Page 81 - 《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 381

图6 不同特征数量下各模型的测试集表现
（a） R， （b） NRMSE， （c） NSE， （d） KGE
Fig. 6 Test set performance of models with different numbers of features.（a） R， （b） NRMSE， （c） NSE， （d） KGE
提供了额外的水量输入（Zhang et al， 2020）。其 5. 2 不同复杂度模型的性能评估
中， T1000 在青海湖水位变化中具有较高的重要 近年来， 机器学习在水文领域的应用日益广
性， 2 m 高度气温（Temperature at 2 Meters， t2m）的 泛， 但针对青藏高原内陆湖泊水位预测的系统研
影响相对较弱。T1000更为综合地反映大尺度大气 究， 尤其是对不同复杂度模型的比较分析仍较为有
环流特征与低层大气的热量输送， 而 t2m 更多地受 限。结果表明， 通过识别重要性变量能较准确地预
到局地地表热量与季节性变化的调控（Pitman and 测青海湖水位变化， 尤其是在使用复杂模型时表现
Perkins， 2009）。同时， 青藏高原独特的高海拔地 尤为显著。
形条件增强了垂直风速（W1000）对水汽垂直输送的 简单的线性模型 MLR 假设数据为线性关系
敏感性， 从而调节局地水汽凝结与对流降水形成的 （Cannon and Whitfield， 2002）， 在选取变量时对特
过程（Kim and Lee， 2015）。LW 是地表与大气之间 征的依赖性极高， 预测精度易受到特征变量的显著
能量交换的重要形式。由于青海湖地处高海拔、 低 影响。如果缺少某一重要特征变量， 模型精度会明
纬度地区， 太阳辐射随太阳高度角的变化特征显 显降低， 有着较低的稳定性（Smith et al， 2022）。难
著， LW 可持续影响蒸发量和云量形成， 对湖泊水 以捕捉气候系统与湖泊水位变化之间的复杂非线
位产生间接影响（Su et al， 2018）。最后， 大气层的 性关系， 因此其性能最差。随着复杂度的提高， RF
RH 不仅是衡量大气中水汽含量的重要指标， 更与 和 SVM 在一定程度上减弱了对单个变量的依赖，
云量形成、 降水发生及水汽输送的效率密切相关。 但仍受到变量变化的影响。RF 因其模型结构的特
尤其是 RH400 和 RH150 等湿度变量， 高空相对湿 性， 能通过变量的重要性排序直观地展示每个变量
度的增加通常对应着局地云量增加， 降低了湖泊水 对预测精度的贡献程度。这也意味着若某一关键
面蒸发损失， 并为降水过程创造更为有利的条件 变量被移除， 预测误差会显著增加， 模型精度波动
（Yu et al， 2011）。总体而言， 局地气象和大尺度气 较大。也是因为这一特性， 其常被用于进行特征变
候变量的相互作用共同塑造了青海湖水位的变化 量相对重要性的评估与排序。而 SVM 通过该方法
模式。 提升了对非线性数据的处理能力， 但在处理复杂高