国际期刊《Journal of Hydrology: Regional Studies》刊登了课题组题为“基于水文模型和可解释机器学习方法的径流生成驱动因素分析（Analysis of runoff generation driving factors based on hydrological model and interpretable machine learning method）”的研究论文，论文第一作者为硕士研究生王硕，通讯作者为彭辉副教授。

识别径流时空变化的驱动因素是水资源管理的关键。本研究以中国山东省小清河流域为研究区，基于校准的SWAT (Soil Water Assessment Tool)的输入数据以及产流模拟数据建立机器学习XGBoost模型，并采用可解释机器学习方法SHAP (Shapely additive explanations)对XGBoost进行解译以识别驱动因素对径流产生的影响。结果表明，XGBoost可以模拟了SWAT的径流预测能力(NSE:0.936, RMSE:2.259)。预测期为当月时，XGBoost模型的NSE (Nash–sutcliffe efficiency)为0.936，RMSE (Root mean square error)分别为2.259mm，R (Coefficient of association)为0.967。XGBoost模型存在预测期延长导致模型精度降低的问题。当预测期延长至1月时，XGBoost模型测试期的NSE为0.848，RMS分别为3.327mm，XGBoost可以较好地模拟SWAT的径流产量预测，表明XGBoost可以作为SWAT径流产量模拟的代理模型。XGBoost不仅可以较好地模拟SWAT产流预测能力，还可以以低维的输入特征实现令人满意的结果。可解释结果表明，坡度和温度等驱动因素对径流产生具有显著的阈值效应。坡度大于20%(或温度大于20℃)会促进径流量的增加。交互作用结果表明，土地利用组合对径流的生成存在明显的阈值效应，且该阈值效应受到高降水的影响。较高的降水量且城镇建筑面积占比在0.2以上，促进径流的产生。气候特征对流域径流的影响不同，高海拔地区的降雨对径流的影响强于低海拔地区。研究结果可为径流因子分析提供新的方法和思路，并展示了未来人工智能辅助科学发现的前景。

Wang, S., Peng, H., Hu, Q., Jiang, M., 2022. Analysis of runoff generation driving factors based on hydrological model and interpretable machine learning method. Journal of Hydrology: Regional Studies 42, 101139. 

文章链接：https://doi.org/10.1016/j.ejrh.2022.101139