准确的水文预报对水资源管理、洪水风险评估和生态保护至关重要。传统水文模型在处理复杂非线性水文过程时面临挑战，而深度学习（DL）技术凭借其强大的数据学习能力，为水文预报带来了新的机遇。本研究以越南红河流域为研究区域，系统评估了六种深度学习模型在径流预报中的性能，并重点分析了预测不确定性及特征重要性，旨在为区域水文预报提供新见解。
1. 研究区域与数据
研究区域：红河流域是越南重要的水文系统，由沱江、泸江和滔江三大支流组成，流域面积约16.9万平方公里。研究聚焦于滔江流域的SonTay水文站，该站受上游多个站点（如YenBai、HoaBinh等）的径流和降雨数据影响显著。
数据来源：收集了2008–2021年的日径流和降雨数据，包括5个径流站和8个降雨站的数据。数据经过质量控制，缺失值采用线性插值处理。
数据预处理：
时间序列长度为8天，用于预测未来1–4天的径流。
数据归一化至[0,1]区间，以提升模型收敛稳定性。
数据集划分为训练集（2008–2017）、验证集（2018–2019）和测试集（2020–2021）。
2. 深度学习模型
研究评估了六种模型：
S_LSTM（标准LSTM）：通过门控机制捕捉长期依赖，适用于序列预测。
Bi_LSTM（双向LSTM）：同时处理前向和后向序列信息，增强上下文理解。
At_LSTM（注意力机制LSTM）：通过注意力权重聚焦关键时间步，提升预测精度。
Ad_LSTM（高级LSTM）：结合双向LSTM和注意力机制，优化中长期预报。
TCN（时序卷积网络）：采用因果卷积和残差连接，擅长捕捉长程依赖。
S2S（序列到序列模型）：编码器-解码器结构，适用于变长序列预测。
3. 超参数与评估方法
超参数：Adam优化器（学习率0.0005）、64个隐藏单元、丢弃率0.25、早停法（耐心值50轮）。
特征重要性分析：采用排列特征重要性法，量化各输入变量（如径流、降雨）对预测的贡献。
不确定性量化：使用蒙特卡洛丢弃法（MCD），通过1000次前向传播计算预测均值和标准差
1. 模型性能比较（1天预报）
S_LSTM表现最佳：RMSE为182.9 m³/s，NSE达0.983，SMAPE仅2.7%。
TCN和Ad_LSTM表现较差：RMSE分别为407.1 m³/s和264.3 m³/s。
其他模型（Bi_LSTM、At_LSTM、S2S）性能居中。
2. 多时间尺度预报性能
随着预报时间延长（2–4天），所有模型的误差（RMSE、MAE）逐渐增加，NSE下降。
S_LSTM在短期预报中稳定领先，而Ad_LSTM在中期预报（3天）中表现提升（NSE=0.812）。
Bi_LSTM在4天预报中表现最佳（
NSE=0.764），显示其对长期预报的适应性。
3. 特征重要性分析
SonTay站径流数据是最关键特征，尤其在短期预报中（重要性得分>0.9）。
随着预报时间延长，降雨数据的重要性逐渐上升，在4天预报中重要性得分增至0.059（S_LSTM）。
不同模型对特征的敏感性差异显著，例如At_LSTM更依赖Hanoi站径流数据。
4. 不确定性分析
MCD结果显示，预测不确定性随预报时长增加而升高。
S_LSTM和At_LSTM的不确定性最低（标准差≤355 m³/s），可靠性高。
在洪水事件（如2020年8月）中，复杂模型（如TCN、Ad_LSTM）的误差波动较大。
5. 数据场景对比
包含降雨数据对长期预报（≥3天）有积极影响，如S2S模型的NSE从0.691提升至0.723。
但短期预报中，仅使用径流数据已足够，加入降雨数据反而可能略微降低精度。
