在RCP 4.5和RCP 8.5气候情景下评估用于径流预测的深度学习方法

《Journal of Atmospheric and Solar-Terrestrial Physics》：Evaluating deep learning models for streamflow prediction under RCP 4.5 and RCP 8.5 climate scenarios

　　

•为评估气候变化的影响，采用了CNRM-CM5和EC-Earth模型的RCP 4.5和RCP 8.5情景。•结果表明，基于循环神经网络的模型比基于卷积的模型更为成功。•GRU模型表现出最高的性能，既提供了高准确率，又具有更快的训练时间。•TCN和CNN-LSTM模型低估了流量值，尤其是在高流量期间。•研究发现，GRU模型是半干旱流域运行流量估计的最合适方法。引言全球各地的水资源正面临越来越大的压力。气候变化对水循环产生重大影响，这使得径流预测成为一个挑战（Kazemi Garajeh等，2024；Reddy等，2024）。气候变化的存在可以通过气温升高、降水模式改变以及干旱或洪涝事件频发来体现。这些现象正在当前时刻发生。半干旱集水区域对气候变化的影响尤为脆弱。土耳其奇克勒梅克河上的亚穆拉大坝流域是这一现象的明确例证：径流的年际波动显著，变化范围从15到116 m3/s。这对农业规划和水库运行具有重要影响（Y?ld?z，2009）。传统的预测方法通常无法充分应对这种波动性。这一问题尤为令人担忧，因为水资源管理者需要可靠的预测来指导关于水资源分配、防洪和长期基础设施规划的知情决策。最近在多个河流域的研究进一步凸显了这一挑战的紧迫性。例如，关于湄公河流域气候变化、大坝效应和防洪的研究表明，在变化的气候条件下，该流域的水文状况发生了剧烈变化（Yun等，2020；Yang等，2019）。同样，针对昭拍耶河流域在气候变率下优化水库运行而开发的动态神经模糊算法，也突显了对能够应对气候不确定性的基于AI的预测模型的需求（Saab，2025；Phankamolsil等，2025）。此外，关于评估大型集合气候数据集（d4PDF）后处理方法的研

这些发展凸显了环境应用中模型可解释性与预测精度并重的日益增长的需求（Modi 等，2024），并且（2）架构选择与特征工程选择之间的关系尚不明确。（3）高流量事件中的性能损失对防洪最为重要，因为此类事件与日常实践最为相关；（4）研究出版物在优化模型精度和训练时间时侧重于不同的权衡，而非需要来自受控实验的额外标准的实际应用（LeCun 等，2015）。在相邻的环境和能源应用中对相同卷积和循环构建块的对比基准测试加强了这一论点。?zarslan 和 Uluocak（2026）评估了经贝叶斯优化调优的 CNN-LSTM 和 CNN-GRU 混合模型，用于估算基于催化剂的柴油尾气后处理系统中 NOx 的转化效率，并报告称在针对实际发动机数据和交叉验证进行验证后，CNN-LSTM 配置达到了 R2 = 0.996（?zarslan 和 Uluocak，2026）。在更接近当前应用的预测场景中，Uluocak（2025）比较了 LSTM、GRU、CNN-GRU 和 CNN-LSTM 对到 2050 年大气甲烷浓度的预测，发现混合 CNN-LSTM 获得了最低 MAE（0.6567）和最高 NSE（0.933）（Uluocak，2025）。两个经验可以迁移到径流量研究中来。首先，卷积特征提取与循环记忆的混合并非总是有利的：它在某些问题上表现良好，而如下文所示，在 Yamula 大坝流域的月径流量上表现不佳，因此架构排名是数据性质和预测时间跨度的属性，而非架构本身的属性。其次，两项研究均在单一受控协议下评估了一类架构，而非仅报告单个调优模型，这也是本研究采用的设计，并将其扩展到四个气候预测中。本研究相对于现有文献的新颖性体现在五个不同的贡献：（1）在四个气候预测情景下系统性比较五种不同的深度学习架构（LSTM、GRU、BiLSTM、TCN、CNN-LSTM），而非如多数文献中常见的那样仅在单一条件下分析单一架构；（2）对集成方法局限性的定量分析，证明当模型间相关系数超过 0.97 时，集成平均带来的增益可忽略不计（约 +0.2%）；（3）流量状态分层的性能评估，隔离了超过第 90 百分位径流量处的性能退化，这与防洪应用直接相关；（4）计算效率分析，记录了 GRU 相对于 LSTM 和 BiLSTM 在训练速度和内存方面的优势；以及（5）将特征工程选择（滞后特征、滚动统计量、周期编码）纳入公平的跨架构比较中。深度学习在气候预测领域的更近期发展，包括用于月环境预测的卷积和循环模型，为这种全面比较提供了额外的动力。本文利用对 Yamula 大坝流域月时间尺度径流量预测的五种深度学习模型的系统性比较来考察这些缺口。这五种模型包括 LSTM、GRU、BiLSTM、TCN 和 CNN-LSTM 网络，在 CNRM-CM5 和 EC-Earth 一般环流模型模拟的四个不同气候条件下进行评价，分别采用 RCP 4.5 和 RCP 8.5 情景路径作为驱动力。本文旨在：（i）使用 R2、NSE、KGE 和 RMSE 指标对模型进行总体评价及针对每个模型-情景组合的评价；（ii）估计模型排名的稳定性，探索顶级模型在不同气候条件下的表现；（iii）在已测量的模型间相关系数背景下评估集成方法的增量价值；（iv）评估不同流量状态（低、正常、高）下的模型性能；以及（v）测试计算效率以评估模型可用性。该声明的范围被刻意限定得较为狭窄。五种架构中的任何一种，以及此处使用的任何特征工程手段，单独来看都不是新颖的；每一项此前都有报告，本工作也不声称有所创新。对于该流域，或据我们所知对于任何半干旱安纳托利亚源头集水区，尚未报告的是以下组合：（i）在四个偏差校正后的气候预测中严格保持一致的五架构比较，使得架构效应和强迫效应可以分离；（ii）证明当模型间相关系数超过 0.97 时集成增益坍缩至约 +0.2%，这是一个具有实际价值的负面结果，因为集成通常被认为是有利的；（iii）流量状态分层的误差预算，定位第 90 百分位以上技能损失的具体位置；以及（iv）基于 SHAP 的诊断，结合数值泄漏审计，表明学习到的映射关系在集水区湿润过程中从储水控制型转变为降雨控制型行为，且这一转变是从严格因果的预测变量集获得的。第（iv）项是本修订版中的新增内容，在第 2.5 节"可解释性分析与因果特征审计"和第 3.7 节"学习到的降雨-径流关系的基于过程的解释"中有报告。

**研究区域**：Yamula 大坝流域位于 K?z?l?rmak 河上游，坐标为北纬 38°54′14″、东经 35°16′16″（图 1）。K?z?l?rmak 河作为一个完整的河水系统，是土耳其最重要的水资源之一，长期年均径流量约为 184 m3/s。该流域是 K?z?l?rmak 河流域的一个子流域，总集水面积为 15,581 km2，约占 K?z?l?rmak 河流域面积的 19%，地形起伏较大。

**各气候情景下的模型总体性能**：五种深度学习架构在涵盖 78 年（2023–2100）的 4 个气候变化情景的径流量数据上进行训练和评估。确定系数（R2）值在所有模型和情景中的范围为 0.806 至 0.932。门控循环单元（GRU）达到了最高平均 R2 为 0.9245 ± 0.0279，其次是长短期记忆网络（LSTM；0.9108 ± 0.0148）和双向长短期记忆网络（BiLSTM；0.9078 ± 0.0131）。时间卷积网络（TCN）和……

**结论**：本研究评估了五种不同的深度学习架构，即 LSTM、GRU、BiLSTM、TCN 和 CNN-LSTM，用于在基于 CNRM-CM5 和 EC-Earth 模型的四个不同气候变化情景（考虑 RCP 4.5 和 RCP 8.5 排放情景）下预测 Yamula 大坝流域的径流量值。深入分析表明，在所有评价标准和情景下，所有循环模型的性能均优于卷积模型。GRU 模型被确定为……

**CRediT 作者贡献声明**：Jamshid Piri：软件、方法论、形式分析、概念化。Gaye Aktürk：撰写—审阅与编辑、撰写—原稿、可视化、验证、形式分析、数据整理。Hatice Citakoglu：撰写—审阅与编辑、撰写—原稿。

**资助**：本研究未获得公共、商业或非营利部门资助机构的任何专项资助。

**利益冲突声明**：作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

**致谢**：作者衷心感谢土耳其国家气象局提供的气象数据，以及土耳其国家水利工程总局提供的径流量数据，这些数据支持了本研究的开展。

Jamshid Piri | Gaye Aktürk | Hatice Citakoglu