Page 75 - 《高原气象》2026年第2期

2 期 黄嘉雯等：基于机器学习的青海湖水位变化模拟研究 375
模中已展示了良好的效果（Uddin et al， 2022）。 供数据支持。
机器学习在大气和水文数据融合方面取得了
一定的成功， 但目前大部分研究仍依赖自回归模 2 研究区概况与数据来源
型， 即使用过去的观测值作为主要输入变量（Tha‐ 2. 1 青海湖流域概况
pa et al， 2020）。相比之下， 较少研究结合大尺度大 青海湖流域位于青藏高原东北部（97°50′E -
气环流数据直接来预测湖泊水位， 此方法在气候变 101°20′E， 36°15′N -38°20′N）（图 1）， 流域总面积
化导致历史数据失效时更具应用潜力（Rasouli et 约为 299661 km 。青海湖坐落在祁连山东南隅， 被
2
al， 2012）。RF、 多元线性回归（Multiple Linear Re‐ 大通山与青海南山环抱， 形成了一个封闭的山间内
gression， MLR）和长短期记忆网络（long short-term 陆盆地。其地形西北高、 东南低， 地貌特征以湖滨
memory， LSTM）在识别影响伊利湖水位的关键气 平原、 冲积平原、 低山、 中山及冰原台地等为主。
候驱动因素， 以及处理时间序列数据方面表现优异 流域处于我国东部季风区、 西北干旱区和青藏高原
（Wang and Wang， 2020）。大气环流模式影响斯堪 高寒区的交汇处， 具有内陆高原半干旱高寒气候的
的纳维亚湖泊的冰冻与融化时间， 其指数变化与冰 特点（Ma et al， 2018）： 年平均温度在-1. 1~3. 5 ℃，
层动态相关， 反映了气候变化对高纬度湖泊生态系 日温差大（10~15 ℃）， 年降水量为 350~400 mm， 其
统的潜在影响（Blenckner et al， 2004）。这些方法不 中夏季降水达 60% 以上， 四季多风且风力强劲， 年
-1
仅能提高预测的准确性， 还能为理解复杂的气候— 均风速为 3~5 m·s ， 太阳辐射强度为 6400~7200
水文关系提供新视角。但在实际应用中， 如何结合 MJ·m 。20 世纪中期以来， 全球气候变暖使青海
-2
多种模型的优势并处理数据中的不确定性仍是需 湖流域气温显著升高， 可直观地看出水位变化趋势
要进一步探索的问题。 （图 2）， 其下降趋势具有明显的持续性， 通常维持
为此， 结合 1959 -2017 年的水文和气象数据， 在 5 年左右。水位上升则表现出阶段性特征， 连续
系统分析大气因素对湖泊水位动态变化的影响。 上升大多为 1~2 年。从 20 世纪 80 年代起， 水位下
通过影响因子识别和模型性能评估， 比较多种机器 降速率逐渐放缓， 到 2005 年后开始回升。总的来
学习的适用性和表现， 探讨模型复杂性与预测精度 说， 水位经历了快速下降、 减缓下降、 再到显著回
的关系， 为理解气候因子对湖泊水位变化的影响提 升的过程（王梦晓和文莉娟， 2024）。

图1 青海湖流域地理位置
Fig. 1 Geographic location of the Qinghai Lake Basin