李恒/张春晓：基于过程驱动的深度学习水文模型用于日降雨径流模拟

2024-06-06     发布：信息工程学院    点击：142次

【Journal of Hydrology，2024】

随着地球观测数据的不断累积，以深度学习为代表的数据驱动方法已在水文模拟精度上超越基于过程的水文模型，但黑箱属性和物理机制缺失限制了深度学习在水文模拟中的推广应用。因此如何改进这类“黑箱”模型的水文过程理解意识仍然是一个具有挑战性的问题。本文围绕“如何教授深度学习水文科学知识”这一问题开展研究，以流域径流建模作为说明性案例，提出一种新颖的耦合基于过程的水文建模知识的深度学习混合水文模拟框架（图1）。该框架将基于过程的水文模型包含的水文过程方程和水量平衡原理编码到深度学习架构中的循环神经网络层，以此将水文科学知识“教授”给深度学习。

图1 耦合基于过程的水文建模知识的深度学习混合水文模拟框架

图2 PRNN-EA-LSTM混合水文模型

基于此架构，研究进一步开发了一个具备水文科学意识的深度学习水文模型 (PRNN-EA-LSTM，图2)，利用美国本土 531 个流域的数据进行径流模拟的测试。研究结果表明：该模型在超越纯数据驱动的深度学习性能的同时 (图3)，具有比深度学习更好的可解释性和物理一致性，提高了跨流域可迁移性 (图4和图5)，并具有推测未观测的水文过程的推理能力。物理方法和深度学习的深度整合有助于从不断增加的地球观测数据流中构建和调查问题，测试假设，并发现未被基于过程的水文模型充分认知的水文关系 (图6)。

图3 PRNN-EA-LSTM在美国本土531个流域上的径流模拟性能

图4 PRNN-EA-LSTM在美国本土的跨流域可迁移性

图5 PRNN-EA-LSTM模拟的径流过程线

图6 PRNN-EA-LSTM改进了原基于过程的水文模型在干旱流域的水文关系

本研究受到国家自然科学基金(42371425, 42077438, 42325107 和42330108) 的联合资助。该项研究成果发表在国际水文水资源领域顶级期刊《Journal of Hydrology》。

引用格式：Li, H., C. Zhang, W. Chu, D. Shen and R. Li (2024). "A process-driven deep learning hydrological model for daily rainfall-runoff simulation." Journal of Hydrology 637(2024): 131434.（JCR-Q1，中科院一区Top，IF：6.4）

全文链接： https://doi.org/10.1016/j.jhydrol.2024.131434

模型源码：https://github.com/lhmygis