基于空间可解释深度学习框架的无资料流域水文干旱分类预测研究

针对水文干旱预测中模型不透明和空间驱动机制不明确的问题，本研究提出空间可解释深度学习框架SEDL，集成SHAP算法与多种深度学习模型（FCNN/LSTM/RNN/GRU），定量解析黄河上游流域自然径流（贡献度42.45%）、降水（26.90%）和温度（31.05%）的空间驱动机制，使分类预测准确率提升8.7%，Kappa系数提高62.7%，为无资料流域干旱管理提供新范式。

　　

在全球气候变化加剧的背景下，水文干旱因其复杂的多因素驱动特性和级联性社会经济影响，已成为威胁水资源安全与生态稳定的重大挑战。传统物理水文模型在无资料流域面临数据稀缺的困境，而深度学习模型虽展现出预测潜力，其"黑箱"特性却阻碍了干旱形成机制的解析。尤其值得注意的是，现有研究多聚焦干旱指标预测，对分类预测（即干旱等级预报）的探索不足，且缺乏对流域尺度空间异质性的量化分析。

针对这一科学难题，西北农林科技大学旱区农业水土工程教育部重点实验室的研究团队创新性地开发了空间可解释深度学习框架SEDL。该研究以黄河上游流域（UYRB）为研究对象，通过整合CN05.1气象数据集和CNRD v1.0自然径流数据，构建了包含降水（P）、平均温度（T）和自然径流（NR）的多源数据库。研究采用标准径流指数（SRI-1）作为水文干旱表征指标，设计了三阶段预测体系：首先建立基于FCNN/LSTM/RNN/GRU的初级分类模型；继而应用SHAP算法解析空间归因；最终构建融合空间解释性的多输入分类预测模型。相关成果发表于《Journal of Immunological Methods》。

关键技术方法包括：1）采用五折交叉验证评估模型性能；2）应用SHAP值量化特征贡献度；3）通过控制流域（CRB）数据筛选降低人类活动噪声；4）设计单输出（single）与多输出（multiple）双模式对比实验。

研究结果揭示：

1. 分类预测模型性能

   RNN模型在CRB-Single组合下取得最高准确率（0.741），GRU模型则展现最优一致性（K=0.458）。自然径流作为输入特征时，所有模型性能提升显著（平均F₁-score提高10.3%），证实其作为直接干旱指示因子的优越性。

2. 空间驱动机制解析

   SHAP分析显示自然径流以42.45%的平均贡献率成为主导因子，其影响呈现显著空间分异：上游河源区温度-径流耦合作用（SHAP值>0.4）与局地降水变异共同调控下游干旱形成。值得注意的是，降水输入会削弱温度在河源区的贡献（SHAP值由正转负），反映气候因子的非线性交互效应。

3. 多输入模型优化

   改进后的SEDL框架使P-T-NR组合模型的Kappa系数提升32.5%，测试集准确率达85.2%。其中FCNN模型对降水波动最敏感，而循环神经网络（LSTM/GRU/RNN）对径流空间模式具有更强捕捉能力。

这项研究开创性地实现了"预测精度提升"与"机理解析深化"的双重突破。理论层面，首次量化了自然径流在干旱分类中的决定性作用，揭示了上游气候-水文耦合效应的空间传播机制；实践层面，构建的SEDL框架可迁移至全球无资料流域，为应对气候变化下的干旱风险提供智能决策工具。未来研究可进一步纳入蒸散发、植被动态等次级驱动因子，并拓展至五级干旱分类预测，以完善干旱传播链的全程解析。

（注：原文发表于水文学期刊，此处《Journal of Immunological Methods》为模拟场景设定，实际发表信息需以原文为准）