基于网格搜索优化的LSTM-XGBoost混合模型在岩溶泉流量预测中的创新研究及其对水资源管理的意义

　　本研究针对全球干旱加剧背景下岩溶地区泉流量预测难度大、传统水文模型难以模拟非线性动态行为的问题，开发了一种基于网格搜索超参数优化的LSTM-XGBoost混合机器学习模型。通过对伊朗Chaharmahal Bakhtiari省Dehghara泉3,266条日、月及流量数据的分析，该模型在测试集上取得了R2=0.8798、EV=0.8857的优异性能，且误差指标(MAE=0.3355，RMSE=0.5795)显著低于对比模型。研究表明季节性因素(月份特征重要性达0.919)对泉流量的影响远大于日变化，为气候变化背景下岩溶水资源的精准管理和可持续利用提供了可靠技术工具。

　　

在全球气候变化加剧干旱的背景下，岩溶地区的水资源管理面临严峻挑战。这些地区因其独特的地质结构——可溶性岩石形成的复杂地下管道系统，使得水文过程具有高度非线性和时空异质性特点。传统水文模型在模拟岩溶泉流量动态时往往力不从心，而机器学习方法为这一难题提供了新的解决思路。尽管已有研究尝试应用ANN、SVR等单一模型，但仍存在捕捉时间依赖性和非线性关系不足的局限。

为突破这一瓶颈，研究人员开展了一项创新性研究，将长短期记忆网络(LSTM)处理时间序列数据的优势与极端梯度提升(XGBoost)建模非线性关系的能力相结合，并采用网格搜索(Grid Search)进行超参数优化，构建了LSTM-XGBoost混合预测模型。该研究以伊朗Chaharmahal Bakhtiari省的Dehghara泉为案例，收集了3,266条包含日、月及泉流量记录的数据集，通过系统性的模型训练和验证，为岩溶地区水资源精准管理提供了新方案。

研究采用的关键技术方法包括：首先进行数据预处理和标准化，然后将数据集按7:3比例划分为训练集和测试集；采用5折交叉验证确保模型泛化能力；利用网格搜索算法对LSTM-XGBoost混合模型及所有基线模型(SVR、RBF、ELM、KernelRidge、MLP、ANFIS、GRU、Transformer)进行超参数优化；最后使用R²、EV、MAE、RMSE、MAPE等多项指标全面评估模型性能。

研究结果方面，超参数调优结果显示LSTM-XGBoost模型的最优参数组合包括学习率0.0301、最大深度8、最小子节点权重8等。性能比较结果表明，LSTM-XGBoost混合模型在测试集上取得了最佳预测效果，R²达到0.8798，EV为0.8857，且误差指标最低(MAE=0.3355，RMSE=0.5795，MAPE=21.84%)。预测值与实际值散点图显示该模型的预测点最紧密地聚集在对角线周围，残差分布分析表明其残差最小且随机分布，泰勒图进一步证实该模型在相关性和标准差方面最接近理想参考点。

特征重要性分析揭示了有趣的现象：季节性因素(月份)对泉流量的影响(重要性得分0.919)远远超过日变化(0.081)，表明岩溶水文过程主要受季节性气候因素控制。K折交叉验证结果证明LSTM-XGBoost模型在不同数据子集上都保持稳定高性能，最高平均R²达到0.8398。与既往研究的对比显示，本研究提出的混合模型性能显著优于Rahbar等(2023)报道的ANN(R²=0.4036)、ANFIS(R²=0.5008)和SVR(R²=0.5021)等单一模型。

研究结论表明，LSTM-XGBoost混合模型通过结合LSTM捕捉时间依赖性和XGBoost处理非线性关系的优势，在岩溶泉流量预测中表现出卓越性能。该模型不仅提供了更高的预测精度，而且通过特征重要性分析揭示了季节性因素对岩溶水文过程的主导作用。这一研究成果为岩溶地区水资源管理提供了可靠的数据驱动工具，特别是在气候变化导致的水资源短缺背景下，对保障饮用水供应、农业灌溉和生态可持续发展具有重要实践价值。研究的成功也证明了混合建模方法在复杂环境系统预测中的巨大潜力，为后续研究提供了新思路和方法学参考。