《Sustainability》:Improving Streamflow Simulation with Coupled Conceptual and Data-Driven Hydrologic Modelling: A Case Study in the Woluo River Basin
编辑推荐:
准确的径流预报对于水资源管理和减灾至关重要,然而概念模型常存在系统性偏差,而机器学习缺乏物理解释性。本研究提出了一种耦合XAJ-LSTM模型,以整合新安江(XAJ)模型的机理优势与长短期记忆(LSTM)网络的预测能力。在卧罗河流域应用2012年至2022年的1
准确的径流预报对于水资源管理和减灾至关重要,然而概念模型常存在系统性偏差,而机器学习缺乏物理解释性。本研究提出了一种耦合XAJ-LSTM模型,以整合新安江(XAJ)模型的机理优势与长短期记忆(LSTM)网络的预测能力。在卧罗河流域应用2012年至2022年的11年日观测记录,采用留一法验证评估该框架。结果表明,XAJ-LSTM实现了最高的全期纳什效率系数(NSE)0.885和最低的全期均方根误差(RMSE)19.48 m3/s,而XAJ的NSE为0.867,LSTM为0.724。XAJ-LSTM在汛期表现也最佳,NSE为0.820,RMSE为28.81 m3/s。SHAP框架表明,XAJ模拟流量和降水仍是主导预测因子,提示LSTM强烈依赖于概念模型基线及降雨信息。这些发现表明,XAJ-LSTM能够改善卧罗河流域日径流模拟的选定全期和汛期诊断指标,但在更广泛应用前需使用更长记录和更多流域进行进一步测试。
**论文解读文章**
**研究背景与问题**
精确的河流径流模拟对水资源管理、洪水风险缓解及生态保护至关重要。传统基于物理过程的概念模型(如新安江模型XAJ)具有机理可解释性,但常因参数校准不确定性及对复杂水文过程的简化表示而引入系统性偏差。另一方面,数据驱动方法(如长短期记忆网络LSTM)能高效捕捉非线性关系,却缺乏物理解释性,且对训练数据范围外的条件预测能力有限。为克服单一模型的局限,研究人员提出耦合概念模型与机器学习的方法,以结合两者的优势。然而,现有耦合策略多采用松散耦合或后处理结构,其在不同流域和诊断指标下的表现仍需系统评估。因此,本研究旨在开发一种XAJ-LSTM耦合框架,并在卧罗河流域验证其改进日径流模拟的效果。论文发表在《Sustainability》。
**研究内容与结论**
研究人员利用卧罗河流域贾米水文站2012—2022年共11年的日降水、气温和径流观测数据,构建了XAJ-LSTM耦合模型:将XAJ模型模拟的径流、实际降水和气温作为LSTM的输入,以观测径流为预测目标,采用留一法验证(LOVO)进行模型评估。结果显示,XAJ-LSTM在全期和汛期均取得了最优的均方根误差(RMSE)和纳什效率系数(NSE),其中全期NSE为0.885,全期RMSE为19.48 m
3/s,汛期NSE为0.820,汛期RMSE为28.81 m
3/s。然而,独立XAJ模型在全期Kling-Gupta效率系数(KGE)和水量偏差上仍表现更优(KGE=0.911,体积偏差100.4%),表明耦合模型并非在所有指标上全面超越。SHAP分析表明,XAJ模拟流量和降水是LSTM中最重要的预测因子,气温贡献较小,证实了LSTM对概念模型基线的强烈依赖。这些发现说明,XAJ-LSTM耦合能改善选定诊断指标(特别是动态和洪水误差),但概念模型在水均衡方面仍具竞争力。
**关键技术与方法**
研究采用的主要技术方法包括:(1)新安江模型(XAJ),一种基于土壤水分的概念性水文模型,用于生成物理基线的日径流序列;(2)长短期记忆网络(LSTM),一种改进的循环神经网络,用于学习非线性残差修正;(3)SHAP框架,基于Shapley值的特征归因方法,用于诊断耦合模型中各输入特征的贡献;(4)留一法验证(LOYO),将11年数据逐次留出一整年作为测试集,其余10年用于校准/训练;(5)粒子群优化算法(PSO)用于XAJ参数率定;(6)评价指标包括RMSE、NSE、KGE、alpha-NSE及模拟-观测比。数据来源为贾米水文站和四川省成都市气象局提供的2012—2022年日观测记录。
**研究结果**
**4.1 径流模拟性能**
通过留一法验证,XAJ-LSTM在全期取得了最高的NSE(0.885)和最低的RMSE(19.48 m
3/s),较独立XAJ(NSE=0.867,RMSE=21.08 m
3/s)和LSTM(NSE=0.724,RMSE=30.31 m
3/s)均有改善。在汛期(6—10月),XAJ-LSTM的NSE为0.820,RMSE为28.81 m
3/s,同样优于XAJ(NSE=0.782,RMSE=31.68 m
3/s)和LSTM(NSE=0.545,RMSE=45.81 m
3/s)。但XAJ的全期KGE(0.911)和体积偏差(100.4%)优于XAJ-LSTM(KGE=0.893,体积偏差104.5%),说明耦合模型主要改善了平方误差行为而非水均衡。年际bootstrap 95%置信区间显示各模型部分指标有重叠,支持谨慎解读。
**4.2 径流模拟误差分析**
对全部验证日期的误差分布分析表明,XAJ-LSTM的误差范围(?290.63至207.45 m
3/s)小于独立LSTM(?329.38至282.28 m
3/s)和XAJ(?312.91至252.52 m
3/s)。全期绝对误差中位数:XAJ最小(2.21 m
3/s),XAJ-LSTM为6.52 m
3/s,LSTM为3.15 m
3/s,表明XAJ在典型日常误差上仍具竞争力。汛期误差范围XAJ-LSTM也最小,其中位绝对误差(9.76 m
3/s)接近XAJ(9.33 m
3/s),低于LSTM(16.89 m
3/s)。散点图显示XAJ-LSTM的回归方程y=0.8617x+9.90,截距大于XAJ(y=0.8792x+5.15),与较高体积偏差一致。
**4.3 预测因子敏感性分析**
基于SHAP框架的归因诊断显示,在训练后的XAJ-LSTM中,XAJ模拟流量的平均绝对SHAP值最大(约7.5),降水次之(约5.0),气温最小(约2.0)。蜂群图表明,XAJ模拟流量较高时通常贡献为正,降水较高时也多为正贡献,而气温较高时多为负贡献(可能与蒸发需求相关)。该结果说明LSTM强烈依赖概念模型基线,但SHAP仅反映模型内部归因,不能视为独立水文机制证据。
**讨论与结论**
**讨论**
XAJ-LSTM耦合模型的主要价值在于利用XAJ模拟流量作为水文先验信息,同时允许LSTM学习非线性修正。改进的RMSE和NSE主要源于对变流量和洪水期时序及幅度误差的校正,但较大的截距和水量偏差表明LSTM修正未受质量守恒约束,残留偏差可能源于集总式土壤水蓄量、地下水消退、蒸散发损失及空间异质性限制。局限性包括:仅基于单一流域11年数据,无法检验跨流域迁移性;松散耦合未交换状态;输入变量有限(仅降水、气温和XAJ流量);未量化预测不确定性。未来需在更多流域、更长记录、更紧耦合策略及更多基准模型下验证。
**结论翻译**
本研究开发了XAJ-LSTM耦合框架,用于卧罗河流域日径流模拟(2012—2022年数据)。该框架以XAJ模拟流量、日降水和气温为LSTM输入,以贾米站观测日径流为目标。采用留一法验证及RMSE、NSE、KGE、alpha-NSE、模拟-观测比和图形诊断评估模型性能,SHAP分析用于诊断特征归因。在全部留一法验证点上,XAJ-LSTM取得了全期最高NSE(0.885)和最低RMSE(19.48 m
3/s),以及最好的汛期RMSE和NSE。然而,XAJ保持了全期最高KGE和更小的全期体积偏差。这些结果表明XAJ-LSTM改善了选定全期和汛期诊断指标,但独立XAJ模型仍具竞争力,不应在所有条件下被替换。未来研究应扩展至更多流域和更长记录,并测试更紧耦合策略、分布式模型、不确定性量化及额外预测因子。