《Sustainability》:A Context-Aware Localized Weighting Ensemble Model for Reservoir Inflow Forecasting
编辑推荐:
准确的水库入库流量预测对于可持续流域管理和低碳水电运行至关重要。传统的固定权重集成模型在非平稳水文条件下缺乏适应性,限制了其在水库运行中的可靠性。本研究提出了一种用于水库入库流量预测的上下文感知局部加权集成(Context-Aware Localized We
准确的水库入库流量预测对于可持续流域管理和低碳水电运行至关重要。传统的固定权重集成模型在非平稳水文条件下缺乏适应性,限制了其在水库运行中的可靠性。本研究提出了一种用于水库入库流量预测的上下文感知局部加权集成(Context-Aware Localized Weighting Ensemble, CALWE)框架。该框架从异构模型输出构建预测响应空间,基于模型预测行为的相似性实现上下文识别。随后采用局部加权策略,自适应地确定不同上下文下的模型贡献。该框架利用澜沧江流域小湾水电站的日入库流量数据和金沙江流域溪洛渡水电站的月入库流量数据进行了评估。结果表明,CALWE在两种情况下均优于单个模型和传统集成方法。与每个流域性能最佳的单个基准模型(即小湾的SVR和溪洛渡的XGBoost)相比,CALWE在小湾日流量预测中实现了相对均方根误差(RMSE)降低4.93%,纳什效率系数(NSE)绝对提升0.007;在溪洛渡月流量预测中实现了相对RMSE降低5.32%,NSE绝对提升0.027。SHAP分析揭示了尺度依赖的特征贡献,日预测以前期入库流量信息为主,月预测受气象、地表和水文因素的综合影响。这些发现表明,CALWE能够捕捉上下文依赖的入流响应,同时为模型预测提供可解释的见解,从而支持可持续流域管理和水库运行。
**论文解读:基于上下文感知局部加权集成模型的水库入库流量预测研究**
**1. 研究背景与问题**
水库入库流量预测是可持续流域管理和低碳水电运行的关键环节。然而,气候变化加剧和人类活动干扰导致径流过程呈现强非线性、非平稳性和不确定性,传统物理水文模型依赖大量参数校准和结构假设,实际应用受限。数据驱动模型虽能有效学习复杂非线性关系,但其性能高度依赖输入特征质量、模型适应性及对时变水文过程的捕捉能力。现有集成方法多采用全局固定权重策略,难以刻画不同预测上下文(context)下基模型的局部性能差异,在高非平稳径流条件下适应性不足。此外,数据驱动模型的可解释性不足,限制了其在决策支持中的可靠性。因此,亟需开发一种兼具自适应性与可解释性的预测框架,以应对复杂水文环境下的入库流量预测挑战。
**2. 研究内容与结论**
本研究针对上述问题,提出了一种上下文感知局部加权集成(CALWE)框架,并选取澜沧江流域小湾水电站(日尺度数据,2013–2023年)和金沙江流域溪洛渡水电站(月尺度数据,1980–2022年)作为案例研究。研究首先通过多级特征选择(Pearson相关分析、滞后特征构建及递归特征消除)优化输入变量,随后以XGBoost、支持向量回归(SVR)和Kolmogorov–Arnold网络(KAN)三种异构模型作为基学习器,构建预测响应空间(predictive response space)。基于该空间的聚类结果划分预测上下文,并通过离散候选权重空间搜索为每个上下文优化局部权重。研究采用SHAP(Shapley Additive Explanations)方法解释模型预测。结果表明,CALWE在两种预测任务中均优于单个模型和传统静态集成方法:相比最优基准模型(小湾SVR、溪洛渡XGBoost),日尺度RMSE降低4.93%,NSE提升0.007;月尺度RMSE降低5.32%,NSE提升0.027。SHAP分析揭示了尺度依赖的特征贡献模式——日预测主要依赖前期入流信息,月预测则受气象、地表和水文因素的综合影响。该研究为高非平稳水文条件下的水库入库流量预测提供了自适应且可解释的解决方案,对可持续流域管理具有重要价值。论文发表在《Sustainability》期刊。
**3. 关键技术方法**
研究采用以下关键技术方法:(1)三级特征选择:先通过Pearson相关系数筛选与入库流量相关性显著的变量,再构建1–5步滞后特征,最后利用SVM-RFECV(支持向量机递归特征消除结合交叉验证)确定最优子集;(2)异构基模型集成:选取XGBoost(梯度提升树)、SVR(径向基核函数)和KAN(Kolmogorov–Arnold网络,基于样条函数分解的多变量函数逼近)作为基学习器,其预测输出构成预测响应空间;(3)上下文感知局部加权策略:对训练集预测响应矩阵进行K-Means聚类划分上下文,在离散候选权重空间(包括等权、启发式、随机扰动、网格采样四种生成策略)中为每个上下文搜索最优局部权重,实现自适应加权组合。样本数据来源包括:小湾水电站日入库流量(2013–2023年)及ERA5-Land再分析气象数据(2米气温、露点温度、10米风场、蒸发、地表径流),溪洛渡水电站月入库流量(1980–2022年)及相同来源的气象数据。数据按时间顺序8:1:1划分为训练集、验证集、测试集,并采用5步滑动窗口构造监督样本。
**4. 研究结果**
**4.1 输入特征选择**
通过Pearson相关分析筛选出绝对相关系数|r|≥0.3的变量,并保留相关性最强的4个气象变量。小湾站最终选取u10(10米纬向风分量)滞后1–2步、t2m(2米气温)滞后1/3/4步、d2m(2米露点温度)滞后1–5步、e(蒸发量)滞后1/2/5步及历史入库流量Q滞后1–5步,共18个特征。溪洛渡站选取d2m滞后2/4/5步、u10滞后1/2/5步、t2m滞后2–4步、sro(地表径流)滞后1–3步及Q滞后1/2/5步,共15个特征。消融实验表明sro提供了互补预测信息。
**4.2 基模型性能分析**
基于优化特征集,分别训练XGBoost、SVR、KAN进行单模型预测。小湾日尺度预测中,SVR表现最优(MAE=137.13 m3/s,NSE=0.932);溪洛渡月尺度预测中,XGBoost表现最优(MAE=885.86 m3/s,NSE=0.745)。结果表明,单一模型在不同水文条件下性能差异显著,说明需通过集成策略互补优势。
**4.3 CALWE模型性能**
CALWE在小湾日尺度预测中达到MAE=128.06 m3/s,NSE=0.939;相比SVR,MAE降低6.61%,RMSE降低4.93%,NSE提升0.007。在溪洛渡月尺度预测中,CALWE达到MAE=834.87 m3/s,NSE=0.772;相比XGBoost,MAE降低5.76%,RMSE降低5.32%,NSE提升0.027。与四种静态集成方法(MAE-Softmax、RMSE-Softmax、MAE-R2-Softmax、Ridge-Stacking)相比,CALWE在所有指标上均保持最优。动态权重分配图显示,CALWE能根据预测上下文自适应调整各基模型权重,例如小湾高流量波动期XGBoost权重增加,溪洛渡SVR权重在部分样本中显著上升,体现了局部加权策略的有效性。
**4.4 模型可解释性分析**
SHAP分析显示,小湾日预测中,前一日入库流量Q_t-1贡献最大(占SHAP总贡献38.2%),且其贡献在1415 m3/s附近出现非线性响应转折;d2m_t-2在281.79 K处贡献由负转正。溪洛渡月预测中,四个月滞后气温t2m_t-4贡献最高(10.6%),在283.56 K处出现转折;前月地表径流sro_t-1和四个月滞后露点温度d2m_t-4也呈现显著非线性响应。总体表明,日尺度预测以历史入流持续性为主,月尺度预测则涉及气候、地表和前期水文信息的综合作用。
**5. 讨论与结论**
**总结讨论:** 研究提出的CALWE框架通过构建预测响应空间识别上下文,并采用局部加权策略,有效克服了传统静态集成方法在非平稳条件下适应性不足的局限。动态权重分配机制使模型能根据各基模型在不同上下文中的表现进行自适应组合,从而提升预测精度和稳定性。SHAP分析揭示了不同时间尺度下特征贡献的差异性,增强了模型的可解释性,为水库运行决策提供了依据。
**研究结论部分翻译:** (1)开发了一种用于水库入库流量预测的上下文感知局部加权集成框架。与传统全局固定权重集成方法不同,CALWE基于异构模型预测响应空间识别预测上下文,并根据不同上下文下异构模型的预测行为进行局部权重分配,实现了自适应模型组合,为变化条件下的入库流量预测提供了灵活的集成策略。(2)在两个研究站点,CALWE模型均实现了优于单个模型和静态集成模型的一致改进。与各站点最优基准模型(小湾SVR、溪洛渡XGBoost)相比,相对RMSE分别降低4.93%和5.32%,表明上下文感知局部加权能够有效利用异构学习器的互补优势,提高预测准确性。(3)SHAP分析通过揭示特征贡献模式及关键输入变量的非线性响应特征,提升了框架的可解释性。结果表明,小湾水电站日入库流量预测主要依赖前期入流信息和短期气象变量,而溪洛渡水电站月入库流量预测涉及气候变量、地表相关因素和前期水文信息的综合贡献。这些发现为所提出的数据驱动预测框架的预测过程提供了可解释的见解。(4)特征选择被纳入框架,在预测模型构建前识别有效特征并减少冗余输入信息。