Page 83 - 《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 383
赖性较高。特别是 RF， 在关键变量缺失时精度显 126086.
著降低， 这也使其特别适合用于变量相对重要性的 Hochreiter S， Schmidhuber J， 1997. Long short-term memory［J］.
Neural Computation， 9： 1735-1780.
排序分析， 但预测精度远不及 LSTM 稳定。MLR
Hou P， Weidman R P， Liu Q， et al， 2023. Recent water-level fluctua‐
体现出极强的变量敏感性和较低的鲁棒性。因此，
tions， future trends and their eco-environmental impacts on Lake
实际应用中可优先选用 LSTM 模型， 并结合上述关 Qinghai［J］. Journal of Environmental Management， 333： 117461.
键特征变量以实现较高精度预测， 同时有效降低计 Jain S K， Gupta A K， 2023. Investigation of multilayer perceptron re‐
算复杂度。 gression-based models to forecast reference Evapotranspiration
（ETo）［J］. Research Reports on Computer Science， 62（1）：
（3） 预测结果表明， 2017 -2030 年青海湖水位
104-116.
将会上升 2. 55 m， 水位的上升在短期内有助于青海
Kadam A K， Wagh V M， Muley A A， et al， 2019. Prediction of water
湖的保护， 但如果持续快速扩张， 可能引发一系列 quality index using artificial neural network and multiple linear re‐
生态环境问题。建议相关部门加强对生态因素的 gression modelling approach in Shivganga River basin， India［J］.
监测， 持续推进生态综合治理工程， 确保青海湖流 Modeling Earth Systems and Environment， 5： 951-962.
域生态环境的可持续发展。 Kim D K， Lee D I， 2015. Atmospheric thickness and vertical structure
properties in wintertime precipitation events from microwave radi‐
参考文献（References）： ometer， radiosonde and wind profiler observations［J］. Meteoro‐
logical Applications， 22： 599-609.
Arnold J G， Srinivasan R， Muttiah R S， et al， 1998. Large area hy‐ Lenters J D， Kratz T K， Bowser C J， 2005. Effects of climate variabil‐
drologic modeling and assessment part I： model development 1 ity on lake evaporation： Results from a long-term energy budget
［J］. Journal of the American Water Resources Association， 34 study of Sparkling Lake， northern Wisconsin （USA）［J］. Journal
（1）： 73-89. of Hydrology， 308： 168-195.
Blenckner T， Järvinen M， Weyhenmeyer G A， 2004. Atmospheric cir‐ Liu W， Fedorov A V， 2019. Global impacts of Arctic sea ice loss me‐
culation and its impact on ice phenology in Scandinavia［J］. Bore‐ diated by the Atlantic meridional overturning circulation［J］. Geo‐
al Environment Research， 9： 371-380. physical Research Letters， 46： 944-952.
Box G E P， Jenkins G M， Reinsel G C， et al， 1978. Time series anal‐ Ma S， Liao J， Jing R， et al， 2024. A dataset of lake level changes in
ysis： forecasting and control［J］. The Statistician， 27： 265-265. China between 2002 and 2023 using multi-altimeter data［J］. Big
Buechel M， Knoll A， 2018. Deep reinforcement learning for predic‐ Earth Data， 8： 166-188.
tive longitudinal control of automated vehicles［C］. 2018 21st In‐ Ma Y， Li X Y， Liu L， et al， 2018. Measurements and modeling of
ternational Conference on Intelligent Transportation Systems the water budget in semiarid high‐altitude Qinghai Lake Basin，
（ITSC）： 2391-2397. northeast Qinghai‐Tibet Plateau［J］. Journal of Geophysical Re‐
Cannon A J， Whitfield P H， 2002. Downscaling recent streamflow search： Atmospheres， 123： 10857-10871.
conditions in British Columbia， Canada using ensemble neural Mosavi A， Ozturk P， Chau K W， 2018. Flood prediction using ma‐
network models［J］. Journal of Hydrology， 259： 136-151. chine learning models： literature review［J］. Water， 10： 1536.
Chen T， Guestrin C， 2016. XGBoost： a scalable tree boosting system Nash J E， Sutcliffe J V， 1970. River flow forecasting through concep‐
［C］. Proceedings of the 22nd ACM SIGKDD International Con‐ tual models part I-A discussion of principles［J］. Journal of Hy‐
ference on Knowledge Discovery and Data Mining. drology， 10： 282-290.
Chen Y， Deng H， Li B， et al， 2014. Abrupt change of temperature Pedregosa F， Varoquaux G， Gramfort A， et al， 2012. Scikit-learn：
and precipitation extremes in the arid region of Northwest China machine learning in python［J］. Journal of Machine Learning Re‐
［J］. Quaternary International， 336： 35-43. search， 12.
Cortes C， Vapnik V N， 1995. Support-vector networks［J］. Machine Pitman A J， Perkins S E， 2009. Global and regional comparison of dai‐
Learning， 20： 273-297. ly 2-m and 1000-hPa maximum and minimum temperatures in
Ghorbani M A， Deo R C， Karimi V， et al， 2018. Design and imple‐ three global reanalyses［J］. Journal of Climate， 22： 4667-4681.
mentation of a hybrid MLP-GSA model with multi-layer percep‐ Rasouli K， Hsieh W W， Cannon A J， 2012. Daily streamflow forecast‐
tron-gravitational search algorithm for monthly lake water level ing by machine learning methods with weather and climate inputs
forecasting［J］. Stochastic Environmental Research and Risk As‐ ［J］. Journal of Hydrology， 414： 284-293.
sessment， 33： 125-147. Singh A P， Imtiyaz M， Isaac R K， et al， 2012. Comparison of soil
Hagen J S， Leblois É， Lawrence D， et al， 2021. Identifying major and water assessment tool （SWAT） and multilayer perceptron
drivers of daily streamflow from large-scale atmospheric circula‐ （MLP） artificial neural network for predicting sediment yield in
tion with machine learning［J］. Journal of Hydrology， 596： the Nagwa agricultural watershed in Jharkhand， India［J］. Agri‐