Page 15 - 2025年第56卷第7期

SHAP 值的影响。每个特征的 SHAP 值越靠近 0，说明该特征对模型输出的影响越小；越远离 0（无论正
负），则影响越大。图中显示，滞后一个时段径流（Q t-1 ）是最重要的特征，其样本点分布在 SHAP 值为
-0.25 至 1.0 之间，且样本特征值越大，SHAP 值也越大，呈现正相关关系，除自上次处理后的地面以
上 2 m 处最低温度（mn2t t-1 ）外，其余特征也呈现相似的趋势。此外，Q t-1 、Q t-2 等特征的 SHAP 值分布较
广，说明这些特征对模型输出的影响较为显著，而其他一些特征（如 tcw t-1 ）的影响相对较小，SHAP 值
分布更接近 0。
图 8（b）是通过 SHAP 值矩阵绘制的每个特征在不同样本中 SHAP 值分布图，SHAP 值矩阵包含每个
样本和对应特征的 SHAP 值。图中 x 轴表示测试集样本，这些样本按照解释相似性进行分层聚类排序；
y 轴表示模型的输入特征，特征根据其贡献度排序；色标表示 SHAP 值的大小和方向，颜色越深表示
SHAP 值越大；上方的曲线图显示了各个样本的总体预测值 f（x），右侧的条形图表示各特征在整个测
试集上的累计贡献。图形整体展示了 15 个输入特征对于模型预测值的影响。例如，在测试集第 20 个
样本中，滞后径流和降雨（Q t-1 、Q t-2 、R t-1 ）、第二层土壤温度（stl2 t-1 ）、土壤水分（swvl3 t-1 、swvl1 t-1 ）等
具有较大的正向 SHAP 值（深红色），说明当之后径流较大、降雨增加、土壤温度和水分较高时，预报
径流增大。

图 8 模型预测过程解释

5 结论

采用 SHAP 方法和 CNN-BiLSTM 模型相结合，开发了一种通过“事后”特征选择机制优化输入特
征的可解释径流预报框架，以天一电站日径流预报为研究实例，得出的主要结论为：
（1）基于 SHAP 方法选择输入特征的 CNN-BiLSTM 模型在所有评价指标上均优于传统基于 PACF、
CCF 和 RF 方法选择输入特征的模型。这表明，基于“事后”选择输入特征的 SHAP 方法，更加符合实
际逻辑，显著提升了模型输入特征选择的合理性和有效性，整体预报效果也更好。
（2）SHAP 方法通过量化和可视化特征贡献度，提供了对模型预报机制的解释，打破了“黑箱”模
型的局限性，这一过程极大提升了模型的可解释性，使得复杂的深度学习模型不再是不可解的“黑
箱”。未来的研究可以进一步探索长预见期径流预报的最佳输入特征，以提取在不同预见期中对径流
预报最有影响的特征，从而进一步提升模型的预报性能和应用价值。

参 考 文 献：

［ 1 ］ DEY P， MISHRA A. Separating the impacts of climate change and human activities on streamflow： A review of
.
methodologies and critical assumptions［J］ Journal of Hydrology，2017，548：278-290.
［ 2 ］ XU W，CHEN J，ZHANG X J，et al. A framework of integrating heterogeneous data sources for monthly streamflow
— 841 —