Page 82 - 《高原气象》2026年第2期
P. 82

高     原      气     象                                 45 卷
              382
             维数据时表现不足， 因而其表现不及 RF（Pedregosa                     不确定性的影响， 加强长期监测与情景分析， 以有
             et al， 2012）。随着模型复杂度进一步提高， MLP和                    效支持青海湖流域生态保护、 水资源管理及气候变
             LSTM 表现优异。LSTM 能够捕捉时间依赖性和非                         化适应性决策。

             线性动态变化（Nash and Sutcliffe， 1970）， 其门控机                 五种模型从简单线性模型到复杂非线性模型
             制有效缓解了长时间序列数据中常见的梯度消失                              的多种类型， 代表了不同复杂度的机器学习方法。
             问题， 能高效地捕捉变量之间的时间依赖关系和长                            LSTM在水位模拟方面表现优异， RF凭借决策树结
             期动态特征， 即使某些单个变量被剔除， 模型内部                           构能提供特征重要性分析， 但在解释模型内部工作
             还存在与关键变量相关联的信息， LSTM 仍可以从                          机制时还存在一定的难度。随着机器学习技术的
             数据中挖掘出隐藏的动态特征。这意味着增加或                              不断发展， XGBoost、 LightGBM 和深度强化学习
             减少单个变量对 LSTM 的预测精度影响较小， 模型                        （Deep Reinforcement Learning， DRL）等在处理大
             表现平稳。简单来说， 只要模型中包含了必要的关                            规模数据和复杂非线性关系方面具有一定的优势。
             键影响因素， 其余变量的增减并不会显著影响                              XGBoost 在 特 征 选 择 和 模 型 稳 定 性 方 面 表 现 突
             LSTM 的整体预测性能。因此在大规模数据集和复                           出， 其高效的树结构和正则化方法能在复杂问题
             杂关系的建模中表现出更加优异的稳定性和鲁棒                              中 表 现 出 良 好 的 泛 化 能 力（Chen  and  Guestrin，
             性。相比之下， MLP 作为一种前馈神经网络（Jain                        2016）。DRL 也作为一种前景广阔的模型， 适用于

             and Gupta， 2023）， 虽缺乏时间序列模拟能力， 但通                  动 态 变 化 问 题 、  水 位 变 化 的 实 时 预 测 和 调 控
             过多层网络结构和非线性激活函数能捕捉较复杂                             （Buechel and Knoll， 2018）。然而在数据量较少的
             的非线性关系， 表现仅次于LSTM。                                 情况下， 这些模型（XGBoost、 LightGBM、 DRL）的
                  基于上述分析， 筛选出性能最优的 LSTM 预测                      引入能否为水位变化预测提供更多的选择和优化
             未来青海湖水位的年均变化趋势（图 7）。在 2017 -                       空间， 如何在数据稀缺条件下平衡模型复杂度与
             2030 年， 随着青藏高原区域暖湿趋势的延续， 湖泊                        泛化能力， 进一步提高模型的预测精度和稳定性
             水位预计稳中有升， 2017 年的水位将从 3194. 93 m                   还有待探讨。
             上 升 到 2030 年 的 3197. 48  m，  预 计 水 位 将 上 升
                                                                6  结论
             2. 55 m 左右， 与其他数值模式的预测结果接近
             （Hou et al， 2023）。伴随降水增加、 冰雪消融及多                       本文基于机器学习技术识别了青海湖水位变
             年冻土退化等多因素共同驱动， 水位上升趋势可能                            化的关键驱动因素， 并系统分析了不同复杂度机器
             进一步强化， 累积升高幅度达到数米。未来趋势的                            学习的预测能力：
             不确定性仍存在， 极端气候事件如持续干旱等可能                               （1）  大气环流指数（NAO、 AMO 和 Niño 3. 4）
             导致趋势放缓甚至逆转， 且气候模式预测的内在不                            等大尺度气候变量通过调节区域气候影响青海湖
             确定性、 蒸发反馈机制及冰冻圈退化速率等因素也                            水位变化。同时， 降水、 T1000、 W1000、 LW 以及

             增加了预测难度。因此， 未来青海湖水位的变化趋                            不同层次的相对湿度（RH400、 RH450、 RH100）等
             势总体表现为上升， 但同时需关注极端气候事件和                            局地因子通过影响水文循环过程调控水位变化。
                                                                大尺度气候因子与局地气候变量之间的复杂交互
                                                                作用， 共同塑造了青海湖水位的变化模式。
                                                                   （2）  多种机器学习综合量化指标与模型稳定
                                                                性对比显示， 最复杂的 LSTM 在捕捉时间序列中的

                                                                非线性特征方面表现最佳， 在所有特征数量条件下
                                                                均 展 现 出 明 显 更 高 的 预 测 精 度（R 最 高 达 到
                                                                0. 9566， NRMSE 最低至 0. 15 左右， NSE 和 KGE 均
                                                                接近 0. 9）， MLP 表现次之， 其预测性能虽略低于
                  图7 2017 -2030年水位的预测趋势（单位： m）
                  Fig. 7 The predictive trend of water level of Lake   LSTM， 在非线性特征提取方面优于 RF 与 SVM。
                         Qinghai （2017 -2030）. Unit： m          RF 与 SVM 预测精度相对稳定， 但对关键变量的依
   77   78   79   80   81   82   83   84   85   86   87