《Advances in Water Resources》:A neighbour-aware LSTM-PINN model for simultaneous soil moisture forecasting and retention function estimation
编辑推荐:
在异质土壤和不确定边界条件下,从田间观测预测土壤水持水函数(SWRFs)和预测土壤水分仍然具有挑战性。现有方法通常将预测和水力参数估计分开处理,并且可能依赖合成数据或强先验假设。研究人员提出了一种混合框架,该框架耦合了邻居感知长短期记忆(LSTM)网络与物理信
在异质土壤和不确定边界条件下,从田间观测预测土壤水持水函数(SWRFs)和预测土壤水分仍然具有挑战性。现有方法通常将预测和水力参数估计分开处理,并且可能依赖合成数据或强先验假设。研究人员提出了一种混合框架,该框架耦合了邻居感知长短期记忆(LSTM)网络与物理信息神经网络(PINN),后者通过最小化范根纳赫滕-穆勒姆(VGM)参数化下的理查兹方程残差进行约束。利用来自三个代表不同土壤质地的塔斯马尼亚站点的每小时多深度土壤水分测量数据(5、15和25厘米)以及降雨和蒸散发,该模型同时预测土壤水分并推断有界的水力参数,无需预定义初始猜测。在每个站点使用9个月进行训练和3个月进行独立测试,模型在土壤水分预测方面实现了平均均方根误差(RMSE)0.005 cm3/cm3(决定系数R2 = 0.94),在SWRF估计方面实现了0.045 cm3/cm3。与纯数据驱动的LSTM相比,它保持了具有竞争力的预测精度,同时提供了物理可解释的水力参数,支持需要物理一致、数据驱动预测的基于传感器的应用。
土壤水分动态预测与持水函数(SWRF)的联合估算是水文建模中的关键难题。在异质土壤和不确定的边界强迫条件下,现有方法常将土壤水分预测与水力参数反演分离处理,依赖合成数据或强先验假设,难以直接应用于实际田间观测。针对这一问题,Chenting Jiang、Quan Bai和Marcus Hardie在《Advances in Water Resources》上发表研究,提出一种融合邻居感知长短期记忆(LSTM)网络与物理信息神经网络(PINN)的混合框架(neighbour-aware LSTM-PINN),通过嵌入范根纳赫滕-穆勒姆(VGM)参数化下的理查兹方程残差作为物理约束,实现了同步的多深度土壤水分预测与水力参数推断。该研究利用塔斯马尼亚三个不同土壤质地站点(T357红铬土、T726红铁铝土、T944黑暗沃土)的每小时多深度(5、15、25 cm)土壤水分、降雨与蒸散发观测数据,以9个月训练、3个月独立测试的配置,证明了模型在保持竞争性预测精度(平均RMSE 0.005 cm
3/cm
3,R
2=0.94)的同时,能够获取物理可解释且稳定的VGM参数(平均SWRF估计RMSE 0.045 cm
3/cm
3),为传感器驱动的物理一致型数据驱动预测提供了新途径。
技术方法方面,研究者主要依赖以下关键技术:①邻居感知LSTM架构,通过门控机制连接相邻深度,实现垂向土壤水分动态的时空联合学习;②物理信息神经网络(PINN)模块,利用自动微分计算理查兹方程残差并纳入损失函数,强制预测与VGM参数满足物理一致性;③有界激活函数解码模块,将LSTM输出的原始参数映射至物理容许区间(如θ
s≥max(观测最大值,0.3));④两阶段优化策略(Adam自适应梯度下降后接L-BFGS确定性精调),结合自适应梯度正则化损失权重,平衡数据、物理与边界约束。样本来自三个旱作牧场站点,钻取式电容探头采集多深度数据,降雨与蒸散发分别为翻斗式雨量计和SILO数据库降尺度产物。
研究结果分为三部分:
**4.1 土壤水分预测精度**:与纯数据驱动LSTM对比,LSTM-PINN在所有深度取得平均R
2=0.94,RMSE<0.01 cm
3/cm
3,有效再现干湿事件;但在T944黏土干燥条件下及T357、T726的15 cm过渡层存在系统偏差,表明邻居耦合在非均质性强的剖面可能引入局部偏移。
**4.2 SWRF预测精度**:相对Rosetta pedotransfer函数,LSTM-PINN在湿端(>–100 kPa)拟合更优,全站点平均RMSE为0.045 cm
3/cm
3(Rosetta为0.059 cm
3/cm
3);T944的5 cm与25 cm深度因低渗透性及优先流导致偏差增大,但整体曲线呈现物理一致且时间稳定。
**4.3 模型训练性能**:损失分解显示物理残差收敛至10
–13–10
–14量级,数据损失稳定在10
–5,边界损失因通量不确定性(R–ET)而最大且难以进一步降低;L-BFGS精调阶段,仅T944有显著损失改善,其余站点已近收敛。
讨论部分指出:物理约束在牺牲微小统计拟合精度的同时,有效避免了过拟合,并赋予预测与参数反演以物理可解释性。湿端预测优于干端,部分归因于参考实验室SWRF在极端吸力段采样稀疏及非平衡效应。边界损失主要由蒸散发降尺度误差和未建模过程(径流、截留)主导,不可降低性暗示未来应侧重边界通量不确定性处理。模型可嵌入1D垂向水文模型或决策支持系统,但受限于假设毛细流主导、忽略滞后与侧向再分布,且参数可辨识性依赖观测序列的信息丰富度。
研究结论翻译如下:本研究开发了一种邻居感知LSTM-PINN(neighbour-aware LSTM-PINN),能够从多深度田间时间序列中同时进行土壤水分预测和SWRF(土壤水持水函数)推断。尽管纯数据驱动LSTM在短期预测精度上略有优势,但所提出的物理约束框架在可变边界强迫下再现了深度耦合的干湿动态,同时保持了理查兹方程(Richards equation)一致性。通过将控制过程约束直接嵌入学习目标,该模型在统一框架内架起了数据驱动预测与水力参数推断的桥梁。对于SWRF估计,LSTM-PINN总体上优于Rosetta,特别是在湿端,预测的持水曲线与实验室测量更为接近。这些结果表明,无需预定义初始猜测即可直接从田间观测推断具有水文意义的参数,超越了静态pedotransfer方法。尽管常规预测指标的提升幅度适中,但同步提供物理一致预测与可传递水力信息的能力代表了混合水文建模的实质性进步。若干局限性依然存在:评估仅限于塔斯马尼亚的三个旱作牧场站点和类似气候条件,建模域集中于0–30 cm剖面且未明确表示侧向再分布;参数可辨识性依赖于观测状态和边界强迫的质量与变异性。未来工作应评估更广泛水文气候区和管理系统下的可迁移性,包括极端干/湿强迫下的鲁棒性测试,将框架扩展至更深剖面,并改进边界与数据不确定性处理。总体而言,邻居感知LSTM-PINN提供了一个物理可解释且传感器集成的建模框架,推动了机器学习与过程水文学在田间尺度预测与参数推断中的融合。