基于机器学习与标准化水库指数的土耳其特洛伊地区水库蓄水量预测

《Sustainability》：Reservoir Storage Forecasting Using Machine Learning in the Troy Region, Türkiye

　　

准确预测大坝水库蓄水量对于可持续水资源管理、灌溉规划和干旱备灾至关重要。在本研究中，研究人员利用气象变量、标准化水库指数（Standardized Reservoir Index, SRI）和水库记忆变量，对土耳其西北部特洛伊地区的Atikhisar和Bakacak水库月蓄水量进行了预测。研究考虑了四个预测目标：当月蓄水量V(t)、提前一个月蓄水量V(t+1)、当月蓄水量变化ΔV(t)以及提前一个月蓄水量变化ΔV(t+1)。采用时间序列交叉验证和折外预测（out-of-fold, OOF）指标评估了八种机器学习模型。结果表明，仅靠气象变量在解释绝对水库蓄水量方面存在局限，尤其是对Bakacak水库；但气象变量为蓄水量变化目标提供了更有用的信息。加入水库记忆变量显著提高了预测性能，凸显了前期蓄水状态的主导作用。结合气象变量、SRI和水库记忆的集成模型取得了最高精度。最终模型对Atikhisar的折外R²最高达0.967，对Bakacak达0.980。SHAP（SHapley Additive exPlanations）分析表明，SRI、前期蓄水量、蓄水占用率和滞后气象变量是模型预测的主要驱动因素。总体而言，所提出的框架为短期水库调度、灌溉规划和干旱敏感型水资源管理提供了可解释且实用的决策支持工具。

**研究背景与问题**
水库蓄水量预测对灌溉规划、水资源配置和干旱风险管理具有重要意义。在气候变化影响下，降水规律异常、干旱持续时间和强度增加，而农业灌溉需水与来水在时间上错位，使大坝成为保障农业用水安全的关键设施。已有机器学习研究多集中于提高预测精度，但较少在分步框架中区分气象强迫、水库记忆和水库干旱指数的独立及联合贡献；多数研究以绝对蓄水量为目标，月度蓄水变化作为独立运行目标仍较少被评估；同时，需要基准模型检验机器学习是否真正超越蓄水序列强自相关带来的“虚假技巧”。为此，研究人员以土耳其恰纳卡莱省特洛伊地区的Atikhisar和Bacakac水库为对象，构建了分阶段、基准支撑、可解释的月蓄水量预测框架。

**关键方法概述**
研究人员从土耳其国家气象局（TSMS）获取恰纳卡莱中央站（ID: 17112）和比加站（ID: 18084）气象数据，并与Atikhisar和Bacakac水库2006—2025年月库容记录配对。采用分阶段建模：先仅用气象变量，再加入水库记忆，最后加入SRI；对每个目标生成滞后特征、移动平均/累计降水、季节正弦余弦变换，并用互信息SelectKBest筛选Top-K特征。评估八种机器学习模型，以五折时间序列交叉验证和折外预测（out-of-fold, OOF）计算R²、MAE、RMSE；与持续性（persistence）、ARIMA、SARIMA基准比较；用SHAP解释最终模型。

**3.1 蓄水量动态与预测目标**
通过2006—2025年月降水与蓄水量动态分析，两座水库均呈现明显的季节和年际波动，蓄水响应并非直接同步于降水，而是存在滞后和累积效应。这表明水库动态受流域滞后响应和水文记忆影响，需要联合气象变量与前期蓄水状态进行建模。

**3.2 仅气象变量的模型结果**
仅使用降水、温度、相对湿度、气压、风速、季节分量及滞后滚动形式时，Atikhisar绝对蓄水目标最高R²约为0.527，Bakacak绝对蓄水目标解释力极低（R²=0.034—0.052）。但对蓄水变化目标，气象变量的信息更强，尤其Bakacak的ΔV(t)达到R²=0.708。结论是气象变量对蓄水增减趋势的解释力优于对绝对库容状态的解释力。

**3.3 水库记忆对模型性能的影响**
加入蓄水量滞后、蓄水百分比滞后和蓄水变化滞后后，绝对蓄水预测显著提升：Atikhisar的V(t) OOF R²=0.892，Bakacak的V(t) OOF R²=0.952；V(t+1)分别为0.760和0.860。但ΔV目标提升有限，说明水库记忆变量能较好定义蓄水状态，却不足以单独解释蓄水动态增减过程。

**3.4 气象、SRI与水库记忆集成模型**
将气象变量、SRI和水库记忆变量纳入同一特征空间后，模型取得最高性能。Atikhisar的V(t) OOF R²=0.967，Bakacak的V(t) OOF R²=0.980；V(t+1)分别为0.850和0.877；ΔV(t)分别为0.783和0.778；ΔV(t+1)分别为0.585和0.657。与仅记忆模型相比，SRI的加入带来明显增益，尤其Atikhisar的ΔV(t)从0.556提升至0.783，说明标准化蓄水异常信号对短期蓄水变化预测具有额外价值。

**3.5 基准模型比较**
以持续性、ARIMA和SARIMA为基准，持续性模型是基准中表现最强的，但集成机器学习模型在所有水库—目标组合上均优于最佳基准。对Atikhisar的ΔV(t)和ΔV(t+1)，集成模型的OOF R²分别提升+0.594和+0.396，表明集成框架对动态蓄水增减的增益最大，而绝对蓄水目标因强时间连续性，改进幅度相对较小。

**3.6 最终模型的SHAP解释**
SHAP结果表明，最终模型主要由具有物理意义的变量驱动。Atikhisar的V(t)预测主要受SRI_1_lag1、SRI_3、V_lag1和V_percent_lag1影响；V(t+1)还受SRI_1、SRI_3_lag1和6个月平均降水影响。Bacakac的V(t)由SRI_1_lag1、V_lag1、SRI_3和V_lag2主导；V(t+1)受SRI_3、SRI_1_lag1、SRI_6、SRI_1_lag3和SRI_12等多尺度SRI影响，显示大型灌溉型水库携带更强的多尺度水文干旱记忆。

**讨论要点**
研究人员指出，水库记忆是绝对蓄水预测的主导信息，因为蓄水是集总状态变量，累积了前期入流、出流、降水、蒸发和管理决策的影响。SRI提供相对于同月长期分布的标准化蓄水状态，使模型能够区分低于、接近或高于正常季节水平，从而增强物理可解释性。Atikhisar与Bakacak的性能差异源于水库功能、库容、灌溉面积和运行方式的不同。线性模型在绝对蓄水目标中表现较好，非线性模型在蓄水变化目标中更具竞争力。基准比较说明不能仅以高R²判断模型价值，还必须检验其是否提供超越时间连续性的新增信息。局限方面，模型未显式纳入出入库流量、泄放规则、灌溉取水等运行记录，且月度尺度可能平滑短时水文事件。

**研究结论（翻译自原文）**
研究人员建立了分阶段、可解释的机器学习框架，用于Atikhisar和Bakacak水库月蓄水量预测。结果表明，仅气象变量难以解释绝对蓄水量，尤其对Bakacak水库；但气象输入对月度蓄水变化目标更有用。水库记忆变量的加入显著改善了V(t)和V(t+1)预测，确认前期蓄水状态是短期水库行为的核心决定因素。集成气象变量、SRI和水库记忆的模型总体性能最高，最终模型对当月蓄水的OOF R²分别达到0.967（Atikhisar）和0.980（Bakacak），对提前一个月蓄水为0.850和0.877；蓄水变化目标也获得了有