《Journal of Hydrology: Regional Studies》：A LSTM reservoir outflow model enhanced by operation chart derives the representative reservoir operation schemes
编辑推荐：
摘要翻译：
研究区域：中国东江流域的新丰江水库，是一座大型多年调节水库，其出流受到人为调度的强烈影响。
研究重点：为表征水库调度对径流动态的影响，本研究开发了一种知识引导的长短期记忆（KG-LSTM）模型来模拟水库出流。利用分类回归树（CART）从水库调度
摘要翻译：
研究区域：中国东江流域的新丰江水库，是一座大型多年调节水库，其出流受到人为调度的强烈影响。
研究重点：为表征水库调度对径流动态的影响，本研究开发了一种知识引导的长短期记忆（KG-LSTM）模型来模拟水库出流。利用分类回归树（CART）从水库调度图（ROC）中提取经验规则，并将其嵌入标准LSTM的损失函数中。为进一步提取水库调度知识，将KG-LSTM与整合了Shapley Additive exPlanations（SHAP）、t分布随机邻域嵌入（t-SNE）和k-means聚类的可解释性框架相结合。
区域新的水文认知：与标准LSTM相比，KG-LSTM取得了更优的性能，表明纳入经验水库调度知识可改进水库出流模拟。更重要的是，可解释性分析识别出前月出流是决定当前出流的最重要因子。特别是，当前入流在汛期倾向于对出流产生负贡献，以支持蓄水；而在枯水期则产生正贡献，以支持补水。此外，可解释性框架识别出六种具有代表性的、依情境而定的调度方案，这些方案对应蓄水、发电和补水三大主要水库功能。总体而言，本研究提供了一个既能提高数据驱动型水库建模精度又能增强其可解释性的框架，为调度知识的提取和验证提供了新途径。
**基于知识引导LSTM的新丰江水库出流模拟与调度方案解析**
**1. 研究背景与意义**
全球范围内约6.2万座大坝的建设，使人类对全球水循环的干预达到了空前程度。这些大坝总蓄水能力约7714 km3，约占全球年径流量的20%，由此引发的流量调节、河流片段化和水资源消耗深刻影响了全球超过50%的大型河流系统。水库在日益深刻地改变自然径流情势的同时，也使得在受水库调节的流域中进行径流模拟时，必须精确考虑水库的影响。因此，开发精准的水库出流模型对于水资源有效管理和水文预测至关重要。
水库调度图（ROC）是常用的经验性工具，用于指导水库模块中的出流决策。ROC蕴含宝贵的调度经验，其基于长期统计规律制定，反映了水力发电和生态保护等关键管理功能。该方法操作简便，可直接根据当前水位作出出流决策。然而，实际调度中，管理人员常根据变化的需求调整出流，导致决策偏离调度图，限制了ROC的适用性。
相比之下，数据驱动模型通过学习非线性、复杂、多因素的决策过程，能够捕捉人为调整行为。长短期记忆（LSTM）网络作为数据驱动模型的子类，擅长时间序列预测，非常适合开发水库调度模型。尽管LSTM具有优势，但其忽略先验专家知识限制了性能。通过在损失函数中嵌入领域知识可以解决此问题，例如将水量平衡和出流单调性等基本原理纳入LSTM训练，或整合防洪和补水等功能性知识。
然而，现有的大多数知识引导建模研究忽视了ROC这类蕴含专家经验的经验性出流方法。分类回归树（CART）是一种相对透明的数据驱动模型，可从历史数据中推导简单函数形式的水库调度规则。由于ROC总是基于历史入流和水位的长期统计规律构建，研究人员使用这两个变量作为CART模型输入，提取ROC中嵌入的专家知识并将其纳入LSTM。
尽管纳入先验知识可以提升LSTM性能，但其黑箱特性仍使输出无法直接揭示底层水库调度逻辑。目前，系统分析LSTM在水库调度过程可解释性的研究有限。此前的研究多采用较简单的数据驱动方法，如使用CART评估变量重要性但未进一步提取调度方案；或应用k-means聚类推导调度模式但缺乏可解释性；或使用隐马尔可夫-决策树识别典型调度方案但在水文条件多变时表现不佳且不适用于大型多目标水库。SHAP方法为黑箱模型提供了解释框架，能够量化变量贡献。将SHAP与k-means结合可以进一步增强知识提取，而t-SNE降维可在聚类前增强类别区分度。
基于此，本研究提出以下研究问题：i）如何提取经验性ROC知识以增强LSTM出流模拟；ii）如何从KG-LSTM中提取独特的水库调度知识。研究以中国东江流域新丰江水库为案例，引入知识引导LSTM（KG-LSTM）模拟水库出流。KG-LSTM由两部分组成：超参数优化的标准LSTM模型，以及集成CART从ROC提取的水库调度知识的损失函数。此外，通过SHAP与k-means聚类耦合解码代表性决策变量和调度方案。
**2. 主要关键技术方法**
本研究采用以下主要技术方法：（1）利用CART算法从ROC中提取经验调度知识，以月初水位和当月入流为输入，推求调度图指导的出流区间；（2）构建KG-LSTM模型，将CART提取的出流区间约束以惩罚项形式嵌入标准LSTM的均方误差损失函数，形成知识引导的损失函数；（3）采用SHAP方法量化各输入变量对出流预测的边际贡献；（4）运用t-SNE对SHAP值进行非线性降维；（5）基于最优轮廓系数确定聚类数，使用k-means聚类识别代表性水库调度方案。研究数据来自东江流域水文部门提供的新丰江水库1961年1月至2006年12月逐日水库运行资料（入库流量、出库流量、水位、耗水率）及河源水文站逐日径流数据，均聚合为月尺度。模型输入变量包括前两月与前月出流、前月与当月入流、前两月与前月水位、当月月份、前月下游流量和水文年。
**3. 研究结果**
**3.1 基于KG-LSTM的出流模拟**
研究对比了LSTM、KG-LSTM和ROC三种方法在新丰江水库出流模拟中的表现。在测试期，KG-LSTM的相关系数r从ROC的0.48和LSTM的0.79提升至0.81，纳什效率系数NSE从-0.11和0.59提升至0.65，均方根误差RMSE从55.59 m3/s和112.87 m3/s降至53.90 m3/s。KG-LSTM的百分比偏差PBIAS为0.05%，优于LSTM的2.79%和ROC的-29.69%，表明其能精确考虑整个时期的水量平衡。时间序列图显示ROC方法在多数时候明显低估出流，而基于LSTM的模型能更准确捕捉出流动态。KG-LSTM在中高流量模拟方面表现出显著改进。CART识别的引导出流区间覆盖了92%的观测出流，验证了CART方法的可靠性。
**3.2 KG-LSTM的可解释性分析**
**3.2.1 水库出流关键影响因子识别**
SHAP分析表明，前月出流（Qot-1）是最具影响力的变量，因其包含近期人为干预信息，主要决定当月出流。变量重要性依次递减为：当月入流（Qit）、前月下游流量（Qdt-1）、前月入流（Qit-1）、前两月出流（Qot-2）、前月水位（Wlt-1）、月份（Mo）、水文年（Yr）和前两月水位（Wlt-2）。反映近期流域入流的变量（Qit、Qdt-1、Qit-1）明显比其他变量更重要。汛期时，Qit主要产生负贡献，表明入库流量高时倾向于减少出流以蓄水；枯水期时则主要产生正贡献，表明入流直接转化为出流以支持下游供水。Qit-1和Qdt-1在汛期主要为正贡献，枯水期转为负贡献。这些发现表明KG-LSTM能有效识别同一变量重要性的季节变化，并诊断不同的调度目的。
**3.2.2 水库调度方案识别**
通过t-SNE降维和k-means聚类（最优轮廓系数0.52），研究识别出6种水库调度方案（S1-S6）：
S1（蓄水方案）：约占15%，主要出现在汛期前期（4-6月）。适用于低水位（平均Wlt-1=99.82 m）高入流（平均Qit>382 m3/s）情境，平均出流107 m3/s远低于入流416 m3/s，水位快速上升（ΔWl=+2.75 m）。关键变量Qot-1和Qit均对出流呈负贡献，表明抑制出流以增强蓄水。
S2（防洪与蓄水协调方案）：约占12%，主要出现在汛期前期。适用于高入流（Qit>382 m3/s）高初始水位（平均Wlt-1=104.38 m）情境，维持较高出流（212 m3/s）以减缓水位上升速率（+1.68 m）。Qit呈强负贡献突出蓄水功能，而Qot-1、Qit-1和Qdt-1呈正贡献，表明倾向于增加出流以防洪。
S3（最大化发电方案）：约占15%，主要出现在汛期后期（7-9月）。入流较前期减少（平均178 m3/s），但流域含水量因前期降水处于峰值（Qdt-1均值694 m3/s），水位达各方案最高（106.71 m）。水库维持高出流（295 m3/s），水位下降速率最快（-1.32 m），反映以发电为主要功能。Qot-1对出流呈最强正贡献。
S4（低水平发电与节水方案）：约占20%，主要出现在汛期后期和枯水期（10-3月）。入流、水位和下游流量均低于S3（Qit=113 m3/s，Wlt-1=104.81 m，Qdt-1=451 m3/s），出流（204 m3/s）和水位下降速率（-1.07 m）也较低。Qit-1呈负贡献，表明倾向于减少出流以节约水资源。
S5（稳健补水方案）：约占21%，主要出现在枯水期。下游流量维持正常水平（Qdt-1=359 m3/s），平均出流超过平均入流导致水位逐渐下降（-0.61 m）。Qdt-1和Qit对出流呈正贡献，表明倾向于增加出流执行补水功能；而Qot-1呈负贡献，表明在调节减少当前出流以储存水量。
S6（紧急补水方案）：约占17%，主要出现在枯水期。适用于干旱条件，初始水位最低（97.15 m），下游流量最小（Qdt-1<251 m3/s）。出流小于S5（112 m3/s<168 m3/s），反映低蓄水量下补水功能受限。Qot-1和Qdt-1呈显著强负贡献，表明为防水库低于死水位而大幅削减出流。
方案转移分析揭示了调度动态：S1主要转向S2（17%）和S5（21%），不直接转向S4（0%）；S2主要转向S3（21%）和S4（20%），不转向S6（0%）；S3最可能转向S4（20%）；S4最可能转向S5（32%）；S5常转向S4（27%）和S6（17%）；S6最可能转回S1（17%）。S1、S3和S6具有较高持续性（55%、64%和39%）。
**4. 讨论与结论**
讨论部分首先分析了将水库调度知识融入LSTM的改进效果。KG-LSTM较标准LSTM的改进主要归因于ROC，其基于历史调度经验积累，包含不同情境下的多目标权衡，能有效整合重要水库调度知识。CART识别的调整规则合理考虑了当前水文条件，提取的人工调整出流范围覆盖了92%的观测出流。KG-LSTM对中高出流模拟改进显著，但对低出流改进有限，未来需纳入额外输入变量增强CART对低出流工况的指导能力。
其次验证了可解释性结果的合理性与稳健性。通过SHAP条件期望方法的辅助分析确认了多重共线性影响有限，结论稳健。识别出的关键变量与既有研究一致，Qot-1是大中型水库出流的最强预测因子，反映大规模水库调节的时间连续性。季节规律分析显示汛期蓄水、枯期补水，与水库多功能调度特征相符。方案转移概率反映实际调度逻辑，如强蓄水方案S1极少直接转向发电导向的S4。长期趋势分析显示发电相关方案占比从28%降至26%，其中S3（发电优先）占比从61%降至40%，而S4（发电与节水平衡）偏好增强，符合水库管理优先级演变的普遍趋势。
研究还探讨了理解历史调度过程以改进未来调度。KG-LSTM识别出20世纪70年代新丰江水库过度发电调度导致水位低于死水位的现象，进而在遭遇突发干旱时供水能力不足，造成严重经济损失。例如1976年枯水期继续应用S3导致水位大幅下降，随后1977年遭遇严重干旱，放水后水位降至死水位以下6 m；1978年类似过度发电导致水位低于死水位5 m，后续干旱中仅剩S6紧急补水方案维持基本出流，无法满足用水需求。这些事件表明，更合理的方案应用（如低水位时优先S1、枯水期避免S3）对保障突发干旱时的供水能力至关重要。
在实践适用性方面，该方法可灵活推广至其他水库类型，包括单目标防洪坝、灌溉型水库和水库群系统。但框架存在若干不确定性：CART规则初步推导未充分优化超参数；规则推导中的人工调整可能引入过时或次优调度模式；全球许多水库缺乏足够观测数据。未来研究应关注先进超参数调优、替代性知识提取模型，以及在极端条件下的鲁棒性验证。针对高出流模拟的局限，建议生成更多合成高出流样本（如纳入设计洪水情景）和集成更多调度知识（如增加高权重的防洪损失项）。
研究结论表明，将经验性水库调度知识融入LSTM可改进水库出流模拟。提出的KG-LSTM在测试期NSE达0.65，较标准LSTM提高0.06，中高出流模拟改进尤为显著，表明经验调度规则为学习纯数据驱动LSTM难以捕捉的复杂人为调节动态提供了有效约束。提出的SHAP-t-SNE-k-means框架为解释KG-LSTM学习到的调度知识提供了可行途径。SHAP分析识别出前月出流是当前出流决策的主导因子，并揭示了入流变量的系统性季节变化规律：汛期高入流时减少出流以蓄水，枯水期增加出流以补水。该框架进一步识别出六种具有代表性的、依情境而定的调度方案，其从蓄水（S1→S2）、经发电（S3→S4）、到补水（S4→S5→S6）的转移过程，提供了水库调度适应条件变化的过程化表征。本研究论证了将经验性ROC知识融入数据驱动模型的可行性，建立了增强水库出流模拟的可推广方法。同时，可解释性框架具有双重作用：验证黑箱模型的物理可靠性，以及在强调节流域中发现可操作的、新的调度知识。
