3.1 模型性能度量
KGE和Cohen's kappa值在384个测站上计算，中位数分别为0.46和0.24。基于中位数，测站被分为两类：159个测站性能“高于中位数”，225个“低于中位数”。性能分布显示空间异质性，干旱区域和人类活动频繁区域性能较差。
3.2 静态流域属性聚类与模型性能关联
SOM聚类将流域分为7个类型（如表1所示），包括小型森林流域、高海拔雪域、湿润高基流流域、干旱城市流域等。聚类结果显示出明显的地理模式（图4a），且与模型性能密切相关。
性能分析表明（图5）：
•高性能集群（如集群1、2、5）通常位于高海拔、低流量调节度、自然流主导区域。
•低性能集群（如集群3、4、6）与高流量调节度、干旱气候或农业活动相关，其中集群4（干旱城市流域）性能最差。
3.3 干旱签名聚类与模型性能关联
SOMTimeS聚类将干旱签名分为8个集群（图6），反映了不同的季节性模式（如1-6月峰值集群性能较好，而复杂模式集群性能较差）。集群空间分布如图7a所示。
性能比较（图8）显示，集群B、C、F（峰值在1-6月）性能较好，而集群D（高调节度）性能较差。这强调了流量调节和季节性对模型性能的影响。
3.4 空间随机森林模型结果
随机森林分类器的F1分数为0.72，能有效预测性能类别（图9a）。SHAP分析（图9b）显示，流量调节度、水库存储强度、高程和森林覆盖率是关键预测因子，低调节度与高性能正相关。
3.5 未测流域性能投影
模型性能投影到3539个未测流域（图10），显示高性能区域主要分布在上游高海拔多雨区，低性能区域在下游干旱区，不确定区域位于东南部。这为模型应用提供了可靠性指导。
结果揭示了多个影响LSTM模型性能的因素：
•人类活动：高流量调节度（如水库和农业灌溉）显著降低性能，因为模型输入缺乏动态人类活动数据。
•基流和气候：极端基流regime（高或低）和干旱气候区域性能较差，表明模型对地表-地下水相互作用捕捉不足。
•数据代表性
：训练数据中某些流域类型（如干旱区）样本不足，导致性能偏差；空间平均化的流域属性可能无法反映异质性。
•方法局限性：数据驱动模型的性能可能受训练数据偏差影响，而非纯粹的水文过程，需谨慎解读。
研究还指出，聚类分析从模型输入（静态属性）和目标（干旱签名）两个角度提供了互补见解，增强了可解释性。与现有研究一致，该工作强调了在数据驱动模型中融入物理过程信息的重要性。
本研究通过时空聚类和机器学习方法，系统评估了USGS LSTM流干旱预测模型的性能。主要贡献包括：
•识别了流量调节度、高程、基流贡献和气候等关键影响因素。
•证明了模型性能可在未测流域部分估计，为水资源管理提供实用工具。
•提出了改进方向，如增加动态人类活动数据、提高数据多样性和空间分辨率。
未来工作可扩展至其他区域或模型，并探索如何将物理机制更直接地整合到数据驱动模型中。该框架为增强水文模型的可解释性和可靠性提供了范例。
