摘要

在氣候變化的背景下，洪澇災(zāi)害頻發(fā)，對(duì)徑流變化進(jìn)行預(yù)測(cè)以及對(duì)未來(lái)徑流進(jìn)行預(yù)估，可以了解掌握徑流演變趨勢(shì)，為水資源管理、水資源合理配置、抗洪、防旱等提供科學(xué)的依據(jù)。未來(lái)徑流變化研究離不開(kāi)地球系統(tǒng)模式數(shù)據(jù)，但其分辨率較低，很難應(yīng)用到高精度的水文和水資源研究中去，因此需要對(duì)其進(jìn)行降尺度；此外，對(duì)于在不斷變化的氣候條件下表現(xiàn)不足的降水-徑流模型，需要更穩(wěn)健的新模型或改進(jìn)的建模方法對(duì)未來(lái)徑流進(jìn)行預(yù)估。針對(duì)以上問(wèn)題，本研究首先提出了基于深度學(xué)習(xí)融合降尺度框架，將其應(yīng)用到地球系統(tǒng)模式數(shù)據(jù)中，生成了一套空間分辨率為 0.25°×0.25°的未來(lái)多情景（SSP2-4.5，SSP3-7.0 和 SSP5-8.5）最高氣溫、最低氣溫、氣溫、降水和相對(duì)濕度等五個(gè)不同變量的月時(shí)間尺度數(shù)據(jù)，為后續(xù)的未來(lái)徑流預(yù)估研究提供數(shù)據(jù)支撐；其次，構(gòu)建了 LSTMSA 和 GRUSA 深度學(xué)習(xí)徑流預(yù)測(cè)模型，通過(guò)與深度學(xué)習(xí)最新方法 Transformer模型和常用的深度學(xué)習(xí)方法構(gòu)建的徑流預(yù)測(cè)模型的評(píng)估比較，證明了這兩個(gè)算法有效提升了徑流預(yù)測(cè)的精度；接下來(lái)根據(jù)以長(zhǎng)江流域的大通站為例，利用深度學(xué)習(xí)方法結(jié)合可解釋性方法理解其背后的降水-徑流的關(guān)系的變化，證明了可解釋深度學(xué)習(xí)在理解降水徑流關(guān)系中的潛力；最后，基于 LSTMSA 和 GRUSA 模型構(gòu)建了未來(lái)徑流預(yù)估的框架，將其應(yīng)用到中國(guó)區(qū)域 185 個(gè)子流域的徑流預(yù)估工作中去，在歷史時(shí)期利用深度學(xué)習(xí)方法構(gòu)建氣象要素和徑流的回歸模型，隨后訓(xùn)練好的模型中輸入先前生成的高分辨率未來(lái)多情景數(shù)據(jù)，即可得到未來(lái)不同情景下的預(yù)估的徑流變化情況，分別在年和季節(jié)尺度上對(duì)徑流的變化進(jìn)行的分析。得到以下主要結(jié)論：（1）深度學(xué)習(xí)融合降尺度方法可以有效提高 CMIP6 的數(shù)據(jù)分辨率和數(shù)據(jù)質(zhì)量，其效果優(yōu)于機(jī)器學(xué)習(xí)隨機(jī)森林等其他方法。在經(jīng)過(guò)融合降尺度之后，平均氣溫、最高氣溫、最低氣溫、降水和相對(duì)濕度的數(shù)據(jù)誤差均得到了有效改善。在未來(lái)，氣溫、降水在我國(guó)的上升趨勢(shì)都比較明顯，其中氣溫上升趨勢(shì)在我國(guó)北部較大，降水上升趨勢(shì)在我國(guó)南部較大。（2）結(jié)合了自主力機(jī)制的 LSTM 和 GRU 后生成的 LSTMSA 和 GRUSA 模型可以有效提高 LSTM 和 GRU 模型的徑流預(yù)測(cè)的精度。多種深度學(xué)習(xí)方法在徑流預(yù)測(cè)中均取得的較高的預(yù)報(bào)效果，但深度學(xué)習(xí)最新算法 Transformer 并沒(méi)有取得最優(yōu)效果，導(dǎo)致這一現(xiàn)象的原因是最新算法的模型參數(shù)量較大，當(dāng)數(shù)據(jù)量有限時(shí)并不能使其訓(xùn)練收斂。此外合適的模型輸入時(shí)長(zhǎng)可以有效提高模型的預(yù)報(bào)性能。（3）通過(guò)可解釋性方法來(lái)分析大通站徑流的主要影響因素可以發(fā)現(xiàn)，深度學(xué)習(xí)可解釋方法可以正確的理解降水-徑流的非線性關(guān)系。以三峽大壩運(yùn)行前后為時(shí)間節(jié)點(diǎn)來(lái)分析大通站徑流的影響因素。通過(guò)分析發(fā)現(xiàn)，在三峽大壩運(yùn)行前，主導(dǎo)大通站徑流的主要因素是上游來(lái)水，而在三峽大壩運(yùn)行后，主導(dǎo)大通站徑流的主導(dǎo)因素為長(zhǎng)江中下游的降水，進(jìn)一步證實(shí)了深度學(xué)習(xí)模型能夠?qū)W習(xí)到數(shù)據(jù)中存在的非線性關(guān)系，并顯示了可解釋性深度學(xué)習(xí)方法在理解降水-徑流關(guān)系以及地球科學(xué)其它類似領(lǐng)域的潛力。（4）基于深度學(xué)習(xí)的降雨-徑流回歸模型在模擬中國(guó)地區(qū)的徑流中有很好的表現(xiàn)。在進(jìn)行研究的 185 個(gè)水文站點(diǎn)中，驗(yàn)證期中大部分站點(diǎn)的納什效率系數(shù)值均大于 0.7。從未來(lái)預(yù)估結(jié)果來(lái)看，中國(guó)絕大多數(shù)地區(qū)年徑流表現(xiàn)出上升的趨勢(shì)，上升比較明顯的區(qū)域主要位于過(guò)渡區(qū)中東部和濕潤(rùn)區(qū)南部。夏季，過(guò)渡區(qū)、干旱區(qū)和青藏高原地區(qū)的站點(diǎn)徑流量在主要處于上升的狀態(tài)，在濕潤(rùn)區(qū)中絕大多數(shù)水文站點(diǎn)的徑流量下降。冬季的站點(diǎn)的徑流量的變化與夏季表現(xiàn)出完全不一致的現(xiàn)象，在過(guò)渡區(qū)、干旱區(qū)和青藏高原地區(qū)，站點(diǎn)冬季徑流增加的現(xiàn)象較為明顯。

AbstractIn 

the context of climate change, the frequent occurrence of flood disasters highlights theimportance of runoff prediction and future runoff projection. These efforts facilitate a deeperunderstanding of runoff evolution trends and provide a scientific foundation for waterresource management, rational allocation, flood control, and drought mitigation. Research onfuture runoff variations is heavily dependent on Global Climate Model (GCM) data. However,the low resolution of GCM outputs hinders their application in high-precision hydrologicaland water resource studies, necessitating effective downscaling methods. Furthermore,traditional rainfall-runoff models often exhibit limitations under dynamic climate conditions,underscoring the need for more robust models or advanced modeling approaches to accuratelyestimate future runoff.To address these challenges, this study introduces a novel deeplearning-based downscaling framework, which is applied to GCM data to generate ahigh-resolution dataset with a spatial resolution of 0.25° × 0.25°. This dataset spans multiplefuture scenarios (SSP2-4.5, SSP3-7.0, and SSP5-8.5) and provides monthly-scale data for fivevariables: maximum temperature, minimum temperature, mean temperature, precipitation,and relative humidity. This high-resolution dataset serves as a critical data foundation forfuture runoff projection research.To address these issues, this study first proposes adownscaling framework based on deep learning integration. This framework is applied toGlobal system model data to generate monthly-scale data with a spatial resolution of 0.25° ×0.25° for five different variables: maximum temperature, minimum temperature, averagetemperature, precipitation, and relative humidity under future multi-scenario conditions(SSP2-4.5, SSP3-7.0, and SSP5-8.5), providing data support for future runoff estimationstudies.Secondly, two deep learning runoff prediction models, LSTMSA and GRUSA, weredeveloped. A comparison was made between these models and other common deep learningmethods, including the latest Transformer model, proving that the two proposed algorithmseffectively improve the accuracy of runoff predictions. Next, using the Datong station in theYangtze River Basin as an example, deep learning methods combined with explainabletechniques were applied to understand changes in the precipitation-runoff relationship,demonstrating the potential of explainable deep learning for understanding suchrelationships.Finally, a framework for future runoff projection was constructed based on th

LSTMSA and GRUSA models. This framework was applied to estimate runoff for 185sub-basins in China. For the historical period, regression models between meteorologicalfactors and runoff were constructed using deep learning methods. The trained models werethen input with previously generated high-resolution future multi-scenario data to obtainprojection of future runoff changes under different scenarios. Runoff changes were analyzedon both annual and seasonal scales, leading to the following main conclusions:(1) The deep learning-based merged downscaling method can effectively improve theresolution and quality of CMIP6 data, outperforming other methods like random forestmachine learning. After applying the integrated downscaling, the data errors for averagetemperature, maximum temperature, minimum temperature, precipitation, and relativehumidity were significantly reduced. In the future, there is a clear upward trend in bothtemperature and precipitation across China. The temperature increase is more pronounced inthe northern regions, while the precipitation increase is more evident in the southern regions.(2) The LSTMSA and GRUSA models have proven effective in improving the accuracyof runoff prediction. While various deep learning methods have achieved high performance inrunoff forecasting, the latest deep learning algorithm, Transformer, did not yield optimalresults. This is likely due to the larger number of model parameters, which, with limited data,hindered convergence during training. Additionally, selecting an appropriate input durationfor the model can significantly enhance its forecasting performance.(3) By using interpretability methods to analyze the key factors influencing runoff at theDatong Station, it was observed that interpretable deep learning methods can effectivelycapture the nonlinear relationships between precipitation and runoff. The analysis wasconducted with the operation of the Three Gorges Dam serving as a temporal breakpoint.Thefindings reveal that before the operation of the Three Gorges Dam, the dominant factorinfluencing runoff at the Datong Station was upstream inflow. However, after the dambecame operational, the primary factor shifted to precipitation in the middle and lowerreaches of the Yangtze River. These results further confirm that deep learning models caneffectively learn the nonlinear relationships inherent in the data. Additionally, they underscorethe potential of interpretable deep learning methods in advancing our understanding ofprecipitation-runoff interactions and their applicability in other similar domains within Earthsciences.

未來(lái)不同變化情景下年降水量變化趨勢(shì)圖：（a）21 世紀(jì)前期（2025-2045 年），（b）21 世紀(jì)中前期（2045-2065 年），（c）21 世紀(jì)后期（2080-2100 年）；打點(diǎn)的格點(diǎn)表示顯著性水平為 0.05時(shí)，通過(guò) MK 檢驗(yàn)發(fā)現(xiàn)趨勢(shì)顯著

目錄

摘要

Abstract

第一章 緒論

1.1 研究背景

1.2 國(guó)內(nèi)外研究進(jìn)展

1.3 存在的問(wèn)題

1.4 研究目標(biāo)與內(nèi)容

1.5 論文的章節(jié)安排

第二章 數(shù)據(jù)與方法

第三章 基于深度學(xué)習(xí)的CMIP6 多模式數(shù)據(jù)融合降尺度與評(píng)估

第四章 基于深度學(xué)習(xí)多種方法的徑流預(yù)測(cè)及評(píng)估

第五章 基于可解釋性深度學(xué)習(xí)理解降水-徑流關(guān)系—以大通站為例

第六章 基于深度學(xué)習(xí)的中國(guó)未來(lái)徑流變化預(yù)估

第七章 總結(jié)與展望

參考文獻(xiàn)

第一章 緒論

1.1 研究背景

根據(jù)政府間氣候變化專門委員會(huì)第六次報(bào)告（Intergovermental Panel on ClimateChange, IPCC），2011-2020 年相比較于工業(yè)化前，全球平均氣溫已上升了 1.09°C，近30 年的平均氣溫為過(guò)去 1400 年的最高水平。全球變暖給自然環(huán)境和人類在很對(duì)方面帶來(lái)了大量的影響（Yamaguchi et al., 2020; Hasegawa et al., 2021; Quante et al., 2021; Toumaet al., 2021; Naumann et al., 2021）。全球氣候變化預(yù)計(jì)將通過(guò)引起的蒸發(fā)增加和降水模式的變化，從而影響水文循環(huán)，進(jìn)而影響水資源（Naumann et al., 2018）。預(yù)計(jì)全球變暖及其可變性將加劇全球水文循環(huán)，從而改變徑流變化的時(shí)間和徑流大小，導(dǎo)致洪水和干旱等極端事件的頻率和強(qiáng)度增加（Naumann et al., 2021）。河流徑流對(duì)氣候變暖的響應(yīng)較為復(fù)雜，因?yàn)閺搅魃蛇^(guò)程不僅受大氣因素控制，還受下墊面條件控制（Farinosi etal., 2019）。例如，在日尺度上，徑流系數(shù)的非線性增加導(dǎo)致徑流對(duì)升溫的響應(yīng)率高于降水的響應(yīng)（Huang et al., 2014; Yin et al., 2018）。在較長(zhǎng)的時(shí)間尺度上（例如每月），徑流對(duì)全球變暖的響應(yīng)可能歸因于不同的物理機(jī)制。較長(zhǎng)時(shí)間尺度的徑流變化取決于蒸散量與降水量的分配。研究通常表明，蒸散量對(duì)溫度的敏感性與克勞修斯-克拉佩龍方程（Clausius-Clapeyron）之間存在正相關(guān)關(guān)系（Zhang et al., 2019）。月降水量和蒸散量對(duì)氣候變暖的同步正響應(yīng)將影響降水量在蒸散量和徑流之間的分配，從而改變徑流的生成。有學(xué)者基于 CMIP5 輸出研究了月徑流對(duì)全球變暖的敏感性，據(jù)預(yù)測(cè)，全球平均徑流將以大約 2.9%的速度增加，并與溫度上升呈負(fù)相關(guān)（Zhang et al., 2014）。評(píng)估未來(lái)氣候變化對(duì)徑流的潛在影響對(duì)于可持續(xù)利用和流域范圍內(nèi)的適應(yīng)性管理具有重要意義?？偟膩?lái)說(shuō)，氣候變化對(duì)降水量、蒸發(fā)量、高原冰川融雪量都產(chǎn)生了影響，再通過(guò)地表水循環(huán)過(guò)程，對(duì)河流的徑流變化產(chǎn)生影響，從而影響整個(gè)空間的水資源分布，對(duì)人類生產(chǎn)生活、生態(tài)環(huán)境以及災(zāi)害的發(fā)生產(chǎn)生深遠(yuǎn)影響。因此，氣候變化下的徑流變化研究工作至關(guān)重要。研究未來(lái)徑流變化離不開(kāi)地球系統(tǒng)模式（Global climate model, GCM），GCM 是用于模擬當(dāng)前氣候和預(yù)測(cè)給定溫室排放情景下未來(lái)氣候變化主要工具。由于 GCM 來(lái)自不同的研究機(jī)構(gòu)，分辨率、初始條件、參數(shù)設(shè)置等方面都不盡相同，即便是對(duì)同一地區(qū)同一時(shí)期的同一氣象要素進(jìn)行模擬，也可能存在較大差異（Phillips and Gleckler, 2006;White and Toumi., 2013）。所以，GCM 很難應(yīng)用到高精度的水文和水資源研究中去。統(tǒng)計(jì)降尺度和動(dòng)力降尺度（區(qū)域氣候模型方法）已成為從流域建模的粗分辨率轉(zhuǎn)換為精細(xì)分辨率的手段。先前的研究已經(jīng)證明，高分辨率 GCM 在模擬當(dāng)前和預(yù)測(cè)未來(lái)氣候方面具有巨大優(yōu)勢(shì)（Gao et al., 2008）。所以生成一套高精度的地球系統(tǒng)模式數(shù)據(jù)也尤為重要。許多研究通過(guò)構(gòu)建降水與徑流之間的關(guān)系來(lái)進(jìn)行徑流的預(yù)測(cè)和預(yù)報(bào)。然而，由于流域特征和降水格局在時(shí)間和空間上的變異性，降雨-徑流過(guò)程是一個(gè)非線性的復(fù)雜現(xiàn)象（Reddy et al., 2021）。過(guò)去，水文模型被廣泛用于徑流模擬，這些模型需要大量與流域相關(guān)的參數(shù)，其中許多參數(shù)難以獲得（Kratzert et al., 2018）。經(jīng)典的統(tǒng)計(jì)模型，如自回歸、移動(dòng)平均和自回歸綜合移動(dòng)平均模型，被廣泛應(yīng)用于水文數(shù)據(jù)集的預(yù)測(cè)。然而，這些線性統(tǒng)計(jì)模型假設(shè)信息是固定的，直接構(gòu)建關(guān)系，由于水文數(shù)據(jù)的非線性特征，這些模型的預(yù)測(cè)能力受到限制。盡管有許多類型的模型用于表示降雨過(guò)程，但問(wèn)題仍未完全解決，因此采用合理的替代建模方法是不可避免的。人工智能模型可以提供輸入到期望輸出的直接關(guān)系，而不考慮任何內(nèi)部過(guò)程。近年來(lái)，人工智能技術(shù)已被水文學(xué)家用于徑流預(yù)測(cè)研究中（Kao et al., 2020; Salloom et al., 2021）。在全球氣候持續(xù)變暖的大背景下，對(duì)徑流變化進(jìn)行預(yù)測(cè)以及對(duì)未來(lái)徑流的變化趨勢(shì)進(jìn)行預(yù)估可以為水資源管理、水資源合理配置、抗洪、防旱等提供科學(xué)的依據(jù)，一直是目前氣候變化相關(guān)研究的熱點(diǎn)之一。

不同模型在不同輸入步長(zhǎng)和預(yù)測(cè)天數(shù)下預(yù)測(cè)值和真實(shí)值的 MSE，（a）LSTM，（b）GRU，（c）Transformer，橫坐標(biāo)代表不同預(yù)測(cè)時(shí)長(zhǎng)

1.2 國(guó)內(nèi)外研究進(jìn)展

1.2.1 地球系統(tǒng)模式數(shù)據(jù)降尺度研究進(jìn)展地球系統(tǒng)模式（Global climate model, GCM）是預(yù)測(cè)未來(lái)氣候變化的主要工具，其綜合考慮了物理和生物過(guò)程。GCM 的預(yù)測(cè)數(shù)據(jù)為從全球和區(qū)域的角度發(fā)現(xiàn)氣候變化及其潛在影響提供了機(jī)會(huì)（Yuan et al., 2021）。有許多研究利用 GCM 數(shù)據(jù)分析未來(lái)氣候變化（Parsons et al., 2020; Gillett et al., 2021）。這些研究指出了使用 GCM 數(shù)據(jù)的三個(gè)主要問(wèn)題：（1）對(duì) GCM 數(shù)據(jù)進(jìn)行數(shù)據(jù)降尺度以獲得更高精度數(shù)據(jù)；（2）對(duì) GCM 數(shù)據(jù)進(jìn)行偏差校正；（3）融合多個(gè) GCM 數(shù)據(jù)以獲得更高的準(zhǔn)確性。由于有限的計(jì)算資源以及模型結(jié)構(gòu)和參數(shù)化中的一些簡(jiǎn)化假設(shè)和不確定性，GCM 的輸出具有一定的誤差和原始的低空間分辨率（Phillips and Gleckler, 2006）。當(dāng)前的 GCM 的輸出空間分辨率運(yùn)行，只能以 0.5 到 3.75 度的空間分辨率提供輸出，大多數(shù)在 2 度左右，這些空間分辨率不足以進(jìn)行詳細(xì)研究（White and Toumi, 2013）?？臻g降尺度方法被廣泛用于提高 GCM的分辨率（Shrestha et al., 2014; Baghanam et al., 2020）。它可以分為統(tǒng)計(jì)和動(dòng)力降尺度技術(shù)（Kannan et al., 2013）。動(dòng)力降尺度主要基于高分辨率區(qū)域氣候模型（Regional climatemodel, RCM）并使用來(lái)自 GCM 的限制的橫向邊界（Adachi and Tomita, 2020; 楊雅薇等，2021）。雖然動(dòng)力降尺度計(jì)算復(fù)雜，但可以獲得更高分辨率的降尺度數(shù)據(jù)，目前動(dòng)力降尺度后的地球系統(tǒng)模式數(shù)據(jù)空間分辨率一般在 10km 到 30km（蔡怡亨等，2018; Zhu et al.,2017; Guo et al., 2018）。至于統(tǒng)計(jì)降尺度，它建立了 GCM 與局部尺度氣象數(shù)據(jù)之間的關(guān)系，然后生成高分辨率數(shù)據(jù)（Maraun and Widmann, 2018）。統(tǒng)計(jì)降尺度計(jì)算簡(jiǎn)單，其降尺度效果取決于區(qū)域氣象數(shù)據(jù)的豐富度。由于動(dòng)力降尺度方法復(fù)雜且計(jì)算成本高，因此統(tǒng)計(jì)降尺度方法更加常用。最流行的統(tǒng)計(jì)降尺度技術(shù)是基于回歸的方法，例如多元和廣義線性回歸模型等（Das et al., 2019; Asong et al., 2016），因?yàn)樗鼈儗?duì)計(jì)算資源的要求低且實(shí)現(xiàn)簡(jiǎn)單。雖然分辨率有所提高，但無(wú)論是統(tǒng)計(jì)降尺度還是動(dòng)力降尺度，仍然存在相當(dāng)大的偏差（Miao et al., 2015; 黃瑋，2013）。為了減少偏差，許多偏差校正方法被開(kāi)發(fā)出來(lái)，包括統(tǒng)計(jì)特征偏差校正（如均值、方差和標(biāo)準(zhǔn)差）（Ho et al., 2012; Fang etal., 2015）、概率分布偏差校正（例如，使用累積密度函數(shù)（CDF）來(lái)匹配 GCM 和觀測(cè)數(shù)據(jù)（Jakob et al., 2011）和非平穩(wěn)偏差校正方法（Miao et al., 2016）。偏差校正方法可以獲得更接近觀測(cè)數(shù)據(jù)的結(jié)果（Fan et al., 2021）。但是校正和降尺度方法帶來(lái)了一些不確定性，例如偏差校正和降尺度的 GCM 數(shù)據(jù)低估了極端災(zāi)害造成的生產(chǎn)損失（Laffertyet al., 2021）。在不同的應(yīng)用任務(wù)中，不同的偏差校正方法得到了最好的性能（例如，在挪威的降水偏差校正中，兩種非參數(shù)變換方法的性能優(yōu)于其他 9 種方法，回歸技術(shù)在溫度偏差校正的相關(guān)性方面優(yōu)于其他 11 種方法在西班牙）（Gudmundsson et al., 2012;Gutiérrez et al., 2013）。但當(dāng)前的 GCM 偏差校正方法存在一些局限性（例如 GCM 平均偏差校正只考慮 GCM 的平均偏差，分位數(shù)-分位數(shù)校正會(huì)給變量的空間梯度帶來(lái)額外的偏差）（Bruyère et al., 2014; Colette et al., 2012）。此外，大多數(shù)偏差校正方法應(yīng)用于單個(gè)模型數(shù)據(jù)集，這給未來(lái)氣候預(yù)測(cè)方面帶來(lái)了更多的不確定性?？紤]到不同的 GCM 具有不同的優(yōu)勢(shì)，可以潛在地組合以相互補(bǔ)充，因此已經(jīng)有不少研究方法來(lái)融合多個(gè) GCM 以獲得效果更好的輸出。在以往的研究中，由于單一 GCM數(shù)據(jù)不穩(wěn)定，集合平均（Ensemble Mean, EM）方法被認(rèn)為是一種簡(jiǎn)單有效的 GCM 融合方法（Weigel et al., 2008）。CMIP6 模型的評(píng)估結(jié)果表明，在不同的評(píng)估規(guī)則下，沒(méi)有一個(gè)模型在所有區(qū)域中表現(xiàn)最好（Papalexiou et al., 2020）。由于 GCM 具有不同的分辨率并在不同區(qū)域顯示出不同的優(yōu)勢(shì)，EM 方法在區(qū)域和全球范圍內(nèi)對(duì)未來(lái)的溫度數(shù)據(jù)具有更好的精確分析（Fan et al., 2020; Lovino et al., 2021; You et al., 2021; Tang et al., 2021）。EM 方法簡(jiǎn)單有效，但仍有改進(jìn)空間。近年來(lái)，隨著地球觀測(cè)和模型模擬數(shù)據(jù)等“地球大數(shù)據(jù)”的快速增長(zhǎng)，基于深度學(xué)習(xí)的方法因其更好的處理大數(shù)據(jù)的能力而在地球科學(xué)中發(fā)揮著越來(lái)越重要的作用（Reichstein et al., 2019）。這些新方法已成功應(yīng)用于地球科學(xué)的許多領(lǐng)域（Yuan et al., 2020; Toms et al., 2020），例如數(shù)據(jù)融合和降尺度（例如粗分辨率溫度和降水）（Huang, 2020），土地覆蓋識(shí)別及制圖（Tong et al., 2020; Dong et al., 2021），信息重建（如重建溫度的缺失數(shù)據(jù)）（Kadow et al., 2020; Barth et al., 2020; Tang et al.,2021b），信息預(yù)測(cè)（以多年 ENSO 預(yù)報(bào)和復(fù)雜熱帶不穩(wěn)定波預(yù)報(bào)為例）（Ham et al., 2019;Zheng et al., 2020）和環(huán)境參數(shù)反演（如 PM2.5 和氣體濃度）（Zang, 2021; Tang et al.,2021a）。CMIP6 模型的輸出數(shù)據(jù)將在估計(jì)中達(dá)到 30PB（Stockhause and Lautenschlager,2017）。傳統(tǒng)的方法需要分為多個(gè)過(guò)程分別解決 GCM 存在的問(wèn)題，給未來(lái)的氣候資料預(yù)測(cè)帶來(lái)額外的不確定性。當(dāng)使用 GCM 時(shí)，新的深度學(xué)習(xí)方法提供了處理問(wèn)題的新機(jī)會(huì)?？梢詮挠?jì)算機(jī)視覺(jué)的超分辨率（Super resolution, SR）領(lǐng)域中遷移一些成熟的深度學(xué)習(xí)算法來(lái)一起解決這些問(wèn)題。與其他傳統(tǒng)方法不同，深度學(xué)習(xí)模型可以輸入多個(gè)低分辨率的數(shù)據(jù)，得到一個(gè)高分辨率的數(shù)據(jù)，這意味著這些模型可以學(xué)習(xí)來(lái)自不同 GCM 的信息，同時(shí)進(jìn)行數(shù)據(jù)融合和數(shù)據(jù)降尺度，減少不確定性。第一個(gè)基于深度學(xué)習(xí)的超分辨率方法是基于卷積升級(jí)網(wǎng)絡(luò)的超分模型（SR- Convolution Neural network, SR-CNN）（Yoon et al.,2015），其性能明顯優(yōu)于傳統(tǒng)的 SR 方法。然后，許多深度學(xué)習(xí)方法已應(yīng)用于 SR 領(lǐng)域，并且正在努力提高這些算法的性能（Blau et al., 2018; Chen et al., 2020）。近年來(lái)，深度學(xué)習(xí)的超分方法以及表現(xiàn)出了在氣象數(shù)據(jù)降尺度方面的強(qiáng)大能力（Yoon et al., 2015; Shi et al., 2016; SeifG and Androutsos, 2018）。例如，Vandal et al.（2017）使用堆疊了三層卷積的超分辨率卷積神經(jīng)網(wǎng)絡(luò)框架將降水從 1°降尺度到 1/8°，效果遠(yuǎn)優(yōu)于傳統(tǒng)的統(tǒng)計(jì)降尺度方法。Rodrigues et al.（2018）等利用深度學(xué)習(xí)超分辨率算法，大幅提升氣溫和降水?dāng)?shù)據(jù)的分辨率，并保證其精確度。Tran et al.（2019）首次提出將長(zhǎng)短期記憶模型應(yīng)用在模式降水?dāng)?shù)據(jù)的降尺度中，模型模擬值與觀測(cè)值之間有很高相關(guān)性，缺點(diǎn)是數(shù)據(jù)波動(dòng)大時(shí)模型難以捕捉極端降水事件。Huang et al.（2020）基于超分卷積神經(jīng)網(wǎng)絡(luò)提出了多源數(shù)據(jù)融合-降尺度一體化技術(shù)，對(duì)多模式輸出數(shù)據(jù)同時(shí)實(shí)現(xiàn)融合和降尺度，得到較為穩(wěn)健的精細(xì)化氣候變化預(yù)估產(chǎn)品。Sun and Lan（2020）也有類似的研究，都證明了卷積神經(jīng)網(wǎng)絡(luò)的性能比統(tǒng)計(jì)降尺度相比更好，是大區(qū)域降尺度的有效工具。在之前的研究中，已經(jīng)有學(xué)者將深度學(xué)習(xí)降尺度方法應(yīng)用到了 CMIP6 數(shù)據(jù)中去，并取得了較好的效果 (Feng et al., 2022; Wei et al., 2022)。綜上所述，基于深度學(xué)習(xí)技術(shù)的快速發(fā)展，學(xué)者們?yōu)闅庀髷?shù)據(jù)融合和精細(xì)化提供了符合大數(shù)據(jù)時(shí)代的多源數(shù)據(jù)融合-降尺度技術(shù)一體化方法，研究表明其效率遠(yuǎn)高于傳統(tǒng)的數(shù)據(jù)融合和降尺度方法。針對(duì)地球系統(tǒng)模式輸出的未來(lái)氣候變化預(yù)估數(shù)據(jù)，利用深度學(xué)習(xí)方法來(lái)進(jìn)行數(shù)據(jù)的空間精細(xì)化，是降低多源數(shù)據(jù)分析不確定性和實(shí)現(xiàn)空間精細(xì)化的可行途徑。1.2.2 徑流預(yù)測(cè)研究進(jìn)展在 21 世紀(jì)由于全球變暖，徑流量和洪水頻率的增加已成為全球范圍內(nèi)的普遍現(xiàn)象（Naumann et al., 2018）。全球變暖加劇了世界各大河流流域的降雨變異性和洪水頻率，也包括中國(guó)長(zhǎng)江流域（Gu et al., 2015）。例如，在長(zhǎng)江流域，全球變暖每增加 0.5°C，由極端洪水造成的損失將隨之增加約 600 億美元（Jiang et al., 2020）。長(zhǎng)江流域擁有一些最具經(jīng)濟(jì)價(jià)值的城市和產(chǎn)業(yè)，是中國(guó)的主要糧食產(chǎn)地。2020 年夏季長(zhǎng)江流域的洪水導(dǎo)致了約 165.8 億美元的經(jīng)濟(jì)損失，并影響了 4550 萬(wàn)人（Qi et al., 2022）。因此，徑流預(yù)測(cè)的研究一直受到關(guān)注。徑流預(yù)測(cè)根據(jù)預(yù)報(bào)時(shí)長(zhǎng)可分為短期、中期和長(zhǎng)期預(yù)測(cè)。其中，短期預(yù)測(cè)的時(shí)長(zhǎng)小于三天，中期預(yù)測(cè)的時(shí)長(zhǎng)為 3 至 15 天，而長(zhǎng)期預(yù)測(cè)的時(shí)長(zhǎng)在 15 天至一年以內(nèi)（盧桂源，2021）。徑流預(yù)測(cè)研究始于 19 世紀(jì) 50 年代，當(dāng)時(shí) Mulvaney 等人研究了降雨與洪水之間的關(guān)系。隨著單位水文圖（1932）、滲透公式（1933）和蒸散公式（1948）等理論的發(fā)展，以及計(jì)算機(jī)技術(shù)和地理信息系統(tǒng)的進(jìn)步，水文模型從系統(tǒng)模擬模型發(fā)展到基于過(guò)程的模型（徐宗學(xué)，2010）。現(xiàn)有的水文預(yù)測(cè)模型大致分為物理模型和數(shù)據(jù)驅(qū)動(dòng)模型（左剛剛，2021）。物理模型依賴于水文學(xué)、水力學(xué)和侵蝕動(dòng)力學(xué)等學(xué)科的理論，并以水文循環(huán)的物理機(jī)制為指導(dǎo)。它們綜合考慮土地利用、土壤類型和氣象變化等因素，模擬徑流的產(chǎn)生和匯集過(guò)程。這些模型包括新安江模型和陜北模型等集總模型、半分布模型和分布式模型（Devia et al., 2015）。物理模型通常需要全面而詳細(xì)的校準(zhǔn)數(shù)據(jù)，以及一定水平的專業(yè)知識(shí)和經(jīng)驗(yàn)。此外，由于天氣預(yù)報(bào)技術(shù)的限制，物理模型在中長(zhǎng)期預(yù)測(cè)中的適用性相對(duì)較差（譚念，2018；陳芳，2021）。隨著大數(shù)據(jù)時(shí)代的到來(lái)，數(shù)據(jù)驅(qū)動(dòng)模型已成為徑流預(yù)報(bào)的主流方法（王麗麗等，2020）。與物理模型相比，數(shù)據(jù)驅(qū)動(dòng)模型將徑流預(yù)測(cè)視為一個(gè)隨機(jī)過(guò)程。它們利用歷史數(shù)據(jù)來(lái)挖掘和擴(kuò)展時(shí)間序列中的時(shí)變模式，從之前的研究中，已經(jīng)有學(xué)者將深度學(xué)習(xí)降尺度方法應(yīng)用到了 CMIP6 數(shù)據(jù)中去，并取得了較好的效果 (Feng et al., 2022; Wei et al., 2022)。綜上所述，基于深度學(xué)習(xí)技術(shù)的快速發(fā)展，學(xué)者們?yōu)闅庀髷?shù)據(jù)融合和精細(xì)化提供了符合大數(shù)據(jù)時(shí)代的多源數(shù)據(jù)融合-降尺度技術(shù)一體化方法，研究表明其效率遠(yuǎn)高于傳統(tǒng)的數(shù)據(jù)融合和降尺度方法。針對(duì)地球系統(tǒng)模式輸出的未來(lái)氣候變化預(yù)估數(shù)據(jù)，利用深度學(xué)習(xí)方法來(lái)進(jìn)行數(shù)據(jù)的空間精細(xì)化，是降低多源數(shù)據(jù)分析不確定性和實(shí)現(xiàn)空間精細(xì)化的可行途徑。

1.2.2 徑流預(yù)測(cè)研究

進(jìn)展在 21 世紀(jì)由于全球變暖，徑流量和洪水頻率的增加已成為全球范圍內(nèi)的普遍現(xiàn)象（Naumann et al., 2018）。全球變暖加劇了世界各大河流流域的降雨變異性和洪水頻率，也包括中國(guó)長(zhǎng)江流域（Gu et al., 2015）。例如，在長(zhǎng)江流域，全球變暖每增加 0.5°C，由極端洪水造成的損失將隨之增加約 600 億美元（Jiang et al., 2020）。長(zhǎng)江流域擁有一些最具經(jīng)濟(jì)價(jià)值的城市和產(chǎn)業(yè)，是中國(guó)的主要糧食產(chǎn)地。2020 年夏季長(zhǎng)江流域的洪水導(dǎo)致了約 165.8 億美元的經(jīng)濟(jì)損失，并影響了 4550 萬(wàn)人（Qi et al., 2022）。因此，徑流預(yù)測(cè)的研究一直受到關(guān)注。徑流預(yù)測(cè)根據(jù)預(yù)報(bào)時(shí)長(zhǎng)可分為短期、中期和長(zhǎng)期預(yù)測(cè)。其中，短期預(yù)測(cè)的時(shí)長(zhǎng)小于三天，中期預(yù)測(cè)的時(shí)長(zhǎng)為 3 至 15 天，而長(zhǎng)期預(yù)測(cè)的時(shí)長(zhǎng)在 15 天至一年以內(nèi)（盧桂源，2021）。徑流預(yù)測(cè)研究始于 19 世紀(jì) 50 年代，當(dāng)時(shí) Mulvaney 等人研究了降雨與洪水之間的關(guān)系。隨著單位水文圖（1932）、滲透公式（1933）和蒸散公式（1948）等理論的發(fā)展，以及計(jì)算機(jī)技術(shù)和地理信息系統(tǒng)的進(jìn)步，水文模型從系統(tǒng)模擬模型發(fā)展到基于過(guò)程的模型（徐宗學(xué)，2010）。現(xiàn)有的水文預(yù)測(cè)模型大致分為物理模型和數(shù)據(jù)驅(qū)動(dòng)模型（左剛剛，2021）。物理模型依賴于水文學(xué)、水力學(xué)和侵蝕動(dòng)力學(xué)等學(xué)科的理論，并以水文循環(huán)的物理機(jī)制為指導(dǎo)。它們綜合考慮土地利用、土壤類型和氣象變化等因素，模擬徑流的產(chǎn)生和匯集過(guò)程。這些模型包括新安江模型和陜北模型等集總模型、半分布模型和分布式模型（Devia et al., 2015）。物理模型通常需要全面而詳細(xì)的校準(zhǔn)數(shù)據(jù)，以及一定水平的專業(yè)知識(shí)和經(jīng)驗(yàn)。此外，由于天氣預(yù)報(bào)技術(shù)的限制，物理模型在中長(zhǎng)期預(yù)測(cè)中的適用性相對(duì)較差（譚念，2018；陳芳，2021）。隨著大數(shù)據(jù)時(shí)代的到來(lái)，數(shù)據(jù)驅(qū)動(dòng)模型已成為徑流預(yù)報(bào)的主流方法（王麗麗等，2020）。與物理模型相比，數(shù)據(jù)驅(qū)動(dòng)模型將徑流預(yù)測(cè)視為一個(gè)隨機(jī)過(guò)程。它們利用歷史數(shù)據(jù)來(lái)挖掘和擴(kuò)展時(shí)間序列中的時(shí)變模式，從而實(shí)現(xiàn)對(duì)未知數(shù)據(jù)的預(yù)測(cè)（萬(wàn)星，2008）。近年來(lái)，深度學(xué)習(xí)已經(jīng)成功的應(yīng)用到地球科學(xué)的許多領(lǐng)域（Yuan et al., 2020; Toms etal., 2020），包括徑流預(yù)測(cè)（Kao et al., 2020; Salloom et al., 2021）。深度學(xué)習(xí)模型具有強(qiáng)大的能力來(lái)捕捉模型輸入數(shù)據(jù)與目標(biāo)輸出之間的非線性關(guān)系（Kratzert et al., 2018）。目前，深度學(xué)習(xí)在徑流預(yù)測(cè)的研究中已經(jīng)取得了一定的進(jìn)展。長(zhǎng)短期記憶（Long ShortTerm Memory, LSTM）網(wǎng)絡(luò)是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural network, RNN），是為了解決計(jì)算機(jī)領(lǐng)域的自然語(yǔ)言處理（Natural language process, NLP）而設(shè)計(jì)的（Saket al., 2014），相比與傳統(tǒng)的 RNN，LSTM 可以避免長(zhǎng)時(shí)間訓(xùn)練過(guò)程中的梯度消失和梯度爆炸問(wèn)題，可以解決長(zhǎng)時(shí)間訓(xùn)練導(dǎo)致的梯度消失問(wèn)題，在徑流預(yù)測(cè)的應(yīng)用中中表現(xiàn)出了良好的性能（Lees et al., 2019; Gauch et al., 2021; Yin et al., 2021）。有學(xué)者發(fā)展了基于LSTM 的混合模型，并證明其適用于時(shí)間序列預(yù)測(cè)，同時(shí)混合模型的效果比單個(gè)模型更好（Ni et al., 2019）。在超前多步的預(yù)測(cè)洪水的應(yīng)用中，LSTM 在與基于前饋神經(jīng)網(wǎng)絡(luò)的編碼器-解碼器模型的比較中，所有模型都表現(xiàn)出優(yōu)異的效果，但基于 LSTM 的模型可以提供更可靠和準(zhǔn)確的洪水預(yù)報(bào)（Kao et al., 2020）。在與其它機(jī)器學(xué)習(xí)基本模型的比較中，以兩個(gè)流域的五個(gè)站點(diǎn)為案例進(jìn)行比較，LSTM 模型的性能也優(yōu)于其它機(jī)器學(xué)習(xí)模型（Xiang et al., 2020）。將堆疊式自動(dòng)編碼器與遞歸神經(jīng)網(wǎng)絡(luò)結(jié)合在一起的神經(jīng)網(wǎng)絡(luò)也可以提供準(zhǔn)確的預(yù)測(cè)信息（Kao et al., 2021）。作為 LSTM 的一種變體，門控神經(jīng)網(wǎng)絡(luò)（GRU）相比較于 LSTM 結(jié)構(gòu)上更加簡(jiǎn)單，其在與 LSTM 和人工神經(jīng)網(wǎng)絡(luò)比較中，結(jié)果表示 LSTM 和 GRU 擁有較好的效果，且 GRU 擁有較少的參數(shù)（Gao et al., 2020）。由于深度學(xué)習(xí)卷積網(wǎng)絡(luò)在大數(shù)據(jù)挖掘上的強(qiáng)力效果，有學(xué)者利用深度卷積網(wǎng)絡(luò)繪制了洪災(zāi)風(fēng)險(xiǎn)圖（Khosravi et al., 2020）。還有一些學(xué)者將深度學(xué)習(xí)網(wǎng)絡(luò)與傳統(tǒng)方法相結(jié)合進(jìn)行研究，如小波變換方法與 K-means 方法等（Barzegar et al., 2021; Salloom et al., 2021），均證明了深度學(xué)習(xí)算法的優(yōu)越性。有研究表明，與其他機(jī)器學(xué)習(xí)方法相比，LSTM 在美國(guó) 241 個(gè)河流流域的徑流預(yù)測(cè)中表現(xiàn)出最佳的預(yù)測(cè)性能（Kratzert et al., 2018; Xiang et al.,2020）。此外，GRU 模型具有更簡(jiǎn)單的結(jié)構(gòu)，在與其它模型的比較重也發(fā)現(xiàn)其表現(xiàn)也優(yōu)于其他神經(jīng)網(wǎng)絡(luò)方法（Fu et al., 2016; Gao et al., 2020）。目前，LSTM 和 GRU 模型是最常用的用于徑流預(yù)測(cè)的深度學(xué)習(xí)方法。Transformer是一種新提出的神經(jīng)網(wǎng)絡(luò)，整個(gè)網(wǎng)絡(luò)都有特殊的自注意力（Self-Attention, SA）機(jī)制結(jié)構(gòu)組成（Vaswani et al., 2017）。與 LSTM 相比，Transformer 更加靈活，因?yàn)樗梢酝ㄟ^(guò) SA 結(jié)構(gòu)直接連接時(shí)間序列過(guò)程中的任意兩個(gè)位置（Yin et al., 2022）。這種改變也帶來(lái)了顛覆性的提升。相較于 LSTM，其擁有以下的優(yōu)勢(shì) 1）突破了 RNN 不能并行運(yùn)算的限制；2）與卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）相比，計(jì)算兩個(gè)位置之間的關(guān)聯(lián)的計(jì)算量不隨距離增長(zhǎng)而增長(zhǎng)；3）可以產(chǎn)生更加具有解釋性的模型。其在NLP 領(lǐng)域取得了遠(yuǎn)超 LSTM 的效果，在近些年的發(fā)展中，其也被運(yùn)用到計(jì)算機(jī)視覺(jué)的各個(gè)領(lǐng)域，相較于 CNN，在不同的任務(wù)背景下，在性能上均取得了突破，Transformer算法已經(jīng)被廣泛應(yīng)用于包括圖像目標(biāo)識(shí)別、強(qiáng)化學(xué)習(xí)、分割和目標(biāo)跟蹤等多個(gè)領(lǐng)域，取得了最先進(jìn)的性能（He et al., 2021; Gan et al., 2021; Xie et al., 2021; YGAN et al., 2021;Xie, E et al., 2021）。盡管 Transformer 在時(shí)間序列預(yù)測(cè)中表現(xiàn)出了強(qiáng)大的性能（Wu et al.,2021），但由于需要更大的訓(xùn)練數(shù)據(jù)集才能使模型成功收斂（Zhou et al., 2021），其應(yīng)用仍然受到限制。在徑流預(yù)測(cè)中，缺乏長(zhǎng)期記錄可能會(huì)限制 Transformer 在全球許多河流流域中的使用。由于 SA 機(jī)制其能夠?qū)W習(xí)遠(yuǎn)距離位置的依賴關(guān)系，單獨(dú)的 SA 模塊也被廣泛應(yīng)用于多個(gè)其他領(lǐng)域，如機(jī)器翻譯和序列建模（Bahdanau et al., 2015; Luong et al., 2015）。例如，SA 機(jī)制已與 LSTM 結(jié)合在一起，用于改進(jìn)電池充電預(yù)測(cè)和假新聞檢測(cè)等領(lǐng)域的模型性能（Mashlakov et al., 2019; Mohapatra et al., 2022）。在徑流預(yù)測(cè)中，也有一些研究采用了 SA 機(jī)制。例如，Chen et al.（2020）使用了結(jié)合 SA 的 LSTM 模型來(lái)預(yù)測(cè)密西西比河流域的徑流，與單純使用 LSTM 模型相比取得了明顯更好的結(jié)果。Yin et al.,（2021）在基于 LSTM 的預(yù)測(cè)模型中添加了多注意力模塊，并將其應(yīng)用到了美國(guó) 531 個(gè)流域的徑流中，發(fā)現(xiàn)模型的預(yù)測(cè)性能得到了提高?？梢园l(fā)現(xiàn)，雖然在一些情況下采用最新算法Transformer 并不能提高徑流預(yù)測(cè)的性能，但其主要結(jié)構(gòu) SA 在之前的一些預(yù)測(cè)任務(wù)中已經(jīng)證明了其可以提升預(yù)測(cè)性能。綜上所述，可以發(fā)現(xiàn)，因?yàn)?LSTM 在學(xué)習(xí)時(shí)間序列上有得天獨(dú)厚的優(yōu)勢(shì)，所以其被遷移運(yùn)用到了包括徑流預(yù)測(cè)的一系列時(shí)間序列預(yù)測(cè)的問(wèn)題中去，但是其并不能學(xué)習(xí)到時(shí)間序列之間的并行關(guān)系，采用深度學(xué)習(xí)最新算法 Transformer 算法解決這一問(wèn)題。此外，將 SA 模塊加入到常用的深度學(xué)習(xí)徑流預(yù)測(cè)模型來(lái)提升模型的預(yù)測(cè)效果是一條可行的思路，所以在本研究中將對(duì)這一方案進(jìn)行研究。

1.2.3 氣候情景下徑流預(yù)估研究進(jìn)展

水是地球上所有生命、經(jīng)濟(jì)和社會(huì)發(fā)展不可替代的資源（Gudmundsson et al., 2017）。毫無(wú)疑問(wèn)，隨著全球溫度的迅速上升，這也引發(fā)了水循環(huán)的連鎖反應(yīng)。因此，近年來(lái)包括洪水和干旱在內(nèi)的水文氣象災(zāi)害明顯激增（Naumann et al., 2018; Kimura et al., 2023），導(dǎo)致全球水資源緊張的同時(shí)也造成了巨大的社會(huì)經(jīng)濟(jì)損失，這一趨勢(shì)在中國(guó)也很明顯。例如，預(yù)計(jì)全球變暖每上升 0.5°C，中國(guó)特大洪水造成的經(jīng)濟(jì)損失每年將增加約 600 億美元（Jiang et al., 2020）。徑流是水資源的重要組成部分，也是生命淡水的主要來(lái)源，它主要受溫度和降水的變化的影響，而未來(lái)溫度和降水的變化是巨大的（Feng et al.,2023）。在中國(guó)這樣面臨水資源緊張和災(zāi)害頻發(fā)的地區(qū)，有必要預(yù)估未來(lái)徑流的變化趨勢(shì)，來(lái)制定適應(yīng)氣候變化的水資源管理政策。氣候變化與水資源之間的關(guān)系錯(cuò)綜復(fù)雜，存在諸多不確定因素。目前主流的研究方法是先設(shè)定未來(lái)氣候變化情景，再用水文模型對(duì)這些情景進(jìn)行模擬，最后對(duì)模擬結(jié)果進(jìn)行分析，并對(duì)未來(lái)的變化情況做出預(yù)估。水文模型是模擬流域水循環(huán)過(guò)程及氣候和人類活動(dòng)變化對(duì)水環(huán)境響應(yīng)，揭示徑流變化規(guī)律的重要工具（王杰，2019）。常用的水文模型 包 括 SWAT （ Soil and Water Assessment Tool ） 模 型 、 HBV （ Hydrologiska FyransVattenbalans）模型和 VIC（Variable Infiltration Capacity）模型等。近年來(lái)，氣候變化條件下降雨、氣溫和徑流等水循環(huán)關(guān)鍵要素的變化研究逐漸成為熱點(diǎn)。很多學(xué)者針對(duì)未來(lái)氣候變化情景下的降雨、氣溫等水文氣象要素變化展開(kāi)研究并取得了有價(jià)值的成果（王紫霞，2020; Gao et al., 2014; Mehrotra R et al., 2016）。以典型干旱區(qū)高寒山區(qū)流域——烏魯木齊河流域上游為研究對(duì)象，有學(xué)者利用 NCEP 再分析資料和 HadCM3 模式對(duì)流域未來(lái)氣候進(jìn)行預(yù)估及徑流預(yù)測(cè)，結(jié)果表明 2021-2050 年間烏魯木齊河流域徑流量呈增加趨勢(shì)，徑流增加的主要原因是氣候和降水量的變化（趙杰，2015）。在研究錢塘江流域氣候變化及其對(duì)徑流的影響中，有學(xué)者選取三個(gè) GCM 模式的高排放情景和中等排放情景下的輸出結(jié)果，并將其應(yīng)用于 HIMS 模型和 SWAT 模型，結(jié)果表明氣候變化對(duì)流域豐水期和枯水期的徑流過(guò)程影響存在差異（夏芳，2016）。基于 CMIP5 中 CNRM-CM5模式，以黑河流域?yàn)檠芯繉?duì)象探究干旱內(nèi)陸河流域未來(lái)氣候變化的研究結(jié)果表明，未來(lái)流域降水分布的不均勻性增強(qiáng)，流域未來(lái)氣溫增溫幅度較小（祁曉凡等，2017）。另有研究利用 HEC-HMS 對(duì)碧流河流域徑流過(guò)程進(jìn)行模擬，并將 CMIP5 模式中三種不同排放情景下的輸出結(jié)果與水文模型耦合，結(jié)果表明三種情景下的徑流均呈增加趨勢(shì)（劉曉清，2017）。還有研究利用全球系統(tǒng)模式和 CA-Markov 模型預(yù)測(cè)的 LUCC 情景，設(shè)置不同氣候和不同 LUCC 情景，采用 SWAT 模型模擬漢江流域未來(lái)徑流過(guò)程，結(jié)果表明氣候與土地利用的共同變化對(duì)流域徑流變化的影響幅度最大（田晶等，2020）。

第七章 總結(jié)與展望

7.1 主要結(jié)論

在本研究中首先構(gòu)建了基于深度學(xué)習(xí)的融合降尺度框架，并比較了多種深度學(xué)習(xí)方法，為不同的氣象要素選取了最合適的方法，隨后利用其對(duì) CMIP6 的氣溫、最高氣溫、最低氣溫、降水和相對(duì)濕度的月尺度數(shù)據(jù)進(jìn)行融合降尺度，生成了歷史時(shí)期（1961-2014）和未來(lái)（2015-2100）不同變化情景下（SSP2-4.5、SSP3-7.0 和 SSP5-8.5）的高分辨率（0.25°×0.25°）數(shù)據(jù)，為下一步未來(lái)徑流預(yù)估工作提供數(shù)據(jù)支撐，同時(shí)也對(duì)未來(lái)氣溫和降水?dāng)?shù)據(jù)進(jìn)行了詳細(xì)的時(shí)空變化分析。隨后，提出了新的徑流預(yù)測(cè)模型 LSTMSA 和GRUSA，并與深度學(xué)習(xí)算法 Transformer 和常用的深度學(xué)習(xí)徑流預(yù)測(cè)算法 LSTM 和 GRU進(jìn)行比較，同時(shí)也考慮了模型不同輸入時(shí)長(zhǎng)和預(yù)報(bào)時(shí)長(zhǎng)對(duì)模型性能的影響，證明了LSTMSA 和 GRUSA 可以有效提高徑流預(yù)測(cè)的精度。隨后，以長(zhǎng)江流域的大通站為例，利用可解釋性方法理解其徑流影響因素的變化，證明了可解釋深度學(xué)習(xí)在理解降水徑流關(guān)系中的潛力；最后，基于 LSTMSA 和 GRUSA 構(gòu)建基于深度學(xué)習(xí)的未來(lái)預(yù)估框架，根據(jù)中國(guó)三級(jí)流域分區(qū)選取了 185 個(gè)子流域，分別在歷史時(shí)期構(gòu)建基于深度學(xué)習(xí)算法構(gòu)建徑流回歸模型，并比較了區(qū)域預(yù)訓(xùn)練的策略和站點(diǎn)直接訓(xùn)練的策略，選取每個(gè)站點(diǎn)上表現(xiàn)最好的模型，隨后將準(zhǔn)備好的的高分辨率融合 CMIP6 多情景數(shù)據(jù)帶入到訓(xùn)練好的徑流回歸模型中，可以得到未來(lái)不同情景下的徑流預(yù)估數(shù)據(jù)，隨后在年際尺度和季節(jié)尺度上分別對(duì)未來(lái)多情景的徑流變化進(jìn)行分析。主要結(jié)論如下：（1）采用多種深度學(xué)習(xí)融合降尺度方法對(duì) CMIP6 的氣溫、最高氣溫、最低氣溫、降水和相對(duì)濕度五個(gè)變量進(jìn)行融合降尺度，生成了未來(lái) SSP2-4.5、SSP3-7.0 和 SSP5-8.5情景下的高分辨率月尺度數(shù)據(jù)，為未來(lái)徑流預(yù)估工作提供了數(shù)據(jù)支撐。結(jié)果顯示，深度學(xué)習(xí)方法顯著提高了數(shù)據(jù)的質(zhì)量和空間分辨率，降低了氣象變量數(shù)據(jù)的誤差，從相關(guān)系數(shù)等評(píng)價(jià)指標(biāo)來(lái)看數(shù)據(jù)也有明顯的提升；相比較而言，氣溫融合的數(shù)據(jù)比降水和相對(duì)濕度要好，這是因?yàn)?CMIP6 氣溫的原始數(shù)據(jù)相較于其它變量就較好。在未來(lái)，中國(guó)區(qū)域氣溫在所有情景下均呈顯著上升趨勢(shì)，尤其在 SSP5-8.5 情景下，21 世紀(jì)后期北部地區(qū)上升趨勢(shì)達(dá)到 0.1°C/年；降水在各情景下也顯示出顯著變化，東南沿海和華東地區(qū)的降水趨勢(shì)因情景和時(shí)期不同而有所變化。深度學(xué)習(xí)融合降尺度方法為徑流預(yù)估提供了高質(zhì)量數(shù)據(jù)，利用深度學(xué)習(xí)方法來(lái)進(jìn)行數(shù)據(jù)的空間精細(xì)化，是降低多源數(shù)據(jù)分析不確定性和實(shí)現(xiàn)空間精細(xì)化的可行途徑。（2）將 LSTMSA、GRUSA、Transformer、LSTM 和 GRU 模型性能進(jìn)行評(píng)估，探討輸入時(shí)間步長(zhǎng)對(duì)模型性能的影響，并通過(guò)分析典型洪水事件評(píng)估模型穩(wěn)定性。結(jié)果顯示，Transformer、LSTM 和 GRU 模型都表現(xiàn)出了較好的性能，NSE 的值均在 0.99 以上，且在洪水事件中保持了高性能；GRU 和 LSTM 模型表現(xiàn)比 Transformer 模型表現(xiàn)更優(yōu)，主要是因?yàn)閿?shù)據(jù)量有限，并不能充分利用 Transformer 模型的優(yōu)勢(shì)。LSTM 和 GRU 模型在選擇合適的輸入時(shí)間步長(zhǎng)時(shí)，其預(yù)測(cè)性能有顯著提升，說(shuō)明輸入時(shí)間步長(zhǎng)的選擇在這些模型的應(yīng)用中至關(guān)重要。由于 Transformer 模型對(duì)大規(guī)模數(shù)據(jù)集的依賴性更強(qiáng)，而在本文的研究中，受限于訓(xùn)練數(shù)據(jù)的規(guī)模，無(wú)法充分發(fā)揮出 Transformer 模型的優(yōu)勢(shì)。LSTMSA 和 GRUSA 模型在大多數(shù)實(shí)驗(yàn)中均優(yōu)于 LSTM 和 GRU，特別是 LSTMSA 模型的改進(jìn)更加顯著。因此，在其它模型中添加 SA 模塊是提高徑流預(yù)測(cè)性能的有效方法之一?？偟膩?lái)說(shuō)，通過(guò)系統(tǒng)地比較 Transformer、LSTM、GRU、LSTMSA 和 GRUSA 模型，探討了不同模型在徑流預(yù)測(cè)任務(wù)中的表現(xiàn)。研究結(jié)果表明，LSTMSA 和 GRUSA 模型可以有效提升預(yù)測(cè)性能。（3）采用 LSTM 模型結(jié)合 SHAP 和 EG 兩種可解釋人工智能方法，以大通站徑流影響主導(dǎo)因素的變化進(jìn)行分析。首先，構(gòu)建了大通站日徑流預(yù)測(cè)模型，該模型也表現(xiàn)出了良好的性能，NSE 在測(cè)試集中的結(jié)果在 0.9 以上，在洪水事件的預(yù)測(cè)中也保持著高性能，證明了 LSTM 模型的穩(wěn)定性和可靠性，為使用可解釋性方法打下了基礎(chǔ)。由于修建三峽大壩的主要目的為防控長(zhǎng)江中下游的洪水，所以以三峽大壩運(yùn)行前后作為時(shí)間節(jié)點(diǎn)進(jìn)行分析大通站影響因素的變化。具體而言，分析了大通站徑流的預(yù)測(cè)中，不同輸入特征（如降水量、上游站點(diǎn)徑流量等）對(duì)模型預(yù)測(cè)結(jié)果的重要性分?jǐn)?shù)。在三峽大壩運(yùn)行前，宜昌站的徑流對(duì)大通站徑流的貢獻(xiàn)最大，說(shuō)明上游的徑流變化直接影響下游的水位和流量。然而，在三峽大壩投入運(yùn)行之后，這種關(guān)系發(fā)生了顯著變化，中下游地區(qū)的降水量對(duì)大通站徑流的貢獻(xiàn)顯著增加。這一變化也反映了三峽大壩在調(diào)節(jié)上游徑流、減輕中下游洪水風(fēng)險(xiǎn)方面發(fā)揮了重要作用，使得中下游的降水對(duì)大通站徑流的影響更加顯著，也解釋了大通站徑流主導(dǎo)因素的變化。SHAP 和 EG 方法增強(qiáng)了模型的可解釋性，可以更加清晰地理解模型如何捕捉降水和徑流之間的復(fù)雜非線性關(guān)系，也展示了其在地學(xué)領(lǐng)域的廣闊的應(yīng)用前景。（4）本研究利用深度學(xué)習(xí)方法 LSTMSA 和 GRUSA，在中國(guó)區(qū)域的 185 個(gè)水文站構(gòu)建了月尺度降雨-徑流回歸模型，采用基于區(qū)域預(yù)訓(xùn)練的站點(diǎn)微調(diào)和直接站點(diǎn)訓(xùn)練兩種策略。通過(guò)驗(yàn)證集結(jié)果選擇每個(gè)站點(diǎn)最優(yōu)模型，并將生成的未來(lái)不同情景（SSP2-4.5、SSP3-7.0 和 SSP5-8.5）的高分辨率融合數(shù)據(jù)輸入到訓(xùn)練好的模型中，生成未來(lái)徑流數(shù)據(jù)。研究結(jié)果表明，區(qū)域預(yù)訓(xùn)練策略對(duì)站點(diǎn)預(yù)測(cè)精度提升不明顯，深度學(xué)習(xí)模型在大部分站點(diǎn)的 NSE 值大于 0.7，能有效模擬徑流的年際和季節(jié)變化；該結(jié)果證明了約 500 個(gè)樣本即可訓(xùn)練出較好的徑流預(yù)測(cè)模型。在未來(lái)情景下，中國(guó)大部分地區(qū)年徑流量將增加，尤其是過(guò)渡區(qū)中東部和濕潤(rùn)區(qū)南部，徑流上升強(qiáng)度從低排放情景到高排放情景逐漸增大。夏季徑流在過(guò)渡區(qū)、干旱區(qū)和青藏高原地區(qū)下降，濕潤(rùn)區(qū)大部分站點(diǎn)上升；冬季徑流則在過(guò)渡區(qū)、干旱區(qū)和青藏高原地區(qū)上升，濕潤(rùn)區(qū)下降?？傊?，深度學(xué)習(xí)模型為徑流預(yù)估提供了可靠工具，揭示了不同情景下徑流的時(shí)空變化趨勢(shì)，未來(lái)濕潤(rùn)地區(qū)極端天氣事件頻率將會(huì)增加。

7.2 本文創(chuàng)新點(diǎn)

（1）提出了基于深度學(xué)習(xí)的融合降尺度框架，并將其成功應(yīng)用到 CMIP6 多氣象變量的高分辨率數(shù)據(jù)的研制中去，可以在數(shù)據(jù)降尺度的同時(shí)進(jìn)行數(shù)據(jù)融合。從各項(xiàng)評(píng)價(jià)指標(biāo)來(lái)看，深度學(xué)習(xí)融合降尺度數(shù)據(jù)大大改善了數(shù)據(jù)質(zhì)量，結(jié)果也優(yōu)于機(jī)器學(xué)習(xí)方法和常用的集合平均方法。深度學(xué)習(xí)方法的結(jié)果在很大程度上依賴于原始數(shù)據(jù)的優(yōu)劣；氣溫融合數(shù)據(jù)的優(yōu)化結(jié)果要優(yōu)于降水融合數(shù)據(jù)的結(jié)果，這是由于 CMIP6 氣溫原始數(shù)據(jù)質(zhì)量比降水要高。（2）提出了兩個(gè)新的徑流預(yù)測(cè)模型 LSTMSA 和 GRUSA，與常用的 LSTM 和 GRU模型相比，這兩個(gè)方法有效的提高了模型的預(yù)測(cè)能力，SA 與 LSTM 和 GRU 的結(jié)合應(yīng)用，使得新方法 LSTMSA 和 GRUSA 具有更好的提取樣本規(guī)律的能力。此外也對(duì)深度學(xué)習(xí)最新算法進(jìn)行了充分評(píng)估，發(fā)現(xiàn)在數(shù)據(jù)量不足以充分利用 Transformer 模型時(shí)，采用 LSTMSA 和 GRUSA 是 Transformer 模型的有效替代方案。（3）基于 LSTMSA 和 GRUSA 模型構(gòu)建了未來(lái)徑流預(yù)估框架，將該框架應(yīng)用到中國(guó)地區(qū)的 185 個(gè)子流域的徑流預(yù)估工作中去，對(duì)未來(lái)不同情景下的徑流變化進(jìn)行了詳細(xì)分析。研究結(jié)果發(fā)現(xiàn)，在年際尺度上，未來(lái)中國(guó)絕大多數(shù)區(qū)域的徑流呈上升趨勢(shì)，最為明顯的區(qū)域在濕潤(rùn)區(qū)南部。在夏季，徑流在過(guò)渡區(qū)、干旱區(qū)和青藏高原地區(qū)主要處于下降的狀態(tài)，在濕潤(rùn)區(qū)中絕大多數(shù)區(qū)域處于上升的狀態(tài)；在冬季，在過(guò)渡區(qū)、干旱區(qū)和青藏高原地區(qū)，徑流增加的現(xiàn)象較為明顯。濕潤(rùn)地區(qū)的徑流在夏季增加，而在冬季減少，這意味著該地區(qū)未來(lái)極端天氣事件發(fā)生的頻率會(huì)增加。

7.3 不足與展望

本文的研究還存在一些不足之處，這些有待在之后的研究中進(jìn)行改進(jìn)：（1）在基于深度學(xué)習(xí)融合降尺度的研究中存在一些不足。首先，使用的觀測(cè)數(shù)據(jù)是從氣象站點(diǎn)插值得到的柵格數(shù)據(jù)，其中不可避免地存在一些誤差，影響了這項(xiàng)工作的準(zhǔn)確性。在未來(lái)的工作中，可以將氣象站數(shù)據(jù)與再分析數(shù)據(jù)結(jié)合，以取得更好的結(jié)果。（2）在徑流預(yù)測(cè)的工作中也存在一些不足。首先，由于缺乏足夠的數(shù)據(jù)集，Transformer 模型在徑流預(yù)測(cè)中未能充分發(fā)揮模型的性能優(yōu)勢(shì)。其次，本研究中使用的徑流預(yù)測(cè)模型僅使用時(shí)間序列信息來(lái)模擬徑流。而徑流與空間信息同樣具有高度的相關(guān)性，如何構(gòu)建綜合考慮時(shí)空信息的模型，可以為水文過(guò)程的徑流預(yù)測(cè)帶來(lái)一種新的建模方式，只有綜合考慮整個(gè)流域的時(shí)空信息，才能更好地建立流域徑流模型。在今后的研究中，需要收集充足的數(shù)據(jù)和構(gòu)建考慮時(shí)空信息的模型。（3）在未來(lái)徑流預(yù)估的工作中也存在一些不足。首先，由于徑流數(shù)據(jù)較難獲取，該研究使用的是高質(zhì)量的模擬徑流數(shù)據(jù)，缺乏真實(shí)觀測(cè)數(shù)據(jù)，會(huì)給模型訓(xùn)練模擬帶來(lái)一些誤差。此外在研究中沒(méi)有考慮到土地利用和下墊面的變化。

參考文獻(xiàn)

Adachi S A, Tomita H. 2020. Methodology of the constraint condition in dynamicaldownscaling for regional climate evaluation:A review [J]. Journal of GeophysicalResearch: Atmospheres, 125(11): e2019JD032166.Ahmed A A M, Deo R C, Feng Q, Ghahramani A, Raj N, Yin Z, & Yang L. 2021. Hybrid deeplearning method for a week-ahead evapotranspiration forecasting [J]. StochasticEnvironmental Research and Risk Assessment, 36(3), 831–849.Asong Z E, Khaliq M N, & Wheater H S. 2016. Projected changes in precipitation andtemperature over the Canadian Prairie Provinces using the Generalized Linear Modelstatistical downscaling approach [J]. Journal of Hydrology, 539: 429-446.Baghanam A H, Nourani V Sheikhbabaei, A, & Seifi A J. 2020. Statistical downscaling andprojection of future temperature change for Tabriz city, Iran [C]. IOP Conference Series:Earth and Environmental Science. IOP Publishing, 491(1): 012009.Bahdanau D, Cho K, & Bengio Y. 2015. Neural machine translation by jointly learning toalign and translate [C]. International Conference on LearningRepresentations(ICLR),1409.0473.Barth, A, Alvera-Azcárate A, Licer M, & Beckers J M. 2020. DINCAE 1.0: A convolutionalneural network with error estimates to reconstruct sea surface temperature satelliteobservations [J]. Geoscientific Model Development, 13, 1609–1622.Barzegar R, Aalami M T, & Adamowski J. 2021. Coupling a hybrid CNN-LSTM deeplearning model with a boundary corrected maximal overlap discrete wavelet transformfor multiscale lake water level forecasting [J]. Journal of Hydrology, 598: 126196.Ba?a?ao?lu H, Chakraborty D, Lago CD, Gutierrez L, ?ahinli MA, Giacomoni M, Furl C,Mirchi A, Moriasi D, & ?eng?r SS. 2022. A review on interpretable and explainableartificial intelligence in hydroclimatic applications [J]. Water, 14(8): 1230.Berghuijs W R, Woods R A, Hutton C J, & Sivapalan M. 2016. Dominant flood generatingmechanisms across the United States [J]. Geophysical Research Letters, 43(9),4382–4390.Blau Y, Mechrez R, Timofte R, Michaeli T, & Zelnik-Manor L. 2018. The 2018 PIRMchallenge on perceptual image super-resolution [C]. In Proceedings of the Europeanconference on computer vision (ECCV) workshops,1-13.Brigode P, Oudin L, & Perrin C. 2013. Hydrological model parameter instability: A source ofadditional uncertainty in estimating the hydrological impacts of climate change? [J].Journal of Hydrology, 476: 410-425.Broderick C, Matthews T, Wilby R L, Bastola S, & Murphy, C. 2016. Transferability ofhydrological models and ensemble averaging methods between contrasting climaticperiods [J]. Water Resources Research, 52(10): 8343-8373.Brunner M I, Gilleland E, Wood A, Swain D L, & Clark M. 2020. Spatial dependence offloods shaped by spatiotemporal variations in meteorological and land-surface processes[J]. Geophysical Research Letters, 47(13), e2020GL088000.Bruyère C L, Done J M, Holland G J, & Fredrick S. 2014. Bias corrections of global modelsfor regional climate simulations of high-impact weather [J]. Climate Dynamics, 43:1847-1856.Calvin K, Bond-Lamberty B, Clarke L, Edmonds J, Eom J, Hartin C, Kim S, Kyle P, Link R,Moss R, McJeon H, Patel P, Smith S, Waldhoff S, & Wise M. 2017. The SSP4: A worldof deepening inequality [J]. Global Environmental Change, 42: 284-296.Chai Y, Li Y, Yang Y, Li S, Zhang W, Ren J, & Xiong H. 2019. Water level variationcharacteristics under the impacts of extreme drought and the operation of the ThreeGorges Dam [J]. Frontiers of Earth Science, 13: 510-522.Chai Y, Zhu B, Yue Y, Yang Y, Li S, Ren J, Xiong H, Cui X, Yan X, & Li Y. 2020. Reasons forthe homogenization of the seasonal discharges in the Yangtze River [J]. HydrologyResearch, 51(3): 470-483.Chakraborty D, Ba?a?ao?lu H, Gutierrez L, & Mirchi A. 2021. Explainable AI reveals newhydroclimatic insights for ecosystem-centric groundwater management[J]. Environmental Research Letters, 16(11), 114024.Chandwani V, Vyas S K, Agrawal V, & Sharma G. 2015. Soft computing approach forrainfall-runoff modelling: a review [J]. Aquatic Procedia, 4, 1054-1061.Chen J, Finlayson B. L, Wei T, Sun Q, Webber M, Li M, & Chen Z. 2016. Changes inmonthly flows in the Yangtze River, China–With special reference to the Three GorgesDam [J]. Journal of Hydrology, 536,