李恒/张春晓: 利用物理嵌入GeoAI改善深度学习在气候变化下降雨径流响应的物理真实性

2024-08-23     发布：信息工程学院    点击：351次

随着地球观测数据流的不断增加，主要依赖于过程表示的地球科学界希望更加深入地采用人工智能仪器—深度学习模型。然而，在全球气候变暖背景下，此类模型越发难以在新的气象强迫边界下做出准确、可靠地预测。主要原因有两点：(1) 深度学习模型的预测技巧强烈依赖于历史观测所反映的过程规律；(2)模型结构本身缺乏对基本过程的理解。为此，以地球系统建模中的关键一环 —“降雨-径流”作为建模对象，本文基于嵌入式神经网络和可微分编程技术开发了一个编码深度神经网络的混合水文模型来解决此问题。在d_NN中，神经隐藏单元之间的链接被显式替换为具有物理因果关系的过程方程，嵌入式神经网络代替用于求解过程方程的参数化模块和一些潜在过程方程。整个模型架构被编码在可自动微分的深度学习平台上，以此实现过程方程和神经网络共享从大型数据集中馈送回的梯度信息 (图1)。

图1 嵌入物理水文概念的混合模型(d_NN)

图2 d_NN在强迫变暖下响应的径流过程线

强迫气候变暖的数值实验表明：（1）d_NN在响应年内逐月径流过程方面，能够有效捕捉冷季径流增加和暖季径流减少的水文变化与趋势 (图2)；（2）在响应年总径流比方面，d_NN预测的年总径流随温度增加而增加的流域较少，表明其在变暖情景下能够稳健地维持流域的总水量预算(图3)；（3）通过协同物理知识，d_NN具备解译强迫变暖下径流响应的能力(图4)，且能够在无监督状态下准确地推断在强迫变暖下的积雪动态(图5)。通过“降雨-径流”的建模实验，这项研究为如何有效利用深度学习和物理知识来应对气候变暖背景下的地球系统建模提供了思路，以进一步提高模型在变化环境中的适用性。

图3 d_NN在强迫变暖下响应的年总径流比变化

图4 d_NN解译强迫变暖下径流响应的能力

图5 d_NN在无监督状态下推测积雪动态的能力

本研究受到国家自然科学基金(42371425, 42077438, 42325107 和42330108) 和中央高校基本科研业务费专项资金(CCNU24JC029)的联合资助。该项研究成果发表在地球科学领域顶级期刊《International Journal of Applied Earth Observation and Geoinformation》。

引用格式：Heng Li, Yuqian Hu, Chunxiao Zhang, Dingtao Shen, Bingli Xu, Min Chen, Wenhao Chu, Rongrong Li, Using Physics-Encoded GeoAI to improve the Physical Realism of Deep Learning′s Rainfall-Runoff Responses Under Climate Change, International Journal of Applied Earth Observation and Geoinformation, Volume 133, 2024, 104101.（JCR-Q1，中科院一区Top，IF：7.6）

全文链接： https://doi.org/10.1016/j.jag.2024.104101

模型源码：https://github.com/lhmygis