带物理约束的分布式水文模型中的深度学习集成:韩国地区统一径流预测与重分析监督的土壤湿度表征

《Journal of Hydrology》:Integrating deep learning into distributed hydrological modeling with physical constraints: unified streamflow prediction and reanalysis-supervised soil moisture representation over South Korea

【字体: 大 中 小 】 时间:2026年10月22日 来源:Journal of Hydrology 7.3

编辑推荐:

   - 径流生成与D8河道路由在端到端框架中进行联合优化。 - 物理约束改善了产流量预测和无资料流域的可转移性。 - 分布式土壤湿度监督支持网格尺度水文学习。 引言 分布式水文模型(DHMs)长期以来一直为推进我们对陆地水循环的理解和在全球地球系统科学框架内支持有效的水资源管

  

- 径流生成与D8河道路由在端到端框架中进行联合优化。
- 物理约束改善了产流量预测和无资料流域的可转移性。
- 分布式土壤湿度监督支持网格尺度水文学习。

引言

分布式水文模型(DHMs)长期以来一直为推进我们对陆地水循环的理解和在全球地球系统科学框架内支持有效的水资源管理提供了可物理解释的基础(Fatichi等,2016)。通过这些模型对流域特征(如地形和土地利用)空间异质性的显式表征,它们为下渗、蒸散发、径流生成和土壤湿度动力学等过程提供了有价值的见解,这些过程是生态、农业和环境应用的基础(Daly和Porporato,2005;Liu等,2024;Vereecken等,2022)。其空间分布式公式允许进行可物理解释的模拟,这对于气候影响评估(Lu等,2018)、水资源评估(Sridhar等,2019)和地下水评估(Vergnes等,2023)至关重要。然而,DHMs由于结构刚性、参数维度高和校准计算成本高而往往面临局限性,特别是在具有强烈空间气候变异性的区域。这些挑战激发了对改进精度和效率的替代建模策略的持续研究。

深度学习(DL)的出现为水文建模带来了新的范式,使得能够直接学习气象驱动与水文响应之间复杂的非线性关系,从而推进了对水文过程的理解。循环神经网络,特别是长短期记忆网络(LSTM;Hochreiter和Schmidhuber,1997),通过高效捕捉水文系统中的时间依赖性,在产流量预测方面展示了卓越的性能(Kratzert等,2018;Yokoo等,2022;Yoon和Ahn,2024)。除了产流量预测之外,基于深度学习的模型还展示了通过结合基于卫星的土壤湿度产品(如土壤湿度主动-被动卫星SMAP土壤湿度产品)与网格化环境信息来学习空间分布式土壤湿度动力学的能力(Fang等,2017;Li等,2021)。

尽管在时间预测性能和数据利用方面取得了这些进展,但大多数数据驱动模型是为预选流域开发的,将每个流域(具有任意形状和大小)视为单一的水文响应单元(HRU),并使用流域平均输入仅在流域出口估计径流量(例如,Lees等,2021;Yoon和Ahn,2025)。尽管这种集总流域尺度建模框架取得了相当大的成功,但它在以下几个方面仍存在局限性。首先,其对空间聚合输入的依赖忽略了流域内异质性,特别是在大型流域或气候多样区域,如国家级域。更重要的是,其对流域平均输入的依赖以及使用出口径流观测值进行监督,限制了其在无资料流域或内部网格位置上的适用性,引发了关于水文气候异质性区域稳健性和泛化能力的担忧。为解决这些问题,越来越多的关注被投向将分布式水文建模整合到深度学习架构中(Shen等,2023)。

此外,深度学习模型不会固有地强制执行物理一致性,通常会产生虚假或不切实际的预测——特别是在应用于训练域之外时(Nearing等,2021)。为解决这一局限性,新兴的物理信息和过程编码深度学习框架将质量守恒、能量守恒和降雨-径流关系等水文原理直接嵌入到学习过程中(H?ge等,2022;Karniadakis等,2021;Shen等,2023;Wang等,2024)。这种整合使模型能够结合数据驱动学习的灵活性与改善水文一致性的物理约束。可微建模方法,例如,将物理过程模块(如融雪或下渗方案)纳入神经网络,并通过反向传播对其进行优化(Feng等,2022;Jiang等,2020)。类似地,混合模型已成功将概念性水文模型中不确定或理解不足的过程替换为可训练神经网络组件,同时保持过程一致性(Bindas等,2024;Gu等,2020;Yang等,2025)。这些物理整合框架展示了改进的泛化能力和有效性,特别是在无资料或数据稀疏区域。

尽管取得了这些进展,但在混合或深度学习辅助的DHMs中表示径流生成和产流量路由方面仍然存在一个重要挑战。许多近期研究采用独立建模方案,即径流首先由深度学习模型(如LSTM或卷积长短期记忆网络ConvLSTM;Anderson和Radi?,2022)模拟,然后通过独立的过程导向或经验路由模块进行路由(Droppers等,2025;Sun等,2022)。例如,Droppers等(2025)为PCR-GLOBWB模型设计了一个深度学习架构,包含独立的地表和水文路由模块,每个模块都由神经网络构建。虽然这种顺序方法增强了模块灵活性,但径流生成和流量传播的分离可能限制了它们的联合一致性并阻碍了端到端优化。此外,这两个过程的解耦可能阻碍端到端优化,因为路由组件的错误无法通过反向传播纠正到径流生成阶段。这些局限性凸显了需要一个统一框架,能够在单一、物理一致的架构内同时学习和模拟径流和产流量。

除了耦合径流生成和路由之外,第二个机会在于使用空间分布式水文信息来约束模型内部状态。特别是,土壤湿度动力学在理解水文行为中起着至关重要的作用,因为它们调节陆地-大气界面水和能量通量变异的幅度(Wanders等,2014)。SMAP和SMOS等卫星任务证明了空间分布式土壤湿度信息在捕捉多样化水文气候区域时空变异性方面的价值(Chen等,2017;Hu等,2022)。与此同时,陆地再分析产品如GLDAS/Noah和ERA5-Land提供了时间一致、长期的土壤湿度估计,可以支持模型训练和评估(Mu?oz-Sabater等,2021;Rodell等,2004;Wang等,2025)。将土壤湿度信息纳入DHMs可以增强关键水量平衡要素的表征,如下渗、蒸散发和径流生成(Gomis-Cebolla等,2022;Wakigari和Leconte,2023)。然而,在基于深度学习的水文建模框架中,产流量观测和分布式土壤湿度的联合使用仍然未被充分探索。

为解决这些挑战,我们开发了一个物理约束的分布式LSTM框架,在每个网格单元估计径流,并通过级联的基于深度学习的D8河道路由方案将结果网格化径流通过河道网络进行路由,全部在端到端可微分框架内完成。基于近期可微分和路由感知的水文学习方法,所提出的框架在单一基于LSTM的系统中整合了网格尺度径流生成和基于D8的河道路由,并辅以分布式土壤湿度和产流量监督。该模型同时预测基于再分析的重现土壤湿度和分布式网格单元产流量,使路由动力学能够适应不断演变的水文状态和气象驱动。我们在韩国这一国家级域评估了所提出模型的可行性和有效性,该区域季风主导的降水、复杂地形和短水文响应时间共同对分布式径流生成、河道路由和空间可转移性构成了挑战。本研究的目的是三方面的。首先,我们开发了一个统一、物理约束的深度学习架构,联合建模径流生成和河道路由。其次,我们在时间、空间和时间空间验证设置下评估其产流量和基于再分析的土壤湿度预测性能。第三,通过考察其与施加约束的一致性、降水开始后时间延迟和持续性及其对前期湿度的敏感性,表征所学到的内部水文响应。这些实验共同评估了所提出框架中的预测性能、可转移性和内部响应行为。本文其余部分组织如下。第2节描述研究区域和数据集,第3节介绍所提出的建模框架、实验设计和诊断方法。第4节报告模型的时间预测性能、空间和时间空间可转移性以及学习型响应诊断。第5节讨论,第6节结论分别提供讨论和结论。

研究区域

韩国位于东亚,占据朝鲜半岛南部,被选为研究区域(见图1)。该国拥有由东亚季风支配的湿润大陆到亚热带气候(Alcantara和Ahn,2021)。年降水量在1,200到1,500毫米之间,其中约三分之二发生在夏季月份(6月至9月),此时来自西北太平洋高气压和台风的湿气团产生强降水并引发洪涝(Lee等)。

方法

本节首先概述LSTM模型结构(第3.1节),然后详细描述所提出的物理约束分布式LSTM框架(第3.2节)。第3.3节介绍实验设计,包括时间、空间和时间空间评估方案以及诊断分析,第3.4节介绍实现细节和评估指标。

结果

按照第3节描述的评估框架,结果分为三部分呈现:时间预测性能(第4.1节)、空间和时间空间可转移性(第4.2节)以及学习型内部水文响应的诊断分析(第4.3节)。

物理约束与产流量可转移性

本研究的主要发现是,物理约束的分布式LSTM在转移到无资料流域时显示出最明显的优势,而非应用于先前观测位置的独立时间段时。与无约束分布式模型相比,在空间和时间空间验证下,约束框架将中位产流量NSE提高了0.049至0.080,KGE提高了0.089至0.162,而在时间验证下的表现略有下降。

结论

本研究开发了一个物理约束的分布式LSTM框架,在端到端学习系统中整合了网格尺度径流生成、再分析监督的土壤湿度表征和基于D8的河道路由。该框架在韩国进行了评估,使用时间、空间和时间空间验证实验来区分在先前观测位置的预测性能与向无资料流域和时间段的可转移性。

主要发现是

作者贡献声明

Dong-Gi Lee:论文原创撰写、可视化、软件、方法论、调查、数据管理。Gyu-Ho Noh:可视化、验证、正式分析。Kuk-Hyun Ahn:论文审阅与编辑、论文原创撰写、监督、项目管理。

利益冲突声明

作者声明他们没有已知的可能影响本文报告的竞争财务利益或个人关系。

致谢

本工作由韩国国家研究基金会(NRF)资助(韩国政府MSIT提供资金,编号RS-2023-00208210)。

Dong-Gi Lee | Gyu-Ho Noh | Kuk-Hyun Ahn
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号