Page 79 - 《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 379
表4 特征变量的重要性排序
Table 4 Feature importance ranking
排序 变量 排序 变量 排序 变量 排序 变量 排序 变量
1 NAO 11 t2m 21 W150 31 W400 41 RH1000
2 AMO 12 RH350 22 W250 32 V600 42 V150
3 Precip 13 T150 23 U150 33 d2m 43 V200
4 W1000 14 RH200 24 U200 34 V50 44 U450
5 RH400 15 RH250 25 W350 35 U500 45 U250
6 LW 16 W100 26 RH550 36 T100 46 W450
7 T1000 17 RH150 27 V1000 37 W50 47 RH600
8 RH450 18 U1000 28 RH50 38 W500 48 V250
9 Niño3. 4 19 SW 29 V500 39 U350 49 V100
10 RH100 20 RH300 30 W300 40 SLP 50 V550

为 10个时的性能提升幅度有限。LSTM 的 NRMSE、
NSE和 KGE指标在特征数量增加时变化较小， 表现
出较高的鲁棒性。当特征数量为前 30 个或前 50 个
时， LSTM 和 MLP 的性能基本达到稳定， RF 和
SVM 的性能提升幅度较小且变化较大， MLR 的表
现仍较差， 与前述结果一致。

5 讨论

5. 1 青海湖水位变化的气候与局地因素的相互作用
与以往研究不同， 本文利用 RF 的特征重要性
评估方法进行自动化特征提取， 极少有研究使用机
器学习识别出的重要特征进行水位变化模拟（Liu
and Fedorov， 2019）。与较简单的统计方法（逐步回
归或主成分分析）相比， RF 能在处理大气环流与湖
泊水位变化的复杂关系时提供更多信息， 充分保留
数据中的交叉相关性和自相关性， 通过不同的时间
窗口聚合变量， 确保模型在捕捉季节性变化和短期
动态方面的能力（Zhang et al， 2020）。
研究发现， NAO、 AMO 和 NINO3. 4 是影响青
海湖水位变化的重要气候指数， 通过改变区域的大
气环流模式， 影响湖泊水位的变化。NAO 影响欧
亚大陆冬季的降水和温度模式， 调控青海湖水位。
NAO 处于正相位时， 副热带西风急流显著增强并
东移至青藏高原区域， 增加副热带湿润气流的输
图4 随机森林的%IncMSE图
入， 促进降水的增加， 还伴随显著增强的风速变
Fig. 4 Plots of %IncMSE in the random forest mod
化， 导致湖泊表面的湍流增强， 加快湖泊的表面蒸
其 R、NRMSE、NSE 和 KGE 值 分 别 为 0. 93、 0. 14、 散发速率。不过， 伴随湿润大气条件下的云量增
0. 93和 0. 87， 明显优于其他模型。相比之下， MLP 加， 湖面太阳辐射减少， 在整体上有利于湖泊水位
表现次之， RF 和 SVM 的性能较为接近， MLR 的性 的维持甚至上升（Yao et al， 2017； 马丽娟， 2008）。
能最差。特征数量增加到前 20个时， LSTM 的评估 AMO 变化与青藏高原夏季水汽输送紧密相关。
值分别为 0. 91、 0. 18、 0. 92 和 0. 83， 相比特征数量 AMO 正位相时通过影响大气 Rossby 波列和环流模