具有物理输出的可微分、可学习、区域化过程式模型可接近最先进的水文预测精度
机器学习
2023-01-11 v2
摘要
对整个水循环中水文变量的预测对水资源管理以及生态系统与水质建模等下游应用具有重要价值。近来，纯数据驱动的深度学习模型如长短期记忆网络（LSTM）在降雨-径流及其他地球科学变量建模中展现出看似难以超越的性能，但它们无法预测未经训练的物理变量且仍难以解释。本文表明，可微分、可学习的过程式模型（此处称为 δ 模型）借助区域化参数化，可接近 LSTM 在密集观测变量（径流）上的性能水平。我们以简单水文模型 HBV 为骨干，并使用嵌入式神经网络（仅可在可微分编程框架中训练）来对过程式模型模块进行参数化、增强或替换。在不使用集成或后处理器的情况下，δ 模型对全美 671 个流域在 Daymet 强迫数据集上可获得 0.732 的中值 Nash-Sutcliffe 效率，而同等设置下最先进 LSTM 模型为 0.748。对另一强迫数据集，差异更小：0.715 对比 0.722。同时，所得可学习过程式模型可输出一整套未经训练的变量，如土壤与地下水储量、积雪、蒸散发与基流，并随后由其观测值约束。模拟的蒸散发与基流占径流比例均与替代估计相当吻合。该通用框架可适用于具有不同过程复杂度的模型，并为从大数据中学习物理开辟了路径。
引用
@article{arxiv.2203.14827,
title = {Differentiable, learnable, regionalized process-based models with physical outputs can approach state-of-the-art hydrologic prediction accuracy},
author = {Dapeng Feng and Jiangtao Liu and Kathryn Lawson and Chaopeng Shen},
journal= {arXiv preprint arXiv:2203.14827},
year = {2023}
}