用于高效水文建模的机器学习代理：来自受控地下水补给随机模拟的洞察

基于过程的水文模型是理解陆地水循环和解决现代水资源问题的重要工具。然而，许多水文模型计算代价高昂，根据分辨率和比例，仿真所需时间可达数小时至数天。虽然不确定性量化和优化等技术已成为支持管理决策的有价值工具，但这些分析通常需要数百次仿真，而以过程为基础的水文模型无法负担。为弥合这一差距，我们评估了一种混合建模工作流程：首先使用过程模型生成初始仿真集，然后训练机器学习（ML）代理模型以完成下游分析所需的剩余仿真。作为案例研究，我们将该工作流程应用于受控地下水补给址的变渗透地下水流仿真。我们比较了几种 ML 架构的准确性和计算效率，包括深度卷积网络、循环神经网络、视觉转换器和带有傅里叶变换的网络。我们的结果表明，ML 代理模型可实现小于 10% 的平均绝对百分比误差，并相对于过程模型实现数量级的运行时节省。基于这些发现，我们进一步检视了关键建模选择对代理模型准确性和效率的影响。结果表明，规范化损失函数可改善训练稳定性，而最小-最大数据归一化可在 Z-score 和无归一化等其他处理方法的基础上显著降低误差，最高可降低 10 倍。通过使用自动编码器对输入特征进行下采样，还可在使用原始尺寸的 4% 张量进行训练时显著降低内存需求。通过降低计算成本和...