在可微高分辨率水文模型中利用精确空间代价梯度学习区域化：以法国地中海地区为例
机器学习
2024-11-04 v2 信号处理
摘要
在无资料流域中估算空间分布的水文参数是一个具有挑战性的区域化问题，且由于流量数据稀疏，需要施加空间约束。一种可能的方法是寻找一个将物理描述符与概念模型参数定量关联的传递函数。本文提出了一种混合数据同化与参数区域化（HDA-PR）方法，将从多元线性回归或人工神经网络（ANNs）中学习的区域化映射嵌入到可微水文模型中。该方法展示了如何将两个可微代码连接并链式传递其梯度，从而在高维区域化背景下，利用基于伴随的精确梯度，在广阔的时空计算域上利用异构数据集。该反问题通过多站点校准代价函数处理，该函数考虑了来自多个观测站点的信息。HDA-PR在法国地中海地区126个易发暴洪流域的高分辨率、小时级、公里级区域建模上进行了测试。结果凸显了HDA-PR强劲的区域化性能，尤其是在最具挑战性的上游到下游外推情景中结合ANN时，在空间、时间、时空验证中取得了0.6至0.71的中位Nash-Sutcliffe效率（NSE）分数，并且相比采用集总参数校准的基线模型，NSE平均提升高达30%。ANN能够学习非线性的描述符到参数映射，相比线性映射为复杂校准情形提供了更好的模型可控性。
引用
@article{arxiv.2308.02040,
title = {Learning Regionalization using Accurate Spatial Cost Gradients within a Differentiable High-Resolution Hydrological Model: Application to the French Mediterranean Region},
author = {Ngo Nghi Truyen Huynh and Pierre-André Garambois and François Colleoni and Benjamin Renard and Hélène Roux and Julie Demargne and Maxime Jay-Allemand and Pierre Javelle},
journal= {arXiv preprint arXiv:2308.02040},
year = {2024}
}