《Journal of Hydrology: Regional Studies》:Deep learning-based prediction of flood hazard and future streamflow changes in the Brahmaputra River Basin under CMIP6 climate change scenarios
编辑推荐:
本研究旨在构建一个气候驱动型深度学习框架,通过将观测日径流与关键水文气象变量相关联,模拟并预测雅鲁藏布江流域(Brahmaputra River Basin, BRB)的径流过程。该研究采用混合卷积神经网络–长短期记忆网络(Convolutional Neur
本研究旨在构建一个气候驱动型深度学习框架,通过将观测日径流与关键水文气象变量相关联,模拟并预测雅鲁藏布江流域(Brahmaputra River Basin, BRB)的径流过程。该研究采用混合卷积神经网络–长短期记忆网络(Convolutional Neural Network–Long Short-Term Memory, CNN–LSTM)模型进行时空建模,以兼顾降水空间变异性与径流长期时间依赖性。该混合模型与独立深度学习架构进行对比,以识别最优预测方法。此外,研究应用夏普利加性解释(SHapley Additive exPlanations, SHAP)方法对模型进行解释,量化各气候变量对预测径流的贡献程度。研究区域的新水文认知方面,CNN–LSTM模型在训练期与测试期分别取得0.92和0.86的纳什–萨特克利夫效率系数(Nash–Sutcliffe Efficiency, NSE),优于独立深度学习模型。SHAP分析表明,降水是径流变异性的主导驱动因子,温度发挥次要影响,而蒸发与降雪贡献甚微。基于偏差校正后的CMIP6气候情景(SSP2–4.5和SSP5–8.5)的未来预估显示,平均流量与极端流量均将显著增加,100年一遇洪峰流量预计上升约25%。上述发现证明,气候驱动型混合深度学习模型能够提供可解释且可靠的长期径流预估,支持该流域洪水风险评估与气候适应规划的改进。
研究背景与问题
水文科学的根本目标之一在于准确预测径流过程,因其直接影响洪水预报、灌溉调度、水力发电及长期水资源管理。径流作为降水、温度、蒸散发及流域下垫面特征的综合响应,对气候波动与人类活动高度敏感。IPCC第六次评估报告证实,人为变暖已显著改变全球水文循环,加剧了洪水与干旱等极端水文事件的发生频率与强度。在南亚季风区,这一影响尤为突出:尽管平均季风降雨量趋势微弱,但极端降雨事件的强度与频次持续增加,导致洪水风险与径流变异性上升。雅鲁藏布江流域作为典型的跨境、气候敏感型大河系统,发源于青藏高原冰川区,流经中国、印度、不丹及孟加拉国,最终汇入孟加拉湾。该流域海拔梯度悬殊(从5300 m降至海平面附近),气候条件空间异质性显著,季风期(6–9月)集中了全年70%–80%的降水量。下游孟加拉国境内Bahadurabad水文站年均洪峰流量达60,000 m
3/s,位列全球第四。然而,现有研究多依赖空间聚合的气象输入与传统水文模型,难以充分刻画降水的空间异质性,且对未来极端流量的水文学解释不足。此外,数据驱动模型中预测因子的合理选择、未来预估中仅依赖气候变量时的模型可靠性,以及大型跨境洪水主导型流域中长期径流预估的深度学习应用,均为亟待解决的关键科学问题。
为此,Shahariar、Zobeyer与Jahan在《Journal of Hydrology: Regional Studies》发表了这项研究,旨在:开发四种深度学习模型(混合CNN–LSTM、独立CNN、LSTM与多层感知器Multilayer Perceptron, MLP),利用观测气候数据预测BRB出口站Bahadurabad的日径流;评估并识别最优模型;采用最优模型基于13个CMIP6全球气候模式(Global Climate Models, GCMs)在SSP2–4.5与SSP5–8.5情景下预估未来径流变化。研究证实,混合深度学习框架能够有效捕捉降水空间变异性与径流时间依赖性,为跨境流域的洪水风险评估与气候适应规划提供了可解释、可扩展的预测工具。
关键技术方法
研究历史期(1985–2014年)使用WFDE5(WATCH Forcing Data methodology applied to ERA5 reanalysis data version 5)再分析数据集,将原始0.5°×0.5°格点数据通过双线性插值重采样至0.25°×0.25°分辨率;径流观测数据来源于孟加拉国水资源开发委员会(BWDB)的Bahadurabad站。未来气候预估采用Mishra等(2020)针对南亚开发的偏差校正CMIP6数据集(13个GCM,SSP2–4.5与SSP5–8.5情景,2015–2100年),无需额外偏差校正。模型构建立足混合CNN–LSTM架构:CNN层提取降水空间特征,LSTM层捕获长期时间依赖性,采用ReLU激活函数、MSE损失函数与Adam优化器,EarlyStopping机制防止过拟合。通过SHAP进行特征重要性量化,并运用多模式集合(Multi-Model Ensemble, MME)均值降低预估不确定性。洪水频率分析采用Gumbel、对数正态(Log-Normal, LN2)与对数皮尔逊Ⅲ型(Log-Pearson Type III, LP3)三种分布拟合年最大径流,以K–S检验与χ
2检验评估拟合优度。
研究结果
评估深度学习模型性能
四种模型经超参数优化后,均采用15天滞后的降水与温度输入进行次日径流预测。混合CNN–LSTM在训练期与测试期均表现最优:训练期R
2/NSE达0.92/0.91,RSR为0.29,PBIAS为+2.48%;测试期R
2/NSE为0.86/0.86,RSR为0.38,PBIAS为–3.26%。独立LSTM(测试期NSE=0.83)与CNN(NSE=0.79)次之,MLP表现最差(NSE=0.71)。CNN–LSTM的水文过程线显示其对季节性变异与洪峰流量的优异重现能力,散点图紧密分布于1:1线附近。
输入变量、时间步长与数据集规模的影响
不同输入组合敏感性分析表明,单独使用降水时NSE为0.75,优于单独温度(0.61–0.65)、蒸发(0.58)与降雪(0.31);降水与最高/最低温度联合时性能显著提升(NSE达0.77–0.80),四者联合并加入蒸发、降雪后NSE为0.85。SHAP分析确认降水平均绝对SHAP值最高(~0.62),T
max(~0.28)与T
min(~0.23)次之,蒸发(~0.10)与降雪(~0.06)贡献最小。时间步长测试中,滞后1–5天模型性能较差(NSE=0.74–0.77),15天滞后达到最优(NSE=0.86),更长滞后无显著改善。数据集划分方面,60:40训练–测试分割表现最佳(测试NSE=0.86),更大训练比例因EarlyStopping机制导致测试样本反馈不足、提前停止,反而降低泛化性能。
未来月最大径流预估
CMIP6多模式集合结果显示,21世纪各时期月最大径流均呈现增强趋势,SSP5–8.5情景增幅更为显著。近未来(2026–2050)Pre-monsoon与早季风期(3–7月)流量明显上升,SSP5–8.5情景下4月增幅约40%(SSP2–4.5为23%)。中未来(2051–2075)3月与4月增幅分别达50%与68%(SSP5–8.5)。远未来(2076–2100)幅度进一步扩大,3月与4月最大增幅分别达90%与78%(SSP5–8.5),同时模式间离散度显著增加,反映长期预估的不确定性增长。
未来年均径流预估
雷达图显示各模式年均径流响应的空间差异性随时间递进扩大,SSP5–8.5情景离散度明显高于SSP2–4.5。ACCESS-CM2在各时期均预测最大增幅(近未来SSP2–4.5为14.2%,远未来SSP5–8.5达45.9%)。集合平均结果显示:SSP2–4.5情景下近、中、远未来年均径流分别增长6.24%、11.90%、15.24%;SSP5–8.5情景下分别增长7.77%、18.04%、31.45%。年最大径流的概率密度函数(Probability Density Function, PDF)呈现系统性右移与展宽,尤其是远未来SSP5–8.5情景上尾加重,指示极端洪峰发生概率增加。
设计洪水量预估
洪水频率分析中,Gumbel分布拟合优度最佳(χ
2=956,K–S=0.25),被选为最优分布。频率曲线随时间逐步右移,SSP2–4.5与SSP5–8.5分异逐年扩大。近未来100年一遇洪峰流量增加7.19%(SSP2–4.5)与8.14%(SSP5–8.5);中未来达9.73%与15.40%;远未来骤增至12.29%与24.67%。SSP5–8.5远未来不确定性范围显著扩大,反映强排放情景下模式间差异加剧。
讨论
深度学习模型适用性分析
CNN–LSTM的卓越性能源于其混合结构:卷积层提取降水时空格局,循环层保留径流长期记忆,无需显式物理参数化即可达到与传统SWAT模型可比的精度。与Abdullah等(2024)的SWAT结果(校准期NSE/R
2=0.90/0.91,验证期0.86/0.90)对比,CNN–LSTM以更低校准成本实现了相近精度,凸显其在数据稀缺跨境流域的适用性。独立LSTM因缺乏空间学习能力而稍逊,MLP则因无法捕捉时间依赖性导致洪峰低估。15天最优滞后窗口的确证与既往研究一致,过长序列反而增加过拟合风险。60:40数据分割的最优性源于EarlyStopping机制对测试反馈的需求平衡。
气候变化的流域水文响应
未来预估与既有研究高度吻合:Abdullah等(2024)SWAT模型预估SSP5–8.5情景下3月流量增幅75%,与本研究90%增幅相一致;Alam等(2021)预估世纪末年均流量增加14%–47%,本研究SSP5–8.5远未来为32%,处于其范围内。Pre-monsoon与早季风期(3–7月)流量的不成比例增强,暗示洪水峰值可能提前且加剧,对水库调度、灌溉安排及跨境水资源管理具有深远影响。100年一遇洪水的显著上升意味着基于历史水文的基础设施设计标准将面临挑战,适应性规划与动态运营规则亟待建立。
不确定性与研究局限
模式间离散度随时间递增至远未来显著扩大,尤其SSP5–8.5情景,强调集合预估与安全裕度设计的必要性。当前框架针对Bahadurabad单站优化,虽具可扩展性,但直接移植至其他流域需重新验证与训练;依赖再分析数据而非密集地面观测亦可能引入局地极端事件刻画的不确定性。未来可拓展至多站点联合训练,构建全流域预报系统,并接入近实时气象数据以支持业务化预警。
研究结论
本研究开发了面向雅鲁藏布江流域的混合深度学习径流预测与气候变化影响评估框架。CNN–LSTM模型以训练期NSE=0.91、R
2=0.92与测试期NSE=0.86、R
2=0.86的精度,显著优于其他深度学习架构,证明了无需大量物理参数化即可有效学习复杂水文过程的能力。SHAP分析定量确认降水为首要预测因子,温度次之,蒸发与降雪贡献有限;15天输入滞后为捕捉流域记忆效应的最优配置。CMIP6气候情景预估显示,21世纪流域水文循环将显著增强:Pre-monsoon月份(尤其3–4月)流量增幅最大,SSP5–8.5情景下3月峰值流量增幅可达90%;年均径流在SSP2–4.5与SSP5–8.5情景下分别增加约15%与31%。年最大径流PDF的右移与展宽、100年一遇设计洪水量24.67%的增幅(SSP5–8.5远未来),共同指示极端洪水风险的实质性升高。该研究首次将CNN–LSTM混合深度学习与CMIP6预估相结合应用于这一全球最复杂的跨境流域之一,其结果与孟加拉国三角洲计划2100(BDP 2100)的可持续发展目标(SDG 2、6、13、14、15)高度契合,为气候韧性基础设施设计与国家适应战略提供了关键科学支撑。