机器学习模型由于其优越的模拟预测性能而被广泛地应用于水文学研究，但其在高海拔地区的冰冻圈流域水文过程模拟研究方面尚有待深入。本研究基于Back Propagation神经网络(BP)、广义回归神经网络(GRNN)、径向基函数神经网络(RBF)、支持向量回归(SVR)、遗传优化BP神经网络(GA-BP)和双层长短期记忆神经网络模型(LSTM),对两个典型冰冻圈流域，即叶尔羌河流域和疏勒河流域的水文过程开展模拟研究，结合精度评价指标(NSE、RMSE和R)以及水文过程频率曲线对模型模拟效果进行综合分析。结果表明，双层LSTM模拟能力在叶尔羌河流域远优于其他模型，而疏勒河流域LSTM模拟效果与其他模型模拟结果相近，双层LSTM更适用于冰冻圈流域水文过程模拟。通过损失函数对模型参数化方案进行评价发现，LSTM模型在研究区模拟效果主要受优化器影响，叶尔羌流域学习衰减速率和初始学习率影响次之，而疏勒河流域初始学习率影响次之。对整个研究时段的径流突变检验分析结果表明，模型输入数据中降水和极端降水总量对研究区水文过程变化影响较大，气温次之。

来源平台：地学前缘