基于多尺度水热特征的河冰厚度可解释预测预警方法与流程

本发明涉及寒区河冰监测与预测预警，具体为基于多尺度水热特征的河冰厚度可解释预测预警方法。

背景技术：

1、寒区河流冰情演变直接影响冬季水利工程安全运行、冰凌灾害防御以及冰期水资源调度，河冰厚度作为冰情演变的核心表征参数，其准确预测是冰凌预报和灾害预警的基础，目前河冰厚度预测主要依赖经验公式和物理过程模型两类方法，经验公式通过回归分析建立冰厚与气温、冻结天数等少数环境因子之间的统计关系，形式简单，但这类关系通常基于特定河段的观测数据建立，当迁移至不同气候条件或河道形态的河段时，公式参数需要重新率定，适应性较差，物理过程模型从热力学和水力学原理出发，描述冰层生长和消融的物理过程，理论上具有较高的普适性，但模型涉及大量参数，部分参数如冰面热交换系数、水体热通量等难以通过常规观测直接获取，需要借助经验值或反演方法确定，模型校准过程复杂，限制了其在实际业务中的应用。

2、近年来，机器学习方法在河冰厚度预测中逐步得到应用，随机森林、支持向量机等数据驱动模型能够自动学习环境因子与冰厚之间的非线性映射关系，预测精度通常优于传统经验公式，然而，这类方法存在明显的局限性，模型内部机制不透明，难以解释各环境因子对冰厚演变的独立贡献方式和贡献程度，模型预测结果无法与冰面热交换、冷量积累等物理过程建立对应关系，模型本身不产出任何具有物理意义的参数，这使得模型预测结果难以被冰情预报人员理解和信任，也无法为冰凌灾害预警提供物理层面的决策依据，此外，现有预警方法多基于单一阈值或简单经验规则，当多个环境因子对冰厚的影响方向不一致时，缺乏有效的联合判断机制。

技术实现思路

1、针对现有技术的不足，本发明提供了基于多尺度水热特征的河冰厚度可解释预测预警方法，解决了现有河冰厚度预测方法难以从模型中自动提取具有物理意义的控制参数，物理参数获取依赖人工经验，不同河段间的参数迁移性差，且缺乏多因子联合预警机制的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：本发明提供基于多尺度水热特征的河冰厚度可解释预测预警方法，包括以下步骤：

3、s1，多参数连续监测数据采集，在目标寒区河段部署固定点多参数集成监测系统，采集逐时气温、逐时冰面温度、逐时水位高程和逐时冰厚数据。采样频率为1次/小时，连续运行时间不少于3个完整冰封季，以获取覆盖冰情演变全周期的连续观测数据。对原始采集数据进行清洗，包括基于四分位距的异常值剔除和线性插值缺失值填充，并对清洗后的数据进行时序对齐。

4、s2，多尺度水热特征体系构建，基于s1采集的逐时气温、逐时冰面温度和逐时水位高程数据，构建26维多尺度水热特征矩阵。该特征矩阵包含五类特征：即时观测特征，包括实时气温、实时冰面温度和实时水位高程；气温滚动统计特征，包括窗口长度为6小时、12小时、24小时、72小时和168小时的滚动均值和滚动最小值；冰面温度滚动均值特征，包括窗口长度为6小时、12小时、24小时和72小时的滚动均值；多时间尺度累积冻结度时数特征，包括时间尺度为1天、3天、7天、14天和30天的累积冻结度时数；温度变化率特征，包括气温1小时变化率、气温24小时变化率、冰面温度1小时变化率和冰面温度24小时变化率。该特征矩阵仅包含外部环境变量，不包含冰厚滞后变量，以避免自回归信息对物理分析的干扰。

5、s3，随机森林全特征模型训练，以s2构建的26维特征矩阵为输入，以逐时冰厚为目标变量，训练随机森林回归模型，获得全特征冰厚预测模型。数据集按8:2比例划分为训练集和测试集，通过bootstrap抽样生成500棵决策树，模型输出为所有决策树预测结果的平均值。

6、s4，基于shap的全局重要性排序与因子解耦，对s3训练完成的全特征随机森林模型，采用treeshap算法计算每个样本每个特征的shap值。shap值将模型对每个样本的预测值分解为基线预测值与各特征贡献值的和，正值表示该特征使预测值高于基线，负值表示使预测值低于基线。对每个特征，计算其在全部样本上shap值绝对值的均值，作为该特征的全局重要性指标。按全局重要性数值从大到小对全部26个特征进行排序，基于排序结果将特征划分为三个层级：因子为排序表前5位且全局重要性数值大于排序表第6位数值2倍以上的特征；辅助因子为排序表中第6位至第15位且全局重要性数值大于排序表最末位数值的特征；可忽略因子为排序表中第16位至第26位且全局重要性数值小于排序表第1位数值10%的特征。

7、s5，特征筛选与精简预报模型构建，基于s4的shap全局重要性排序结果，执行递归特征消除交叉验证，从全特征集合开始，每轮迭代移除当前特征集合中shap全局重要性最低的特征，使用剩余特征重新训练随机森林模型并通过5折交叉验证评估模型性能，记录每轮迭代后平均决定系数和平均均方根误差，选择平均决定系数达到最大值且平均均方根误差达到最小值时所对应的特征数量作为最优特征数量。同时执行前向特征选择，以shap全局重要性排序顺序为基准，从重要性最高的特征开始，每次增加一个特征，重新训练模型并在测试集上评估，当新增特征后测试集决定系数的增量小于0.005时停止增加特征，此时的特征子集记为精简特征子集。取最优特征数量对应的特征子集与精简特征子集的交集作为最终特征子集，以该最终特征子集重新训练随机森林回归模型，获得精简预报模型。

8、s6，基于ale曲线几何特征的物理控制参数提取，选取因子作为ale曲线分析对象，因子包括30天累积冻结度时数、14天累积冻结度时数、水位高程、168小时气温滚动最小值和72小时冰面温度滚动均值。计算一维累积局部效应曲线，该曲线描述单个特征对模型预测值的平均局部影响，能够消除特征间相关性带来的偏差，对ale曲线进行滑动窗口平均平滑处理，窗口宽度为5个区间。计算平滑后ale曲线的一阶导数和二阶导数，一阶导数反映ale曲线的变化趋势，二阶导数反映变化趋势的转折情况。基于一阶导数和二阶导数的计算结果，识别三类几何特征点：一阶导数为零的点，对应ale曲线的局部极值点；二阶导数为零的点，对应ale曲线变化趋势的拐点；曲线峰值点，即ale曲线上的局部最大值点。通过线性插值方法获取几何特征点在特征取值空间中的精确位置。

9、建立物理控制参数与ale曲线几何特征的映射规则，对于30天累积冻结度时数特征，寻找其ale曲线上一阶导数为零且ale值从负值变为正值的点，该点对应的特征取值记为冻结能量临界阈值；寻找ale曲线上一阶导数从上升转为下降的二阶导数为零点，该点对应的特征取值记为冻结能量饱和阈值。基于冻结能量临界阈值计算其50%作为缓慢生长起始阈值。对于水位高程特征，寻找其ale曲线上一阶导数为零且ale值达到最大值的点，该点对应的特征取值记为水位抑制转折点；识别ale值大于水位抑制转折点对应ale值90%的水位区间，记为最优水文窗口，其下限和上限分别记为最优水文窗口下限和最优水文窗口上限。对于168小时气温滚动最小值特征，寻找其ale曲线上一阶导数为零且ale值达到最大值的点，该点对应的特征取值记为最优促冰气温；寻找ale值从最大值下降至最大值50%时对应的两个特征取值，其中较小的取值记为气温抑制阈值，较大的取值记为气温上限阈值。对于14天累积冻结度时数特征和30天累积冻结度时数特征，分别计算其ale曲线在各自特征取值范围内的积分值，计算两者的比值作为协同增强模式判别变量，计算两者中较大值与较小值的比值作为单尺度主导模式判别变量。计算30天累积冻结度时数特征ale曲线绝对值的最大值与水位高程特征ale曲线绝对值的最大值，基于两者计算热-水文对冲强度系数。

10、s7，基于物理参数的分级预警规则生成，基于s6提取的物理控制参数集合，建立以下预警规则。冷积累状态分级监测预警规则：根据当前时刻30天累积冻结度时数与缓慢生长起始阈值、冻结能量临界阈值和冻结能量饱和阈值的比较，将冷积累状态划分为冷量严重不足状态、缓慢生长状态、快速增厚状态和增厚饱和状态，分别对应不同的监测频率和预警颜色。快速增厚联合预警规则：当当前时刻30天累积冻结度时数大于等于冻结能量临界阈值，且过去24小时内30天累积冻结度时数的变化量大于零，且当前时刻168小时气温滚动最小值位于气温抑制阈值与最优促冰气温之间时，触发快速增厚联合预警。高水位不稳定预警与热-水文对冲预警规则：高水位不稳定预警在当前时刻水位高程大于等于水位抑制转折点时触发；热-水文对冲预警在当前时刻30天累积冻结度时数大于等于冻结能量临界阈值、当前时刻水位高程大于等于最优水文窗口上限且热-水文对冲强度系数大于0.3时触发。多尺度冷累积协同增强预警规则：当协同增强模式判别变量大于1且单尺度主导模式判别变量在0.5至2之间时，判定存在多尺度冷累积协同增强效应，触发红色预警，并将监测频率提高至1次/3小时，预警提前期延长12小时。所有预警阈值的本地化与迁移机制为：当将本方法迁移至新的河段时，重复执行s1至s6步骤，利用新河段的观测数据重新训练模型并提取物理控制参数，即可获得适用于新河段的本地化预警阈值。

11、s8，模型验证一致性校核，对s5构建的精简预报模型进行以下校核：计算测试集残差，绘制残差直方图和正态概率图，计算残差均值和标准差，检验残差是否服从正态分布；采用德宾-沃特森统计量检验残差序列的一阶自相关性，当统计量在1.5至2.5之间时判定残差无显著自相关；按冰厚实测值以0.1米为步长划分区间，统计每个区间内的均方根误差和平均绝对误差；进行模型验证一致性校核，验证缓慢生长起始阈值小于冻结能量临界阈值、冻结能量临界阈值小于冻结能量饱和阈值、最优水文窗口下限小于最优水文窗口上限、气温抑制阈值小于最优促冰气温、最优促冰气温小于气温上限阈值等不等式约束是否成立，同时验证ale曲线几何特征点的位置与物理预期的对应关系是否合理。

12、本发明提供了基于多尺度水热特征的河冰厚度可解释预测预警方法。具备以下有益效果：

13、1、本发明通过构建包含即时观测特征、气温滚动统计特征、冰面温度滚动均值特征、多时间尺度累积冻结度时数特征和温度变化率特征的多尺度水热特征体系，将不同时间尺度的环境信息统一纳入模型输入，使模型能够同时感知短期温度波动和长期冷量积累对冰厚演变的影响，在此基础上，基于shap值对特征重要性进行全局排序，结合ale曲线几何特征提取冻结能量临界阈值、冻结能量饱和阈值、水位抑制转折点、最优促冰气温等物理控制参数，使模型预测结果具有可解释性，克服了传统机器学习模型预测机制不透明、难以从模型内部提取物理参数的不足。

14、2、本发明通过采用递归特征消除交叉验证与前向特征选择相结合的方法确定最优特征子集，在保证预测精度的前提下减少了特征冗余，降低了模型复杂度，提高了模型的计算效率和泛化能力，基于提取的物理控制参数，建立了冷积累状态分级监测预警规则、快速增厚联合预警规则、高水位不稳定预警与热-水文对冲预警规则、多尺度冷累积协同增强预警规则，实现了对不同冰情发展阶段的多层级差异化预警，提高了预警的针对性和准确性。

15、3、本发明通过模型验证一致性校核验证精简预报模型预测结果与物理规律的一致性，确保模型输出符合热力学和水力学的基本约束，提升了模型的可信度和可靠性，所有预警阈值均由算法自动从观测数据中提取，不依赖人工预设，当迁移至新河段时重复执行s1至s6步骤即可获得本地化预警阈值，使本方法能够适应不同河段的水热条件差异，具有良好的可迁移性。