通过可解释的深度学习揭示洪水的动态驱动因

洪水的形成是一个复杂的物理过程，其驱动因素在时间和空间上会因气候变化而表现出动态变化。由于深度学习的黑箱特性，单独使用它并不能增强对水文过程的理解。挑战在于如何利用深度学习来揭示洪水形成机制的新知识。本研究提出了一个可解释的深度学习洪水建模框架，该框架采用可解释技术来阐明一个对峰值敏感的Informer的内部工作机制，揭示了洪水对驱动因素的动态响应，涵盖了美国482个流域。准确的模拟是可解释技术提供可靠信息的先决条件。研究表明，与Transformer和LSTM相比，Informer在峰值洪水模拟中表现出更优越的性能（70%的流域Nash-Sutcliffe效率超过0.6）。通过解释Informer的决策过程，识别出三种主要的洪水诱导模式：降水、过多的土壤水分和融雪。主导因素的影响是区域性的，并且它们对洪水的影响在时间步上表现出显著差异，挑战了传统上认为越接近洪水事件发生时间的变量影响越大的理解。超过40%的流域在1981年到2020年间表现出主导驱动因素的转变，以降水为主导的流域经历了更显著的变化，证实了对气候变化的响应。此外，研究还揭示了变量之间的相互作用和动态变化。这些发现表明，通过反向推理，可解释的深度学习将数据驱动模型从仅仅拟合非线性关系转变为有效工具，以增强对水文特性的理解。 在这项研究中，我们的目标是构建一个可解释的深度学习框架，以揭示洪水的动态驱动因素。我们已经在美国的482个流域上训练了Informer模型，与其他深度学习模型的比较确保了Informer在洪水峰值预测方面具有最可靠的能力。我们采用了SHAP可解释技术来量化洪水对水文气象变量的响应，识别流域洪水的主要驱动因素，并阐明这些变量在洪水事件前不同时刻的机制。我们还检查了主导驱动因素随时间的突变和趋势，并揭示了在不同洪水生成机制下的动态变化。此外，我们深入研究并量化了洪水对变量间相互作用的响应，并将主导驱动因素的突变与动态变化相关联。