Page 12 - 2025年第56卷第7期

次存档以来，在陆地、海洋或内陆水域表面上方 2 m 处的最低气温。两个变量均对水分蒸发和渗透速
率 有 直 接 影 响 ， 从 而 影 响 径 流 过 程 。 7、 10、 4、 14 号 分 别 为 第 1—4 层 土 壤 水 体 积 ， 表 示 第 1 层
（0 ~ 7 cm，地表为 0 cm）、第 2 层（7 ~ 28 cm）、第 3 层（28 ~ 100 cm）、第 4 层（100 ~ 289 cm）土壤中的
水量，其通过直接影响地表径流的生成，减少瞬时径流量从而影响径流过程。
4.1.2 PCR-CNN-BiLSTM 输入选择结果 图 5 显示观测径流序列从滞后 1 个时段到滞后 10 个时 PACF

值和天一降雨与径流序列的 CCF 以及相应的 95% 的置信区间。采用 PACF、CCF 选择输入时，一般遵
循以下两个标准 ［27］ ：（1）当滞后 t 时刻的特征的 PACF、CCF 值超出置信区间时，选择该特征作为输
入；（2）当所有的特征都超出置信区间时，选择滞时小的几个特征作为输入。因此，选择径流序列滞
后 1 至 4 个时段，滞后 6、8 和 10 个时段；降雨序列滞后 1 至 3 个时段作为模型输入。气象数据的输入
筛选，通过 RF 计算气象数据集对于径流序列的特征重要性得分（表 4）。由于在 RF 中特征的重要性得
分通常以归一化权重表示，使得所有特征的重要性总和为 1，在实际应用中，通常设定一定的阈值来

筛选重要性得分较高的特征，减少输入特征的冗余性。因此，这里选择特征重要性得分大于 3% 的 6
个特征作为模型输入。最后，共选择 16 个特征作为模型输入，如表 5。

图 5 天一径流序列 PACF 值及降雨与径流序列的 CCF 值

表 4 由 RF 计算的气象因子对径流序列的特征重要性得分
编号 气象因子 特征重要性得分 编号 气象因子 特征重要性得分 编号 气象因子 特征重要性得分
1 swvl2 0.5366 13 istl1 0.0093 25 istl3 0.0053
2 stl4 0.0732 14 tcw 0.0085 26 e 0.0052

3 stl3 0.0642 15 istl2 0.0084 27 sro 0.0050
4 stl2 0.0600 16 tcwv 0.0083 28 cp 0.0049
5 swvl4 0.0394 17 pev 0.0073 29 tciw 0.0047
6 swvl3 0.0346 18 ro 0.0070 30 lsp 0.0041
7 sp 0.0149 19 cbh 0.0069 31 tcrw 0.0033
8 d2m 0.0148 20 ssro 0.0064 32 smlt 1.0354×10 -5
9 tcc 0.0120 21 mn2t 0.0062 33 rsn 7.1051×10 -6
10 swvl1 0.0117 22 mx2t 0.0056 34 sf 6.5279×10 -6
11 stl1 0.0112 23 tcsw 0.0055 35 sd 3.9516×10 -6
12 tsn 0.0098 24 tp 0.0054 36 istl4 0

4.2 参数率定 在深度学习中，超参数是在训练前设定的参数，超参数率定对提升模型性能由重要
影响。本文采用贝叶斯优化方法对 CNN-BiLSTM-SHAP 和 PCR-CNN-BiLSTM 模型的超参数率定。对
于 CNN-BiLSTM 模型，需率定的超参数包括：滤波器数量（filters）、卷积核大小（kernel size）、池化层

大小（pool size）、双向 LSTM 层中的隐藏单元数量（bilstm units）、训练轮数（epochs）、批量大小（batch
size）。
优化算法迭代运行 500 次探索超参数空间，以找到性能最优的超参数组合。为了减轻计算压力，

— 838 —