基于CNN-XGBoost-时序融合Transformer的CMIP6情景下可解释多变量水文气候极端事件预报框架

《Frontiers in Environmental Science》：A hybrid CNN-XGBoost-Temporal Fusion Transformer framework for explainable multi-variable hydroclimatic extremes forecasting under CMIP6 climate scenarios

　　

水文气候极端事件预计在依赖季风的河流流域加剧，然而可靠的预报仍受三个持续存在的缺口限制：深度学习模型很少在统一流程中整合空间和时间处理，几乎总是针对单一变量，并且提供有限的可解释性。本研究介绍了CXTF-Net，据研究人员所知，这是第一个用于可解释、多变量、多时域水文气候预报的三阶段混合框架。它结合了用于联合时空特征提取的CNN-BiLSTM编码器、一个将28个候选预测因子减少到信息量最大的12个的XGBoost特征选择门，以及一个同时生成径流、12个月标准化降水指数（Standardised Precipitation Index, SPI-12）、复合洪水风险指数和流域缺水量的校准概率预报的时序融合Transformer（Temporal Fusion Transformer, TFT）解码器。研究人员将其应用于印度Mahanadi河流域43年多源记录（1980–2022），CXTF-Net在1天前径流预报中实现了纳什-苏特克利夫效率（Nash-Sutcliffe Efficiency, NSE）为0.934、克林-古普塔效率（Kling-Gupta Efficiency, KGE）为0.921、均方根误差（Root Mean Square Error, RMSE）为18.4 m³/s，在30天时域内优于七个基准模型，包括长短期记忆网络（Long Short-Term Memory, LSTM）（NSE=0.852）、Transformer（NSE=0.889）和卷积神经网络-长短期记忆网络（CNN-LSTM）（NSE=0.901）。在30天时域上，所有四个目标变量的NSE均超过0.79。SHAP归因和注意力rollout共同确定了海表温度异常、ENSO Ni?o 3.4和前期土壤湿度为三个主导水文气候驱动因子，并具有从陆面到海洋强迫可预测性的物理一致时域依赖转变。CMIP6 SSP5-8.5预测表明，到2080–2100年，流域年平均降雨量显著下降（?0.72 mm yr^?1），严重干旱频率增加近三倍。CXTF-Net为季风驱动流域的气候风险决策提供了一个可解释、可迁移的框架。

全球变暖背景下，水文气候极端事件预计在季风依赖型流域显著加剧。政府间气候变化专门委员会第六次评估报告（IPCC AR6）指出，极端降水频率将在几乎所有有人居住的地区增加，其中南亚和东南亚季风区信号最强。位于印度中东部、面积约141,589 km²的Mahanadi河流域（Mahanadi River Basin, MRB）正是此类脆弱区域，其年降水的约90%集中在印度夏季风（Indian Summer Monsoon, ISM）的6–9月，历史上反复遭受严重洪水和干旱灾害。然而，现有的水文预报工具存在三个关键缺口：深度学习模型很少将空间与时间处理整合在统一流程中；几乎都只针对单一变量；且缺乏可解释性。这直接限制了亚季节至月尺度（1–30天）预报在防洪、水库调度和农业决策中的实际应用。因此，研究人员开发了一种三阶段混合深度学习框架CXTF-Net，旨在实现可解释、多变量、多时域的水文气候极端事件预报。

研究人员利用MRB 1980–2022年43年多源数据集，完整构建并验证了CXTF-Net。该模型由CNN-BiLSTM编码器、XGBoost特征选择门和时序融合Transformer（Temporal Fusion Transformer, TFT）解码器组成，可同时产出径流、12个月标准化降水指数（SPI-12）、复合洪水风险指数（Compound Flood Risk Index, CFRI）和流域水赤字（Basin Water Deficit, BWD）四个变量的分位数概率预报。结果表明，CXTF-Net在1日前径流预报中达到NSE=0.934、KGE=0.921、RMSE=18.4 m³/s，显著优于包括LSTM、Transformer和CNN-LSTM在内的七个基准模型；在30天时域上，四个目标变量的NSE均保持在0.79以上。通过DeepSHAP归因与注意力rollout双重机制，研究人员识别出海表温度异常、ENSO Ni?o 3.4和前期土壤湿度为三大主导驱动因子，且驱动重要性随时域从陆面记忆向海洋强迫转变。基于CMIP6多模式偏差校正数据，SSP5-8.5情景下的未来预测表明本世纪内流域平均年降雨量显著下降、严重干旱频率增加近三倍。

关键技术方法上，研究人员使用了以下主要技术：（1）CNN-BiLSTM编码器，利用一维卷积与双向LSTM联合提取空间-时序特征；（2）XGBoost特征选择门，从28个候选预测因子中筛选出12个关键变量；（3）TFT解码器，结合变量选择网络、门控残差网络和可解释多头注意力，生成多时域分位数预报；（4）多任务学习框架，同时优化四个物理关联目标变量；（5）DeepSHAP与注意力rollout双重归因，交叉验证驱动因子；（6）CMIP6六个全球气候模型输出的参数化分位数映射偏差校正与多模型集合平均。数据来源包括ERA5再分析、IMD站点观测、MODIS与Sentinel-2遥感产品、NOAA海温指数及CMIP6-ESGF等公开数据集。

以下按论文结果部分小标题逐一归纳研究发现。

6.1 训练收敛：通过监测组合分位数损失与验证期NSE，早停机制在第72轮触发，验证NSE收敛至0.911，训练与验证损失曲线无显著分离，表明正则化策略有效抑制了过拟合。

6.2 1日前径流预报性能：在独立测试期（2019–2022）上，CXTF-Net取得最高NSE（0.934）、KGE（0.921）及最低RMSE（18.4 m³/s）、MAE（12.1 m³/s）和CRPS（0.189）。相对于最强单架构基准CNN-LSTM（NSE=0.901），NSE提高0.033，RMSE降低16.4%。Diebold-Mariano检验证实相对于所有基准的改进在5%水平上统计显著。

6.3 实测与预测时间序列：时间序列对比显示，CXTF-Net紧密追踪了包括2020年8月极端洪水在内的所有主要洪水事件，而LSTM系统性低估洪峰15%–22%，Transformer在快速退水段存在2–3天相位滞后。80%预测区间的经验覆盖率为81.0%，表明概率输出校准良好。

6.4 Taylor图：综合相关系数、归一化标准差和RMSE的Taylor图显示，CXTF-Net最接近观测参考点，技能层次清晰：CXTF-Net＞CNN-LSTM＞Vanilla Transformer≈LSTM＞GRU＞SVR＞ANN＞ARIMA。

6.5 多时域性能：随预见期从1天增至30天，CXTF-Net的NSE始终高于所有基准，30天时域上仍保持NSE>0.79，而LSTM降至0.65以下。优势在7天以上时域显著扩大，表明TFT的动态注意力机制有效延长了可用预报范围。

6.6 消融分析：逐一移除组件的消融实验表明，TFT解码器贡献最大（ΔNSE=?0.036），XGBoost特征选择门次之（ΔNSE=?0.031），CNN空间编码器（ΔNSE=?0.025）、BiLSTM（ΔNSE=?0.017）和SHAP引导的特征排序（ΔNSE=?0.012）均有独立贡献。多任务学习相对于四个单任务模型平均NSE提高+0.027，且该优势随时域增加至30天时的+0.051。

6.7 回顾窗口敏感性：测试回顾窗口30至180天，发现最优窗口为L=90天（NSE=0.934），更长窗口（180天）因引入干季陈旧信号使NSE降至0.926。

6.8 SHAP特征归因：平均绝对SHAP值显示，海表温度异常、ENSO Ni?o 3.4和前期土壤湿度为三大主导驱动因子，合计占1日时域累计SHAP重要性的59%。在7日时域，ENSO重要性上升8个百分点，土壤湿度下降5个百分点，反映了从陆面记忆向海洋强迫的可预测性转变。

6.9 注意力rollout热图：对2020年洪水事件的可视化表明，注意力头1–3主要聚焦于SST异常和ENSO，头6–8优先关注本地降水与土壤湿度，实现了长程海洋强迫与短程陆面过程的自动分解，且无需任何物理约束。

6.10 多变量性能：在1日时域，SPI-12（NSE=0.897）、CFRI（NSE=0.881）和BWD（NSE=0.908）均达到较高精度；7日时域所有目标NSE仍高于0.81。

6.11 CMIP6未来预测：将偏差校正后的六个GCM集合输入训练好的CXTF-Net，SSP5-8.5情景下预测MRB年平均降雨量以?0.72 mm yr^?1的趋势显著下降（p<0.01），严重干旱频率（SPI-12
讨论部分指出，CXTF-Net的优越性源于三个协同设计：CNN-BiLSTM编码器保留了气候异常场的空间连贯结构；XGBoost门通过维度约简消除了共线性干扰；TFT解码器实现了时域自适应的注意力分配。SHAP与注意力rollout一致识别出的主导驱动因子与既有季风遥相关科学认知高度吻合，验证了模型学习的物理真实性。CMIP6预测结果对Hirakud水库调度和农业政策具有直接参考意义。同时，研究也承认了包括平稳性假设、特定流域校准、极端事件样本有限及推理时间较长的局限性。

翻译研究结论部分：本研究提出了CXTF-Net，据研究人员基于系统性文献检索所知，这是首个结合CNN-BiLSTM时空编码、基于XGBoost的特征选择和时序融合Transformer解码的三阶段混合深度学习框架，用于同时进行多变量多时域水文气候极端事件预报。研究人员将其应用于Mahanadi河流域43年多源记录，CXTF-Net在1日径流预测中实现了NSE为0.934、KGE为0.921、RMSE为18.4 m³/s，优于跨越统计与深度学习方法的七个基准模型。多时域评估确认四个目标变量（径流、SPI-12、复合洪水风险指数和流域水赤字）在30天预见期内NSE均超过0.79，使该框架成为真正多用途的运行业预报工具。嵌入的DeepSHAP归因与注意力rollout双重可解释模块识别出海表温度异常、ENSO Ni?o 3.4和前期土壤湿度为三个主导水文气候驱动因子，其从陆面到海洋强迫的物理一致时域转变无需显式物理约束即可佐证既有的ISM遥相关科学。消融分析证实每个架构阶段对整体技能均有统计显著且物理可解释的贡献。CMIP6驱动的SSP5-8.5预测表明，流域年平均降雨量呈统计显著下降趋势（?0.72 mm yr^?1），严重干旱频率到2100年增加近三倍，对流域水库管理和农业政策具有直接影响。这些结果共同确立CXTF-Net作为气候不确定性下运行水资源规划中一个可信、可解释且可复制的深度学习框架。未来工作将探索物理信息神经网络集成以实现物理一致性约束；利用CAMELS-India基准进行迁移学习以应用于未测流域；与IMD集合数值天气预报实时耦合以支持运行预警；并推广至东南亚、撒哈拉以南非洲和安第斯地区的其他季风驱动流域。