具有洪峰延迟时间和形状系数的双参数概念性瞬时单位流量过程线方法

《Hydrological Sciences Journal》：Two-parameter conceptual instantaneous unit hydrograph method with flood peak delay time and shape coefficient

可解释AI特征选择技术（Kernel SHAP、VG、IG）在CNN-GRU多模态融合模型中提升水位预测效果，其中VG和IG优于传统方法，通过参数迁移优化特征选择过程，Transfer-VG和Transfer-IG在早晚期融合模型中分别提升5.81%和3.39%，慢融合模型提升2.58%。

　　

摘要

本研究探讨了XAI特征选择（FS）技术（包括Kernel SHAP、VG和IG）在提升所提出的CNN-GRU融合模型性能方面的有效性，这些模型分别用于日水位预测的早期、中期和后期融合过程。研究结果表明，VG和IG的表现优于Kernel SHAP以及传统的过滤方法和嵌入式FS方法。为了在最终模型校准之前便于模型参数在特征排序中的迁移，研究人员为VG和IG引入了额外的迁移过程，从而形成了Transfer-VG（T-VG）和Transfer-IG（T-IG）两种改进版本。T-VG和T-IG在最终校准过程中不会重新初始化模型参数，而是通过重塑模型输入层来移除不重要的特征，同时保留现有的模型参数。实验结果显示，T-IG使早期融合模型的性能提升了5.81%，后期融合模型的性能提升了3.39%；而计算效率更高的T-VG则使中期融合模型的性能提升了2.58%。