用于地球科学系统基于机器学习建模的质量守恒感知机

尽管数十年来致力于构建物理-概念（PC）模型以预测地球科学系统的时间序列演化，近期工作表明基于机器学习（ML）的门控循环神经网络技术可用于开发准确得多的模型。然而，从基于 ML 的模型中提取物理理解的困难，使其在推动关于系统结构与功能的科学知识方面的效用复杂化。在此，我们提出一种物理可解释的质守恒感知机（MCP），作为弥合基于 PC 与基于 ML 建模途径之间差距的方法。MCP 利用 PC 模型与 GRNN underlying 的有向图结构之间的固有同构，显式表示物理过程的质量守恒性质，同时使此类过程的函数性质能够使用现成 ML 技术从可用数据中以可解释的方式直接学习。作为概念验证，我们研究了 MCP 的函数表达力（容量），探索了其简洁表示 Leaf River 流域降雨-径流（RR）动力学的能力，并展示了其在科学假设检验中的效用。最后，我们讨论了该概念的扩展，以实现通过地球科学系统的质量-能量-信息流耦合性质的基于 ML 的物理-概念表示。