张春晓/李恒：基于自动微分的水文过程与参数学习模型-dP2Ls：提升水文预测与过程理解【Journal of Hydrology，2025】

2025-05-30     发布：[信息工程学院]    点击：0次

建模始终是理解流域水循环及旱涝事件等地理环境问题的核心方法。随着数据驱动科学范式的发展，流域水文建模方法逐渐分化为两类：水文过程模型 (Process-based Model, PBM)，具备明确物理解释但结构固化；深度学习模型 (Deep Learning, DL)，具备数据适应性优势但缺乏物理可解释性。为兼顾二者优势，突破单一建模方法的局限，混合水文建模应运而生。然而，如何在遵循现有物理概念的基础上兼顾高精度水文预测，并将先进的模型表现转换为对水文过程的理论指导，推进模型对水文过程的认知与物理表示，建立明确的混合水文建模路线图，已成为发展混合水文建模方法的关键科学问题。

为此，张春晓副教授团队基于可微建模理论，提出了一种融合神经学习机制的水文过程与参数联合学习模型（dP2Ls，图1）。该模型以遵循水量平衡原理的过程驱动模型（可微分版本的PBM）为物理主干，融合区域化神经网络（NN）模块，以实现对大样本流域集群的过程变量建模与参数估计的协同优化。取得主要进展如下：

（1）在覆盖整个北美大陆的 531 个自然流域上开展的大样本径流模拟实验显示，dP2Ls 的中位纳什效率系数（NSE）优于所有仅使用NN进行过程学习或参数学习的模型，并且与纯深度学习模型的性能非常接近（中位 NSE 仅相差 0.021），体现了该方法在保持可解释性的同时具备出色的预测能力；

（2）通过对水文过程变量和模型参数的联合学习，dP2Ls 显著增强了中间水文变量的时空一致性。例如，与传统PBM相比，模型输出的雪水当量与蒸散发变量与估算数据产品的相关系数分别提高了 0.022 和 0.026（图2），显示其在还原实际水文过程方面的潜力；

（3）模型中嵌入的NN成分能够生成比传统基于专家经验公式更具合理性和数据一致性的数据驱动水文通量，验证了“物理–AI”融合框架在优化传统过程描述方面的强大建模能力。同时，该设计也为利用NN反演诊断 PBM 中依赖专家经验的经验公式提供了新思路，尤其是在识别其适用性边界、动态调整过程响应关系等方面展现出重要应用潜力（图3）。

图1  dP2Ls模型示意图

图2  dP2Ls输出蒸散发、土壤湿度与雪水当量变量的时空分布

图3  dP2Ls内置NN成分推演的潜在蒸散发变量

综上所述，本研究充分展示了dP2Ls在流域水文建模中的独特优势：(1) 它确保整个水文模型结构的完全可微分性，从而允许通过梯度下降进行端到端优化，而无需依赖传统的手动或启发式校准;（2）与传统的混合建模方法不同，dP2Ls 独特地将基于梯度的深度学习与基于过程的建模相结合。这使得可训练的神经网络组件能够无缝融入到具有物理意义的水文模块中，从而在保持可解释性的同时提高模型的灵活性和准确性；（3）更加重要的是，通过灵活配置神经网络替换子过程，研究者可以利用dP2Ls突破传统PBM的结构限制，并从大数据中诊断、揭示专家方程的潜在结构误差。

本研究受到国家自然科学基金 (42325107, 42371425, 42330108) 的联合资助，成果发表在国际水文水资源领域Top期刊《Journal of Hydrology》：张春晓, 李恒*, 胡玉乾, 沈定涛, 徐丙立，陈旻，楚文浩，李蓉蓉: A differentiability-based processes and parameters learning hydrologic model for advancing runoff prediction and process understanding. Journal of Hydrology, 2025, 133594.（JCR-Q1，中科院一区Top，实时IF：6.209）

全文链接：doi: https://doi.org/10.1016/j.jhydrol.2025.133594

模型源码：https://github.com/lhmygis/dP2L-models-for-CAMELS-learnings