农村居民生活垃圾强制分类政策遵从的关键预测因素与组态路径:基于可解释机器学习和fsQCA

《Sustainability》:Identification of Key Predictors and Configurational Pathways of Rural Residents’ Compliance with Household Waste Classification Policies: Based on Explainable Machine Learning and fsQCA

【字体: 大 中 小 】 时间:2026年07月24日 来源:Sustainability 4.1

编辑推荐:

  可靠的日径流预报支持洪水风险缓解和流域可持续水管理,但当前期径流强烈约束预测时,外部信息的附加价值难以识别。本研究开发了一个诊断框架,以检验多源遥感和网格化降水是否在径流记忆之外提供额外价值。该框架应用于黄河水系北道和自家川流域的1天、3天、5天和7天径流预报

  
可靠的日径流预报支持洪水风险缓解和流域可持续水管理,但当前期径流强烈约束预测时,外部信息的附加价值难以识别。本研究开发了一个诊断框架,以检验多源遥感和网格化降水是否在径流记忆之外提供额外价值。该框架应用于黄河水系北道和自家川流域的1天、3天、5天和7天径流预报。一个外部强迫参考模型(M1)使用气象—遥感变量、降水统计和静态流域属性,而一个径流记忆参考模型(M2)仅使用前期径流特征。基于验证集的组合形成了一个融合基准。然后使用基于SRCNN–Transformer架构的残差校正模型(M3)来检验剩余融合误差是否可以通过网格化降水场和多源时间状态进行校正。结果表明,径流记忆主导了短期预报,但随着超前时间增加而减弱,而外部强迫在中期和较长超前时间变得更加有用。M3产生了正但依赖于超前时间的纳什—萨克利夫效率增益,最稳定的改进出现在3–5天。这些结果描述了在已知强迫条件下遥感和网格化降水的潜在价值,而非实际预报技巧。这些发现提供了来自两个对比性黄河流域的证据,但其更广泛的适用性仍有待更多样化的水文和实际预报条件下检验。
**论文解读文章**

**研究背景与问题**
日径流预报是洪水风险预警、水库调度、水资源配置和流域可持续水管理的基础信息。在气候变率和地表条件共同影响水可用性和极端水文事件的流域中,提高预报可靠性不仅是技术问题,也是基于风险的水资源管理的实际需求。日尺度径流受气象强迫(如降水、温度)和流域条件(如土壤湿度、植被、蒸散发、地形、土地利用和前期蓄水)共同控制。其中,前期径流在短期和中期超前时间尤为关键,因为它携带了流域湿润度、地下水与河道蓄水、汇流过程和退水行为的综合效应。然而,当前期径流已经解释了目标日径流变率的很大一部分时,额外气象、遥感和网格化降水信息的价值难以仅通过多输入模型的整体精度来判断。因此,需要在考虑前期径流强控制的前提下,设计一种能够分离信息源并诊断外部信息附加值的诊断框架。

**研究内容与结论**
研究人员针对黄河水系北道和自家川两个对比性流域,开展了1天、3天、5天和7天共四个超前时间的日径流预报实验。研究采用输入分离的诊断设计:外部强迫参考模型(M1)仅使用气象—遥感变量、降水统计和静态流域属性;径流记忆参考模型(M2)仅使用前期径流特征;两者在验证集上通过加权融合形成融合基准模型;随后,基于SRCNN–Transformer架构的残差校正模型(M3)被用于检验融合基准残差中是否仍存在可由网格化降水场和多源时间状态校正的信息。研究得出以下结论:(1)前期径流在短期预报中提供强约束,但其预测作用随超前时间增加而减弱;融合基准比单一M1或M2提供了更强的基准。(2)M3相对于融合产生了正但依赖于超前时间的增益,最稳定的改进出现在3–5天超前时间,此时径流记忆开始减弱而外部时空信息仍保留有用信号。(3)外部信息的价值取决于水文条件和强迫质量;残差校正更易在降水强空间异质性和降雨响应期出现,而强迫扰动实验表明更大误差会降低保留增益。(4)基于事件的评估显示,整体NSE增益并未伴随所有水文过程特征的统一改进;M3在峰值流量和事件体积误差上更一致地降低,而峰值时间和退水行为的改进更依赖于流域和超前时间。该研究发表在《Sustainability》期刊。

**主要关键技术方法**
本研究采用的关键技术方法包括:(1)输入分离的参考模型设计:分别构建外部强迫参考模型(M1)和径流记忆参考模型(M2),其中M1使用20个输入特征(包括气象—遥感变量、降水统计特征和静态流域属性),M2使用10个前期径流衍生特征(滞后径流、滚动统计和径流变化指标)。(2)验证集融合加权:通过网格搜索最大化验证集NSE,确定M1和M2预测的融合权重,形成流域和超前时间自适应的融合基准模型。(3)基于SRCNN–Transformer架构的残差校正模型(M3):采用SRCNN风格的卷积编码器提取网格化降水的空间特征,结合编码器仅Transformer模块融合多源时间序列变量(气象—遥感时间序列)和参考预测,输出单个残差校正项。(4)模块级消融分析:比较四种降水表示(平均降水、空间统计、CNN、SRCNN)和四种时间融合结构(MLP、LSTM、GRU、Transformer)。(5)水文情景分析:基于训练期百分位数定义高流量、降水高变异、快速变化等情景,并在测试期评估条件增益。(6)成对块自举重采样评估增益稳定性,以及外部强迫扰动实验(对降水乘性扰动、对其他变量加性扰动)检验增益保留率。数据来源包括黄河水系北道和自家川两个水文控制站的实际观测径流,以及气象再分析数据、遥感产品(MODIS)和静态流域属性。

**研究结果**
**3.1 参考模型性能与融合基准构建**
M0(简单持久性基准,将初始化日径流直接前推)的NSE随超前时间迅速下降,从1天0.911(北道)和0.852(自家川)降至7天0.136和?0.443。M2(径流记忆基准)在1天时表现强劲(NSE分别为0.958和0.854),但随超前时间减弱至7天0.139和0.051。M1(外部强迫基准)NSE相对稳定,北道0.410–0.453,自家川0.447–0.493,在5天和7天时超过M2。融合基准通过验证集加权组合M1和M2,在多数中期和长期任务中优于单一基准,例如北道5天任务融合NSE达0.614(M1为0.428,M2为0.386)。融合权重变化表明M2权重从1天0.925(北道)和1.000(自家川)降至7天0.350和0.000,时间块自举验证了该趋势的稳定性。

**3.2 验证集M3结构消融分析**
SRCNN–Transformer结构在多数流域—超前时间任务中验证NSE均值和中位数高于其他候选结构。降水表示比较中,SRCNN优于MeanRain和标准CNN;时间融合比较中,Transformer优于MLP、LSTM和GRU。参考输入消融实验表明,仅使用M1、M2和融合预测的RefOnly模型在验证和测试期均无正增益,而完整M3模型在所有任务中均优于RefOnly,证明残差校正增益并非仅来自输出校正。多源时间变量贡献较小且不稳定。

**3.3 测试集M3增益与超前时间依赖稳定性**
M3在所有8个任务中均提升NSE,但增益大小随超前时间变化:北道3天和5天ΔNSE分别达+0.066和+0.102,自家川分别为+0.072和+0.039;1天增益很小(+0.005和+0.025),7天增益有限(+0.015和+0.026)。块自举置信区间显示,1天、3天和5天任务ΔNSE区间完全位于零右侧,表明稳定正增益;7天任务区间跨越零,不确定性较大。误差指标(RMSE、MAE)的降低与NSE改进一致。强迫扰动实验显示,低、中、高扰动情景下增益保留率分别为0.972、0.894和0.813,3–5天任务保留率较高,7天任务在强扰动下出现负ΔNSE。

**3.4 水文条件与事件分析**
在水文情景下,M3增益集中出现在降水高空间变异性(HighrainCV和HighPR情景)样本中,所有8个任务均呈正增益,平均ΔNSE分别为+0.069和+0.081;降雨响应期平均ΔNSE为+0.061,所有任务正增益;快速变化情景平均ΔNSE为+0.043,但正增益任务比例降至5/8。事件级分析显示,M3降低了6/8任务的峰值流量中值误差和5/8任务的事件体积中值误差,但峰值时间和退水系数改进不一致。两个对比事件案例(北道5天高增益事件和自家川1天有限增益事件)进一步说明中等超前时间和强降水空间异质性条件下残差校正更有效。

**讨论与结论**
讨论部分强调了在前期径流强控制下评估外部信息价值时,强基准模型的重要性。M2作为径流记忆基准优于简单持久性基准M0,但并非最优,未来可与径流序列模型进一步比较。M3增益的超前时间依赖性与水文状态依赖性表明,中期超前时间(3–5天)是外部时空信息最有可能提供附加值的窗口。研究局限性包括:仅涉及两个流域,未涵盖湿润、积雪影响、强人类活动等条件;实验使用已知强迫,而非实际预报产品,因此增益代表潜在价值而非实际预报技巧;扰动实验未保留降水场的空间—时间结构,也未考虑常见预报误差(如降雨位移、时间误差、漏报等)。未来需在实际预报产品和更多样化流域中验证,并考虑气候变化、土地利用变化和水库调节等非平稳条件。研究结论如下:(1)前期径流提供强短期参考,但预测作用随超前时间减弱;融合基准提供了比单一模型更强的参考。(2)M3相对于融合产生正但依赖于超前时间的增益,最稳定改进出现在3–5天。(3)外部信息价值取决于水文条件和强迫质量,残差校正更易在降水强空间异质性和降雨响应期出现,强迫误差会降低保留增益。(4)事件评估显示NSE增益未伴随所有水文过程特征统一改进,M3更一致地降低峰值流量和事件体积误差。对于研究的两个流域,遥感和网格化降水在前期径流影响减弱而外部强迫仍保留预测价值时最为有用,M3应被视为基于参考模型的校正步骤而非替代。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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