基于深度学习可解释框架的全球与局部信息驱动下长期径流机制解析

本文创新性地提出融合特征筛选(FWIVS)与SHAP值解释的LSTM可解释框架，通过消除全球气候指数(GCIs)与局地气象变量(LWVs)间的冗余性和多重共线性，显著提升三江源区(TRSR)长期径流预测精度（NSE>0.8）。研究发现：GCIs对最小径流的预测贡献超越温度指标，冰川-积雪-降雨的存储时长决定其径流生成模式的时序影响，为气候变化下水资源优化配置提供理论依据。

　　

Highlight

长期径流形成机制不仅受局地气象条件（如降水、温度）影响，更与全球气候驱动因子（如大气环流模式、海表温度异常）密切相关。传统研究多聚焦局地数据解释径流物理机制，而本框架通过整合多尺度气候信息，首次系统揭示了GCIs与LWVs对径流生成的协同作用规律。

Study area

三江源区(TRSR)作为青藏高原腹地（海拔2,225-6,824米），是长江、黄河、澜沧江的发源地，被誉为"中华水塔"。该区域具有典型的高原大陆性气候，冰川积雪融水占总径流量的6.2%-23.5%，是全球气候变化敏感的"指示器"。

Prediction results

GCIs-LWVs联合驱动的LSTM模型在TRSR月径流预测中表现卓越：训练集NSE>0.8，预测集NSE>0.7。特别在长江源区(SAYR)，模型NSE达0.85，较单一LWVs驱动模型提升11%。这表明GCIs通过捕捉大尺度气候振荡信号，能有效补偿局地气象数据的局限性。

Conclusion

本研究构建的FWIVS-SHAP-LSTM可解释框架，成功量化了GCIs对径流预测的贡献度（超越温度指标达17.3%），并发现：1）降雨径流生成模式具有最大SHAP值；2）冰川/积雪存储时长决定其径流贡献的滞后效应；3）在CMIP6气候模型下，SSP585情景将加剧长江/澜沧江源区固态水储量减少。