基于机器学习的青海湖水位变化模拟研究OA

为系统分析气候变化背景下青海湖水位的变化过程及影响因素,基于青海湖流域1959-2017年月平均水位数据,结合ERA5再分析数据和大气环流指数,利用机器学习技术分析水位变化的主要影响因子及其预测能力。首先采用随机森林(RF)算法识别关键影响因子并进行重要性排序,以评估模型性能随特征数量增加的变化趋势。随后将RF、支持向量机(SVM)、多层感知机(MLP)、长短期记忆网络(LSTM)和多元线性回归(MLR)的预测结果进行对比,以分析模型复杂度在水位预测中的表现。结果表明,北大西洋涛动(NAO)、大西洋多年代际振荡(AMO)、降水、气温(T1000)、垂直风速(W1000)、相对湿度(RH400、RH450、RH100)、长波辐射(LW)以及尼诺3.4(Niño 3.4)是影响青海湖水位变化的主要因素。随着模型复杂度的增加,最复杂的LSTM表现最佳,其皮尔逊相关系数(R)、纳什效率系数(NSE)、归一化均方根误差(NRMSE)和克林-古普塔效率系数(KGE)在选取前10个特征时分别达到0.95、0.96、0.14和0.87。MLP次之,RF和SVM的性能接近,MLR表现最差。基于LSTM模型预测2017-2030年青海湖水位将上升2.55 m左右。分析结果为气候变化背景下高原湖泊水位变化的动态模拟与预测提供科学依据。