Peak-oriented one-day-ahead streamflow forecasting using hybrid deep learning: uncertainty quantification, SHAP-based interpretability, and MCDA-based model selection

Mohammad Rasoul Sedaghat Rad

doi:10.1007/s11069-026-08404-2

Peak-oriented one-day-ahead streamflow forecasting using hybrid deep learning: uncertainty quantification, SHAP-based interpretability, and MCDA-based model selection

2026-09-06

0

PRE

AI

M

Mohammad Rasoul Sedaghat Rad

DOI：10.1007/s11069-026-08404-2

原文链接

原文求助

摘要

En 中文

本研究开发了针对伊朗巴利克霍查伊河流域一日提前日径流预报的峰值导向深度学习框架，利用1999年至2024年的日径流、降雨和平均温度观测数据。评估了一系列基础和先进的深度学习架构，包括CNN–RNN混合模型、U型编码器–解码器模型、基于注意力机制的模型以及基于Transformer的设计。峰值流量条件通过95百分位上尾定义进行表征，模型训练采用两阶段损失策略，包括Huber预训练和峰值加权MSE微调，以强调峰值流量误差同时保持整体预测能力。模型性能通过通用精度指标以及专门评估峰值幅度和事件检测可靠性的峰值导向诊断进行评估。表现最佳的模型进一步通过不确定性量化进行分析，使用蒙特卡洛dropout分离认知不确定性，使用气象输入扰动评估偶然鲁棒性，并通过峰值条件SHAP分析进行解释。最终模型排名采用多准则决策分析（MCDA），整合了确定性性能、峰值检测可靠性、不确定性行为和可解释性。结果表明，U型CNN–RNN架构为峰值流量预报提供了最平衡的性能，特别是在操作可靠性方面。U-CNN-BiGRU取得了最佳综合排名，MCDA得分为0.69，反映了平衡的精度、低误报倾向和有利的认知可靠性–锐度行为。在气象赋能模型中，U-CNN-BiLSTM在嘈杂气象输入下表现出最高的鲁棒性。SHAP结果指出，短时滞前期径流（尤其是Q(t−1)）主导了一日提前预测，而降雨和温度提供次要的、事件依赖的修正而非主要控制。总体而言，所提出的框架支持平衡的、考虑不确定性的、可解释的峰值流量预报，并可作为数据驱动早期预警系统中的预测组件。

Keyword:

Streamflow forecasting

Peak flow prediction

Deep learning

Uncertainty quantification

SHAP interpretability

Multi-criteria decision analysis

Peak-oriented one-day-ahead streamflow forecasting using hybrid deep learning: uncertainty quantification, SHAP-based interpretability, and MCDA-based model selection

摘要

期刊

机构

引用论文