深度学习已成功应用于水文学领域,并在非线性和非平稳水文过程的预测方面取得了重大进展。尽管一些研究在流量预测中使用机器学习方法,但很少有研究来系统地比较模型在不同时间尺度的预测性能,并深入了解模型存储机制对预测性能的影响。在流量预测工作中,搭建了由单元、输入门、输出门和遗忘门组成的长短期记忆RNN LSTM模型,能够学习长期时间依赖和捕获非线性关系,用来预测每日、每周和每月时间尺度的河流流量。本文利用2006年至2014年唐河流域倒马关水文站的多个气候和水文要素数据集,构建深度学习模型进行训练和验证。通过设置多个时序步长,探讨记忆单元存储信息的长短对不同时间尺度的影响。我们使用RNN LSTM模型进行短期预测在三个指定的时间尺度模拟预测,分别研究了唐河流域在日、周和月三个尺度上的地表水文过程。该模型建立在长短期记忆递归神经网络（RNN LSTM）的时间序列上。研究发现RNN LSTM模型在日尺度预测中表现出较好的预测性能,数据集的粗粒度特性是影响周尺度和月尺度预测性能的关键。为了使深度学习模型可解释,本研究建立了三种可解释的深度神经网络模型,我们采用了源自博弈论的Shapley值（SHapley Addictive exPlanation）来解释模型的输出。采用SHAP分析每个气候因素的贡献在任何给定的时间输出在指定的未来时间基于Shapley值。Shapley值允许人们对气候因素对河流流量的贡献进行排序,以确定气候因素的活动时间,并量化气候因素对峰值和低流量的贡献。RNN LSTM模型与Shapley值的耦合创建了一个可解释的深度神经网络模型,用于分析唐河流域的地表水文过程,获得了大量对研究区域地表水文过程的见解。这种方案也可以很容易地推广到其它地理位置和过程中。