整合时空环境感知的多源自适应迁移学习模型用于黄土高原数据稀缺流域径流预测

《Journal of Hydrology: Regional Studies》：A multi-source adaptive transfer learning model integrating spatiotemporal environmental perception for runoff prediction in data-scarce basins of the Loess Plateau

　　

研究区域：研究区域位于中国黄土高原。由甘谷驿、河津、华县、三门峡和温家川水文站控制的流域被选为源流域，而由潼关和延川站控制的流域被指定为数据稀缺的目标流域。研究焦点：为克服数据稀缺限制并增强物理合理性，提出了一种整合时空环境感知的多源自适应迁移学习模型（称为Transformer-LSTM-MATL）。该模型基于Transformer-LSTM模型，首先利用多种源流域构建异构先验知识库。引入动态注意力机制以表征目标流域不断变化的环境条件。通过跟踪多维环境特征，模型动态调整不同源流域的贡献，从而比传统的单源或静态迁移方法实现更灵活的知识迁移。最终，通过多源知识的有效聚合，数据稀缺流域的径流预测精度得到显著提高。区域新水文见解：在黄土高原两个典型数据稀缺流域的评估表明，多源迁移模型的纳什-苏特克利夫效率（NSE）值超过0.8。与单源迁移模型和直接预测模型相比，NSE提高了9.77%-168.23%，均方根误差（RMSE）降低了21.25%-56.56%，同时皮尔逊相关系数（R）提高了1.23%-25.75%。对注意力权重的进一步分析表明，其时空变化与流域景观特征和季节性水文状况密切相关。这一模式表明，模型的融合偏好总体上与水文理解一致，而非仅由统计拟合驱动。总体而言，通过从模拟指标到水文合理性的全面验证，本研究提出了一种兼具高预测精度和物理可解释性的数据稀缺流域径流预测模型。

黄土高原位于中国北方，地形复杂、水文过程时空异质性强，被公认为生态脆弱区。准确的径流预测对水资源配置、防洪调度和水利工程建设至关重要。然而，监测站点稀疏和历史记录不完整导致许多流域数据稀缺，严重制约了传统水文模型的建模能力，也限制了深度学习等先进方法的推广。深度学习模型虽具备强大的非线性映射能力，但其性能高度依赖大规模高质量训练样本，在数据稀缺流域直接应用效果不佳。迁移学习可从相似流域中迁移知识，但现有单源迁移方法大多假设源、目标流域间存在全局静态相似性，难以捕捉复杂水文驱动下流域响应特征的动态变化。多源迁移虽然能够提供更丰富的知识，但现有融合策略多基于历史统计的静态权重，忽略了流域间相似性随气象和地表状态的时变演变，且缺乏物理归因分析，导致模型可解释性不足。针对上述问题，研究人员提出了整合时空环境感知的多源自适应迁移学习模型（Transformer-LSTM-MATL），以黄土高原数据稀缺流域为研究案例。该模型以Transformer-LSTM为基础预测单元，利用Transformer捕捉长程依赖关系，LSTM刻画径流过程的状态记忆与累积效应。通过预训练和差异化微调，从甘谷驿、河津、华县、三门峡和温家川五个源流域学习异构水文知识，再由动态注意力模块感知目标流域实时环境状态，自适应调节各源分支的融合权重。研究以潼关和延川为数据稀缺目标流域，其中潼关为黄河干流控制站，受水库调节和取水影响强烈；延川为黄土丘陵沟壑区典型支流，以自然降雨-径流过程为主。径流数据来自黄河水利委员会，气象驱动数据来自ERA5再分析资料，采用流域面积加权平均转化为日尺度序列，并使用最小-最大归一化消除量纲差异。该研究成果发表于《Journal of Hydrology: Regional Studies》。

在技术方法上，研究采用以下关键方案：构建耦合Transformer与长短期记忆网络（Long Short-Term Memory, LSTM）的骨干网络，以提取气象强迫与径流之间的非线性时变响应关系；设计动态注意力模块，由辅助LSTM编码目标流域当前环境状态，再通过全连接层与Softmax映射得到各源流域的时变融合权重；采用“冻结Transformer层和第一层LSTM，仅微调第二层LSTM和全连接层”的差异化迁移策略；通过多源分支加权聚合得到最终径流预测。模型使用均方误差（Mean Squared Error, MSE）作为损失函数，并通过网格搜索确定超参数。评估指标包括纳什-苏特克利夫效率（Nash-Sutcliffe Efficiency, NSE）、均方根误差（Root Mean Square Error, RMSE）和皮尔逊相关系数（Pearson correlation coefficient, R）。

研究结果如下：
（1）预测结果对比分析：在潼关和延川两个目标流域，与单源迁移模型（M2-M6）和直接预测模型（M7）相比，所提出的多源自适应迁移模型（M1）能准确复现2021年9月潼关罕见秋汛的双峰结构以及延川短历时洪水陡涨陡落过程，而单源迁移模型出现峰值衰减和相位滞后，直接预测模型则表现为高频振荡噪声。统计指标上，M1模型的NSE分别达到0.8368和0.8731，较单源迁移和直接预测模型NSE提高9.77%~168.23%，RMSE降低21.25%~56.56%，R提高1.23%~25.75%。泰勒图中M1模型最接近观测参考点，表明其同时具备高相关系数和接近实测的标准差，能够有效恢复径流过程的整体变率特征。
（2）不同源流域数量和数据稀缺程度下的模型性能分析：将源流域数量从1增加到5时，潼关和延川两流域的NSE分别从0.7154和0.7954提升至0.8368和0.8731，但边际收益从3源到4源的0.0376和0.0292降至4源到5源的0.0231和0.0102，且两目标流域的最优源组合不同。华县在各种源数量下均被纳入最优组合，说明其预训练知识具有稳定的迁移性。在训练数据从8年逐步缩减至1年的极端数据稀缺场景下，M1模型的NSE仍保持0.6137（潼关）和0.6582（延川），而基准直接预测模型NSE降至约0.1，表明多源迁移机制有效缓解了小样本导致的泛化能力退化。
（3）动态权重时空演化与物理归因分析：在潼关流域，注意力权重呈现高度稀疏激活特征，华县和三峡门分支长期占优，这与地形坡度相似性和上下游水力联系相吻合；在延川流域，模型更侧重河津和温家川分支，二者均具有陡坡和高产沙特征。季节尺度上，夏秋雨季华县分支权重显著增大以捕捉超渗产流形成的洪水过程，冬春枯水期三峡门分支权重回升以表征上游来水影响，延川则转向多源均衡平滑以抑制预测噪声。这些证据表明，模型融合决策与流域物理属性和季节性水文机制具有一致性。

讨论部分指出，多源迁移性能不仅取决于源流域数量，还受源-目标相似性和知识互补性影响；动态注意力权重可解释为特定模型结构和数据条件下的相对贡献指标，而非严格的物理相似性度量。模型在受人类活动强烈影响的流域应用受限，且尚未建立显式因果约束。结论认为，该研究为数据稀缺流域提供了兼具高精度和可解释性的径流预测框架，验证了数据驱动模型捕捉跨流域动态物理关系的能力，为水资源管理中的模型可信度提升提供了新见解。