《Atmosphere》:Interhemispheric Differences of Gravity Waves in the Northern and Southern Polar Middle Atmosphere Observed by the Aura Microwave Limb Sounder
编辑推荐:
本研究旨在解决半干旱流域水文干旱预测的挑战,该挑战源于气象强迫、大尺度大气遥相关及流域记忆过程的共同影响,而这些因素极少在无泄漏的预测框架内被联合分析。研究人员通过评估梯度提升树与神经预测模型,对阿尔及利亚Wadi Sahaouat流域两个子流域的标准化径流指
本研究旨在解决半干旱流域水文干旱预测的挑战,该挑战源于气象强迫、大尺度大气遥相关及流域记忆过程的共同影响,而这些因素极少在无泄漏的预测框架内被联合分析。研究人员通过评估梯度提升树与神经预测模型,对阿尔及利亚Wadi Sahaouat流域两个子流域的标准化径流指数(Standardized Runoff Index, SRI)进行提前一个月预测,以填补上述空白。所采用的模型包括梯度提升回归树(Gradient-Boosted Regression Trees, GBRT)、A-N-BEATS、A-N-HiTS和TiDE,代表了不同的预测架构。预测因子包括标准化降水指数(Standardized Precipitation Index, SPI)、七个遥相关指数(NAO、AO、EAWR、SCAND、MEI、SOI、WeMO)及其一至三个月滞后项。研究设计了两种情景:情景1仅使用SPI和遥相关滞后项,情景2额外加入滞后SRI值(SRIlag1–SRIlag3)以表征水文记忆。研究人员应用仅基于训练集的方差膨胀因子(Variance Inflation Factor, VIF>10)程序消除多重共线性,以避免数据泄漏。在子流域1中,由于SRI滞后项与SPI滞后项高度共线(r=0.984),故将其剔除,导致两种情景的输入变量相同。在子流域2中,保留SRI滞后项以评估其预测贡献。GBRT在两个子流域及两种情景中均取得最佳整体表现,平均RMSE、NSE和KGE分别为0.0682、0.9907和0.8945。TiDE总体排名第二,平均RMSE为0.1166;其次为A-N-HiTS,平均RMSE为0.1203;A-N-BEATS表现最弱,平均RMSE为0.2159。结果表明,对于小规模月尺度水文数据集,梯度提升树仍与神经模型具有高度竞争力,且水文记忆的价值具有流域依赖性,并随其与同期气象强迫的独立程度而变化。
干旱作为一种复杂且反复发生的水文气象现象,其本质是长期降水不足导致大气、陆地和水文系统可用水量显著减少。干旱可表现为气象干旱、农业干旱和水文干旱等多种形式,对生态系统、农业及社会经济系统产生深远影响。在半干旱地区,气候条件本身变异较大且水资源有限,干旱发生更为频繁且程度更为严重。传统干旱评估主要依赖标准化降水指数(SPI)、标准化降水蒸散指数(SPEI)和帕尔默干旱严重度指数(PDSI)等标准化指数以及经典统计方法,但这些方法难以捕捉水文气象变量之间复杂的非线性相互作用,尤其在气候非平稳性和极端事件频发的背景下可靠性受到挑战。
尽管机器学习技术在水文气象干旱评估和预测中展现出强大能力,但现有研究仍存在明显不足:滞后多变量输入与新兴深度学习架构的整合有限,尤其在数据稀缺的半干旱流域;大气遥相关、流域记忆与局部气象驱动因素的相对影响尚未在统一建模框架内得到充分厘清。本研究旨在开发一个滞后多变量预测框架,以阿尔及利亚半干旱Wadi Sahaouat流域为研究区,比较梯度提升回归树与先进神经架构的性能,同时解析气象强迫、大气遥相关和流域记忆过程在水文干旱预测中的相对贡献。
Wadi Sahaouat流域(2140 km2)是Macta流域(14,390 km2)的次级流域,位于阿尔及尔以西约400公里处,具有典型地中海大陆性气候特征,干旱指数为12.94,属半干旱气候。研究使用1979–2015年共440个月的月降雨和径流记录,数据来源于阿尔及利亚国家水资源局(ANRH)。研究人员采用PyDRGHT Python 3.11.9包计算SPI和SRI,其中SPI-1和SRI-1分别表征月尺度的气象干旱和水文干旱。预测因子设计包括:SPI-1及其1–3个月滞后、七个大气遥相关指数(NAO、AO、EAWR、SCAND、MEI、SOI、WeMO)及其1–3个月滞后、以及通过正弦/余弦变换编码的季节特征。两种预测情景分别为:情景1包含SPI、遥相关指数及其滞后和季节特征(最多34个预测因子);情景2额外加入SRI滞后1–3个月(最多37个预测因子)。为避免数据泄漏,VIF筛选仅在训练集上进行,SPI及其滞后始终受保护,子流域2中SRI滞后也受保护以直接检验水文记忆的预测价值,尽管其VIF值较高(46.6–47.0)。模型采用严格的时间顺序分割:约70%训练、15%验证、15%测试,预测因子缩放仅从训练集估计。
研究比较了四种模型:GBRT作为树基基准模型;A-N-BEATS作为残差全连接预测块;A-N-HiTS作为多分支分层密集回归器,以1、2、3的亚采样率运行;TiDE作为带跳跃连接的密集编码器–解码器回归器。这些神经架构均作为架构启发的神经回归器,应用于基于VIF筛选后的表格化滞后特征,而非原始序列预测形式。模型性能通过RMSE、MAE、NSE和KGE评估,并使用Wilcoxon符号秩检验和配对t检验进行统计显著性检验。此外,研究人员采用LIME(Local Interpretable Model-agnostic Explanations)框架实现局部可解释性分析,生成300个扰动样本进行加权岭回归。
子流域1预测性能。GBRT表现最优,NSE达0.997–0.998,MAE约0.029,预测点紧密分布于对角线附近。情景1中GBRT的RMSE为0.0377,NSE为0.9978,KGE为0.8588;A-N-HiTS排名第二(RMSE=0.0979,NSE=0.9849),TiDE第三(RMSE=0.1240),A-N-BEATS最弱(RMSE=0.1531)。情景2中,因VIF筛选剔除了所有SRI滞后项(r=0.984),GBRT训练集相同且预测结果一致;神经模型中N-HiTS略恶化(RMSE=0.1027),TiDE改善至RMSE=0.1116,A-N-BEATS显著恶化(KGE=-0.0338),表明其残差分解在该流域的自回归SPI滞后配置下失稳。残差箱线图显示GBRT残差分布最窄且中位数最接近零,A-N-BEATS残差离散程度最大。
子流域2预测性能。情景1中GBRT排名第一(RMSE=0.0985,NSE=0.9837,KGE=0.9286),TiDE第二(RMSE=0.1258,KGE=0.9372),A-N-HiTS第三(RMSE=0.1379),A-N-BEATS第四(RMSE=0.2918)。情景2中保留SRI
lag1–SRI
lag3后,GBRT性能基本不变(RMSE=0.0988),确认树模型已高效利用SPI-SRI关系;TiDE显著改善至RMSE=0.1049、KGE=0.9878,为所有模型配置中的最高KGE;A-N-BEATS也明显改善(KGE从0.8205升至0.9453),表明其残差分解模块能够利用SRI记忆;A-N-HiTS变化有限(RMSE=0.1428)。这说明水文记忆在子流域2具有额外预测价值,但其贡献程度取决于模型架构及SRI滞后与SPI滞后的信息重叠程度。
跨流域模型排名。综合两个子流域和两种情景的平均性能,GBRT总体排名第一(平均RMSE=0.0682,NSE=0.9907,KGE=0.8945);TiDE第二(平均RMSE=0.1166,NSE=0.9778,KGE=0.7480);A-N-HiTS第三(平均RMSE=0.1203);A-N-BEATS第四(平均RMSE=0.2159)。TiDE和A-N-HiTS的平均RMSE和NSE接近,但TiDE在子流域2情景2中取得最高单配置KGE(0.9878),与其架构在SRI记忆可作为预测因子时获益最大的特点一致。
统计显著性与局部可解释性。配对统计检验一般支持基于性能的排名,特别是GBRT在RMSE、MAE、NSE和KGE方面的优势。但研究人员指出,由于测试期为月度SRI预测,残差和损失差异可能存在序列依赖性,p值应谨慎解释而非作为模型优越性的决定性证据。A-N-HiTS和TiDE在某些情景下表现相似。LIME分析显示当前和滞后水文气候变量均对预测有贡献,但LIME权重极小(约10
-14量级),特征排序不足以作为稳健的局部敏感性排序,因此仅视为诊断性局部替代输出,未用于推断主导预测因子效应。
讨论部分。本研究系统评估了集成学习与深度学习在半干旱流域滞后多变量监督学习框架中的性能。GBRT的主导地位与现有文献一致,即集成树方法在非线性和多重共线性条件下具有稳健性。子流域2中深度学习模型的改善凸显了水文记忆的关键作用,TiDE的卓越表现(KGE=0.9878)与编码器–解码器架构在结合外生和自回归输入时的优势相符,也与水文系统强时间持续性的经典认识一致。研究局限性包括:时间数据集相对较短,可能无法完全捕捉ENSO和NAO等大尺度气候驱动的长期变率;分析限于两个半干旱子流域,普遍性受限;未充分探索全局可解释性或因果机制。研究人员特别强调,GBRT极高的NSE值反映了月SRI序列在所选特征设计下具有强可预测成分,但这不应被解释为 flashy半干旱经历的干旱近乎确定性的证据,而可能是月度聚合、强SPI-SRI耦合、短期水文记忆及GBRT近似非线性关系能力的综合效应。由于未包含持续性、气候学、AR(1)和ARIMA型基准,绝对NSE值应解释为模型集特定性能而非实用预测改进的完整度量。未来研究应纳入这些基准,采用滚动原点验证和相对于持续性的技能评分,量化复杂模型相对于简单但强基准预测的增量价值。
研究结论。本研究建立了一个具有业务相关性的月度水文干旱预测框架,通过整合气象干旱指标(SPI)、大气遥相关指数和滞后SRI变量于统一的无泄漏建模流程中。结果一致表明梯度提升回归树(GBRT)在两个子流域和两种情景中均具有最高预测精度(平均RMSE=0.0682;NSE=0.9907),证实了其在样本量有限的水文气候应用中的稳健性。关键发现在于水文记忆的贡献具有强烈的流域依赖性:在子流域1,SRI滞后变量因与SPI几乎完全共线(r=0.984)而冗余,表明气象强迫单独足以刻画水文干旱动态;而在子流域2,纳入SRI滞后项带来明显性能提升,最显著的是TiDE模型KGE从0.9372提升至0.9878,证明当自回归径流信息无法被降水驱动过程完全解释时,其可提供额外预测价值。从方法论角度,研究进一步表明适应于滞后多变量输入的神经架构可取得有竞争力的性能,但其优势在数据有限和短记忆结构下仍受约束。总体而言,有效的水文干旱预测模型选择不仅取决于模型复杂度,还取决于数据规模、流域特定特征以及水文记忆相对于气象强迫包含独立信息的程度。尽管GBRT在测试模型中绝对精度最高,其性能应在所选实验设计的限制内解读:梯度提升树善于利用月尺度水文干旱序列中存在的短期记忆和SPI-SRI耦合,但因未包含持续性、气候学、AR(1)及ARIMA型基准,高NSE值不应被单独作为近确定性预测的证据,相对于简单记忆基准的实际改进仍是未来工作的重要议题。