在统一输入与优化框架下,深度学习与基于过程的模型在小时级洪水模拟中的对比研究

《Environmental Modelling & Software》:A comparative study of deep learning and process-based models for hourly flood simulation under a unified input and optimization framework

【字体: 大 中 小 】 时间:2026年07月17日 来源:Environmental Modelling & Software 5.2

编辑推荐:

  高帅|陈振旭|谢雪英|黄文琪|陈伟豪|陈武希|黄颖春中国福建省福州市福州大学土木工程学院,邮编350108摘要:小时级洪水预报对于减灾工作至关重要,但由于输入架构和优化算法方面的差异,基于过程的模式与深度学习模型之间的比较往往缺乏可靠性。本研究提出了一种系统化的评估框架,通过标准

  
高帅|陈振旭|谢雪英|黄文琪|陈伟豪|陈武希|黄颖春
中国福建省福州市福州大学土木工程学院,邮编350108

摘要:

小时级洪水预报对于减灾工作至关重要,但由于输入架构和优化算法方面的差异,基于过程的模式与深度学习模型之间的比较往往缺乏可靠性。本研究提出了一种系统化的评估框架,通过标准化这些要素,确保在小时级洪水模拟中能够公平地对比这两种模型。我们建立了包含四种代表性模型的对比框架:深度学习模型中的门控循环单元和时空卷积网络,以及基于过程的模式中的HBV模型和水箱模型。在七个中国流域的应用结果表明:(1)当以完整的洪水过程作为输入时,GRU模型的模拟精度优于使用滑动窗口样本的情况;(2)Adam算法是用于基于过程的模式参数校准的有效方法;(3)在统一的输入和优化条件下,大多数流域中深度学习模型的模拟性能优于基于过程的模式。

引言

准确高效的径流模拟与预报对于水资源规划与管理以及洪灾和干旱的防治具有重要意义(Xue等,2023)。基于过程的模式和数据驱动模型被广泛用于径流模拟与预报(Duong等,2025;Wei等,2024)。基于过程的模式具有很强的物理可解释性,因为它们能够明确体现降雨截留、入渗、地表流、地下流以及径流浓缩等水文过程的机制关系(Scholz等,2025)。而数据驱动模型则利用先进的计算架构和高维数据处理能力,有效捕捉降雨-径流过程中复杂的、非线性的且往往非平稳的关系(Barge和Sharif,2016)。这类模型直接从历史水文气象数据中学习,无需明确的物理方程即可捕捉时间依赖性和动态模式。在水文学领域,一个长期存在的问题就是基于过程的模式与数据驱动模型在径流模拟与预报方面的相对精度。这一问题促使许多研究者在不同水文背景和应用场景下对二者性能进行比较研究(Feng等,2023;Izadi等,2024;Jiang等,2020;Kratzert等,2018)。
目前,深度学习模型是一类表现出更优性能的数据驱动模型。大量研究表明,在各种水文预报场景中,深度学习模型,尤其是长短期记忆网络,其预测精度均高于基于过程的模式(Fan等,2020;Feng等,2023;Lees等,2021;Liu等,2021;Sabzipour等,2023)。这种优异性能通常归因于LSTM在建模长期依赖关系以及捕捉降雨-径流序列中的复杂非线性关系方面的出色能力。除了LSTM网络之外,其他深度学习模型也展现出了强大的预测能力。作为LSTM的简化版本,门控循环单元在日尺度径流模拟中的精度高于广泛使用的基于过程的模式——水文局水量平衡模型(HBV模型)(Izadi等,2024)。
尽管深度学习模型在水文模拟中往往表现更优,但实证研究也表明,在特定条件下,基于过程的模式也能实现更高的预测精度。例如,Acu?a等(2025)的研究显示,虽然LSTM网络在整体上比HBV模型具有更好的预测性能,但在极端强降雨情况下,HBV模型的精度更高。同样,Kwak等(2022)发现,包括LSTM在内的深度学习模型尚未完全取代水箱模型等基于过程的模式。他们的研究结果表明,基于过程的模式在模拟峰值流量事件以及有效处理水文时间序列数据中的异常值方面仍具有优势。
虽然已有众多研究比较了基于过程的模式与深度学习模型在径流模拟方面的精度,但由于在评估过程中两种方法在数据输入格式和模型优化算法上存在差异,因此这类比较得出的结论可信度往往受到质疑。
深度学习模型通常采用滑动窗口方法,将完整的降雨-径流时间序列分割成多个固定长度的连续样本(Dong等,2020;Anonymous,2020)。而基于过程的模式则将对应整个洪水过程的完整降雨序列作为输入(Grillakis等,2010)。前者由于受到固定窗口长度的限制,可能会丢失一些有价值的降雨信息,从而影响模型充分捕捉降雨-径流关系的能力,进而降低预测精度。相比之下,后者能够保留完整的降雨信息,有助于建立更为全面且符合物理规律的降雨-径流机制。受现有研究范式的限制,很少有研究者在水文研究中采用完整降雨序列作为深度学习模型的输入。Li等(2021)为LSTM模型设计了同步序列输入输出架构,该架构将整个洪水事件视为统一的输入单元,并将其与滑动窗口方法所采用的序列输入单输出架构进行了对比。他们的实证结果表明,在不同测试的窗口长度下,同步序列输入输出架构的预测精度始终高于所有序列输入单输出架构。
深度学习模型与基于过程的模式所采用的优化算法也存在本质差异。深度学习模型是在PyTorch和TensorFlow等框架下构建的,主要依赖各种梯度下降算法进行优化(Watson等,2022)。而基于过程的模式出现的时间早于深度学习模型,通常不使用梯度下降算法进行优化,而是多采用遗传算法、协方差矩阵适应进化策略以及自适应模拟退火等进化算法(Arsenault等,2014)。
综上所述,深度学习模型与基于过程的模式在径流预报中采用了截然不同的数据输入架构和参数优化算法。这些方法上的差异使得仅仅将性能差异归因于模型本身的固有特性缺乏说服力。此外,目前关于深度学习模型与基于过程的模式的研究主要集中在日尺度和月尺度上的分析和评估(Feng等,2023;Izadi等,2024;Shokri等,2025)。在具有高度变异性和显著波动特征的小时尺度径流模拟中,哪种类型的模型表现更好,目前尚不清楚。
因此,本研究的主要目的是在相同的输入架构和优化算法条件下,比较深度学习模型与基于过程的模式在模拟小时级洪水时的性能,从而实现公平客观的评估。具体而言,我们旨在解答以下核心研究问题:(1)对于深度学习模型,不同的输入架构(序列输入单输出与序列输入带流域面积及基流)相比,其性能如何?不同的输入组合(包含/不包含流域面积或基流)又如何影响模型精度?(2)对于基于过程的模式,基于梯度的优化算法(如Adam)能否达到或超越传统进化算法(如CMA-ES、ASA)的校准效果?(3)在统一且合理的输入架构和优化算法条件下,深度学习模型与基于过程的模式的整体性能对比如何?
具体来说,我们选择了两种深度学习模型和两种基于过程的模式,用于模拟中国福建省七个中小型流域的降雨-径流关系。在本研究中,我们通过引入预热期,对同步序列输入输出架构进行了改进。基于过程的模式则是利用PyTorch框架开发的,该框架具备自动微分功能,同时可通过梯度下降算法对模型参数进行校准。本研究的背景、目标和方法在图2中进行了总结。本文的其余部分结构如下:第2节介绍主要模型、数据、实验设置、超参数配置以及评估指标;第3节分析实际案例的建模结果;最后第4节对全文进行总结。

章节片段

流域数据

本研究选取了中国福建省的七个流域作为研究对象:玉潭流域、辰达流域、永定流域、洋家坊流域、灌溪桥流域、龙门流域以及梅园流域。如表1所示,这些流域的面积在167平方公里到840平方公里之间。
图3展示了这七个流域的地理位置以及各流域内水文站和降雨站的分布情况。所有研究流域都位于亚热带季风气候区,年均降雨量超过1500毫米。

利用深度学习模型分析洪水模拟性能

图6展示了在SSIOWP架构和SISO架构下,不同输入数据条件下,深度学习模型在七个流域进行的小时级洪水模拟的平均NSE值和TPE值分布情况。具体数据可见补充材料表S1。
研究结果表明,无论采用何种输入架构(SSIOWP或SISO),将流域面积作为输入的GRU模型在洪水模拟方面的性能始终优于未考虑面积信息的模型。

结论

本研究在中国福建省七个流域,且在统一的输入配置和优化算法条件下,对深度学习模型与基于过程的模式在小时级洪水模拟方面的性能进行了比较评估。可得出以下结论:
  • (1)
    在小时级洪水模拟中,采用SSIOWP架构的GRU模型性能优于采用SISO架构的同类模型,而TCN模型在SISO架构下的性能更为出色。将流域面积作为输入因素

CRediT作者贡献说明

高帅:写作——审阅与编辑,写作——初稿撰写,指导,软件,资源,方法论,资金获取,概念构思。陈振旭:写作——审阅与编辑,写作——初稿撰写,可视化,验证,软件。陈武希:软件。黄颖春:写作——审阅与编辑,指导,资金获取,概念构思。陈伟豪:软件,数据整理。谢雪英:写作——初稿撰写,可视化,软件,研究调查,数据收集

未引用参考文献

Acu?a Espinoza等,2025年。

数据可用性

如“软件可用性”一节所述,相关代码可免费获取。为便于代码的使用,我们还提供了测试数据,因为本研究原始数据无法共享。

声明

在准备本研究的过程中,我们使用了腾讯元宝来修正代码中的错误。在使用该工具之后,我们对内容进行了必要的审阅和修改,并对最终发表文章的内容承担全部责任。

利益冲突声明

作者声明,他们不存在任何可能影响本文研究成果的已知利益冲突或个人关系。
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