数据匮乏与模型黑箱：两道并行的瓶颈
喀什噶尔—叶尔羌河流域位于中国西昆仑山腹地，水循环主要由冰川融水与积雪融水补给驱动。受海拔落差大、地形陡峭及降水时空分布不均叠加影响，流域水文过程呈现显著空间异质性，洪水类型兼具融雪型、暴雨型、冰湖溃决型与混合型，成因复杂、突发性强、破坏性大。与此同时，当地水文观测与洪水敏感性数据严重匮乏，现有模型又难以在预测精度与物理可解释性之间取得平衡，使该区域洪水风险评估与预测面临突出挑战。
水文与敏感性基础数据稀缺
高寒山区站点稀疏、观测条件恶劣，可用于建模的水文序列与洪水敏感性样本极为有限。洪水清单只能依靠历史文献、新闻报道与政府灾情资料零散拼合，且需引入哨兵 1 号合成孔径雷达影像进行变化检测补充；由于该数据自 2014 年起才具备连续可用性，早期严重洪灾事件只能用点位资料近似表达，样本空间完整性与一致性均受制约。
传统机器学习割裂空间关联
逻辑回归、支持向量机、随机森林、梯度提升机与人工神经网络等经典算法虽已大幅超越传统评估方法，但通常将样本视为相互独立的观测值，难以捕捉遥感与环境数据中固有的空间关联性。在多因子耦合显著的复杂自然环境下，局部邻域效应被忽略，模型对洪水敏感性空间异质性与邻域依赖关系的刻画能力明显不足。
精度与可解释性难以兼顾
现有基于 CNN 或传统 LSTM 架构的研究多依赖结构固定的成熟网络，缺乏对预测结果的事后解释，制约模型结果的可信度。高寒山区由气温主导的融雪与冰川消融具有明显累积效应，融雪与降水的复合作用又伴随复杂非线性响应；近年出现的 xLSTM 等新型序列模型在此类复杂水文环境下的适用性仍缺乏系统评估。
全球年均洪水经济损失
因洪灾被迫流离失所
亚洲高寒山区受灾害威胁人口
地形·水文·气象·植被·人类活动
四环节链路：从上下文重构到 SHAP 引导加权
本文构建 SHAP-xLSTM 框架，由上下文特征构建、SHAP 特征重要性分析、SHAP 引导特征加权与 xLSTM 模型优化 4 个步骤串联而成。其核心创新在于两点：一是用上下文特征构建把栅格局部空间邻域重构成具有明确顺序的序列化特征，使序列模型的信息记忆、状态传递与冗余抑制能力迁移到空间上下文建模；二是把可解释人工智能得到的特征重要性转化为归一化权重，实现从事后解释到训练前先验引导的闭环。
洪水清单构建与样本划分
综合历史文献、新闻报道与政府灾情资料识别洪水事件空间分布，并对记载完整、影响范围大的严重洪灾引入哨兵 1 号影像辅助验证：在谷歌地球引擎平台获取 IW 模式、VV 极化数据，经辐射定标、斑点噪声抑制与地形校正后作多时相变化检测，结合永久水体掩膜与坡度约束剔除山体阴影与冰雪覆盖引起的误判。最终确定 84 个洪水点与 84 个非洪水点，按 70% 与 30% 划分为训练集 117 个样本点与测试集 51 个样本点。
五类因子体系与特征选择
依据洪水形成机理选取地形、水文、气象、植被与人类活动 5 类共 16 项因子，全部统一至相同地理坐标系并重采样至 30 m 分辨率。先用方差膨胀因子与皮尔逊相关分析检验多重共线性：海拔方差膨胀因子最高为 8.41，全部因子相关系数绝对值分布在 0~0.69 之间，不存在显著共线性；再用最小冗余最大相关算法评分，剔除重要性最低的 TPI（0.028）与 SPI（0.023），保留 14 项因子作为最终输入。
上下文特征构建（CFC）
本文所用序列并非长时间序列观测，而是由栅格局部空间邻域重构而成。以洪水点与非洪水点样本为中心像元，提取周围 8 个相邻像元构成 3×3×N 的局部像元块，再按自左至右、自上而下的空间连续性重排为长度 9 的像元序列，每个元素为一个 N 维特征向量；制图阶段以 3×3 滑动窗口逐像元扫描全流域。该方法在不改变因子物理意义的前提下显式编码邻域关系。
xLSTM 建模与五模型对比
xLSTM 由 sLSTM 与 mLSTM 模块构成：sLSTM 引入指数门控与稳定化状态变量，以 max 与 exp 运算稳定遗忘门与输入门数值，降低训练溢出风险；mLSTM 扩展记忆单元组织形式以增强上下文表示。将 CFC 与 LSTM、BiLSTM、xLSTM 结合得到 3 种优化模型，并引入 CNN 与 CNN-LSTM 作对比。鉴于样本量有限，采用旋转变换将数据集扩充至 8 倍，再以五折交叉验证与网格搜索确定最优超参数。
SHAP 引导特征加权与重训练
对性能最优的 CFC-xLSTM 计算各输入特征的 Shapley 值，以 SHAP 值绝对均值排序得到重要性评分，取前六因子（3.39、2.40、1.94、0.28、0.26、0.20）按 w_i = I_i / ΣI_i 归一化为权重 0.40、0.28、0.23、0.03、0.03、0.02。加权重构后的特征集合重新输入 xLSTM 迭代训练与调参，在保留关键致洪信息的同时削弱次要与冗余特征干扰，得到最终 SHAP-xLSTM 模型。
五类 16 项致灾因子与数据来源
地形因子含海拔、坡度、坡向、曲率、地形湿度指数 TWI、地形位置指数 TPI 与地形起伏度指数 TRI 共 7 项，决定径流方向、汇水能力与淹没格局；水文因子涵盖距河流距离、河网密度、水流强度指数 SPI、泥沙运输指数 STI 及水文曲线数 GCN250 共 5 项，其中水文曲线数取平均先行径流条件 ARC-II 对应数据以表征一般水文背景下的地表产流潜势；气象因子由降雨量与最高气温组成；植被因子以 NDVI 表征其延缓汇流、削弱洪峰的缓冲作用；人类活动因子以 2020 年土地利用数据表征中下游不透水面的放大效应。数据来源包括 NASADEM、GCN250、国家地球系统科学数据中心、青藏高原科学数据中心与 CLCD 土地覆盖产品。
样本增强、交叉验证与制图分级
洪水样本赋值为 1、非洪水样本赋值为 0；训练集 117 个样本点、测试集 51 个样本点，采用旋转变换将影像块扩充至原有 8 倍以缓解过拟合，并以五折交叉验证与网格搜索寻优。评价采用 ROC 曲线与 AUC、F1 分数、Kappa 系数、MSE、RMSE 共 6 项指标，兼顾判别能力、一致性与误差幅度；并通过对比训练集与测试集 AUC 检验过拟合。敏感性制图采用自然断点法将结果划分为极低、低、中、高、极高 5 级，基于 6 种模型预测值总体分布统一确定阈值后应用于分级与面积统计，以保证模型间可比性。
精度提升、机理归因与季节时空验证
本节从三个层面检验 SHAP-xLSTM：一是与 5 种主流深度学习模型在测试集上的六指标系统对比；二是基于 SHAP 值的主导因子识别与响应方向解析；三是敏感性等级制图的空间格局差异与 2024 年叶尔羌河沿岸季节尺度案例验证。三者共同回答「精度是否提升、机理是否可解释、时空预测是否合理」。
较次优模型提升 0.71%
较基准提升 6.33%
较基准提升 15.08%
较基准下降 11.68%
| 模型 | AUC | F1 分数 | Kappa 系数 | MSE | RMSE |
|---|---|---|---|---|---|
| SHAP-xLSTM | 0.994 | 0.941 | 0.885 | 0.036 | 0.189 |
| CFC-xLSTM | 0.987 | 0.885 | 0.769 | 0.046 | 0.214 |
| CNN-LSTM | 0.981 | 0.885 | 0.769 | 0.060 | 0.246 |
| CNN | 0.978 | 0.885 | 0.769 | 0.065 | 0.256 |
| CFC-BiLSTM | 0.957 | 0.889 | 0.769 | 0.083 | 0.288 |
| CFC-LSTM | 0.935 | 0.836 | 0.654 | 0.137 | 0.370 |
| 因子 | mRMR 重要性 | SHAP 重要性 | 归一化权重 | 响应方向 | 机理解释 |
|---|---|---|---|---|---|
| 最高气温 | 0.423 | 3.39 | 0.40 | 负向 | 直接控制冰雪融化与冰川消融强度，其持续升高增加汛期基础水量，高温区洪水敏感性反而偏低 |
| 距河流距离 | 0.351 | 2.40 | 0.28 | 负向 | 越靠近河道汇流暴露度越高，河谷、洪泛平原与低洼地带敏感性显著上升 |
| 降雨量 | 0.264 | 1.94 | 0.23 | 正向 | 反映山区降水对洪水形成的短时触发效应，降雨量大的地区敏感性高 |
| 水文曲线数 | 0.097 | 0.28 | 0.03 | 正向 | 表征一般水文背景下地表产流潜势，数值越大产流能力越强 |
| 河网密度 | 0.329 | 0.26 | 0.03 | 正向 | 刻画汇流通道密集程度，贡献中等且在各模型中表现稳定 |
| 海拔 | 0.567 | 0.20 | 0.02 | 补充 | 决定冰川积雪分布与融雪径流形成的基础条件，影响较弱但提供有效补充信息 |
| 模型 | 极低 / % | 低 / % | 中 / % | 高 / % | 极高 / % | 分级特征 |
|---|---|---|---|---|---|---|
| SHAP-xLSTM | 47 | 14 | 7 | 21 | 11 | 等级分布最均衡，为高敏感区分配更高比例同时避免极高区过度扩张 |
| CFC-xLSTM | 51 | 8 | 8 | 17 | 16 | 极低区占比最大，高与极高区占比次之，低与中区偏小 |
| CFC-LSTM | — | — | — | — | 28 | 极高敏感性区占比最高，存在明显高估倾向 |
| CFC-BiLSTM | — | — | — | — | 23 | 极高区占比次之，同样呈现高估特征 |
| CNN / CNN-LSTM | — | — | — | — | 高于 SHAP-xLSTM | 结果介于上述两类之间，极高区占比偏高而高敏感区占比偏低 |
最高气温以累积效应主导敏感性
SHAP 结果显示最高气温在所有输入因子中整体贡献度最大，且与洪水敏感性呈负向响应：高温地区敏感性低，适中温度区敏感性高。这与高寒山区地域特征密切相关——最高气温直接控制冰雪融化与冰川消融强度，汛期升温持续增加流域径流供给，使河道具备较高基础水量，此时即使中等强度降水也更容易转化为洪水。
分级格局更精细，抑制高估倾向
高与极高敏感性区集中于研究区中部与北部的山区—平原过渡带及主要河流沿岸，极低与低敏感区分布于远离河道、地势较高之处。SHAP-xLSTM 在流域西北部呈现从极高到极低的平滑过渡，在东部将高与极高区严格约束在邻近河道范围；而 CFC-LSTM 与 CFC-BiLSTM 分别将 28% 与 23% 的面积划为极高区，明显高估。
季节演进与融雪水文过程一致
2024 年叶尔羌河沿岸案例显示，敏感性自 1 月至 7 月随气候变暖逐步上升：1 月低温干旱期以极低敏感性为主；4 月温和少雨期，中敏感区沿河道与灌溉渠系扩张，且 SHAP-xLSTM 将其集中约束于河道周边，与实际水文响应更吻合；7 月高温多雨期达到年内峰值，高与极高区在主河道集聚，农田区敏感性同步上升。
在高寒山区，最高气温不只反映单一时刻的致灾强度，更体现以气温主导的融雪与冰川消融过程对径流供给的持续性调控；模型由此定量支撑了「冰雪积累—融雪—洪水」的典型灾害形成机制。
把事后解释转为先验引导的建模路径
本文融合上下文特征构建、xLSTM 与 SHAP 引导特征加权策略，构建了面向高寒山区洪水敏感性预测的可解释深度学习框架，在保留 xLSTM 时序依赖建模优势的同时，实现了对「冰雪积累-融雪-洪水」过程的可解释性建模，为复杂冰冻圈环境下的灾害风险预警与适应性管理提供了方法参考。
六项指标的系统性性能提升
相较最优基准模型 CFC-xLSTM，SHAP-xLSTM 的 AUC 提高 0.71% 至 0.994，F1 分数提升 6.33% 至 0.941，Kappa 系数提升 15.08% 至 0.885，MSE 与 RMSE 分别下降 21.74% 与 11.68% 至 0.036 与 0.189；训练集与测试集 ROC 曲线接近，未出现过拟合，预测值与洪水清单实测值吻合度也在 6 种模型中最高。
主导因子识别具备物理一致性
最高气温、距河流距离与降雨量在 5 种模型中均位居 SHAP 重要性前列，海拔与河网密度为稳定的次级因子；其中最高气温与距河流距离呈负向响应、降雨量呈正向贡献。模型识别的以「热量驱动的冰雪消融」为主导、叠加径流汇集与降水共同作用的机制，与区域实际水文过程相吻合。
序列模型可用于空间上下文建模
研究证明序列模型并不局限于长时间序列直接观测任务：通过上下文特征构建将局部空间邻域显式序列化，xLSTM 在信息记忆、状态传递与冗余抑制上的优势即可迁移至空间依赖建模。将 SHAP 特征贡献转化为权重并引入训练，则完成了从事后解释到先验引导的转换，实现精度与解释性的统一。
面向风险预警与适应性管理的支撑
模型生成的洪水敏感性等级图可直接服务于区域洪水风险预警与空间规划：中部与北部山区—平原过渡带、主要河流沿岸被识别为高与极高敏感区，是需要优先布设监测与防御资源的重点区域；季节尺度的敏感性演进结果可为汛期资源调度提供依据。该框架兼顾精度、解释性与方法可迁移性，对高寒区冰湖溃决、泥石流等其他水文灾害风险评估同样具有拓展潜力。
成因依赖、计算效率与三个深化方向
模型的优越性在很大程度上依赖研究区特定洪水清单与由最高气温主导的融雪洪水成因，对暴雨主导或受人类活动显著影响的区域，关键驱动因子排序可能发生根本变化，直接适用性受限；同时「预训练—特征权重计算—重训练」的迭代流程叠加 xLSTM 结构复杂性，训练耗时与算力消耗大幅增加，制约其在快速响应与大范围高分辨率制图中的应用。未来可从三方面推进：一是模型轻量化与训练流程简化以提升计算效率；二是纳入积雪水当量、冰川物质平衡等直接冰雪变量以深化机理；三是将框架拓展至冰湖溃决、泥石流等高寒区灾害风险评估。