一种网格信息驱动的物理引导图深度学习框架,用于可解释的分布式日径流预测

《Journal of Hydrology》:A grid-informed physics-guided graph deep learning framework for interpretable distributed daily streamflow prediction

【字体: 大 中 小 】 时间:2026年09月24日 来源:Journal of Hydrology 7.3

编辑推荐:

   • 该框架将基于网格的水文表征与图学习相结合。 • 框架中实现的残差学习配置表现最佳。 • 基于图的解释揭示了有意义的子图和水文变量。 引言 在复杂流域中,水文响应通常表现为非线性、非平稳性和空间异质性,而非简单的线性变化(Arnell, 1999; Held和Soden

  

• 该框架将基于网格的水文表征与图学习相结合。
• 框架中实现的残差学习配置表现最佳。
• 基于图的解释揭示了有意义的子图和水文变量。

引言

在复杂流域中,水文响应通常表现为非线性、非平稳性和空间异质性,而非简单的线性变化(Arnell, 1999; Held和Soden, 2006; Milly等, 2005; Rial等, 2004; Slater等, 2021)。这些特征挑战了传统流域规划中的假设,使得可靠的径流预测对于适应性流域管理变得至关重要(Hirabayashi等, 2013; Milly等, 2008; Winsemius等, 2016)。这种复杂性不仅体现在流域出口处径流的变化上,还体现在子区域和河段之间的异质响应中。因此,仅关注流域出口处径流的集合式建模往往不足以支持空间精细化水资源调控(Bracken等, 2010; Sun等, 2022; Wang等, 2024)。这凸显了流域尺度分布式建模框架的必要性,这类框架可以提高径流预测精度,表征内部空间传播过程,并为空间精细化水资源管理提供水文过程解释支持。

现有的流域水文建模方法大致可分为三类:物理基模型(PBMs)、数据驱动模型(DDMs)和过程-数据混合模型(PBM-DDMs)(Acosta等, 2026b; Chadalawada等, 2020; Devia等, 2015; Guo等, 2026; Herath等, 2021; Pandi等, 2021; Taghizadeh等, 2025a; Tripathy和Mishra, 2024)。物理基模型长期以来一直是径流模拟和流域过程诊断的基础工具(Devia等, 2015; Fatichi等, 2016)。通过结合水量平衡约束与水文过程表征,物理基模型可以模拟蒸散发、土壤-水动力学和河道汇流等关键过程,从而支持物理诠释和过程诊断(Fatichi等, 2016; Kampf和Burges, 2007; Van Griensven等, 2012)。从空间离散化的角度来看,水文模型通常根据所表征的内部空间变异性程度被分为集合式、半分布式或全分布式模型(Devia等, 2015; Fatichi等, 2016)。在这一连续谱中,半分布式模型将流域划分为空间单元,这些单元通常被视为内部均质的,从而在空间细节与计算效率之间取得平衡。例如,土壤和水评估工具(SWAT)通过流域子区和水文响应单元(HRUs)等空间离散化单元来表征流域内部异质性,从而提供具有空间信息的径流模拟结果,并支持空间明确的流域管理决策(Arnold等, 2012; Devia等, 2015; Neitsch等, 2011)。因此,空间离散化影响着流域异质性、汇流路径和产流面积的表征(Arabi等, 2006; Liu等, 2016)。从过程结构的角度来看,水文建模框架大致可分为固定结构模型(单假设方法)和灵活建模框架(多假设方法)。固定结构模型在参数率定过程中保持预定义的过程表征组合(如HBV和SWAT)。灵活框架重新组合预定义的过程模块,以构建和评估流域功能的不同假设(如FUSE和SUPERFLEX)(Chadalawada等, 2020)。固定结构模型便于标准化实施,但依赖于适合目标流域的假设;而灵活框架扩大了假设检验范围,但需要更高的专业知识和计算成本(Chadalawada等, 2020; Herath等, 2021; Matin等, 2026)。空间离散化决定了水文过程在何处和以何种分辨率进行表征,而过程结构则决定了它们如何被概念化。尽管物理基模型为水文模拟提供了物理一致的基础,但与空间离散化和过程结构相关的不确定性可能贯穿整个流域建模过程。这些不确定性可能限制了对非线性和空间异质性径流响应的表征(Karpatne等, 2017; Ng等, 2023)。数据驱动模型可以通过直接从数据中学习非线性关系,来补充物理基模型对这类复杂径流响应的表征。

数据驱动模型为径流预测提供了新的技术路径(Guo等, 2024; Li等, 2023; Shen, 2018; Tripathy和Mishra, 2024)。长短期记忆网络(LSTM)(Hochreiter和Schmidhuber, 1997)、双向长短期记忆网络(BiLSTM)(Graves和Schmidhuber, 2005)、门控循环单元(GRU)(Cho等, 2014)和Transformer(Vaswani等, 2017)等数据驱动架构,可以从气象和水文时间序列中学习复杂的非线性关系和长期时间依赖,通常无需显式依赖预定义的水文过程方程或物理参数化方案(Cai等, 2024; Cho和Kim, 2022; Chu等, 2024; Tripathy和Mishra, 2024; Wang等, 2026a; Wang等, 2026b)。因此,它们在径流预测中展现了相当大的潜力。然而,在许多水文应用中,传统的序列模型仍然倾向于遵循集合式或站点独立的建模范式,更侧重于时间信息提取,而对流域内部上下游空间传播过程的显式表征有限(Chen等, 2023; Guo等, 2024; Mosavi等, 2018; Wang等, 2026c)。相比之下,图深度学习(GDL),特别是图神经网络(GNNs)(Zhou等, 2020),可以将水文站、子流域或河段表示为节点,将河网络连接关系表示为边,从而为表征流域内部空间依赖关系和汇流路径提供了一种更自然的方式(Choi等, 2026; Deng等, 2026; Mosaffa等, 2026; Sun等, 2022; Sun等, 2021; Xue和Zhu, 2025)。除了这种表征优势之外,迭代消息传递可以在连接的单元之间聚合水文信息,从而实现对局部依赖关系和多跳交互的表征。此外,灵活的节点特征和定向边允许在统一的关联框架中编码空间异质的流域信息和上下游连接关系(Acosta等, 2026b; Chadalawada等, 2020)。然而,这些图结构的物理意义取决于水文单元、连接关系和节点属性的定义方式(Jeong等, 2026; Wang等, 2026c; Yang等, 2026b)。基于图的水文建模通常采用抽象方案构建图,例如欧几里得距离、空间邻接性或统计相关性(Budamala等, 2026; Xue和Zhu, 2025)。这些简化的图定义使空间依赖性变得可处理,但可能会平滑掉局部水文信息,并削弱对方向性流连接的表征。基于网格的流向图学习提供了一种有前景的替代方案,它通过网格尺度解析的拓扑一致且精细的流向信息来推导有向连接关系(Li等, 2026)。这种基于网格的有向表征可以为编码具有物理基础的流域连通性提供一个拓扑精细的图接口。将图深度学习与双向长短期记忆网络等时间模型相结合,可以联合表征上下游依赖关系和时间径流动态(Akkala等, 2025; Remmouche等, 2025)。然而,如果没有物理基模型的指导,学习到的图关系可能仍然难以与产流机制和汇流机制相关联(Ng等, 2023; Zheng等, 2026)。这一局限性也影响着基于图的模型的水文可解释性。尽管近期研究尝试从特征、节点或边的角度解释基于图的水文模型,但这类事后解释,包括Shapley加性解释(SHAP)(Lundberg和Lee, 2017)和GNNExplainer(Ying等, 2019),在缺乏物理约束支持时,可能主要反映数据学习到的关联性(Doshi-Velez和Kim, 2017; Guidotti等, 2019; Guo等, 2024)。因此,它们全面评估学习到的图表征是否与产流过程、汇流路径和流域汇合结构在 hydrologically 上保持一致的能力仍然有限。因此,将物理基模型与基于图的数据驱动模型相结合,已成为提高流域建模的预测性能、物理一致性和可解释性的重要方向。

过程-数据混合模型(PBM-DDMs)为整合物理基模型的过程一致性和数据驱动模型的非线性表征能力提供了一条有效途径,并在水文建模领域引起了越来越多的关注(Karpatne等, 2017; Li等, 2025; Ng等, 2023)。先前的研究将物理基模型模拟结果、中间水文变量或水文约束纳入数据驱动模型,从而产生了物理引导深度学习模型,如用于径流和水质建模的SWAT-LSTM和SWAT-Transformer(Chen等, 2023; He等, 2026; Mosavi等, 2018; Noori等, 2020; Noori和Kalin, 2016)。为了更好地表征空间水文连接关系,一些研究将源自物理基模型空间离散化的河网拓扑嵌入到图深度学习架构中,从而形成物理引导的图深度学习框架。在这些框架中,物理基模型衍生的拓扑定义了水文单元之间的空间依赖关系,而模拟状态和输出提供了具有物理信息的特征(Budamala等, 2026; Jeong等, 2026; Wang等, 2026c; Yang等, 2026b; Zheng等, 2026)。与此密切相关的基于图的替代模型研究将水文动力物理基模型的计算网格表示为图,使图深度学习能够学习洪水传播动态(Acosta等, 2026a; Taghizadeh等, 2025a)。基于网格的深度学习替代模型,包括图深度学习模型,将粗分辨率的水文动力模拟与地形属性相结合,以重建细尺度的淹没模式(Acosta等, 2026b; Herath等, 2025; Taghizadeh等, 2025b)。这些研究共同表明,计算网格和栅格可以将水文动力物理基模型中具有物理意义的空间信息传递给图深度学习。这种传递通过将单元格邻接关系编码为图边来实现,使图深度学习的消息传递能够镜像水文动力求解器的基于邻域的状态更新(Acosta等, 2026a)。然而,在将物理引导的图深度学习应用于流域尺度分布式径流建模时,仍有三个关键问题需要解决。首先,尽管基于网格的水文动力替代模型研究已建立了基于网格学习的可行性,但将其应用于流域尺度分布式径流建模(与流域水文物理基模型结合)时,需要为图深度学习提供具有水文意义的图表征。图的拓扑应该编码上下游汇流关系,而节点特征应该捕捉水文过程异质性。其次,残差学习通过学习对物理基模型模拟结果的修正,为在数据驱动模型中嵌入领域知识提供了一种简单而有效的手段(Liu等, 2025; Liu等, 2023; Mohammadi等, 2025)。据我们所知,残差学习尚未作为将物理基模型与图深度学习耦合以提高河网分布式径流预测的策略进行探索。第三,学习到的图表征的水文一致性评估仍然不足。除了预测精度之外,事后分析应该确定学习到的图组件和过程变量贡献是否与产流和汇流过程相一致(Yang等, 2026a; Zheng等, 2026)。解决这些差距对于开发分布式径流建模框架至关重要,这类框架结合了准确的多站点预测与具有水文可解释性和物理一致性的图学习。

针对这些挑战,并遵循物理引导的图深度学习范式,本研究开发了一个基于网格的物理引导图深度学习(GPGDL)框架,该框架将GSWAT(一种具有精细网格空间离散化的增强版SWAT实现)与GraphSAGE-BiLSTM图学习模块相结合(Graves和Schmidhuber, 2005; Hamilton等, 2017)。在该框架中,GSWAT提供用于构建基于网格的水文图网络(HydroGraphNet)的汇流拓扑,这是一个提供给GraphSAGE-BiLSTM模型的加权有向图表征;在该图中,基于网格的水文连接关系被编码为有向的上下游边,而节点特征则在上游产流汇水区(UCDAs)范围内聚合。这种设计为水文图构建和物理知识嵌入提供了一个物理一致的接口,使图深度学习能够捕捉空间依赖关系和时间径流动态,同时保持物理基模型的过程一致性。所提出的框架应用于湘江流域(XRB)15个水文站的日径流可解释分布式预测。本研究解决的核心问题是:将物理基模型衍生的基于网格的水文表征与图深度学习相结合,特别是通过残差学习,是否能够改进多站点径流预测,同时保持水文可解释性和物理一致性。具体而言,本研究旨在:(a) 通过开发源自GSWAT的基于网格的水文图网络,该网络共同整合汇流拓扑和UCDA聚合的过程信息,构建一个GPGDL框架;(b) 通过多种建模策略之间的比较和诊断物理引导场景,确定残差学习是否能够有效地将GSWAT与图深度学习耦合,以改进多站点径流预测;以及(c) 通过检验节点级、边级和特征级的贡献是否与流域汇合结构和汇流过程相一致,评估学习到的图表征的水文可解释性和物理一致性。

研究区域

湘江流域位于中国湖南省南部(110°E–115°E,24°N–29°N;图1)。湘江流域被公认为洞庭湖流域最大的支流和最大的子流域,也是湖南省最重要的区域水资源支撑河系之一(Guo等, 2024; Lu等, 2026)。

在本研究中,选择湘潭水文站控制的上游流域作为研究区域,覆盖面积约 82900 km2。基于格网的 SWAT 模型(GSWAT)SWAT 是一种基于物理的半分布式水文模型,其中 HRU(水文响应单元)是陆相水分平衡模拟的基本计算单元(Arnold 等,2012;Neitsch 等,2011)。单个 HRU 产生的水、泥沙和养分通量在子流域层面进行汇总,随后通过河道网络路由至流域出口(Neitsch 等,2011)。在每个子流域内,降雨是主要输入,多个中间……各节点及流量条件下的模型性能各模型优化后的参数配置详见支持信息 S1 中的第 A7 节。总体而言,所提出的 GPGDL 实现方案 PGRL-M1 在所有对比模型中表现最佳,测试期内的平均 NSE 和 R2 值分别为 0.754 和 0.771(图 7)。PGRL-M2 次之,而两个 PDL 模型在两项指标上均低于约 0.7。这一排名表明,PGRL-M1 的优异预测性能归因于……使用中间水文变量评估 GSWAT 的过程一致性为评估基于格网的 GSWAT 表示是否相比传统 SWAT 提升了过程一致性,我们评估了两种模型模拟的两个关键中间水分平衡变量:实际蒸散发(ET)和土壤水(SW)。对于每个变量,采用了两种独立的格网化产品以减少对单一遥感数据集的依赖。具体而言,ET 与 GLEAM 4.2a(1990–2020 年,0.1°,月尺度)(Martens 等,2017)和 MODIS16(2000–2020 年,500 m,……结论开发具有物理意义、高性能且空间显式的图学习框架,对分布式径流模拟和流域管理至关重要。本研究通过整合 GSWAT 导出的水文表征与 GraphSAGE-BiLSTM 图深度学习模型,开发了一个 GPGDL 框架,用于可解释的分布式日径流预测。在该框架中,GSWAT 作为基于格网的物理知识模块,用于构建基于格网信息的……CRediT 作者贡献声明Zhonghui Guo:写作–审阅与编辑、写作–初稿撰写、可视化、验证、软件、方法论、数据整理、概念化。Dehua Mao:写作–审阅与编辑、监督、方法论、资金获取、概念化。Chang Feng:写作–审阅与编辑、可视化、验证、监督。Ting Wang:可视化、软件、数据整理。Yishu Li:可视化、软件、数据整理。利益冲突声明作者声明不存在任何可能影响本文所报告工作的已知财务利益或个人关系。致谢本研究得到了国家自然科学基金区域创新发展联合基金(项目编号:U19A2051)、湖南省自然资源厅科研基金(项目编号:20240101ST)、湖南省教育厅重点科研项目(项目编号:23A0049)、湖南省哲学社会科学基金(项目编号:21YBA035)以及国家自然科学基金……Zhonghui Guo | Dehua Mao | Chang Feng | Ting Wang | Yishu Li
相关新闻
生物通微信公众号
微信
新浪微博

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