耦合优势因子分析、双重注意力深度学习及不确定性量化用于中国无定河流域长期蒸发皿蒸发量集合预测

《Journal of Hydrology》:Coupled dominant factors analysis, dual attention deep learning, and uncertainty quantification for long-term pan evaporation ensemble prediction in the Wuding River Basin, China

【字体: 大 中 小 】 时间:2026年03月13日 来源:Journal of Hydrology 7.3

编辑推荐:

  本研究旨在提高干旱与半干旱地区长期蒸发皿蒸发量(Epan)预测的准确性与可靠性。研究人员构建了一种融合优势因子分析、智能建模与不确定性量化的创新性预测框架。路径分析用于识别Epan的优势驱动因子,同时构建了双重注意力

  
本研究旨在提高干旱与半干旱地区长期蒸发皿蒸发量(Epan)预测的准确性与可靠性。研究人员构建了一种融合优势因子分析、智能建模与不确定性量化的创新性预测框架。路径分析用于识别Epan的优势驱动因子,同时构建了双重注意力长短期记忆神经网络(DA-LSTM)Epan预测模型以捕捉关键特征-时间依赖关系。该DA-LSTM模型与支持向量回归(SVR)及线性回归(LR)进行了对比,并被整合入集合预报方案中。研究人员引入了一种改进的基于C-Vine Copula的多模型条件处理器(CMMCP)方法以量化Epan预测不确定性。该框架利用无定河流域上游、中游及下游站点1980至2013年的月尺度Cand临床治疗试验组数据进行了评估。研究区域的新水文认知表明:Epan影响机制存在区域差异性,热力学因子主导上游区域的Epan过程,而下游区域则由热力学与动力学因子共同驱动。路径分析表明,地表温度、日照时数、降水量及风速是关键的正向驱动因子,而大气压力则产生负向影响,且均表现出显著的总效应。DA-LSTM模型实现了优越的预测精度(KGE > 0.90),CMMCP方法相较于MMCP方法将预测区间宽度缩减了12.9%–26.7%,同时保持90%的覆盖率,证实了其在区域Epan预测及水资源管理中的增强可靠性。
蒸发(Evapotranspiration)作为水循环的关键组成部分,对水资源可利用性、生态系统稳定性及社会经济系统可持续发展具有深远影响。蒸发皿蒸发量(Epan)广泛应用于水文建模、农业灌溉、水资源管理及干旱评估中,其在干旱与半干旱地区具有重要参考价值,因这些区域的蒸散发损失主导着水分平衡。尽管Penman-Monteith(PM)法及其改进形式如联合国粮食及农业组织推荐的FAO-56 PM法基于物理机制,但其依赖大量边界输入参数,导致数据获取成本高且计算复杂。在缺乏未来边界参数准确预测的条件下,PM或FAO-56 PM法预测蒸散发能力的可靠性与适用性受到显著制约。相比之下,Epan可通过适当的转换系数灵活估算不同情景下的潜在蒸散发,具有更高的简便性、适用性与可预测性。为有效支持区域水资源调控与用水规划、改进水库及湖泊等水体蒸发损失估算,并增强水文建模与农业灌溉规划的科学性与前瞻性,发展长期(月尺度)Epan预测迫在眉睫。

然而,干旱与半干旱地区的蒸发过程受众多因素影响,包括地表温度、相对湿度、风速及大气压力等气象要素。这些因素并非独立,而是密切且复杂地相互关联,导致理解和量化关键因子影响蒸发的机制面临挑战,使该区域Epan准确预测成为持续焦点与难点。路径分析作为一种能分析多因子影响路径的统计方法,可分解变量间相关性,揭示自变量对因变量的直接效应及通过中间变量的间接效应,识别多变量间强相互作用的因子,有效解决蒸发影响因子高耦合问题,较相关系数等方法更为科学合理。该方法为理解干旱与半干旱地区Epan响应机制、识别蒸发过程优势因子及构建高效高精度Epan预测模型提供了合理途径。

当前Epan预测方法主要分为经验统计方法与数据驱动方法。经验统计方法通常建立Epan与影响因子间的统计关系进行预测,但难以适应变化环境下复杂、非线性、非平稳的蒸发过程,预测性能通常不理想。数据驱动模型利用人工智能或机器学习技术探索蒸发与其影响因子间的潜在规律,无需考虑蒸发过程的物理机制,具有强可建模性与可操作性,能捕捉变化环境下的复杂非线性关系,因而展现出高适用性。近年来,随着人工智能与计算能力的快速发展,众多适用于处理复杂时间序列预测问题的先进深度学习模型涌现,为Epan预测提供了新途径,包括长短期记忆神经网络(LSTM)、卷积神经网络(CNN)、图神经网络(GNN)及Transformer等。其中,LSTM神经网络是最具代表性的模型之一,作为特殊的循环神经网络,其克服了传统循环神经网络中存在的梯度爆炸或消失问题,其循环结构能从时间维度处理输入与输出变量间的联系。

特征-时间双重注意力(DA)机制通过分配权重识别并突出不同类别和时刻输入变量中的关键信息,增强深度学习捕获关键输入与目标输出间复杂映射关系的能力,减少冗余信息干扰,从而提升模型预测性能与可解释性。Qin等人于2017年首次将DA机制与LSTM神经网络耦合,应用于温度与股票预测问题。此后,DA机制在生态、水文、气象及能源的时间序列预测任务中应用日益广泛。从多类别影响因子和不同时刻提取关键信息,有助于提高长期Epan预测精度。

由于复杂外部输入、模型结构、参数等因素的影响,单一模型获得的长期Epan预测往往具有高不确定性,难以辨识预测误差范围,缺乏预测可靠性与可信度,仅依赖单一模型的确定性预测结果易导致决策失误。因此,有必要综合多个模型的蒸发预测结果并考虑预测不确定性(风险)信息。多模型条件处理器(MMCP)是最常见的集合预测后处理技术之一,广泛用于补充点估计之外的不确定性信息。MMCP方法通常假设变量服从正态分布,采用正态分位数转换方法使变量适应非线性与非正态特性,计算正态空间中的变量联合分布,再通过逆变换获得原空间联合分布。然而,蒸发、降雨及径流等变量通常服从偏态分布,正态分位数转换过程易引入计算误差,且对极端事件拟合性能不佳,影响方法适用性与概率分布估计准确性。Copula函数能灵活构建具有任意边缘分布的水文变量联合分布,很好模拟水资源系统的非线性、非正态特性,为MMCP方法避免分布假设提供了合理途径。

本研究以干旱与半干旱地区代表性过渡带无定河流域为研究区,旨在推进Epan理解与预测。主要创新包括:将路径分析、基于双重注意力的LSTM模型及基于C-Vine Copula的MMCP方法创新性地整合于长期Epan预测;揭示干旱与半干旱气候区Epan主导驱动机制的空间异质性;相对于现有集合预报方法与单一模型方法,所提框架在不确定性降低与预测技巧方面实现定量提升。

研究主要目标如下:首先,采用路径分析解析Epan驱动机制的区域异质性并识别优势影响因子,为后续深度学习模型提供具有物理意义的输入;其次,通过耦合双重注意力机制与LSTM神经网络开发新型DA-LSTM Epan预测模型,评估其相对于支持向量回归、线性回归等多基准模型的预测性能;最后,将Copula函数引入MMCP框架以放松正态性假设,形成基于Copula的MMCP(CMMCP)方法用于集合Epan预测,实现对模型结构差异所致预测不确定性的量化。

无定河是中国黄河主要支流之一,流域面积30,261 km2,位于毛乌素沙地南缘与黄土高原北部。上游以沙地地貌为主,中游形成沙地向黄土高原过渡带,下游以黄土高原地貌(主要为丘陵沟壑)为主。流域属温带大陆性干旱半干旱季风气候,年均温7.9℃–11.2℃,年均降水量300–500 mm,由东南向西北递减,年均径流量15.3亿m3。流域蒸发强烈,年蒸发能力约1200–1400 mm,蒸发是水循环的关键环节。月蒸发预测对改善区域生态环境、保持水土平衡及指导农业灌溉等具有重要意义。

研究选取无定河流域上、中、下游三个代表气象站点:靖边站(上游)、横山站(中游)及绥德站(下游)。利用1980–2013年月尺度数据,包括蒸发皿蒸发量(Epan)、平均地表温度(TEMmean)、最高地表温度(TEMmax)、最低地表温度(TEMmin)、大气压力(PRS)、平均相对湿度(RHUmean)、最小相对湿度(RHUmin)、累计降水量(PRE)、平均风速(WINmean)、最小风速(WINmin)及日照时数(SSD)。Epan数据由E601型蒸发皿观测,该仪器为锥底圆柱形。靖边、横山、绥德三站Epan数据较为丰富,缺失率低于10%;其他气象要素数据相对完整,缺失率在1%以内。缺失数据采用人工验证与插值修正,使用3σ准则识别异常值,对超出3σ范围的观测进行人工核查日志确认后插值修正。数据由中国国家气象科学数据中心提供并经质量控制。1980–2004年为训练期,2005–2013年为验证期。

路径分析主要用于探索自变量对因变量的直接与间接效应,不仅能估计变量间相关性,还能进一步分解通过不同路径的间接影响大小,揭示变量间更详细的因果结构关系。DA-LSTM调度模型分为编码过程与解码过程,DA机制包括特征注意力模块与时间注意力模块两部分。特征注意力模块作用于输入变量,时间注意力模块作用于LSTM神经网络输出的隐藏层状态。输入输出数据采用标准化处理,试错法调整网络超参数,损失函数采用均方误差函数,模型使用Python 3.7软件中Tensorflow.keras.optimizers数据库的Adam方法训练。采用支持向量回归(SVR)和多元线性回归(LR)作为基准模型进行对比分析。

为量化模型结构不确定性产生的预测风险,引入MMCP集合预报方法。MMCP基于多有用信息源条件下条件分布原理推导观测蒸发的后验密度函数。假设Epan序列服从正态分布,采用正态分位数转换将原分布Epan序列转换至标准正态分布空间。为免Epan正态分布假设,采用Copula函数推导MMCP,构建基于Copula的MMCP(CMMCP)方法。相对于Archimedean和椭圆Copula,Vine Copula函数具有明显优势,可将n维多元联合密度分解为n(n-1)/2个Pair-Copula函数,排列成n-1个树状层次结构,灵活捕捉不同变量间正负依赖关系及尾部依赖,降低Copula嵌套不确定性。常见Vine Copula结构有正则藤(C-Vine)Copula与 drawable藤(D-Vine)Copula。C-Vine Copula通常适用于单一变量主导的联合分布,D-Vine Copula更适用于变量间存在相邻关系的联合分布。鉴于C-Vine Copula结构相对简单,本研究采用C-Vine Copula函数构建多元联合分布。边缘分布依据最小均方根误差原则与Kolmogorov-Smirnov(KS)检验选取,备选Pair-Copula包括常见Archimedean Copula(Gumbel、Clayton、Frank Copula)与椭圆Copula(t和Gaussian Copula)。由于集合成员预测精度可能受季节性与时变性影响,采用滑动窗口更新权重参数与Pair-Copula函数,以最大似然估计法计算Copula函数参数。选取Epan后验分布函数5%和95%分位数作为90%置信水平预报区间边界,以量化预测不确定性。

确定性预测采用Kling-Gupta效率(KGE)、相关系数(R)、相对误差(RE)、平均绝对误差(MAE)和均方根误差(RMSE)五个指标评估。概率预测采用平均覆盖率(CR)、平均区间宽度(IW)和连续分级概率评分(CRPS)三个指标评估。

路径分析揭示,Epan影响机制在上、中、下游站点呈现显著区域差异,反映典型的空间异质性模式。随着地理位置由上游向下游推移,区域气候逐渐由干旱向半干旱过渡,蒸发整体呈增加趋势。TEM、PRS和SSD对蒸发的影响路径效应在区域内相对稳定;WIN的正效应和RHU的不利效应在下游均有所增强,但RHU影响总体较弱;PRE对蒸发的正效应逐渐减弱。上游地区动态因素贡献有限,热力学因素主导蒸发过程;中、下游地区动态因素影响力逐渐增强,蒸发由热力学与动力学因素协同驱动。TEMmean、TEMmax、TEMmin、SSD、PRE和WINmean被识别为蒸发过程的主要正向驱动因子,PRS为主要负向抑制因子。RHUmean、RHUmin和WINmax路径效应较弱。

模型超参数优化后,DA-LSTM模型在验证期预测精度明显优于其他模型,尤其体现在KGE、RE和RMSE指标。靖边站DA-LSTM的KGE、R、RE、MAE和RMSE分别为0.901、0.962、-1.68%、21 mm和28 mm;横山站分别为0.917、0.968、-5.37%、21 mm和28 mm;绥德站分别为0.925、0.955、-1.05%、26 mm和35 mm。DA-LSTM模型散点分布较LSTM和SVR更为紧凑,尤其在中高Epan值处更集中于1:1理想线附近。LR模型训练期散点均匀分布于1:1线附近,验证期较为分散,表明线性模型泛化能力弱,难以描述蒸发序列非线性特征。

CMMCP与MMCP方法对比显示,两种方法CR值均接近90%置信水平,但CMMCP预测区间显著窄于MMCP,靖边、横山、绥德站分别缩减12.9%、26.7%和25.2%,表明CMMCP在保持预测可靠性同时提高了预测分布集中度,有效降低预测不确定性与合理反映预测风险。CMMCP的CRPS值亦低于MMCP,靖边、横山、绥德站分别降低6.2%、11.8%和13.6%。概率积分变换(PIT)直方图显示,CMMCP方法PIT分布相对均匀,而MMCP呈∩型分布;CMMCP的校准偏差(CD)值低于MMCP,表明CMMCP概率预测分布更为可靠,而MMCP高估预测不确定性且分布过度分散,解释其预测区间较宽现象。

讨论部分指出,路径分析揭示的Epan影响机制区域异质性方面,上游热力学因素主导,中、下游热力学与动力学因素协同作用。从Penman-Monteith公式视角,上、中、下游能量相关因素差异较小;上游靖边站风速较低导致空气动力学阻力(r?)增大,且位于毛乌素沙地南缘、植被稀疏、土壤水分低,表面阻力(r?)较高,PRS对水汽输送的负影响被放大。中、下游风速较高,r?大幅降低;位于黄土高原台塬与沟壑区,植被类型与覆盖优于上游,下游降水较丰沛、土壤水分高,r?进一步降低,PRS负效应有效减弱,蒸发效率更高。

DA机制中,特征注意力机制通过编码过程为输入变量分配权重,突出对预测精度影响显著的关键预测因子,训练过程中通过反向传播自适应调整权重,使高影响力变量权重增加、冗余或弱相关输入减少。时间注意力机制为编码过程所有时刻隐藏状态分配动态权重,强调与预测最相关的时刻,使模型选择性提取与目标输出相关性更强的信息。对比Temporal Attention-based LSTM(TA-LSTM)和Feature Attention-based LSTM(FA-LSTM)模型,TA和FA均一定程度提升LSTM预测性能,TA略优于FA,DA整合两者优势进一步提升预测性能。可视化验证显示,DA-LSTM能识别不同重要时间步,接近预测基准时刻的输入变量权重较高,PRS、TEMmean、TEMmax、TEMmin被赋予较高权重,与路径分析结果一致。

CMMCP方法放弃MMCP的正态性假设,更灵活表征集合成员间联合分布,适用于干旱半干旱地区Epan序列常见的非正态特征。该方法首次应用于Epan集合预测,相比贝叶斯模型平均和集合模型输出统计等传统方法,计算过程更简单高效,无需线性或正态假设;C-Vine Copula允许多集合成员间依赖关系的灵活建模,无需相同边缘分布,尤其擅长捕捉尾部依赖,提升对极端Epan事件的响应能力。不确定性量化结果如极端Epan事件90%置信区间,可增强水资源规划风险应对能力,避免预测误差导致的灌溉不足或水资源浪费,符合干旱地区智能水资源风险管理趋势;窄预测区间提高灌溉定额制定精度,避免高估蒸发导致的水资源浪费或低估蒸发导致的作物缺水减产;准确的极端Epan预测增强干旱预警时效性与可靠性。高风险场景可采用90%置信区间上界制定保守策略,日常管理可采用概率预测期望值平衡效率与风险,长期规划可分析Epan概率分布演变为流域水资源配置提供定量风险依据。

研究局限性包括:路径分析基于线性因果推断,难以完全捕捉强非线性下复杂变量交互,未来可纳入结构方程模型或因果图模型等先进因果框架;未充分考虑植被状态、地表水分布及土壤水分等下垫面因素,未来可整合归一化植被指数(NDVI)、增强植被指数(EVI)或土壤水分等遥感指数;集合规模较小且未考虑FAO-56 Penman-Monteith等物理机制方法,未来应探索成员多样性对不确定性量化的影响;方法限于无定河流域长期Epan预测,后续将在其他干旱半干旱地区验证适用性;未来还将结合CMIP6多情景气候预估数据,系统评估变暖与干旱化对Epan及其驱动机制的影响。

研究结论如下:路径分析揭示上、中、下游Epan影响机制存在空间异质性,上游动态因素贡献有限、热力学因素主导蒸发过程,中、下游由热力学与动力学因素协同驱动;TEMmean、TEMmax、TEMmin、SSD、PRE和WIN为主要正向驱动因子,PRS为主要负向抑制因子。DA-LSTM模型较标准LSTM有效提升Epan预测精度,KGE达0.900以上,显著优于SVR和LR等传统模型,表明DA机制促进关键输入变量识别并帮助捕获模型输入输出间复杂关系。CMMCP方法有效提升集合成员预测精度,较MMCP展现更优误差校正能力,提供CR值接近或超过90%置信水平的预测区间,同时相对于MMCP缩减区间宽度12.9%–26.7%,表明CMMCP在保持概率预测可靠性同时增强预测分布集中度,有效降低预测不确定性,为干旱半干旱地区长期Epan预测及水资源管理提供可靠风险信息。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号