Page 13 - 2025年第56卷第7期

表 5 PCR-CNN-BiLSTM 模型输入特征
编号 描述 输入特征 特征重要性得分 编号 描述 输入特征 特征重要性得分
1 t-1 日的入库流量 Q t-1 9 t-2 日的降雨量 R t-2
2 t-2 日的入库流量 Q t-2 10 t-3 日的降雨量 R t-3

3 t-3 日的入库流量 Q t-3 11 第 2 层土壤水体积 swvl2 t-1 0.5366
4 t-4 日的入库流量 Q t-4 12 第 4 层土壤温度 stl4 t-1 0.0732
5 t-6 日的入库流量 Q t-6 13 第 3 层土壤温度 stl3 t-1 0.0642
6 t-8 日的入库流量 Q t-8 14 第 2 层土壤温度 stl2 t-1 0.0600
7 t-10 日的入库流量 Q t-10 15 第 4 层土壤水体积 swvl4 t-1 0.0394
8 t-1 日的降雨量 R t-1 16 第 3 层土壤水体积 swvl3 t-1 0.0346
限定参数搜索空间（为每个超参数设置了合理的上下界，以确保搜索在一个合理的范围内进行）和调整

步 长（设 置 适 当 的 步 长 来 控 制 超 参 数 的 取 值 精 度）。 表 6 列 出 了 各 参 数 搜 索 空 间 和 步 长 以 及 CNN-
BiLSTM-SHAP 和 PCR-CNN-BiLSTM 的最佳参数组合。

表 6 CNN-BiLSTM-SHAP 和 PCR-CNN-BiLSTM 模型的优化参数
最优参数
优化参数 优化范围
CNN-BiLSTM-SHAP PCR-CNN-BiLSTM
filters （4，64，4） 32 16
kernel size （1，4，1） 3 3
pool size （1，4，1） 1 3
bilstm units （16，128，16） 48 48
epochs （50，300，50） 50 200
batch size （16，128，16） 128 112
注：优化范围代表一个集合，（min，max，step）表示以［min，max］为优化参数的上下界，step 为步长。

4.3 预报结果分析和讨论 表 7 和图 6 展示了 CNN-BiLSTM-SHAP 与 PCR-CNN-BiLSTM 模型在训练集

和测试集上的预测性能。基于 SHAP 方法选择输入特征的 CNN-BiLSTM 模型在各项评估指标上表现优
异，显示出更高的径流预报精度和更强的泛化能力。在测试集中，CNN-BiLSTM-SHAP 模型相比于
PCR-CNN-BiLSTM 模型，RMSE 和 MAE 分别降低了 8.45% 和 7.31%；而 CORR、KGE、IA 和 NSE 分别提
升 了 1.93%、 3.33%、 1.12% 和 5.96%， 各 项 指 标 均 有 明 显 提 高 。 图 7 为 CNN-BiLSTM-SHAP 模 型 、
PCR-CNN-BiLSTM 模型和实测径流在时间序列上的比较，进一步体现了 CNN-BiLSTM-SHAP 模型在
精度和一致性方面的优势。

表 7 CNN-BiLSTM-SHAP 和 PCR-CNN-BiLSTM 模型的径流预报
CNN-BiLSTM-SHAP PCR-CNN-BiLSTM
评估指标
测试集 训练集 测试集 训练集
RMSE/（m³/s） 77.8174 67.4036 85.0004 79.7105
MAE/（m³/s） 46.7691 37.6462 50.4590 42.8565
CORR 0.9167 0.9640 0.8993 0.9494
KGE 0.8943 0.9140 0.8654 0.8852
IA 0.9557 0.9802 0.9451 0.9714
NSE 0.8213 0.9159 0.7751 0.8750
注：训练集为 2015 年 1 月 1 日至 2019 年 6 月 30 日；测试集为 2019 年 7 月 1 日至 2020 年 12 月 31 日。

— 839 —