Page 121 - 2025年第56卷第11期
P. 121
图 5 三种分布式混合模型的部分场次洪水模拟曲线
5.3 模型的可解释性 完成混合模型的训练后，可单独提取嵌入式神经网络 FNN，并借助 1.2 节的
SHAP 方法，计算不同输入对输出的贡献度。本节着重评估河道汇流部分 FNN 的输入输出响应关系。
具体而言，DHFM-MK 模型的 FNN 将 5 个河道静态属性作为输入，输出 2 个河道汇流参数（K 和 X）；
DHFM-DW 模型的 FNN 将 4 个河道静态属性（不包含河道平均长度）作为输入，输出 2 个河道汇流参数
（C 和 D）；DHFM-MK 模型的 FNN 将 5 个河道静态属性作为输入，输出 72 个河道汇流参数（卷积核的权
值）。对于 DHFM-CNN 模型，将同一河道静态属性对 72 个权值的贡献度进行累加，以表示不同静态属
性对神经网络所学习到的单位线的总体贡献。不同河道静态属性对各模型不同参数的百分比贡献度计
算结果如图 7 所示。
根据图 7，河道平均上游集水面积是影响 DHFM-DW 和 DHFM-MK 模型参数的主要因素，且在洪
水模拟中这种影响更为显著。DHFM-CNN 模型受河道平均长度的影响最为显著，其次是河道平均上
游集水面积。由于河道平均上游集水面积通常与河道宽度呈指数关系，这表明在 DHFM-CNN 模型中，
— 1512 —
