摘要: 针对水文气象栅格数据的高维特性引发的"维度灾难"导致深度学习模型训练效率过低的问题,提出过程驱动与数据驱动的特征提取对比框架,以平衡预测精度与计算效率需求。基于金沙江水系梨园流域2010~2024年气象水文数据,系统评估不同预见期、特征维度下,分别使用两类方法提取的数据特征训练LSTM模型对其性能的影响。实验结果表明:① 短预见期下两类方法性能相近且精度较高,长预见期下数据驱动方法在低特征维度时鲁棒性更强,而过程驱动在高特征维度时噪声抑制能力显著;② 过程驱动方法呈现显著的维度-精度非单调关系,最优维度随预见期延长而增加;③ 过程驱动训练效率高于数据驱动,使用提取方法相比原始数据训练,显著降低了模型参数量、内存需求和训练时间,同时仍能保持较高的预测精度。