Page 74 - 《高原气象》2026年第2期
P. 74

第 45 卷  第 2 期                         高     原    气     象                             Vol. 45  No. 2
                2026 年 4 月                       PLATEAU METEOROLOGY                               April， 2026


             黄嘉雯， 龙银平， 马启民，等， 2026.  基于机器学习的青海湖水位变化模拟研究［J］. 高原气象， 45（2）： 374-385.  HUANG Ji‐
             awen， LONG Yinping， MA Qimin，et al， 2026.  Simulation of Qinghai Lake Water Level Fluctuations Using Machine Learning［J］.
             Plateau  Meteorology，  45（2）：  374-385.   DOI：  10. 7522/j. issn. 1000-0534. 2025. 00078. CSTR:  32265.14. gyqx. CN62-1061/
             P.2025.00078.



                        基于机器学习的青海湖水位变化模拟研究




                     黄嘉雯， 龙银平， 马启民， 徐维新， 卞玉霞， 陈 绘， 谭惜文， 李索吾
                                              （成都信息工程大学，  四川  成都    610225）

                     摘要： 为系统分析气候变化背景下青海湖水位的变化过程及影响因素， 基于青海湖流域 1959 -2017年月
                     平均水位数据， 结合 ERA5再分析数据和大气环流指数， 利用机器学习技术分析水位变化的主要影响因
                     子及其预测能力。首先采用随机森林（RF）算法识别关键影响因子并进行重要性排序， 以评估模型性能
                     随特征数量增加的变化趋势。随后将 RF、 支持向量机（SVM）、 多层感知机（MLP）、 长短期记忆网络
                     （LSTM）和多元线性回归（MLR）的预测结果进行对比， 以分析模型复杂度在水位预测中的表现。结果表
                     明， 北大西洋涛动（NAO）、 大西洋多年代际振荡（AMO）、 降水、 气温（T1000）、 垂直风速（W1000）、 相对
                     湿度（RH400、 RH450、 RH100）、 长波辐射（LW）以及尼诺 3. 4（Niño 3. 4）是影响青海湖水位变化的主要
                     因素。随着模型复杂度的增加， 最复杂的 LSTM 表现最佳， 其皮尔逊相关系数（R）、 纳什效率系数
                     （NSE）、 归一化均方根误差（NRMSE）和克林-古普塔效率系数（KGE）在选取前 10 个特征时分别达到
                     0. 95、 0. 96、 0. 14 和 0. 87。MLP 次之， RF 和 SVM 的性能接近， MLR 表现最差。基于 LSTM 模型预测
                     2017-2030 年青海湖水位将上升 2. 55 m 左右。分析结果为气候变化背景下高原湖泊水位变化的动态模
                     拟与预测提供科学依据。
                     关键词： 大气环流； 水位变化； 青海湖流域； 机器学习； 相关关系
                     文章编号： 1000-0534（2026）02-0374-12   中图分类号： P467   文献标识码： A
                     DOI： 10. 7522/j. issn. 1000-0534. 2025. 00078
                     CSTR: 32265.14.gyqx.CN62-1061/P.2025.00078


              1  引言                                             常用的水量平衡模型， 忽略了大气环流和区域气候变
                                                                化对水位的影响， 预测精度受到限制（Lenters et al，
                  青海湖是中国最大的内陆咸水湖， 位于青藏高
                                                                2005）。分布式水文模型（如土壤与水评估工具SWAT
             原东北缘， 受全球气候变化的影响显著（Yao et al，
                                                                和水文模拟程序HSPF）虽能考虑流域内部复杂水文
             2017）。该区域气候变化受大气环流指数的影响较
                                                                过程， 但在处理大尺度气候因素时仍存在局限性性
             大， 大尺度环流系统为其提供水汽和热量来源
                                                               （Arnold et al， 1998）。统计模型在短期预测中表现良
             （Chen et al， 2014）。其中， 北大西洋涛动（North At‐
             lantic Oscillation， NAO）、 大西洋多年代际振荡（At‐            好， 但难以捕捉复杂的物理过程和大气环流对水位的
             lantic Multidecadal Oscillation， AMO）和厄尔尼诺-        长期影响（Box et al， 1978）。随着数据集规模和计算
             南方涛动（El Niño-Southern Oscillation， ENSO）等          能力的提升， 机器学习在水文学领域中的应用日益广
             全球海-气相互作用环流， 对青海湖地区的气候产                            泛（Mosavi et al， 2018）。传统的机器学习如随机森林
             生了巨大的影响（刘屹岷等， 2016）。                              （Random Forest， RF）、 支持向量机（Support Vector
                  早期的研究主要依赖于物理模型和经验公式。                          Machine， SVM）和浅层神经网络， 在水文气候影响建


                 收稿日期： 2025⁃04⁃15； 定稿日期： 2025⁃06⁃27
                 资助项目： 国家自然科学青年基金项目（42201520）； 四川省科技厅重点研发项目（2023YFG0299）； 国家冰川冻土沙漠科学数据中心专
                        题项目（E01Z790201）
                 作者简介： 黄嘉雯（1999 -）， 女， 四川人， 硕士研究生， 主要从事3S气象应用. E-mail： 3230210015@stu.cuit.edu.cn
                 通信作者： 龙银平（1986 -）， 女， 重庆人， 博士， 主要从事生态水文集成建模研究. E-mail： longyp@cuit.edu.cn
                 © Editorial Department of Plateau Meteorology （CC BY-NC-ND）
   69   70   71   72   73   74   75   76   77   78   79