《Water》：Multi-Day Salinity Forecasting in the Vietnamese Mekong Delta: Horizon-Dependent Performance and Interpretation of XGBoost, LSTM, and a Weighted Hybrid
编辑推荐：
短期盐度预报可支持受潮汐影响的三角洲水管理，但模型性能可能随预报时效（lead time）而变化。本研究比较了极端梯度提升（XGBoost）、长短期记忆网络（LSTM）和一种加权混合模型，用于在越南湄公河三角洲的Vam Kenh站提前1至5天预报日平均盐度。研
短期盐度预报可支持受潮汐影响的三角洲水管理，但模型性能可能随预报时效（lead time）而变化。本研究比较了极端梯度提升（XGBoost）、长短期记忆网络（LSTM）和一种加权混合模型，用于在越南湄公河三角洲的Vam Kenh站提前1至5天预报日平均盐度。研究人员利用来自六个干季（2020–2025年2–5月）的721个日观测值，通过季节性时间序列交叉验证在2020–2024年上训练和调优模型，并在完整的2025年干季上独立测试。研究人员针对每个预报时效拟合了一个直接模型，并仅从开发期的折外（out-of-fold）预测中导出混合权重。XGBoost在1至3天预报中为较强的基础模型（第1天RMSE 1.158 g/L；NSE 0.867），而LSTM在第5天优于XGBoost（RMSE 1.657对1.890 g/L；NSE 0.735对0.656）。混合模型在每个预报时效上给出最佳或并列最佳的估计（第5天RMSE 1.611 g/L；NSE 0.750），尽管其相对于最佳基础模型的改进幅度不大（RMSE改进0–3.2%）。仅基于开发期残差校准的经验90%预测区间在测试季的覆盖率为0.97–1.00，表明区间宽度保守。SHAP和置换分析识别出近期盐度、干季时令和上游水文条件为预测信息的主要来源，其相对重要性随架构和预报时效而变化。结果表明在单站点和单独立测试季中模型具有时效依赖的互补性，而非空间可迁移性或运行就绪性。
盐度入侵是河口环流的自然组成部分，但其强度、持续时间和向陆延伸范围增大，正对淡水供应、农业生产和海岸生态系统产生显著风险。越南湄公河三角洲（VMD）地势低平、河网密布，干季上游径流减弱，盐度入侵尤为突出。基于过程的数值模型虽物理机制清晰，但需要精细的地形和边界条件、大量校准及高计算成本；数据驱动模型在连续观测充分时提供了互补途径。已有研究表明，不同算法在不同地点、资料长度、水文条件和预报时效下的相对表现差异显著，尚无算法具有普遍优越性。因此，需要系统评估结构不同的模型在多日盐度预报中的时效依赖互补性，并检验仅由训练期折外预测校准的时效特定混合权重，能否在完全独立的季节中提供一致改进。
研究人员在越南湄公河三角洲Cua Tieu分汊的Vam Kenh站开展研究，目标是预报未来1至5天的日平均盐度。研究使用2020—2024年2—5月干季的721个日观测进行模型开发，采用季节性时间序列交叉验证调整超参数，并将2025年完整干季作为独立测试集。研究比较了极端梯度提升（XGB
