足。印度尤其突出：南亚季风控制着洪水的时间、强度和空间分布，观测记录显示自20世纪中叶以来中部印度极端降雨面积增加了约三倍，且与高度异质的地貌（如西高止山脉陡峭源头与低梯度冲积平原）和快速扩张的人类干预（水库、灌溉网络、城市化）相互作用。这种异质性挑战了统一洪水预测框架的可迁移性。目前，在季风主导且高度调控的河流系统中，事件尺度洪水过程的理解仍然有限，这对洪水风险评估和气候适应规划构成关键挑战。
**研究内容与结论**
为填补这一空白，本研究采用过程知情、状态感知的建模框架。研究人员首先对206个流域进行事件尺度、基于过程的洪水分类，识别主导洪水生成机制；然后开发簇特定的可解释机器学习模型，利用动态水文气候变量和静态流域特征预测洪峰量级；最后使用SHAP值量化各驱动因子的相对重要性及其相互作用。研究得出以下结论：主导洪水生成过程随气候和水库蓄水系统性地变化——湿润、有限蓄水流域受过量降雨洪水控制，而干旱、受蓄水影响流域中长时降雨洪水贡献更大；簇特定TabNet模型在约67%的流域达KGE>0.3，揭示物理一致的驱动因子组合；SHAP依赖图显示降雨强度与湿润度、多日降雨与深层土壤湿度之间的关键交互作用。该研究发表于《Earth's Future》。
**主要技术方法**
研究使用CAMELS-IND数据集，涵盖1980–2020年206个印度半岛流域的每日径流、降雨（IMD，0.25°）和土壤湿度（IMDAA，0.1°）数据。首先，基于干旱指数（AI=P/PET）和水库指数（RI=库容/年均径流）将流域分为四类气候-蓄水组合。随后，利用UMAP降维和K-means聚类划分四个水文相似簇。针对每个簇，采用事件式TabNet模型预测洪峰量级，输入为动态变量（每日及多日降雨、各层土壤湿度、大气变量）和静态属性（面积、坡度、土地覆盖等），通过分组K折交叉验证（按流域划分）评估。模型解释采用SHAP值，量化各特征对预测的贡献及交互作用。
**研究结果**
**3.1 土壤湿度阈值的控制因素**
约75%的流域（154个）中前期土壤湿度与径流存在显著中等相关（中位数Spearman ρ=0.52），中位数阈值为0.34。阈值随流域面积增大而降低（ρ=?0.44），随干旱指数增大而升高（ρ=0.63），与径流比呈负相关（ρ=?0.58），表明尺度、气候和产流效率共同调控阈值行为。
**3.2 洪水生成过程的空间主导性**
基于事件频率，过量降雨洪水（ERF）主导约74%的流域，长时降雨洪水（LRF）占23%，短时降雨洪水（SRF）占3%。湿润流域中ERF压倒性主导（约90%），干旱流域中LRF贡献增至27%。蓄水影响下LRF比例显著升高（约37%–38%），表明水库调节有利于多日降雨累积形成洪水。
**3.3 TabNet模型在簇间的空间表现**
206个流域中约67%的KGE>0.3，中位数KGE从最小流域（<2,000 km2）的0.36增至最大流域（>15,000 km2）的0.57。簇3（西高止山脉及南部半岛）表现最差（中位数KGE≈0.20），归因于小流域陡坡、亚日过程缺失及水库调控。
**3.4 基于SHAP的可解释性**
簇1（中部内陆）以P_max（7天内最大日降雨）和表层土壤湿度为主导，支持ERF机制。簇2（东部高原及东海岸）以7日降雨总量（P7）和深层土壤湿度（sm_lv3）为主导，对应LRF。簇3（南部半岛）同样由P7和sm_lv3驱动，强调多日降雨与深层饱和。簇4（中北部内陆）以P_max和深层土壤湿度为主，但强度特征更突出。
**3.5 SHAP依赖图**
簇1中P_max的SHAP值随强度单调增加，且受相对湿度调节。簇2和簇3中P7的SHAP值受sm_lv3强烈调节，湿润剖面下贡献更大。簇4中P_max的SHAP值受最高温度（tmax）分层，高温事件贡献更大。
**讨论与结论**
讨论部分指出土壤湿度阈值受气候、尺度和产流效率共同控制，约25%干旱流域未出现显著阈值关系；洪水过程主导性受气候和蓄水双重调控，蓄水影响使LRF更突出；模型性能梯度反映了每日平均强迫数据的局限性，簇3的低性能源于小流域亚日动态缺失和水库调控；SHAP分析揭示了强度主导与累积主导洪水的物理一致性。研究局限性包括仅使用日尺度数据、未显式模拟水库调度等，但仍为印度提供了尺度感知的洪水过程视图，指导监测预警策略：ERF主导流域需关注短时强降雨和表层土壤湿度，LRF主导流域需关注多日降雨和深层储水。结论翻译如下：**结论**：本研究通过识别主导水文气象过程，概括了印度不同流域的洪水驱动机制。研究人员结合事件尺度、阈值驱动的洪水分类、状态感知聚类和可解释深度学习，使用了206个CAMELS-IND流域（1980–2020年）的41,566个事件。簇式TabNet模型取得了中等技能，在更大、季节性组织的季风流域表现最佳，在小、陡峭或强调控流域表现最差。这一性能梯度表明某些水文体制本质上更易于从每日强迫中学习，而其他流域的可预测性受限于对亚日过程和调控的忽视。SHAP分析确认，尽管评分中等，模型恢复了与过程分类一致的可解释驱动因子组合：强度主导簇主要依赖短期降雨峰值和表层土壤湿度，而累积主导簇依赖多日降雨总量和深层土壤湿度。在北部和西北部流域，湿度和温度进一步调节强降雨的影响。这些发现表明，可解释机器学习并非替代水文理解的黑箱，而是作为测试和细化大样本过程假设的诊断工具。总体而言，结果表明印度洪水风险由一系列重复出现的过程类型控制，其表现随流域尺度、气候和蓄水系统性地变化。这具有直接实际意义：ERF主导流域需要关注高强度降雨和近地表土壤湿度的监测与预警系统，而LRF主导河流对次季节降雨累积和深层储水更敏感，凸显了多日降雨指数和水收支跟踪的价值。事件尺度过程归因、状态感知聚类和可解释深度学习的框架为其他季风区提供了可转移模板，也为追踪气候变化和人类用水演变下过量降雨与长时降雨洪水之间平衡的未来变化提供了物理基础。未来研究可扩展到亚日强迫、显式调控和城市流域，以及气候预估，以评估这些洪水过程体制在变暖、管理日益增强的季风世界中如何演变。
