标题
Examination of hydrological variations and their effect on water shortage trends and water-energy production using convolutional neural network and ISSA
背景
作者
Xiaofei Liu；Gang Xuan；Jafar Safarzadeh
期刊来源
Scientific Reports
DOI
10.1038/s41598-025-21629-8
摘要
本研究探讨了气候变化导致的水资源不足的影响，以及发电中的工业增长。它利用全球环流
模式(GCMs)预测未来的气候变化，并利用标准化降水指数(SPI)确定干旱的严重程度。ISSA
和CNN与他一起建模并预测水库容量随时间的变化。因此，在不断变化的气候条件下，可持
续的水电规划将得以实现。它预测，从2025年到2035年，水文变率肯定会增加，因为与2003
年至2023年的基准期相比，干旱的发生和严重程度将会增加。预计SPI值将达到<-1.5，这将表
明降水量比基线水平减少高达40%，这是近期到中期干旱预测(2025-2035)中干旱的明确趋势。
大于+ 1.0的SPI值与降水异常高于基线平均值20%相关，表明近期早期(2024-2026)和中期
(2034-2036)较为湿润。SSP5未来情景表明未来相对干燥，降水较少，蒸发率较高，水库深度
较低的时期延长。优化后的CNN模型提供了准确、可靠的水库动态模拟(R2 = 0.89, NSE = 0.
80)，这对精确的水电预测至关重要。在SSP1下，水电发电量在2026年左右达到峰值，到2030
年下降约7亿千瓦时，到2040年略稳定在该水平之上。这些结果表明，考虑到气候变化引起的
日益增加的水文变异性，它与适应性水能管理非常相关。
研究区域以及数据来源
本研究所用的气象和水文数据，包括2003年至2023年间的每日和月度降水、水库流入、蒸发速率和蓄水容量记录，均来自CMA。SSP1和SSP5情景下的未来气候预测通过从地球系统网格联盟（ESGF）门户下载的四个CMIP6全球气候模型（ACCESS-CM2、CESM2、MIROC6、UKESM1-0-LL）组成的集合推导。研究地是新凤江水库，是位于河源市的一个人工湖。
算法
评估
全球变暖的评估。ssp方案代表了温室气体排放和未来社会进步的各种途径。（主要目的是在SSP1和SSP5情景下评估流域的长期趋势和相对变化）
水文干旱评估。SPI值表示为平均值的标准差，负值表示低于平均降雨量，正值表示高于平均降雨量。
水资源短缺指数(WSI)使用标准化的法尔肯马克指标进行评估。WSI是年度总取水量(WW)与年度可再生淡水资源(RWR)的百分比;因此:
该指标以人类活动为基础，说明有多少可用水资源被消耗。百分比越高，水资源的稀缺性
和竞争就越严重。分类阈值，如表3中的低、中或高稀缺，因此将应用于计算的WSI，以便根
据其水压力对社区进行分类。
卷积神经网络
1D-CNN是一维的神经网络，为水文变量的未来时间序列预测建模而设计的，与广泛使用的2D-CNN图像识别方法有明显不同。在二维卷积扫描空间网格(例如，图像中的像素)的情况下，1D-CNN通过沿特征的时间轴应用卷积滤波器来处理时间序列输入，如日降水、蒸发、历史水库入水量等。
1D-CNN的“局部连通性”和分层特征学习被用于从多变量时间序列中自动提取相关的时间特征，从而使模型能够学习复杂的、控制水库行为的非线性关系，无需人工特征工程。
卷积层：
x∈RTin ×k定义了长度为Tin的输入序列，其中K表示特征的维度(例如，降水、蒸发)，f表示滤波器的大小(时间接受场)。Wk,m,i表示将特征k与时间偏移i连接到滤波器m的权重，bm是滤波器m的标量偏置，f(·)表示非线性激活函数(例如，ReLU)。
输出特征图Tout的长度由输入长度Tin、过滤器大小F、步幅S和填充P决定:
对于M个滤波器中的每一个，该层学习F个×K权重和一个偏置，从而给出F个×K权重和一
个偏置的总数，从而得到(F ×K + 1) ×M总可训练参数。这种设计允许从多变量水文数据中自
动提取分层时间特征。
在卷积层之后，接下来是一个池化层(在本例中为max-pooling)，以降低特征图的时间维
度，从而减少计算负担和过拟合效果：
其中SP为池化步幅。
改进的弹簧搜索算法
该研究涉及使用弹簧搜索算法(Spring Search Algorithm, SSA)在时间间隔内协调一个人工系统，明确定义问题空间，并应用弹簧力定律来表示数据传输。所开发的优化技术具有解决搜索空间具有解位置的各种优化问题的能力。得到的解可以根据它们的弹簧刚度进行比较，弹簧刚度代表我们的成本函数。SSA算法可分为两个通用阶段:首先，通过选择相关变量和控制规律，构建与时间相关的人工模型，然后执行算法，直到达到最终停止条件。这种在优化上下文中探索问题空间的方法允许进行系统的空间探索和优化，这在复杂的优化问题中是可取的。
在本研究中引入了一种称为改进的弹簧搜索(ISSA)算法的新方法，旨在解决原始SSA的局限性并提高其有效性。其中一个显著的改进是增加了一个非线性自适应权重因子，可以根据每个解的适应度来调整搜索空间。这种调整有助于避免过早收敛，增加种群多样性，最终意味着更好的性能。改进后的公式可以为z产生正值或负值:
i权重因子用wi表示，它是通过下面的公式获得的:
结果分析
气候评估：尽管在SSP1条件下，总体平均值发生了适度的变化，但SSP5气候预估表明，未来有条件地更加干燥和温暖，与中心趋势的变化增强有关，同时整个模式间分布向更高的温度、蒸发和更少的降水方向持续缩小或转移。这表明SSP5比SSP1表现出更严重和更确定的水文气候胁迫轨迹。
水资源短缺评估：平均而言，与基线(2003-2023年)相比，预计干旱严重程度全面增加，SSP5比SSP1更严重。SSP1仍然应该有适度的偏差，它甚至表明了特定的干旱年(-30%到-40%)，以及一些潮湿年(+ 20%或更高)。SSP5主要表现为广泛的负偏差和相对较小的正偏差，这表明未来的基线条件将更加干燥，干旱将更加强烈和频繁。
干旱程度评估：从长期来看(2030-2040)，WSI值预计在20%到80%之间变化，与2003年至2023年期间的基线值相比，这是一个巨大的上升，在此期间，WSI平均在0%到40%之间。因此，在这两种情景中，水资源短缺随着时间的推移而加剧，SSP5情景预测的WSI值始终比SSP1高10-15%。从21世纪30年代末到40年代初，SSP5下的WSI值超过了80%，表明与基线值相比，从高缺水条件向极端缺水条件转变。这与基线WSI平均值(约20-30%)相比增加了100%以上，SSP5的值始终比SSP1高10-15%，从而说明了高排放途径如何将水资源短缺的严重程度提高到基线期的两倍甚至更严重的水平。
ISS算法与其他算法比较：ISS算法在元启发式优化方法中被广泛采用，在大量的测试问题上始终表现出高性能。它经常能找到最小均值和最佳值，显示出卓越的定位最优解的能力。对于F1问题，与WSO、SDO、GO和BOA算法等其他方法相比，ISS方法具有最低的最佳值(0.72)和竞争均值(7.24)。性能指标表明，ISS算法不仅找到了最优解，而且在其他九个基于细节的问题迭代中提供了总体上较强的性能。国际空间站(ISS)在F1任务中的标准差低于太阳动力学观测站(SDO)和类人猿大观测(BOA)，这表明ISS和F1获得的信息更加一致。ISS方法通过在F5、F6和F12等函数上产生0.00的理想最佳值来显示其稳定性和可靠性，并始终保持该值，并保持该置信水平的平均值为0.01或更小，标准差为0.00。然而，在某些情况下，其他算法也会击败其他算法。例如，BOA是唯一在函数F8上具有最大值的算法，但它也是唯一具有最高平均值的算法，这表明一致性较差。
