利用机器学习方法评估俄罗斯东北部以融雪为主要水源的河流中春季水位上升的起始时间

《Scientific Reports》：Assessing the onset of spring water-level rise in snowmelt-dominated rivers of northeastern Russia using machine learning

　　

摘要

春季水位最初上升的时间是高纬度地区以融雪为主的河流系统中季节性水文变化的关键指标。本研究利用2008–2022年期间的站点年数据集，评估了集成机器学习（ML）模型预测俄罗斯东北部阿纳德尔-科雷马流域北极-亚北极地区河流春季水位上升起始日期的能力。该数据集结合了水文观测数据以及气象和流域相关因素。通过按年份分组进行交叉验证，测试了五种回归算法。CatBoost模型的预测准确性最高，其外部折叠平均绝对误差为4.54天，均方根误差（RMSE）为9.79天，\(R^2=0.538\)，略优于ExtraTrees（MAE 4.66天）和RandomForest（MAE 4.70天）。空间分析显示，大多数测量站点的预测误差在0.5–3天范围内；而超过10天的误差主要出现在观测覆盖有限的小型或地形复杂的流域中。利用Shapley Additive Explanations（SHAP）和部分依赖性（PDP）分析对模型进行解释后发现，描述晚冬和早春期间热力强迫的预测因子对模型响应起主导作用，其中3–4月的正度日数、首次解冻日期以及水位快速上升的指标贡献最大。所研究的北极-亚北极河流系统中春季水位上升的起始主要与温度驱动的融雪过程与河流网络的早期水文响应之间的相互作用有关，而降水量和空间描述因子的影响相对较小。这些统计关系基于2008–2022年的数据，不同气候条件或更长的观测记录下可能会有所变化，在应用模型进行预测时需予以考虑。